Produktivitas berkaitan erat dengan proses dan waktu pemesinan yang panjang. Dibalik itu semua ada parameter-parameter pemesinan yang bekerja memengaruhi nilai produktivitas tersebut yakni, kecepatan potong (v), kecepatan makan (vf)/gerak makan (f), kedalaman potong (a), waktu pemotongan (tc), dan kecepatan penghasilan geram (MRR). MRR (Material Removal Rate) yang merupakan indikator dari nilai produktivitas pemesinan merupakan hasil perkalian dari kecepatan potong, gerak makan, dan kedalaman potong. Jadi, nilai dari ketiga
parameter ini akan memengaruhi nilai dari MRR yang nantinya akan memengaruhi nilai dari produktivitas pemesinan.
Untuk meningkatkan produktivitas maka kita akan meningkatkan MRR nya. Untuk meningkatkan MRR nya setidaknya kita harus meningkatkan salah satu dari kondisi pemotongan, misalnya kecepatan potong atau gerak makan.
Apabila kecepatan potong dinaikkan maka temperatur akan naik juga. Selanjutnya apabila temperatur naik maka keausan pahat akan lebih cepat dimana keausan pahat sebagai indikator umur pahat, maka umur pahat akan semakin kecil. Dapat disimpulkan bahwa semakin tinggi nilai MRR maka umur pahat akan semakin kecil.
Keausan pahat juga akan memengaruhi kekasaran (kualitas) pemukaan.
Semakin aus pahat maka semakin kasar produk yang dihasilkan. Semakin aus pahat maka semakin kecil umur pahat dan juga semakin kasar produk yang dihasilkan. Maka untuk memperoleh nilai kekasaran permukaan yang kecil maka umur pahat harus besar, dimana memperbesar umur pahat dapat dilakukan dengan mengecilkan kondisi pemotongan misalnya gerak makan ataupun kedalaman potong.
Keausan pahat akan tumbuh atau membesar dengan bertambahnya waktu pemotongan sampai pada suatu saat pahat tersebut dianggap tidak dapat digunakan lagi karena telah ada tanda-tanda tertentu yang menunjukkan bahwa umur pahat telah habis. Dapat dilihat bahwa keausan merupakan faktor yang menentukan umur pahat. Dimensi umur pahat ditentukan oleh (Rochim. 1993):
tc, waktu total pemotongan (min)
Z total, jumlah total geram yang dihasilkan (cm3)
L, panjang total pemesinan (mm)
N, jumlah produk yang dihasilkan (buah)
Umur pahat dipengaruhi oleh semua faktor yang berkaitan dengan proses pemesinan antara lain, jenis material benda kerja dan pahat, kondisi pemotongan
(kecepatan potong, kedalaman potong, gerak makan), dan cairan pendingin (apabila digunakan).
Volume of material removal (VMR) sebagai parameter yang mewakili konsep produktivitas merupakan hasil perkalian dari MRR dengan umur pahat (TL). Dimana untuk meningkatkan nilai dari VMR maka kita harus meningkatkan nilai MRR nya ataupun memperbesar umur pahat. Sementara untuk mengubah nilai MRR maupun TL kita harus mengubah unsur yang ada didalamnya yakni kondisi pemotongan (v, f, dan a). Akan tetapi nilai dari MRR dan TL berbanding terbalik sehingga kita tidak dapat sembarangan menaikkan MRR maupun TL
dikarenakan pengubahan ini akan saling memengaruhi kondisi yang lain. Maka dari itu nilai optimum dari ketiga parameter (v, f, dan a) ini penting untuk dihitung supaya kita dapat menentukan nilai VMR terbesar sebagai perwakilan konsep produktivitas.
