Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem perpipaan merupakan salah satu yang sering digunakan diindustri seperti industri petrokimia untuk mentransmisikan bahan dasar berupa minyak, air maupun gas. Jenis pengelasan yang cocok untuk sistem perpipaan adalah pengelasan pipa orbital. Dalam penelitian ini dilakukan pengelasan pipa orbital dengan pengelasan Gas Tungsten Arc Welding (GTAW) tanpa logam pengisi (autogenous) pada pipa baja tahan karat tipe SS316L. Dimensi dari material uji adalah diameter luar 114 mm dan ketebalan 3 mm. Empat metode pengelasan diterapkan untuk mencari metode yang terbaik untuk menghasilkan kualitas lasan. Metode pengelasan diantaranya metode konvensional, arus pulsa, urutan pengelasan dan kontrol artificial neural network (ANN). Keempat metode ini dilakukan dengan alat pengelasan pipa orbital secara fully mechanized yang dijalankan oleh operator las. Kualitas hasil lasan meliputi geometri las (lebar manik dan kedalaman penetrasi), distorsi pada pipa, struktur makro, struktur mikro dan sifat mekanik (kekuatan tarik dan kekerasan mikro). Tahap pertama membandingkan pengelasan dengan metode konvensional dan kontrol ANN terhadap kualitas hasil lasan. Kemudian tahap kedua adalah membandingkan pengelasan dengan metode arus pulsa, urutan pengelasan dan kontrol ANN. Terakhir adalah mencari metode pengelasan serta parameter pengelasan yang optimal untuk menghasilkan kualitas lasan yang optimal.Hasil penelitian ini menunjukkan bahwa pengelasan dengan metode kontrol ANN lebih baik daripada metode konvensional. Dilihat dari segi lebar manik lebih stabil dengan metode kontrol ANN yaitu 10±0,6 mm. Tetapi untuk kedalaman penetrasi lebih baik menggunakan metode konvensional. Kemudian untuk distorsi yang terjadi lebih kecil menggunakan metode kontrol ANN yang kurang dari 200 µm. Struktur mikro yang terbentuk untuk kedua metode ini hampir sama untuk daerah tengah lasan. Kekuatan tarik maksimal untuk setiap posisi pipa lebih stabil menggunakan metode kontrol ANN. Sedangkan kekerasan mikro lebih kecil jika menggunakan metode kontrol ANN.Perbandingan kualitas hasil lasan dengan metode arus pulsa, urutan pengelasan dan kontrol ANN menunjukkan bahwa metode kontrol ANN lebih baik dalam beberapa aspek. Aspek lebar manik menunjukkan metode kontrol ANN menghasilkan lebar manik yang lebih seragam yaitu 10±0,6 mm. Namun untuk kedalaman penetrasi lebih baik dengan metode arus pulsa. Distorsi pipa dengan metode kontrol ANN juah lebih kecil dibandingkan dengan kedua metode lainnya. Selanjutnya untuk struktur mikro yang teramati tidak jauh berbeda antara ketiga metode pengelasan. Kekuatan tarik maksimal untuk metode kontrol ANN lebih stabil untuk setiap posisi pipa dan kekerasan mikro terendah terjadi di daerah lasan dengan metode kontrol ANN.Metode optimasi yang diterapkan adalah response surface method (RSM) dan Taguchi method. Selain itu digunakan juga analysis of variance (ANOVA) untuk mengetahui tingkat signifikasi parameter pengelasan. Respon dari optimasi adalah kekuatan tarik yang maksimum, distorsi pipa yang minimum dan lebar manik yang ditargetkan 10 mm. Hasil metode optimasi menunjukkan bahwa metode kontrol ANN menghasilkan kualitas lasan yang paling baik diantara metode pengelasan lainnya. Metode kontrol ANN dengan parameter arus pengelasan 106 A dan kecepatan awal pengelasan 1,5 mm/d dapat menghasilkan kekuatan tarik maksimum sebesar 670 MPa, distorsi melintang, distorsi aksial, keovalan dan tapers masing-masing adalah 126 µm, 252 µm, 94 µm dan 168 µm serta lebar manik sebesar 9,97 mm.

