e-Dinamis
Vol 9, No 1 (2014): jurnal e-Dinamis

ANALISA OPTIMASI PEMESINAN PADA MESIN BOR BREDA TIPE R-35 DENGAN ALGORITMA GENETIKA

Gio Saputra (Unknown)
Alfian Hamsi (Unknown)



Article Info

Publish Date
16 Dec 2014

Abstract

Abstrak Algoritma  Genetika  merupakan  suatu  algoritma  yang  terinspirasi  dari  teori  evolusi  Darwin dimana dinyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi aturan bahwa yang kuat adalah yang menang. Algoritma genetika didasarkan pada proses seleksi gen, perkawinan silang  dan  mutasi.  Salah  satu  masalah  yang  dapat  diselesaikan  dengan  algoritma  genetika adalah  persoalan  optimasi.  Optimasi  algoritma  genetika  dilakukan  dengan  mencari  variabel untuk spesiman ST-37 dan mata bor HSS dengan kecepatan potong (V) dari 30 m/min sampai 50 m/min,  diameter(d)  dari  mata  bor  adalah  5,5  mm  sampai  8,5  mm,  kemudian  menurunkan rumus waktu pemesinan (tc) sebagai fungsi optimasi. Variabel yang telah ditetapkan selanjutnya akan melakukan evolusi seperti seleksi, crossoverdan mutasi. Individu terbaik dapat dilihat dari nilai fitness  terbesar karena fungsi optimasi yang digunakan adalah waktu pemesinan (tc) maka dipilih  pengerjaan  dengan  waktu  paling  singkat,  sehingga  didapat  hasil  optimasi  pemesinan Putaran poros utama (n)  rev/min, Gerak makan (f) 0,194  mm/rev, Kecepatan potong (v) 48,532   m/min, Waktu  pemotongan  (tc)  0,00440  min,  Kecepatan  penghasilan  geram  (z)  14,5 cm3/min. Kata kunci: Algoritma genetika, fitness, pe Abstract Genetic  Algorithm  is  an  algorithm  inspired  by  Darwin's  evolutionary  theory  which  stated  that influenced the survival of a creature that the strong rule is a win. Genetic algorithms are based on the process of gene selection, crossover and mutation. One problem that can be solved by genetic algorithm is the optimation problem. Genetic algorithm optimization is performed to find variables to spesiman ST-37 and HSS twist drill with cutting speed (V) of 30 m / min to 50 m / min,  diameter  twist  drill(d)  5,5  mm  to  8,5  mm  and  reduce  machining  time  formula  (tc)  as  a function of optimization. Predefined variables willfurther evolution such as selection, crossover and  mutation.  Individuals  can  best  be  seen  from  the bigest  fitness  value  is  used  as  the optimization function is machining time (tc) then selected work with most short time, so we got the  result  optimization  main  shaft  rotation  machining  (n)  rev  /  min,  deep  feed  (f)  0,194mm/rev, 0,194  mm/revcutting speed (v) 48,532  m / min, , the cutting time (tc) 0,00440  min, Material Removal Rate (z) 14,5 cm3/min. Key words: algorithm optimization, fitness, machining, optimization

Copyrights © 2014