Published by : International Journal of Engineering Research & Technology (IJERT)

http://www.ijert.org ISSN: 2278-0181

Vol. 8 Issue 10, October-2019

Statistical Approach for Behaviour of Cutting

Parameters of Turning Operation
C N Vishnu Vandana1 , Dr. B Chandra Mohan Reddy2, Dr. M Devaki Devi3
1 2
PG Student in ME, HOD and Professor in ME, 3Assistant Professor in ME
1,2
JNTUA, Anantapur, India, 3 GPREC, India

Abstract— To produce any desired product, machining is

one of the most important tasks. Through manipulating its II. LITERATURE REVIEW
system parameters, the difficulty of obtaining desired product K Devaki Devi.et.al [1] The present study investigates the
can be accomplished. It can provide an effective method for effect of cutting parameters- cutting speed, feed rate, depth of
determining optimal measuring parameters. The present cut, and heat treatment of work material (Be cu alloy) in
examination applied Response Surface Methodology through a turning process using uncoated CBN cutting tool. Four
test study in straight turning of free cutting metal bar. The outputs of the machining, along which heat treatment is
examination planned for assessing the best procedure condition
which could at the same time fulfill prerequisites of both quality
categoric, studied. The outputs are cutting force and cutting
and just as profitability. At long last, the Optimization should be tool temperature. Neural Network based Genetic Algorithm
possible by many upgrading methods which pursues ANOVA to approach is used to study the performance characteristics and
think about variety of advanced parameters. The information to find out the optimal cutting parameters of the turning
parameters considered in this work are cutting rate, feed, depth process for heat treated Be-cu alloy. Experimental results
of cut and work material. prove the effectiveness of this approach. In this study, the
main cutting parameters that affect the cutting performance in
Keywords— ANOVA, Cutting Parameters, Free Cutting Brass, turning operations and the best combination are determined.
Machining, optimisation, surface roughness, Turning.

I. INTRODUCTION K Devaki Devi et.al [2] The present paper invites

optimization problem which seeks identification of the best
Machining has been a tested by the new age of materials process condition or parametric combination for the said
which are regularly hard to machine. Careful comprehension manufacturing process. The study aimed at evaluating the
of slicing mechanics can grow new techniques, devices and best process environment which could simultaneously satisfy
machining forms. Copper composite with beryllium has wide requirements of both quality and as well as productivity.
range applications because of its adaptable properties keeping Finally, the effect of four input variables namely cutting
pace with steels, with the extra properties of non-starting speed, feed, depth of cut and type of coolant on different
conductivity, under electric and attractive field impact and output parameters is studied in the study.
stylish look [1]. Turning is the expulsion of metal from the
external distance across of a pivoting round and hollow work K. Naga Lakshmi et.al [3] This research paper is focused on
piece. Turning is utilized to diminish the distance across of the the analysis of optimum cutting conditions to get lowest
work piece, for the most part to a predefined measurement, surface roughness in turning by regression analysis. An
and to deliver a smooth completion on the metal. Regularly experimental study was carried out to investigate the effect of
the work piece will be turned with the goal that contiguous cutting parameters like spindle speed, feed and depth of cut
segments have various distances across [2]. on surface finish in turning on Aluminum 7075 alloy. A
Surface hardness has gotten genuine consideration for a long multiple regression analysis (Ra) using analysis of variance is
time. It has planned a significant structure highlight by and conducted to determine the performance of experimental
large, for example, parts subject to weariness loads, accuracy measurements and to it show the effect of cutting parameters
fits, latch gaps and necessities. Notwithstanding resilience’s, on the surface roughness. Multiple regression modeling was
surface unpleasantness forces one of the principle basic performed to predict the surface roughness by using
requirements for the determination of machines and cutting machining parameters. Machining was done by using
parameters in procedure arranging. Surface completion is the tungsten carbide tool. The objective was to establish
strategy for estimating the nature of an item and significant correlation between cutting speed, feed rate and depth of cut
parameter in machining process. It is one of the prime and optimum the turning conditions based on surface
prerequisites of clients for machine parts [3]. roughness. These correlations are obtained by multiple
Response Surface Methodology (RSM) is an accumulation of regression analysis (RA).
measurable and scientific strategies valuable for creating,
improving, and enhancing forms. It likewise has significant
applications in the plan, advancement, and definition of new
items, just as in the improvement of existing item structures.