---

The piping system is one that is often used in industries such as the petrochemical industry to transmit basic materials in the form of oil, water and gas. The type of welding suitable for piping systems is orbital pipe welding. In this study, welding of orbital pipes with Gas Tungsten Arc Welding (GTAW) welding without filler metal (autogenous) was carried out on stainless steel pipes of type SS316L. The dimensions of the test material are 114 mm outside diameter and 3 mm thickness. Four welding methods were applied to find the best method to produce quality welds. Welding methods include conventional methods, pulse current, welding sequences and artificial neural network (ANN) control. These four methods are carried out with an fully mechanized orbital pipe welding device operated by a welding operator. The quality of the welds includes weld geometry (bead width and penetration depth), pipe distortion, macrostructure, microstructure and mechanical properties (tensile strength and microhardness). In the first stage, comparing welding with conventional methods and ANN control on the quality of the welds. Then the second stage is to compare welding with pulse current method, welding sequence and ANN control. The last is to find the optimal welding method and welding parameters to produce optimal weld quality.

The results of this study indicate that the welding with the ANN control method is better than the conventional method. In terms of bead width, it is more stable with the ANN control method, which is 10±0.6 mm. But for the depth of penetration it is better to use conventional methods. Then for smaller distortion, use the ANN control method which is less than 200 m. The microstructure formed for both methods is almost the same for the center of the weld. The maximum tensile strength for each pipe position is more stable using the ANN control method. While the micro hardness is smaller when using the ANN control method.

Comparison of weld quality with pulse current, welding sequence and ANN control method shows that the ANN control method is better in several aspects. The bead width aspect shows that the ANN control method produces a more uniform bead width of 10±0.6 mm. However, the penetration depth is better with the pulse current method. The pipe distortion with the ANN control method is much smaller than the other two methods. Furthermore, the observed microstructure is not much different between the three welding methods. The maximum tensile strength for the ANN control method is more stable for each pipe position and the lowest microhardness occurs in the weld area with the ANN control method.

The optimization methods applied are the response surface method (RSM) and the Taguchi method. In addition, analysis of variance (ANOVA) is also used to determine the level of significance of welding parameters. The response of the optimization is maximum tensile strength, minimum pipe distortion and a targeted bead width of 10 mm. The results of the optimization method show that the ANN control method produces the best weld quality among other welding methods. The ANN control method with a welding current parameter of 106 A and an initial welding speed of 1.5 mm/s can produce a maximum tensile strength of 670 MPa, transverse distortion, axial distortion, ovality and tapers respectively 126 m, 252 m, 94 m and 168 m and a bead width of 9.97 mm.

"

"ABSTRAKPertumbuhan nilai produksi industri pipa dan sambungan (pengelasan) pipa dari Baja dan Besi pada tahun 2008 mengalami kenaikan pada tiap triwulannya hingga di akhir tahun mencapai Rp 1.113.795.291,00. Demikian juga pada tahun 2009 mengalami kenaikan tiap triwulannya. Pengelasan adalah proses fabrikasi atau pembentukan yang menyatukan material logam atau termoplastik. Inspeksi defect merupakan hal yang sangat vital dalam proses pengelasan. Manusia harus berusaha keras dan memang sulit untuk melakukan tugas ini. Hal ini terjadi karena visual manusia hanya mampu menangkap 60% s.d. 75% dari ketelitian defect yang ada.Penelitian ini mengembangkan suatu peralatan otomatis berbasis Machine Vision yang dapat membantu dalam proses pengelasan GMAW. Material pipa baja lunak JIS S45C, proses las GMAW arus DC dengan kecepatan kawat pengisi konstan, teknologi Machine Vision menggunakan kamera Charge Couple Device (CCD) memonitor perubahan tebal manik menjadi Input-nya, besarnya kecepatan robot bergerak secara orbital sebagai Output-nya. Metode jaringan saraf tiruan digunakan dalam proses kontrol kecepatan tersebut.Hasil dari pengamatan dan pengujian adalah modifikasi perangkat dengan gear rasio 1 : 2 berhasil meredam suara hentakan gear dan rel jalur las yang terjadi pada penelitian sebelumnya. Selama pengujian kecepatan yang terjadi lebih stabil. Lebar manik las yang diukur secara aktual dan pencitraan memiliki nilai rata-rata error -0.30 mm. Optimasi lebar dengan modeling jaringan saraf tiruan mencapai rata-rata error 0.005 mm. Hasil simulasi pengelasan dengan jaringan saraf tiruan didapatkan nilai rata-rata errornya mencapai 0.45 mm dari target lebar 4.5 mm.

