Ringkasan penelitian tidak lebih dari 500 kata yang berisi latar belakang penelitian, tujuan dan

tahapan metode penelitian, luaran yang ditargetkan, serta uraian TKT penelitian yang diusulkan.

RINGKASAN
Machine learning (ML) merupakan salah satu teknologi yang sedang berkembang saat ini.
Sudah banyak sector industri yang mengimplementasikan ML ini karena teknologi hardware yang
relative murah, handal dan cepat. Salah satu dari sekian banyak cabang ML adalah Convolutional
Neural Network (CNN). Industri manufaktur merupakan salah satu industri yang banyak
menerapkan ML, contohnya untuk sistem fabrikasi, pengelasan, quality control, dll. Di dalam
industri banyak menggunakan pengelasan jenis Gas Tungsten Arc Welding (GTAW). Kualitas
hasil lasan dapat dilihat dari lebar manik las dan penetrasi las yang dihasilkan. Sehingga untuk
menunjang agar hasil kualitas lasan tetap terjaga maka perlu dibuat sebuah sistem monitoring dan
sistem kontrol agar dapat menjaga kualitas lasan dengan menggunakan machine learning.
Penelitian ini akan membangun sebuah sistem monitoring dan sistem control agar diperoleh
kualitas hasil lasan yang konstan. Selain itu juga nantinya akan dioptimasi parameter pengelasan
dan metode pengelasan yang digunakan untuk mengelas material aluminium seri 6xxx dan 1xxx.
Metode sistem monitoring dan control menggunakan machine learning, sedangkan untuk optimasi
digunakan metode convolution neural network (CNN) yang merupakan salah satu cabang dari
machine learning. Untuk mengetahui kualitas hasil lasan dilakukan pengujian sifat mekanik,
makro dan mikrostruktur serta lebar manik las dan penetrasinya.
Tujuan akhir dari penelitian ini adalah untuk mengoptimasi parameter pengelasan dan
metode pengelasan pada pengelasan busur dengan material aluminium. Aluminium dipilih sebagai
material uji karena sifat thermal dan mekanik yang susah untuk dikontrol kualitasnya ketika dilas
menggunakan las busur. Tingkat kesiapan teknologi yang ditargetkan dalam akhir penelitian ini
adalah tingkat 3. Sehingga diharapkan dari hasil penelitian ini dapat memberikan kontribusi yang
besar dalam aplikasi di sektor industri yang ada di Indonesia.

Kata kunci maksimal 5 kata

Pengelasan busur, Machine Learning, Convolution Neural Network, Aluminium

Latar belakang penelitian tidak lebih dari 500 kata yang berisi latar belakang dan permasalahan
yang akan diteliti, tujuan khusus, dan urgensi penelitian. Pada bagian ini perlu dijelaskan uraian
tentang spesifikasi khusus terkait dengan skema.
LATAR BELAKANG
Teknologi Machine Learning (ML) saat ini berkembang begitu pesat dan telah di
implementasikan dibanyak bidang dan sector. Perkembangan teknologi hardware yang semakin
murah, handal dan cepat, membuat implementasi ML semakin relevan dalam berbagai bidang.
Salah satu dari sekian banyak cabang ML adalah Convolutional Neural Network (CNN) (lihat
Gambar 2.1). CNN merupakan cabang dari Deep Learning yang banyak digunakan untuk
menganalisa gambar visual. Potensial aplikasi dari CNN beberapa diantarannya adalah pengenalan
pola, pelabelan gambar, klasifikasi gambar, pengenalan tindakan, estimasi orang banyak dalam
suatu gambar, analisis dokumen, dan masih banyak lainnya.
Di era saat ini, dimana industri dituntut untuk menerapkan Internet of Things (IoT), membuat
pergerakan data semakin cepat dan besar. Maka industri dituntut juga untuk menganalisis data
tersebut secara cepat, tepat dan akurat. Data yang diperoleh bisa merupakan sebuah angka baik itu
binary, integer atau floating, bisa juga merupakan sebuah gambar atau video dari sebuah proses
industri atau saat melakukan Quality Control (QC) [1]. Seluruh data tersebut merupakan data
mentah yang belum terproses dan belum memiliki informasi yang dibutuhkan untuk membuat
sebuah keputusan. Kemampuan manusia terbatas dalam memproses data dalam jumlah besar
menjadi kendala dalam penerapan IoT. Maka peran dari ML adalah sebagai sebuah alat untuk
memproses dan menghitung data mentah sebagai sebuah input dan mengeluarkan sebuah
keputusan sebagai sebuah output. Peran manusia dalam hal ini berpindah menjadi sebuah
perancang inti dari ML. Agar ML mampu membuat sebuah keputusan (output) yang akurat maka
peranan manusia dalam hal ini menentukan metode apa yang tepat untuk sebuah studi kasus.
Sehingga akurasi, presisi dan hasil yang diharapkan dapat tercapai.

