Prediksi Respon Ketahanan Slip Pada Proses Vulkanisasi Sol Karet Dengan Metode Backpropagation Neural Network

Zain Amarta; Nicolas Hutasoit; Agung Ari Purwanto

Authors

Zain Amarta Politeknik Industri Furnitur dan Pengolahan Kayu Kendal
Nicolas Hutasoit Politeknik Industri Furnitur dan Pengolahan Kayu Kendal
Agung Ari Purwanto Politeknik Industri Furnitur dan Pengolahan Kayu Kendal

Keywords:

Sol Karet, proses vulkanisasi, backpropagation neural network

Abstract

Sol karet merupakan bahan baku yang banyak digunakan untuk alas kaki. Proses vulkanisasi merupakan proses penting yang mempengaruhi karakteristik sol karet. Proses vulkanisasi memiliki parameter proses yaitu suhu cetakan, tekanan cetakan, dan waktu tahan. Karakteristik sol karet yaitu ketahanan slip merupakan parameter respon. Pada penelitian ini rancangan eksperimen menggunakan faktorial 3 x 3 x 3 dengan replikasi 3 kali. Prediksi respon dilakukan dengan metode backpropagation neural network (BPNN). Arsitektur jaringan yang tepat untuk memprediksi respon ketahanan slip adalah 3-11-1. Rata-rata error antara hasil eksperimen dan hasil prediksi BPNN adalah 3,535%. Berdasarkan hasil tersebut BPNN merupakan metode yang sangat tepat untuk memprediksi respon ketahanan slip pada proses vulkanisasi sol karet.

Downloads

Download data is not yet available.

Author Biographies

Zain Amarta, Politeknik Industri Furnitur dan Pengolahan Kayu Kendal

Prodi Desain Furnitur

Nicolas Hutasoit, Politeknik Industri Furnitur dan Pengolahan Kayu Kendal

Prodi Desain Furnitur

Agung Ari Purwanto, Politeknik Industri Furnitur dan Pengolahan Kayu Kendal

Prodi Teknik Produksi Furnitur

References

Amarta Z., Soepangkat B. O. P., Sutikno, Norcahyo R. 2019. Multi Response Optimization in Vulcanization Process Using Backpropagation Neural Network-Genetic Algorithm Method for Reducing Quality Loss Cost. American Institute of Physics Conference Proceedings.

Fausett L. V. 1994. Fundamentals of Neural Networks: Architectures, Algorithm, and Applications.

Gowda C. C., Mayya S. G. 2014. Comparison of Back Propagation Neural Network and Genetic Algorithm Neural Network for Stream Flow Prediction. Journal of Computational Environmental Sciences. 1: 1-6.

Li K., Yan S., Pan W., Zhao G. 2017. Warpage Optimization of Fiber-Reinforced Composite Injection Molding by Combining Back Propagation Neural Network and Genetic Algorithm. International Journal of Advance Manufacture Technology. 90 (1-4): 963-970.

Mark J. E., Erman B., Roland C. M. 2013. The Science and Technology of Rubber, 4th edition.

Razfar M. R., Zadeh Z .M. 2009. Optimum Damage and Surface Roughness Prediction in End Milling Glass Fibre-Reinforced Plastics using Neural Network and Genetic Algorithm. Journal of Engineering Manufacture. 223 (6): 653-664.

Rong Y., Zhang Z., Zhang G., Yue C., Gu Y., Huang Y., Wang C., Shao X. 2015. Parameters Optimization of Laser Brazing in Crimping Butt Using Taguchi and BPNN-GA. Optics and Lasers in Engineering. 67: 94-104.

Rumelhart D. E., Hinton G. E., Williams R. J. 1986. Learning Internal Representations by Error Propagation. MIT Press Cambridge 318-362.

Syaffendi M. R. 2014. Analisis Posisi Karet Alam Indonesia di Pasar Karet Alam China. Tesis. Institut Pertanian Bogor.

Tzeng C. J., Chen R. 2013. Optimization of Electrical Discharge Machining Process using the Response Surface Methodology and Genetic Algorithm Approach. International Journal of Precision Engineering and Manufacturing. 14 (5): 709-717.