---

ABSTRACTGrowth in industrial production value and a welding pipe of Steel and Iron in 2008, an increase in each quarterly until the end of the year reached Rp 1,113,795,291.00 and in 2009 too. Welding is a fabrication process or the formation of a metal or thermoplastic material together. Defect inspection is very vital in the process of welding. Humans have to work hard and are difficult to perform this task. This happens because the human visual only able to capture 60% to 75% of the accuracy of existing defects.

This study developed a Machine Vision-based automated equipment that can assist GMAW welding process. Mild steel pipe material JIS S45C, DC current GMAW welding process with filler wire speed constant, Machine Vision technologi using the camera Charge Couple Device (CCD) to monitor changes to a thick bead of his input, the magnitude of the orbital speed of the robot moves as its output. Artificial neural network methods used in the speed control process.

The results of observation and testing is a modification of the device with a gear ratio of 1: 2 managed to reduce the sound buffeting that occurred in previous studies. During the testing the speed was more stable. Weld bead width is measured using actual width and using image processing that had an average error -0.30 mm. Width optimization using artificial neural network modeling to achieve an average error 0.005 mm. Welding simulation with neural network modeling and controller achieves an average error of 0.45 mm."

"Weld bead atau menik las adalah hasil yang diperoleh dari proses penyambungan pengelasan dua bahan atau lebih yang didasarkan pada prinsip-prinsip proses difusi fusion welding , sehingga terjadi penyatuan bagian bahan yang disambung. Pada pengelasan aluminum berbeda dengan pengelasan steel dimana aluminum lebih mudah meleleh dan mudah menghantarkan panas, sehingga aluminum lebih sulit untuk dilas. Selain sulit dilas, lelehan aluminum juga sulit terdeteksi kamera vision karena tidak membara seperti steel, namun lelehan pada manik las aluminum lebih mudah memantulkan cahaya karena permukaannya yang mengkilap dan halus. Pada penelitian ini menggunakan mesin TIG dan gas Argon sebgai pelindung proses pengelasan serta menggunakan material Aluminum 6063 sebagai spesimen. Penilitian ini fokus pada pengembangan sistem jaringan saraf tiruan untuk pengegelasan aluminum 6063 dimana sebagai target penelitian adalah menjaga lebar manik tetap konstan. Pada penelitian ini variabel yang dikontrol adalah kecepatan pengelasan pada satu sumbu. Sistem yang dibangun pada penelitian ini berhasil mengatur kecepatan pengelasan dan menjaga lebar manik las tetap konstan.

---

Weld beads are the results obtained from the process of welding two or more materials based on the principles of the diffusion process fusion welding , resulting in the unification of the connected material parts. In different aluminum welding with steel welding where aluminum is easier to melt and easily dissipate heat, so aluminum is more difficult to weld. In addition to difficult welded, aluminum melt is also difficult to detect vision cameras because it does not burn like a steel, but melt in aluminum weld beads more easily reflect light because the surface is shiny and smooth.

In this study used TIG and Argon gas as protective welding process and using Aluminum 6063 material as specimen. This research focuses on the development of artificial neural network system for aluminum 6063 whereas the research target is to keep the bead width constant. In this study the controlled variable is the speed of welding on one axis. The system built in this study managed to regulate the welding speed and keep the weld bead width constant. Keyword Weld beads TIG Aluminum Machine vision neural network."