Kekasaran permukaan (Ra, Surface Roughness) sering disingkat menjadi roughness, adalah komponen dari tekstur permukaan. Hal ini diukur dengan penyimpangan ke arah vektor normal permukaan nyata dari bentuk idealnya. Jika penyimpangan ini besar, permukaan kasar dan jika kecil, permukaan halus. Jika permukaan kasar, maka koefisisen gesek akan tinggi dan jika permukaan halus, maka koefisien gesek akan kecil. Semakin kecil nilai Ra maka permukaan benda kerja semakin halus dan sebaliknya semakin besar nilai Ra maka permukaan benda kerja semakin kasar. Nilai kekasaran permukaan yang dihasilkan dari proses pemesinan bergantung pada kondisi pemotongan yang digunakan, mata pahat serta benda kerja yang digunakan, dan jenis pemesinan yang dilakukan.
Berikut adalah tabel roughness grade number yang umum digunakan:
Tabel 2.5 Roughness grade number
6.3 250 N9
Optimasi adalah proses menyelesaikan suatu masalah tertentu supaya berada pada kondisi yang paling menguntungkan dari suatu sudut pandang.
Masalah yang harus diselesaikan berkaitan erat dengan data-data yang dapat dinyatakan dalam satu atau beberapa variabel. Pengertian menguntungkan, biasanya berhubungan dengan pencarian nilai minimum atau pencarian nilai maksimum, bergantung pada sudut pandang yang digunakan (Zukhri. 2014).
Didalam kehidupan nyata, manusia dihadapkan pada berbagai pilihan kebiasaan yang perlu dioptimasi. Misalnya, waktu yang tepat untuk bangun di pagi hari dalam kondisi yang segar, berangkat kerja tepat waktu, jalur jalan yang harus ditempuh untuk mencapai tempat bekerja sehingga mempercepat waktu perjalanan, pekerjaan mana yang harus didahulukan, menyusun barang-barang, dan sebagainya. Apalagi dalam hal yang bersifat teknik, misalnya, ukuran dan berat ideal suatu telepon genggam yang paling nyaman untuk digunakan, rancangan mouse yang paling ideal, cara mengatur barang-barang yang dimuat dalam kontainer, dan sebagainya.
2.6.2. Algoritma Genetika
Algoritma Genetika merupakan suatu metode heuristik yang dikembangkan berdasarkan prinsip genetika dan proses seleksi alamiah Teori Evolusi Darwin. Metode optimasi dikembangkan oleh John Holland sekitar tahun 1960-an dan dipopulerkan oleh salah seorang mahasiswanya, David Goldberg pada tahun 1980-an. Proses pencarian penyelesaian atau proses terpilihnya sebuah penyelesaian dalam algoritma ini berlangsung sama seperti terpilihnya suatu individu untuk bertahan hidup dalam proses evolusi. Dalam Teori Evolusi Darwin, suatu individu tercipta secara acak yang kemudian berkembangbiak melalui proses reproduksi sehingga terbentuknya sekumpulan individu sebagai suatu populasi. Setiap individu dalam populasi memiliki tingkat kebugaran yang berbeda-beda. Tingkat kebugaran ini menentukan seberapa kuat individu tersebut untuk dapat bertahan hidup di dalam populasinya. Dan pada akhirnya sebagian individu tetap bertahan hidup sementara sebagian individu lainnya mati (Zukhri.
2014).
Dalam teori ini dikenal adanya proses seleksi alam yang mempertahankan individu dengan tingkat kebugaran yang tinggi saja untuk tetap bertahan hidup.
Contohnya, saat ini hanya dikenal jerapah yang berleher panjang saja. Menurut teori ini, pada awalnya terdapat jerapah dengan leher yang pendek, tetapi karena tantangan alam yang tidak dapat diatasi, maka punahlah jerapah yang berleher pendek. Dalam contoh ini, jerapah dengan leher panjang dikatakan mempunyai tingkat kebugaran yang tinggi. Jerapah-jerapah tersebut terpilih secara alamiah dalam proses evolusi yang berlangsung dari generasi ke generasi. Demikian juga dalam proses pencarian yang berlangsung dalam algoritma genetika. Pencarian dimulai dengan pembangkitan sejumlah “individu” secara acak yang disebut dengan kromosom. Kromosom-kromosom ini merupakan representasi calon penyelesaian yang akan diperiksa nilai yang sebenarnya. Seperti halnya proses evolusi alamiah, kromosom-kromosom akan dinilai tingkat kebugarannya. Hanya
kromosom dengan tingkat kebugaran yang tinggi saja yang terpilih untuk bertahan didalam populasi (Zukhri. 2014).
