Hilzaviani, Nabilla (2021) DETEKSI CACAT LAS PORI MENGGUNAKAN METODE MACHINE LEARNING SISTEM MAGNETIC INDUCTION TOMOGRAPHY (MIT). S1 thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa.

	Text (Abstrak) Abstrak Skripsi_Nabilla Hilzaviani_3334170059.pdf Restricted to Registered users only Download (143kB)
	Text (Fulltext) Draft Skripsi_Nabilla Hilzaviani_3334170059.pdf Restricted to Registered users only Download (3MB)

Abstract

Teknik penyambungan logam berperan penting dalam reparasi produksi logam oleh karena itu pengelasan merupakan bagian tak terpisahkan dari pertumbuhan peningkatan industri. Beberapa komponen dari logam yang rentan terjadinya kegagalan adalah pada sambungan las. Proses pengelasan seringkali terjadi kerusakan atau cacat, karena itu harus dilakukan suatu pengujian untuk memastikan bahwa material tersebut aman. Kualitas hasil lasan dipengaruhi oleh ada tidaknya cacat pada hasil lasan. Maka perlu dilakukan inspeksi terhadap logam untuk mengetahui adanya cacat tanpa merusak struktur logam yang disebut pengujian tak merusak (Non Destructive Test). Salah satu metode yang sedang dikembangkan untuk pengujian tak merusak adalah magnetic induction tomography (MIT). Selain karena bersifat non-intrusive dan non-invasive, kelebihan MIT adalah aman dari bahaya radiasi dan relatif murah. Tujuan dari penelitian ini adalah untuk mengevaluasi performa desain koil pada pengukuran cacat las serta mengidentifikasi pola sensor berdasarkan data penelitian untuk membuat prediksi dalam mendeteksi cacat dengan algoritma sistem machine learning. Penelitian ini menggunakan sensor MIT 2 channel dengan koil transmitter dan koil receiver terbuat dari kawat tembaga. Spesimen uji yang digunakan adalah pelat baja SS400 sebanyak 5 buah dengan dimensi 10 cm x 10 cm x 1 cm. Diberikan 5 cacat las buatan berbentuk porositas di permukaan spesimen uji dengan diameter 1 mm, 1,5 mm, 2 mm, 2,5 mm dan 3 mm. Eksperimen dilakukan dengan meletakkan sensor MIT di atas cacat las kemudian sensor akan menginspeksi cacat selama frekuensi 100 kHz – 1 MHz. Hasil memperlihatkan bahwa sensor selenoida lebih sensitif dalam membedakan cacat las dibanding sensor planar. Parameter terbaik dalam penelitian ini berdasarkan nilai relatif magnitude adalah posisi inpeksi cacat las yaitu dibawah koil receiver dan kemampuan sensor dalam mendeteksi cacat adalah permukaan pelat baja. Karakterisasi sensor selenoida dilakukan terhadap 7 sensor, didapatkan hasil fabrikasi yang paling optimal mendeteksi cacat porositas adalah sensor 2 dan 5. Dilihat berdasarkan kemampuan membedakan variasi ukuran cacat las. Signal to noise ratio pada sensor 2 terletak pada rentang frekuensi 137 – 162 kHz yaitu minimal bernilai 15 dB. Sedangkan pada sensor 5 nilai SNR paling baik berada pada rentang frekuensi 106 – 184 kHz dan 300 – 353 kHz dengan nilai minimal 15 dB. Nilai SNR mininimal 15 dB menjelaskan jika sensor dapat efektif mengabaikan gangguan. Sensor 2 lebih sensitif dalam mendeteksi cacat las tetapi trend grafik tidak linier, dan sensor 5 kurang sensitif dalam mendeteksi cacat porositas tetapi trend grafik linier. Algoritma machine learning terbaik penelitian ini adalah Support Vector Machine dengan nilai akurasi 100 %, hal ini dapat dipertimbangkan untuk digunakan karena akurasinya cenderung stabil.

Actions (login required)

View Item