Gambar 2.1 Peta dunia “Machine Learning” yang meliputi cabang-cabangnya

 Machine Learning sudah banyak digunakan dalam aplikasi pengelasan seperti untuk
mendeteksi cacat las [2, 3], sistem monitoring [4] maupun optimasi sistem pengelasan. Peneliti
sebelumnya telah berhasil menerapkan Machine Learning untuk mendeteksi kedalaman
pengelasan menggunakan support vector regression [5]. Selain itu Machine Learning juga dapat
digunaka untuk mengevaluasi kinerja pengelasan seperti yang dilakukan Shubham [6] dalam
aplikasi penerapan pada pengelasan friction stir welding. Yang Du [7] menerapkan Machine
Learning dalam pengelasan FSW untuk melihat kondisi pembentukan adukan. CNN telah
diterapkan oleh Je-Kang Park [8] untuk sistem inspeksi untuk mengetahui ada tidaknya cacat hasil
lasan, Daniel [2] pun menggunakan sistem monitoring dan Machine Learning untuk
mengklasifikasikan cacat las yang terjadi dalam pengelasan TIG pada material SS304.
Adapun beberapa tujuan khusus yang ingin dicapai dalam penelitian ini adalah
1. Mengembangkan teknologi pengembangan las busur berbasis Machine Learning.
2. Membuat sistem monitoring dan sistem kontrol untuk mendeteksi lebar manik las menggunkan
Machine Learning.
3. Mengoptimasi parameter dan metode pengelasan las busur mengunakan Convolution Neural
Network (CNN).
Adapun beberapa keutamaan atau urgensi dari penelitian ini dibandingkan penelitian sebelumnya
yang telah dikerjakan oleh beberapa peneliti sebelumnya. Beberapa keutamaan pada penelitian ini
adalah
1. Pengelasan dengan menggunakan teknologi pengelasan busur pada material aluminium
dengan sistem monitoring secara real time berbasis Machine Learning.
2. Mengetahui kinerja dari Convolution Neural Network (CNN) pada pengelasan busur untuk
material aluminium.
3. Optimasi parameter dan metode pengelasan untuk material aluminium dengan menggunakan
Convolution Neural Network (CNN).