"ABSTRAKPengelasan merupakan proses penyambungan dua bahan atau lebih yang didasarkan pada prinsip-prinsip proses difusi, sehingga terjadi penyatuan pada bagian bahan yang disambung. Kekuatan sambungan las ditentukan dari beberapa parameter, diantaranya adalah lebar manik las dan penetrasi. Lebar manik las terutama bagian atas dapat ditentukan dengan melihat secara langsung melalui kamera CCD (Charge-Coupled Device). Akan tetapi sulit untuk mengamati lebar hasil lasan bagian bawah secara langsung karena pada praktiknya tidak memungkinkan untuk memasang kamera CCD di bagian bawah. Oleh karena itu, pada penelitian ini digunakan Las TIG (Tungsten Inert Gas) arus DC dengan proses pergerakan yang kecepatannya diatur oleh mikrokontroler dengan tujuan untuk mengatur lebar hasil lasan bagian bawah yang diinginkan dimana hasil lasan bagian bawah tersebut diestimasi berdasarkan data lebar manik las yang didapat dari machine vision, kecepatan pengelasan, dan arus yang digunakan. Untuk memperoleh serangkaian data-data tersebut maka dilakukan percobaan awal untuk melatih sistem neural network yang akan dibangun. Sistem yang dibangun pada studi ini berhasil mengatur lebar hasil lasan bagian bawah sesuai dengan nilai target yang diinginkan yaitu 3 mm pada arus 55 A, 60 A, dan 65 A dengan rata-rata error masing-masing arus sebesar 0.11 mm, 0.09 mm, dan 0.12 mm.

---

ABSTRACTWelding is a process of joining two or more substances that are based on the principles of diffusion processes, resulting in unification on the materials to be joined. The strength of the weld joint is determined by several parameters, including the weld bead width and the penetration. The width of the weld bead especially the upper part can be determined by looking directly through the CCD (Charge-Coupled Device) camera. But it is difficult to observe the back bead width directly since in practice it is not possible to install the CCD camera at the bottom. Therefore, in this study used Las TIG (Tungsten Inert Gas) DC current with the movement speed is regulated by the microcontroller for the purpose of adjusting the desirable back bead width where the back bead width is estimated based on data of weld bead width obtained from machine vision, welding speed, and current used. To obtain a series of data are then conducted initial experiments to train the neural network system to be built. The system was built in the study managed to set the back bead width with the value of the desired target is 3 mm on the current 55 A, 60 A, and 65 A with an average error of each current of 0.11 mm, 0:09 mm, and 0:12 mm."

"Pengelasan adalah salah satu cara yang paling mudah dan sederhana dalam menggabungkan rangkaian pipa dalam suatu instalasi. Dibandingkan dengan penyambungan dengan sistem penguliran, pengelasan mampu mengurangi hambatan aliran fluida. dan secara umum mampu mengurangi biaya dalam proses instalasi pipa. Namun proses pengelasan pipa tidak mudah. Dengan bermacam posisi pengelasan 2G, 5G atau 6G, tentunya menambah tingkat kesulitan proses. Penerapan sistem otomatis dalam proses pengelasan mampu menanggulangi masalah posisi pengelasan. Hal tersebut akan meningkatkan efisiensi proses, qualitas hasil manik las dan waktu pengelasan. Penelitian ini bertujuan untuk mengembangkan suatu peralatan yang dapat membantu dalam proses pengelasan GMAW (Gas Metal Arc Welding) pada instalasi pipa baja yang mempunyai dimensi minimal 2 inchi. Untuk keperluan tersebut maka dibuatlah sebuah perangkat sebagai peralatan yang dapat digunakan pada semua mesin las GMAW, untuk membantu proses pengelasan secara orbital mengelilingi pipa. Mekanisasi dan otomasi ini dilakukan untuk memperoleh produktivitas yang tinggi pada proses pengelasan pipa dibandingkan dengan manual, manik las yang dihasilkan lebih baik. Penelitian ini menggunakan material pipa baja lunak, dengan posisi tetap, menggunakan proses las GMAW arus DC, kecepatan kawat pengisi konstan, dalam prosesnya dibantu oleh perangkat yang bergerak orbital secara konstan. Penelitian ini juga menggunakan sistem monitor menggunakan kamera CMOS (Complementary Metal Oxide Semiconductor) untuk memonitor gambar daerah kolam las pada posisi depan atas. Metoda jaringan syaraf tiruan digunakan dalam proses optimasi lebar manik las. Hasil dari pengamatan yang didapat adalah berupa lebar manik las. Hasil dari penelitian ini diharapkan dapat menunjukan keefektifan sistem pengelasan dengan indikator berupa lebar manik las yang bagus dan seragam.