IJERTV8IS100247 www.ijert.org 455

(This work is licensed under a Creative Commons Attribution 4.0 International License.)
Published by : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Issue 10, October-2019

III. MATERIAL AND METHODOLOGY TABLE IV. EXPERIMENTAL DETAILS WITH OUTPUT
The free cutting metal with the assignment CuZn39Pb3 FACTORS.
has built up Itself as an astounding material for assembling a F1 F2 F3 R1 R2 R3
wide range of structure turned parts. The amazing machining Feed MRR Forc
Speed DOC S. Rough
Run (Mm/R (Mm3/ e
properties of these copper-zinc amalgams is so outstanding (RPM)
EV)
(Mm) (µm)
sec) (N)
that they are regularly utilized as benchmarks for portraying 1 910 0.184 0.2 3.4 14007 6.2
the machining properties of copper and copper composites. 2 700 0.105 0.3 2.5 33903 8
Composition of free cutting brass as shown in table 1 below. 3 550 0.105 0.1 1.7 17770 6.45
4 550 0.323 0.1 3.7 3988 8.5
9.27
TABLE I. CHEMICAL COMPOSTION OF FREE CUTTING 5 550 0.323 0.2 6.8 24546
1
BRASS 6 1200 0.105 0.2 2.3 17173 8.5
Element Pb Cu Fe Zn 7 910 0.184 0.2 4.4 13753 6.5
Weight% 2.5-3.5 56.5-58.5 0.3 Rem 8 1200 0.323 0.1 8 2770 7
9.20
9 1200 0.323 0.3 7.6 10471
5
Typical Physical Properties: 10 550 0.184 0.2 3.9 16796 9
11 1200 0.105 0.1 2.6 5734 5.2
TABLE II. PHYSICAL PROPERTIES OF FREE CUTTING BRASS 12 910 0.323 0.2 4.6 5995 6.37
13 910 0.184 0.2 4.4 17366 6.24
Melting Point 890°C 14 550 0.184 0.2 4.04 26930 9
Density 8.4 g/cm³ 3.83
Specific Heat 380 J/Kg°K 15 910 0.184 0.1 5.2 9880
7
Thermal conductivity (RT) 121 W/m°K 16 910 0.323 0.1 6.1 1339 4.88
Thermal expansion coefficient 17 700 0.105 0.3 3.25 36391 8
20.9 x 10-6
(20-200°C) 18 1200 0.184 0.3 3.95 14608 10
Electrical conductivity 28% IACS 19 550 0.323 0.3 6.55 14313 9
Electrical Resistivity 0.062-ohm mm2/m 20 910 0.184 0.1 3.85 2485 4
Optimal Design in CCD:
The design plan with high and low limits as indicated is Analysis of Surface roughness(R):
utilized looking into practical considerations of the Turning Table depicts the significance of the model and its terms
operation as in the Table: through ANOVA.

TABLE III. CONSIDERATIONS OF DESIGN PLAN TABLE V. ANALYSIS OF VARIANCE TABLE FOR SURFACE
Input Factors ROUGHNESS
and Levels Spindle Speed Feed (f) Depth of cut (d)
Sour Sum of Mean F-
values in coded (S) (RPM) (mm/rev) (mm) df P-value
ce Squares Square value
form
Mod Signifi
49.90 6 8.32 11.42 0.0002
-1 200 0.105 0.1 el cant
0.0156
A-s 1.65 1 1.65 2.26
+1 1200 0.232 0.3 4
<
B-f 46.16 1 46.16 63.41
Experimental Design: 0.0001
• The experimental details with the output values in C-d 0.7292 1 0.729 1.00
0.0335
2
the predefined central composite design matrix is AB 2.81 1 2.81 3.86 0.0712
given in the table. The procedural steps followed for AC 3.61 1 3.61 4.96 0.0442
experimentation are: BC 0.6947 1 0.694 0.9543 0.3464
• Cutting free cutting brass bars by power saw and Resi
9.46 13 0.728
dual
performing initial turning operation in Lathe to get Lack not
desired dimension of the work pieces. of 7.59 8 0.949 2.54 0.1597 Signifi
• Calculating weight of each specimen by the high Fit cant
precision digital balance meter before machining. Pure
1.87 5 0.373
Error
• Performing straight turning operation on specimen Cor
in various cutting environments involving various Tota 59.36 19
combinations of process control parameters: spindle l
speed, feed, depth of cut.
• Calculating weight of each machined plate again by From the Table, the Model F, the Model F-value of 11.42
the digital balance meter. And measuring surface implies the model is significant. Values of "Prob > F" less
roughness and surface profile with the help of a than 0.0500 indicate model terms are significant. In this case
portable stylus-type profile meter. A, B, C are significant model terms. Values greater than
0.1000 indicate the model terms are not significant.
The Predicted R² of 0.6455 is in reasonable agreement
with the Adjusted R² of 0.7670; i.e. the difference is less than
0.2. Adeq Precision measures the signal to noise ratio. A ratio
greater than 4 is desirable. The ratio of 10.905 indicates an