Tinjauan pustaka tidak lebih dari 1000 kata dengan mengemukakan state of the art dan peta jalan
(road map) dalam bidang yang diteliti. Bagan dan road map dibuat dalam bentuk JPG/PNG yang
kemudian disisipkan dalam isian ini. Sumber pustaka/referensi primer yang relevan dan dengan
mengutamakan hasil penelitian pada jurnal ilmiah dan/atau paten yang terkini. Disarankan
penggunaan sumber pustaka 10 tahun terakhir.
TINJAUAN PUSTAKA
3.1 Teori Pengelasan Busur (Arc Welding)
Pengelasan merupakan proses penggabungan material menggunakan ikatan metalurgi
dengan cara memberikan panas atau tekanan atau keduanya, juga dengan menggunakan atau tidak
menggunakan material pengisi (filler) yang memiliki titik leleh sama dengan material induk [9].
Las busur gas adalah cara pengelasan di mana gas dihembuskan ke daerah las untuk melindungi
busur dan logam yang mencair terhadap atmosfir [10]. Gas metal arc welding (GMAW) dan gas
tungsten arc welding (GTAW) merupakan contoh pengelasan busur gas. Gas Tungsten Arc
Welding (GTAW), juga dikenal sebagai Tungsten Inert Gas (TIG) welding adalah salah satu jenis
las busur listrik yang menggunakan bahan tungsten sebagai elektrode tidak terumpan (non-
consumable electrode) dan gas inert argon dan helium sebagai gas pelindung. Sedangkan GMAW
(Gas metal arc welding) yang merupakan proses pengelasan busur yang menggabungkan material
dengan memberikan panas busur elektrik yang terbentuk di antara consumable electrode (wire)
dan material lasan.
3.2 Pengolahan Citra (Image Processing) pada Proses Pengelasan
Pengolahan citra merupakan salah satu metoda pengindraan pada proses pengelasan. Citra
adalah gambar pada bidang dua dimensi. Sumber cahaya menerangi objek, objek memantulkan
kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat
optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga
bayangan objek yang disebut citra tersebut terekam.
Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses
untuk persepsi visual, seperti akuisisi citra, pengolahan citra, klasifikasi, pengenalan (recognition),
dan membuat keputusan. Computer vision terdiri dari teknik-teknik untuk mengestimasi ciri-ciri
objek di dalam citra, pengukuran ciri yang berkaitan dengan geometri objek, dan menginterpretasi
informasi geometri tersebut.
Visual sensing adalah nama lain dari teknologi machine vision pada proses manufaktur.
Tujuan dari penerapan teknologi visual sensing pada proses pengelasan adalah untuk mengambil
data berdasarkan fenomena - fenomena pada saat proses berjalan seperti ditunjukkan pada Gambar
3.1. Data tersebut akan diolah dan dikomparasikan untuk kemudian dijadikan suatu landasan untuk
mengambil keputusan. Karena siklus pengambilan data, pengolahan, dan keputusan ini sangatlah
cepat dan berulang-ulang, maka sistem ini dijadikan alat kontrol dalam proses pengelasan.
 Gambar 3.1 Pengambilan gambar 2D dari citra manik lasan [11]
3.3 Jaringan Saraf Tiruan Konvolusi (Convolution Neural Network/CNN)
Selain JST lapis banyak salah satu jenis dari jaringan saraf tiruan yang ada adalah jaringan
saraf tiruan konvolusi. Jaringan saraf tiruan konvolusi (CNN – Convolutional Neural Network)
secara umum adalah jaringan saraf tiruan yang menggunakan operasi konvolusi pada satu atau
lebih lapisan tersembunyi. Jaringan saraf konvolusi ini menggunakan lapisan konvolusi sebagai
pengekstraksi fitur dari input. Gambar 3.2 merupakan perbedaan antara MPL dan CNN.

Gambar 3.2 Perbandingan MLP (kiri) dengan CNN (kanan)