---

Welding is one of the easiest and simplest methods to join a pipeline installation. Compared with the threading process, weld joint were able to reduce the fluid flow resistance, and generally able to reduce costs in the process of pipeline installation. However, the pipe welding process is not easy. With a variety of welding positions 2G, 5G or 6G, certainly increase the level of difficulty of the process. The application of automated systems in the welding process can resolve the problem of position of welding. This will improve the process efficiency, quality of weld bead and welding time.

This research aims to develop equipment which can assist the process of welding GMAW (Gas Metal Arc Welding) on the installation of steel pipe which has a dimension of at least 2 inches. For this purpose, a device as equipment that can be used on all GMAW welding machine was constructed, to assist in orbital welding process around the pipe. Mechanization and automation was conducted to obtain high productivity in the process compared with a manual pipe welding, and better weld beads.

The research uses mild steel pipe material, in fixed position. By using DC current GMAW welding process, filler wire speed is constant, and the device moves around the pipe constantly. This study also uses a monitoring system using CMOS (Complementary Metal Oxide Semiconductor) camera to monitor the weld pool area image from the front top position. An artificial neural network method used in the optimization process of welding bead width. A result obtained from observation is a weld bead width. The result of this study shows the effectiveness of the welding system with indicators of a good weld bead width and uniform. "

"ABSTRAKWeld bead atau manik las adalah hasil yang diproleh dari proses penyambungan (pengelasan) dua bahan atau lebih yang didasarkan pada prinsip-prinsip proses difusi (fusion welding), sehingga terjadi penyatuan bagian bahan yang disambung. Lebar manik las merupakan indikator utama yang menentukan keberhasilan pengelasan karena terkait dengan desain pengelasan yang telah ditetapkan oleh welding engineer sebelumnya. Dalam penelitian ini menggunakan mesin las TIG (Tungten Inert Gas) dan gas Argon sebagai pelindung proses pengelasan (shield gas) serta menggunakan material stainless steel SS 304 sebagai benda kerja. Studi ini mengembangkan sistem pengaturan lebar manik las dengan cara mengatur kecepatan proses sesuai dengan informasi lebar kolam las yang didapat melalui mesin vision selama proses pengelasan berlangsung. Informasi lebar kolam yang didapat dikalkulasikan oleh sistem dan digunakan sebagai input pada jaringan syaraf tiruan (JST) untuk mendapatkan kecepatan proses pengelasan yang tepat. Sistem yang dibangun pada studi berhasil mengatur kecepatan pengelasan yang tepat sesuai dengan target lebar manik yang diinginkan dengan berbagai variasi parameter pengelasan.

---

ABSTRACT

Weld-bead produced in the process of connecting two or more substances that are based on the principles of diffusion processes (fusion welding). Width of weld bead is the main indicator that determines the success of welding as it related to the design of the welding that has been set by the welding engineer before. In this study using TIG welding machine (Tungten Inert Gas) and argon as a protective gas welding process (shield gas) as well as the use of stainless-steel material SS 304 as the workpiece. This study developed a system to control weld-bead by adjusting the speed of the process according to the weld-pool width information obtained through machine vision during the welding process takes place. The informations of weld-pool width will be calculated by the system as inputs to the neural network (ANN) to produce the right speed of the welding process. The system that built in this study had succesfully produced weld bead width similar to the desired target width with some variations of welding parameters."