Kromosom-kromosom yang terpilih sebagian akan melakukan proses reproduksi melalui penyilangan (crossover). Proses reproduksi ini mirip dengan perkawinan individu dalam proses evolusi. Sebagian kecil dari kromosom-kromosom juga terkena mutasi seperti dalam proses evolusi. Proses reproduksi ini akan melahirkan individu-individu baru. Gabungan dari individu-individu baru dengan kromosom-kromosom yang tidak melakukan proses reproduksi akan membentuk populasi baru pada generasi berikutnya. Serangkaian proses seperti ini berlangsung sampai sejumlah generasi tercapai. Penyelesaian yang ditemukan adalah kromosom yang mempunyai tingkat kebugaran yang paling tinggi pada generasi terakhir (Zukhri. 2014).
Tidak semua proses evolusi dimodelkan apa adanya kedalam algoritma genetika. Terdapat beberapa batasan yang menjadi parameter algoritma. Jika dalam proses evolusi banyaknya individu dalam suatu populasi tidak dibatasi, maka dalam algoritma genetik hanya dibatasi sebanyak ukuran populasi.
Kemungkinan suatu individu kawin dengan individu lainnya juga dijadikan sebagai parameter algoritma dan dikenal sebagai probabilitas penyilangan.
Demikian juga dengan kemungkinan terjadinya mutasi pada suatu individu, yang dikenal dengan probabilitas mutasi. Bahkan berlangsungnya proses komputasi juga dibatasi dalam algoritma genetika sampai suatu kondisi terpenuhi (Suyanto.
2005)
Menurut Gen dan Cheng (1997) dalam buku Zukhri (2014), terdapat beberapa kelebihan Algoritma Genetika jika dibandingkan dengan algoritma pencarian lainnya antara lain ;
1. Algoritma ini hanya melakukan sedikit perhitungan matematis yang berhubungan dengan masalah yang ingin diselesaikan. Karena sifat perubahan evolusi alamiahnya, maka algoritma ini akan mencari penyelesaian tanpa memperhatikan proses-proses yang berhubungan dengan masalah yang diselesaikan secara langsung. Algoritma ini juga
dapat mengendalikan fungsi objektif dan kendala yang didefenisikan, baik pada ruang pencarian diskrit, maupun ruang pencarian analog.
2. Operator-operator evolusi membuat algoritma ini sangat efektif pada pencarian global.
3. Algoritma ini memiliki fleksibilitas yang tinggi untuk dihibridkan dengan metode pencarian lainnya supaya lebih efektif.
Menurut Goldberg dalam buku Zukhri (2014), terdapat beberapa perbedaan diantara Algoritma Genetika dengan algoritma pencarian yang lain, yaitu :
1. Algoritma ini bekerja dalam kawasan representasi penyelesaian masalah yang dikodekan dalam bentuk kromosom bukan dalam kawasan masalah itu sendiri.
2. Algoritma ini mencari penyelesaian dari titik-titik populasi dan bukan dari sebuah titik saja. Proses pencarian dengan sekumpulan titik-titik populasi ini menyebabkan algoritma ini lebih kecil kemungkinan nya untuk terjebak pada nilai optimum lokal.
3. Algoritma ini hanya berdasarkan nilai fungsi objektif saja dan tidak berdasarkan pengetahuan bantuan.
4. Algoritma ini bekerja berdasarkan pada aturan probabilistik, bukan aturan deterministik.
2.6.2.1. Komponen-komponen Algoritma Genetika
Pada dasarnya algoritma genetika memiliki tujuh komponen. Tetapi banyak metode yang bervariasi yang disusulkan pada masing-masing komponen tersebut. Suatu metode yang bagus untuk penyelesaian masalah X belum tentu bagus untuk masalah Y, atau bahkan tidak bisa digunakan untuk masalah Z.
Berikut adalah pembagiannya, yakni antara lain (Suyanto. 2005):