Pada awalnya, jaringan saraf konvolusi ini dikembangkan oleh Yann LeCun, dan pertama
kali digunakan sebagai rekognisi digit dari tulisan tangan [xx-xx]. arsitektur yang pertama kali
dikembangkan untuk CNN adalah arsitektur yang dinamakan LeNet-5.
Secara umum, CNN biasanya digunakan pada permasalahan pada data berupa gambar. Hal
ini dikarenakan lapisan konvolusi pada JST konvolusi menggunakan prinsip weight sharing,
dimana setiap input pada lapisan konvolusi akan dihubungkan pada kumpulan bobot-bobot yang
telah ditentukan, dan kemudian akan digeser menggunakan fungsi konvolusi. Proses inilah yang
menjadi kelebihan Jaringan Saraf konvolusi dibandingkan dengan MLP, karena dengan adanya
parameter sharing akan membuat jumlah bobot menjadi lebih sedikit dan komputasi akan jadi jauh
lebih ringan dibandingkan dengan MLP. Dengan lebih ringannya komputasi dari CNN, membuat
memungkinkannya menambahkan jumlah lapisan pada struktur Jaringan, sehingga jaringan bisa
lebih mempresentasikan komplekstias dari gambar yang ingin di proses. Pada jaringan konvolusi
banyak arsitektur yang telah dikembangkan, beberapa diantaranya adalah LeNet-5 [12], AlexNet
[13], sampai pada ResNet [14]. Setiap arsitektur mempunyai tingkat rekognisi yang berbeda.
3.4 State of The Art
Pengembangan teknologi pengelasan dengan menerapkan system control berbasis Jaringan
Saraf Tiruan Konvolusi (Convolution Neural Network/CNN) merupakan objek penelitian yang
menarik bagi para peneliti sekarang ini. Selain itu dengan pesatnya perkembangan industri
manufaktur saat ini mendorong para peneliti untuk ikut andil dalam perkembangan industri
tersebut. Dengan adanya sistem Machine Learning ini diharapkan dapat membantu perkembangan
industri menjadi lebih produktif dan dapat mengurangi jumlah sumber daya manusia sebagai
operator.
Machine Learning sudah banyak digunakan dalam aplikasi pengelasan seperti untuk
mendeteksi cacat las [2, 3], sistem monitoring [4] maupun optimasi sistem pengelasan. Peneliti
sebelumnya telah berhasil menerapkan Machine Learning untuk mendeteksi kedalaman
pengelasan menggunakan support vector regression [5]. Selain itu Machine Learning juga dapat
digunaka untuk mengevaluasi kinerja pengelasan seperti yang dilakukan Shubham [6] dalam
aplikasi penerapan pada pengelasan friction stir welding. Yang Du [7] menerapkan Machine
Learning dalam pengelasan FSW untuk melihat kondisi pembentukan adukan. CNN telah
diterapkan oleh Je-Kang Park [8] untuk sistem inspeksi untuk mengetahui ada tidaknya cacat hasil
lasan, Daniel [2] pun menggunakan sistem monitoring dan Machine Learning untuk
mengklasifikasikan cacat las yang terjadi dalam pengelasan TIG. Dari beberapa studi literature
yang telah dilakukan, “Optimasi Parameter dan Metode Pengelasan pada Pengelasan Busur
Otomatis dengan Material Aluminium Berbasis Machine Learning” akan menjadi topik
penelitian yang baru untuk saat ini.
3.5 Peta Perjalanan Penelitian Periset
Gambar 3.3 menunjukkan peta perjalanan riset peneliti sejak 2001 hingga 2030 ke depan.
Tahun ini, Dr. Ario Sunar Baskoro, ST, M.T, M.Eng dan tim riset telah memasuki tahapan riset
yang salah satunya adalah pengembangan untuk advance welding quality control.
 2021-2030
2011-2020
2001-2010 - Advanced Welding
- Automatic Welding Technology
3.1. Perancangan Mesin
- Advanced Welding - Micro Welding Technology
Milling
Quality Control Development
3.2. Perancangan mesin
- Micro Welding - Nano Technology for
welding
Technology
3.3. Perancangan system Development