"Karakterisasi hasil proses pengelasan dengan metode Gas Metal Arc Welding, Gas Tungsten Arc Welding dan Plasma Arc Welding pada baja lembaran berlapis seng dibandingkan untuk mengetahui pengaruh seng terhadap hasil lasannya. Perbedaan besar butir yang sangat jauh antara daerah fusion zone, yaitu 32 μm, dan daerah HAZ, yaitu 90 μm, pada proses pengelasan dengan metode Gas Metal Arc Welding menyebabkan penggetasan dan perpatahan di fusion line pada pengujian tarik dan pengujian tekuk. Hasil pengelasan dengan metode Plasma Arc Welding memiliki sifat fisik yang paling optimum di antara kedua metode lainnya, dengan kekuatan tarik sebesar 352 N/mm² dan struktur butir mikro yang relatif halus. Terdapat pelarutan seng ke daerah fusion zone, dengan kandungan paling besar pada metode pengelasan Plasma Arc Welding.

---

The characterization of weldments produced by Gas Metal Arc Welding, Gas Tungsten Arc Welding and Plasma Arc Welding methods in joining zinc coated steel sheet is compared to know the effect of Zinc on the properties of weldments. The grain size difference between the fusion zone, which is 32 μm, and HAZ area, which is 90 μm, on Gas Metal Arc Welding method is causing the brittleness and cracking at the fusion line while testing with tensile and bending test. Weldments produced by Plasma Arc Welding have the optimum physical property among the two other welding process, with tensile strength 352 N/mm² and relatively fine microstructure. There is some zinc dilution in fusion zone, with the biggest concentration occurs in Plasma Arc Welding process."

"Tesis ini membahas hasil penelitian tentang pengaruh arus dan gas pelindung baik pada torch, backing gas dan trailing gas pada pengelasan paduan titanium (Ti-6Al-4V) dengan proses gas tungsten arc welding. Tujuan dari penelitian ini untuk mendapatkan hasil lasan yang optimum dengan variasi arus mulai dari 70, 80, 90, 100, 110 dan 120 amper, voltase 13 volt, kecepatan pengelasan 4,5 in/menit dan aliran gas pelindung pada backing gas 5 l/menit, trailing gas 15 l/menit dan torch gas 15 l/menit.Dari hasil pengujian visual, komposisi kimia, x-ray, sifat mekanik, metalografi dan kandungan hidrogen pada hasil lasan maka didapatkan bahwa pada arus 90 amper kandungan hidrogen pada daerah logam las 60,96 ppm dan pada daerah terpengaruh panas 76,72 ppm ini lebih rendah dibandingkan dengan arus 80 Amper (pada logam las 65,74 ppm dan pada daerah pengaruh panas 95,03 ppm), tetapi kekuatan tarik dengan arus 90 Amper (92,7 kgf/mm²) lebih rendah dibandingkan dengan arus 80 Amper (103,3 kgf/mm²). Kawat las atau logam pengisi sudah sesuai dengan logam induk hal ini ditunjukkan dengan harga kekerasan yang sama pada logam las dan logam induk yaitu 371 Hv. Backing gas dan trailing gas dapat berfungsi dengan baik melindungi daerah lasan hal ini ditunjukkan oleh rendahnya kandungan hidrogen pada logam las dan daerah terpengaruh panas dibandingkan dengan logam induk (80,18 ppm), sehingga terbentuknya presifitat hidrid dan hidrogen embrittlement pada logam las dapat dihindari.

---

The research is focused on the effects of current and shielding gas on torch, backing gas and trailing gas of Titanium Alloy (Ti-6Al-4V) using gas tungsten arc welding (GTAW) process. Weld current varies from 70, 80, 90, 100, 110 and 120 Amperes, and need parameters are kept constant such as voltage of 13 Volt, welding speed 4.5 in/minute and flow rate of shielding backing gas was 5 liters/minute, trailing gas and torch gas were 15 liters/minute. Respectively visual, X-ray radiograph, mechanical properties testing and metallographic, chemical composition as well as hydrogen content analysis were performed.

