PREDIKSI END BREAKAGE BENANG KAPAS DI MESIN ROTOR SPINNING MENGGUNAKAN PENDEKATAN JARINGAN SARAF TIRUAN

Syarif Iskandar, Valentinus Galih Vidia Putra, Hermansyah Hermansyah
{"title":"PREDIKSI END BREAKAGE BENANG KAPAS DI MESIN ROTOR SPINNING MENGGUNAKAN PENDEKATAN JARINGAN SARAF TIRUAN","authors":"Syarif Iskandar, Valentinus Galih Vidia Putra, Hermansyah Hermansyah","doi":"10.59052/edufisika.v7i1.19543","DOIUrl":null,"url":null,"abstract":"Tujuan penelitian ini yaitu memprediksi total end breakage per machine in 40 hrs benang kapas di mesin rotor spinning berdasarkan nomor benang (yarn count), kecepatan rotor (rotor speed), kecepatan opening roller (opening roller speed) dan residual trash content in draw frame sliver. Penelitian ini menggunakan metode jaringan saraf tiruan (JST) dalam memprediksi sebuah output yang diinginkan. Selanjutnya jaringan saraf tiruan dimodelkan dengan beberapa variasi permodelan. Dari beberapa permodelan dan pengujian yang dilakukan, mulai dari memvariasikan jumlah node, besarnya alpha, banyaknya hidden layer, jumlah iterasi dapat di peroleh bahwa hasil penggunaan jaringan saraf tiruan dengan 1 hidden layer, 3 node, alpha sebesar 0,3 dengan iterasi sebanyak 50.000 memiliki hasil yang lebih optimal dibandingkan    dengan yang lainnya karena output yang dihasilkan mendekati target dengan nilai R-squared sebesar 0,984968. Hal ini  menunjukkan adanya korelasi yang besar atau erat antara variabel-variabel aktual dengan variabel-variabel pada jaringan saraf tiruan. Kebaruan penelitian ini adalah penggunaan JST untuk pertama kalinya dalam memprediksi total end breakage per machine in 40 hrs benang kapas di mesin rotor spinning. Metode ini dapat mempermudah top management dan khususnya bagian Quality Control dalam pengambilan keputusan untuk melakukan setting parameter  mesin rotor guna meminimalisir terjadinya yarn end breakage per machine in 40 hrs.","PeriodicalId":406623,"journal":{"name":"EduFisika: Jurnal Pendidikan Fisika","volume":"34 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-06-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"EduFisika: Jurnal Pendidikan Fisika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.59052/edufisika.v7i1.19543","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Tujuan penelitian ini yaitu memprediksi total end breakage per machine in 40 hrs benang kapas di mesin rotor spinning berdasarkan nomor benang (yarn count), kecepatan rotor (rotor speed), kecepatan opening roller (opening roller speed) dan residual trash content in draw frame sliver. Penelitian ini menggunakan metode jaringan saraf tiruan (JST) dalam memprediksi sebuah output yang diinginkan. Selanjutnya jaringan saraf tiruan dimodelkan dengan beberapa variasi permodelan. Dari beberapa permodelan dan pengujian yang dilakukan, mulai dari memvariasikan jumlah node, besarnya alpha, banyaknya hidden layer, jumlah iterasi dapat di peroleh bahwa hasil penggunaan jaringan saraf tiruan dengan 1 hidden layer, 3 node, alpha sebesar 0,3 dengan iterasi sebanyak 50.000 memiliki hasil yang lebih optimal dibandingkan    dengan yang lainnya karena output yang dihasilkan mendekati target dengan nilai R-squared sebesar 0,984968. Hal ini  menunjukkan adanya korelasi yang besar atau erat antara variabel-variabel aktual dengan variabel-variabel pada jaringan saraf tiruan. Kebaruan penelitian ini adalah penggunaan JST untuk pertama kalinya dalam memprediksi total end breakage per machine in 40 hrs benang kapas di mesin rotor spinning. Metode ini dapat mempermudah top management dan khususnya bagian Quality Control dalam pengambilan keputusan untuk melakukan setting parameter  mesin rotor guna meminimalisir terjadinya yarn end breakage per machine in 40 hrs.
预测纤维分裂的方法是采用人造神经网络的方法
这项研究的目的是根据纱线编号、转子速度、滚轮起动速度和剩余滚筒转向速度进行预测。本研究采用模拟神经网络方法(JST)来预测预期输出。接下来的是模拟神经网络的模型与一些模型变体。做一些做模特和测试的,从不同的节点数量大,阿尔法,多有隐藏的层层,迭代的数量可能会在得到结果使用人工神经网络与另一个有隐藏的层层三个节点,阿尔法0.3米大小的迭代多达5万有另一个更理想的结果,因为接近目标区域产生的价值输出R-squared 0.984968一样大。这表明实际变量与模拟神经网络的变量之间存在巨大或紧密的联系。这项研究的新奇之处在于,第一次使用JST来预测40台机器的总齿鲷鱼。这种方法可以促进高层管理,特别是决策的质量控制部分,在40小时内设置转子参数,以最小化每台机器的yarn端暴。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信