Gambar 3.3 Peta perjalanan riset peneliti

Metode atau cara untuk mencapai tujuan yang telah ditetapkan ditulis tidak melebihi 600 kata.
Bagian ini dilengkapi dengan diagram alir penelitian yang menggambarkan apa yang sudah
dilaksanakan dan yang akan dikerjakan selama waktu yang diusulkan. Format diagram alir dapat
berupa file JPG/PNG. Bagan penelitian harus dibuat secara utuh dengan penahapan yang jelas,
mulai dari awal bagaimana proses dan luarannya, dan indikator capaian yang ditargetkan. Di
bagian ini harus juga mengisi tugas masing-masing anggota pengusul sesuai tahapan penelitian
yang diusulkan.
METODE
Alat dan Bahan
Penelitian ini akan menggunakan mesin las jenis GTAW dengan peralatan pendukung las
lainnya. Selain itu digunakan sebuah kamera untuk memonitoring proses pengelasan dan juga
sebuah super komputer yang tangguh untuk menjalankan Machine Learning dengan banyak
pengambilan data gambar proses pengelasan.
Untuk mengetahui kualitas hasil pengelasan dilakukan beberapa pengujian sifat mekanik
seperti uji tarik, uji impact dan uji kekerasan material. Selain itu juga dilakukan pengukuran lebar
manik las, pengamtan struktur makro maupun mikro. Material yang akan digunakan dalam
penelitian ini adalah jenis aluminium seri 6xxx atau 1xxx.
Karakterisasi Material
Pengujian karakterisasi material adalah untuk mengetahui sifat dasar material aluminium
seri 6xxx maupun 1xxx yang digunakan. Pengujian ini meliputi uji komposisi kimia dan uji tarik.
Metode Pengumpulan Data
Terdapat dua sumber data yang digunakan dalam penelitian ini yaitu data primer dan data
sekunder. Data primer adalah data objek penelitian sebenarnya, sedangkan data sekunder
merupakan data dummy yang digunakan untuk membuat algoritma pada tahap awal pengembangan
algoritma. Data dummy bisa diperoleh dari banyak sumber situs di google. Sedangkan data primer
dilakukan pengambilan data dilapangan.
Tahapan Pertama (tahun ke-1)
Penelitian tahap pertama difokuskan untuk pengambilan data awal berupa karakterisasi
material yang akan digunakan dan mulai membangun sistem monitoring untuk mendapatkan data
awal berupa gambar ataupun video proses pengelasan. Pada tahap ini juga sudah dilakukan
beberapa penelitian awal untuk mendapatkan data awal berupa lebar manik las. Target dari tahap
pertama ini adalah 1 jurnal internasional dan 1 makalah seminar internasional.
Tahapan Kedua (tahun ke-2)
Penelitian tahap kedua ini mulai mengembangkan sistem Machine Learning untuk
memonitoring proses pengelasan secara real-time. Parameter kualitas dalam proses pengelasan
secara geometri dapat dilihat dari dimensi lebar manik dan dalamnya penetrasi kawah las.
Permasalahannya adalah amat sulit menentukan dalam kawah las karena posisinya yang tidak
terlihat. Ide utama pada penelitian ini adalah menggunakan karakteristik dari bentuk manik las
sebagai input dalam kontrol kualitas pada proses pengelasan sehingga dapat diukur secara 2D.
Peneliti sebelumnya berkeyakinan ada keterhubungan antara lebar manik lasan dengan kecepatan
proses pengelasan, dimana dari hasil tersebut akan digunakan sebagai salah satu input pada logika
dalam mengontrol proses pengelasan. Target dari tahap kedua ini adalah 1 jurnal internasional dan
1 makalah seminar internasional.
Tahapan Ketiga (tahun ke-3)
Penelitian tahap ketiga ini adalah mulai fokus untuk mengoptimalkan parameter dan metode
pengelasan busur dengan data-data yang sudah didapat pada tahap-tahap sebelumnya. Model
optimasi menggunakan (Convolution Neural Network/CNN). Target dari tahap ketiga ini adalah 1
jurnal internasional dan 1 makalah seminar internasional.
Langkah-langkah penelitian ditampilkan dalam diagram alir seperti ditunjukkan pada
Gambar 4.3
PENELITIAN TAHAP KE 1 START

STUDI LITERATURE

PEMILIHAN MATERIAL

PENENTUAN
PARAMETER
PENGELASAN BUSUR
(GTAW)

SETUP ADAT DAN

KALIBRASI ALAT

TIDAK
PENGAMBILAN DATA
AWAL

HASIL LASAN

YA

PENGUKURAN LEBAR
MANIK LAS

PENELITIAN
TAHAP 2
PENELITIAN TAHAP KE 2
PENELITIAN
TAHAP 2

PEMBUATAN SISTEM
KONTROL

IMPLEMENTASI SISTEM
KONTROL

TIDAK
PENGAMBILAN DATA
DENGAN SISTEM
KONTROL

HASIL
LASAN

YA

PENGUKURAN LEBAR PENGUJIAN SIFAT PENGUJIAN MAKRO DAN

MANIK LAS MEKANIK MIKROSTRUKTUR

PENELITIAN
TAHAP 3
.
PENELITIAN TAHAP KE 3 PENELITIAN
TAHAP 3

MEMBANGUN SISTEM
CNN UNTUK OPTIMASI

OPTIMASI PARAMETER
DAN METODE
PENGELASAN BUSUR

END

Gambar 4.3 Diagram Alir Penelitian

Jadwal penelitian disusun dengan mengisi langsung tabel berikut dengan memperbolehkan
penambahan baris sesuai banyaknya kegiatan.
JADWAL