The results show that at the condition of 90 amperes the hydrogen content was 60.96 ppm on the weld and 76.72 ppm on the heat affected zone with tensile strength was 92.7 kgf/mm². This tensile -strength value is lower than that results from 80 Amperes (103,3 kgf/mm²) although the hydrogen content is a bit higher that is 65.74 ppm on weld and 95.03 ppm on heat affected zone. All those hydrogen contents are below the critical value (>100 ppm for formation hydride precipitate and > 240 ppm occur hydrogen embrittlement) which may show that both welding conditions are appropriate welding parameters to avoid hydrogen embrittlement. The filler metal used in this investigation is suitable for Ti-6A1-4V which have identical hardness value weldment of 371 HV."

"Studi ini membandingkan hasil pengelasan plat aluminium seri 5083 dengan ketebalan 6 mm menggunakan Friction Stir Welding (FSW) dengan variasi welding speed, yaitu 22, 29 dan 38 mm/menit dengan hasil pengelasan konvensional Gas Tungsten Arc Welding (GTAW). Pengelasan FSW dilakukan dengan menggunakan mesin frais. Hasil FSW dan GTAW diidentifikasi menggunakan uji tarik, uji kekerasan, struktur mikro dan SEM-EDS. Dari identifikasi hasil analisa struktur mikro dan SEM-EDS menunjukkan terbentuknya presipitat Mg2Si dan alumina (Al2O3) yang menyebabkan naiknya nilai kekerasan pada daerah Lasan. Kemudian dari hasil pengujian struktur mikro diperoleh grain size hasil pengelasan FSW lebih kecil dari GTAW. Hal ini menyebabkan kekerasan hasil FSW lebih tinggi dibandingkan dengan GTAW. Berikutnya dari analisa struktur makro diperoleh bahwa semua hasil pengelasan FSW terdapat cacat incomplete fusion yang diakibatkan oleh kurang sempurna proses pengelasan. Hal ini mengakibatkan hasil pengujian tarik GTAW lebih baik dari FSW.

---

This study compares the results of welding 5083 series aluminum plate with a thickness of 6 mm using the Friction Stir Welding (FSW) with a variation of welding speed, namely 22, 29 and 38 mm / min with the results of conventional welding Gas Tungsten Arc Welding (GTAW). FSW welding is done by using a milling machine. Results FSW and GTAW identified using tensile test, hardness test, microstructure and SEM-EDS. The identification results of the analysis of microstructure and SEM-EDS showed the formation of precipitates Mg2Si and alumina (Al2O3) which resulted in higher hardness values at weld zone. Then the microstructure of the test results obtained FSW welds grain size smaller than GTAW. It causes hardness of FSW results higher than the GTAW. The next of the macro structure analysis showed that all FSW welds are incomplete fusion defects caused by imperfect welding process. This resulted in GTAW tensile test results better than FSW."