Tahun ke-1
Bulan
No Nama Kegiatan
1 2 3 4 5 6 7 8 9 10 11 12
1 Memetakan penelitian yang telah dilakukan
peneliti sebelumnya dan menentukan posisi
penelitian yang akan dilakukan
2 Perancangan dan pembuatan mesin pengelasan
otomatis
3 Pengambilan data awal berupa karakterisasi
pengelasan busur listrik pada material
aluminium seri 6xxx dan 1xxx
4 Pengujian awal hasil lasan
5 Publikasi hasil

Tahun ke-2
Bulan
No Nama Kegiatan
1 2 3 4 5 6 7 8 9 10 11 12
Pembuatan sistem monitoring dengan
1 menggunakan kamera yang dapat mendeteksi
lebar manik lasan beserta sistem kontrolnya
 Bulan
No Nama Kegiatan
1 2 3 4 5 6 7 8 9 10 11 12
Penerapan sistem monitoring dan kontrol pada
2 proses pengelasan busur dengan material
aluminium
3 Pengujian hasil pengelasan
4 Publikasi hasil

Tahun ke-3
Bulan
No Nama Kegiatan
1 2 3 4 5 6 7 8 9 10 11 12
Membangun sistem CNN untuk optimasi
1 parameter dan metode pengelasan
Mengoptimasi parameter dan metode
2 pengelasan busur pada material aluminium
3 Publikasi hasil

Daftar pustaka disusun dan ditulis berdasarkan sistem nomor sesuai dengan urutan pengutipan.
Hanya pustaka yang disitasi pada usulan penelitian yang dicantumkan dalam Daftar Pustaka.

DAFTAR PUSTAKA
1. Wuest, T., et al., Machine learning in manufacturing: advantages, challenges, and applications. 2016.
4(1): p. 23-45.
2. Bacioiu, D., et al., Automated defect classification of SS304 TIG welding process using visible
spectrum camera and machine learning. 2019. 107: p. 102139.
3. Rodríguez-Gonzálvez, P. and M.J.I.A. Rodríguez-Martín, Weld Bead Detection Based on 3D
Geometric Features and Machine Learning Approaches. 2019. 7: p. 14714-14727.
4. Sudhagar, S., M. Sakthivel, and P.J.M. Ganeshkumar, Monitoring of friction stir welding based on
vision system coupled with Machine learning algorithm. 2019. 144: p. 135-143.
5. Liang, R., et al., Machine learning of weld joint penetration from weld pool surface using support
vector regression. 2019. 41: p. 23-28.
6. Verma, S., M. Gupta, and J.P.J.M. Misra, Performance evaluation of friction stir welding using
machine learning approaches. 2018. 5: p. 1048-1058.
7. Du, Y., T. Mukherjee, and T.J.n.C.M. DebRoy, Conditions for void formation in friction stir welding
from machine learning. 2019. 5(1): p. 68.
8. Park, J.-K., et al., Convolutional Neural Network Based Surface Inspection System for Non-patterned
Welding Defects. 2019. 20(3): p. 363-374.
9. Handbook, W.J.N.Y., American Welding Society. 1978.
10. Okumura, T. and H.J.P.P.J. Wiryosumarto, Teknologi Pengelasan Logam. 1996.
11. Wu, C., et al., Vision-based measurement of weld pool geometry in constant-current gas tungsten arc
welding. 2003. 217(6): p. 879-882.
12. LeCun, Y., et al., Gradient-based learning applied to document recognition. 1998. 86(11): p. 2278-
2324.
13. Krizhevsky, A., I. Sutskever, and G.E. Hinton. Imagenet classification with deep convolutional neural
networks. in Advances in neural information processing systems. 2012.
14. He, K., et al. Deep residual learning for image recognition. in Proceedings of the IEEE conference on
computer vision and pattern recognition. 2016..