"Pada era digital ini kebutuhan manusia dalam teknologi semakin berkembang pesat. Teknologi selalu dituntut untuk berkembang untuk memudahkan manusia dalam memenuhi segala aktivitas dan kebutuhannya. Teknologi proses manufaktur adalah salah satunya. Proses manufaktur yang paling banyak digunakan dalam industri saat ini adalah pengelasan. Salah satu contoh teknologi yang berkembang adalah pengelasan otomatis TIG (Tungsten Inert Gas). Pada penelitian ini, dilakukan pengelasan aluminium paduan AA1100 dengan menggunakan pengelasan Tungsten Inert Gas (TIG) otomatis untuk mendapatkan data training neural network sebagai bahan pengklasifikasian hasil pengelasan. Dimensi spesimen yang digunakan dalam penelitian ini yaitu panjang 14 cm, lebar 7 cm serta ketebalan 3,8 mm. Penelitian ini bertujuan untuk membuat sistem pengklasifikasian hasil las yang baik dan buruk (ada cacat) menggunakan machine vision dan neural network sebagai tahap awal dalam penerapan CNN dalam automatic TIG welding serta untuk mengetahui akurasi, presisi dan loss dari sistem vision tersebut dari pre-trained model ResNet-50 dan YOLOv5n. Penelitian ini dimulai dengan mempelajari segala sesuatu tentang metode pengelasan TIG, mempelajari pengaruh-pengaruh apa saja yang dapat menyebabkan pengelasan gagal serta mempelajari metode machine learning untuk mengklasifikasikan hasil pengelasan yang baik maupun hasil pengelasan yang gagal pada material Aluminium AA1100. Selanjutnya dilakukan pengelasan untuk mengambil data acuan sebagai bahan dasar klasifikasi hasil pengelasan, lalu dataset tersebut dilakukan labelling dan di training menggunakan pre-trained model ResNet-50 dan YOLOv5n. Dua model yang terbuat dari hasil training tersebut kemudian di uji coba menggunakan 70 data test. Hasil dari tes tersebut yaitu: Pada tes dengan model YOLOv5s (epoch 50, batch 16 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 88,57% dengan nilai item yang benar 45/50 dan 17/20. Model ini juga menghasilkan loss sebesar 11,42% dan precision sebesar 90%. Pada tes dengan model YOLOv5s dengan hyperparameter (epoch 100, batch 32 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 97,14% dengan nilai item yang benar 49/50 dan 19/20, model ini juga menghasilkan loss sebesar 2,8% dan nilai precision sebesar 98%. Pada tes dengan model yang menggunakan architecture ResNet-50 dengan (epoch 50, batch 16 dan learning rate 0.001) menghasilkan nilai benar 43/50 dan 16/20 dengan nilai accuracy sebesar 84,28%, nilai loss 15,7% dan precision 86%. Untuk model ResNet-50 dengan hyperparameter (epoch 100, batch 32 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 94,28% dengan nilai item yang benar 47/50 dan 19/20, model ini juga menghasilkan loss sebesar 5,71% dan nilai precision sebesar 94%.

---

In this digital era, human needs in technology are growing rapidly. Technology is always required to develop to make it easier for humans to fulfill all their activities and needs. Manufacturing process technology is one of them. The most widely used manufacturing process in industry today is welding. One example of a developing technology is TIG (Tungsten Inert Gas) automatic welding. In this study, welding of aluminum alloy AA1100 was carried out using automatic Tungsten Inert Gas (TIG) welding to obtain neural network training data as a material for classifying welding results. The dimensions of the specimens used in this study were 14 cm long, 7 cm wide and 3.8 mm thick. Welding is carried out with a fixed current, namely 120A and using filler ER5356. This study aims to create a classification system for good and bad (defective) welds using machine vision and neural networks as an initial step in applying CNN in automatic TIG welding and to determine the accuracy, precision and loss of the vision system from pre-trained models ResNet-50 and YOLOv5n. This research began by learning everything about the TIG welding method, learning what influences can cause welding to fail and studying the machine learning method to classify good welding results and failed welding results on Aluminum AA1100 material. Next, welding is carried out to retrieve reference data as the basis for the classification of welding results, then the dataset is labeled and trained using the pre-trained ResNet-50 and YOLOv5n models. The two models made from the results of the training were then tested using 70 test data. The results of the test are: The test with the YOLOv5s model (epoch 50, batch 16 and learning rate 0.001) produces an accuracy value of 88.57% with correct item values 45/50 and 17/20. This model also produces a loss of 11.42% and a precision of 90%. In tests with the YOLOv5s model with hyperparameters (epoch 100, batch 32 and learning rate 0.001) it produces an accuracy value of 97.14% with correct item values 49/50 and 19/20, this model also produces a loss of 2.8% and precision value of 98%. In the test with a model that uses architecture ResNet-50 with (epoch 50, batch 16 and learning rate 0.001) it produces a correct score of 43/50 and 16/20 with an accuracy value of 84.28%, a loss value of 15.7% and a precision of 86 %. For the ResNet-50 model with hyperparameters (epoch 100, batch 32 and learning rate 0.001) it produces an accuracy value of 94.28% with correct item values 47/50 and 19/20, this model also produces a loss of 5.71% and precision value of 94%."