IJERTV8IS100247 www.ijert.org 456

(This work is licensed under a Creative Commons Attribution 4.0 International License.)
Published by : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Issue 10, October-2019

adequate signal. This model can be used to navigate the design Analysis of metal removal rate (MRR):
space.
An interaction occurs when the response is different Table depicts the significance of the model and its terms
depending on the settings of two factors. Plots make it easy to through ANOVA.
interpret two factor interactions. They will appear with two
non-parallel lines, indicating that the effect of one factor TABLE VI. ANALYSIS OF VARIANCE TABLE FOR MATERIAL
depends on the level of the other. The Interaction graph in REMOVE RATE
figure shows that speed is effects Roughness (R) much more Sum of Mean
F-
p-
than feed and depth of cut. In the figure, the actual values are Source df valu
Squares Square value
e
marked as dots i.e., experimental values, then the straight line 11.5 Signific
of predicted values are drawn using prediction equations.’ Model 1.59E+09 6 2.65E+08
0
0.0001
ant
15.2
A-s 3.52E+08 1 3.52E+08 0.0018
4
18.6
B-f 4.30E+08 1 4.30E+08 0.0008
1
27.4
C-d 6.35E+08 1 6.35E+08 0.0002
7
0.45
AB 1.04E+07 1 1.04E+07 0.5132
1
0.39
AC 9.22E+06 1 9.22E+06 0.5386
9
BC 4.65E+07 1 4.65E+07 2.01 0.1797
Residual 3.00E+08 13 2.31E+07
Not
Lack of
2.10E+08 8 2.63E+07 1.46 0.3506 signific
Fit
ant
Pure
8.99E+07 5 1.79E+07
Error
CorTotal 1.89E+09 19
From the Table, it is clear that the Model F-value of 11.50
implies the model is significant. Values of "Prob > F" less
than 0.0500 indicate model terms are significant. In this case
A, B, C are significant model terms.
The Predicted R² of 0.5210 is not as close to the Adjusted
R² of 0.7683 as one might normally expect; i.e. the difference
is more than 0.2. This may indicate a large block effect or a
Fig.1. Interaction plot of SR possible problem with your model and/or data. Things to
consider are model reduction, response transformation,
outliers, etc.
All empirical models should be tested by doing
confirmation runs. Adeq Precision measures the signal to
noise ratio. A ratio greater than 4 is desirable. Your ratio of
12.012 indicates an adequate signal. This model can be used
to navigate the design space.
The Interaction graph in figure shows that speed is effects
MRR much more than feed and depth of cut. In the figure, the
actual values are marked as dots i.e., experimental values,
then the straight line of predicted values are drawn using
prediction equations.

Fig.2. Residual plot of SR

IJERTV8IS100247 www.ijert.org 457

(This work is licensed under a Creative Commons Attribution 4.0 International License.)
Published by : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Issue 10, October-2019

TABLE VII. ANALYSIS OF VARIANCE TABLE FOR CUTTING

FORCE
Mean
Sum of
Source df Squar F-value p-value
Square
e
signific
Model 64.97 9 7.22 548.99 < 0.0001
ant
A-s 0.5245 1 0.524 39.89 < 0.0001
B-f 0.5268 1 0.526 40.07 < 0.0001
C-d 22.17 1 22.17 1686.06 < 0.0001
AB 0.0547 1 0.054 4.16 0.0687
AC 1.31 1 1.31 99.79 < 0.0001
BC 3.96 1 3.96 301.33 < 0.0001
A² 21.86 1 21.86 1662.61 < 0.0001
B² 0.0335 1 0.033 2.55 0.1417
C² 1.66 1 1.66 126.35 < 0.0001
Residua
0.1315 10 0.013
l
not
Lack of
0.0651 5 0.013 0.9817 0.5078 signific
Fit
ant
Pure
Fig.3. Interaction plot of MRR 0.0664 5 0.013
Error
Cor
65.10 19
Total

Fig.4. Residual plot of MRR

Fig.5. Interaction plot of Cutting Force
Analysis of Cutting Force (F):
Table depicts the significance of the model and its terms
through ANOVA.
From the Table, it is clear that the Model F-value of
548.99 implies the model is significant. Values of "Prob > F"
less than 0.0500 indicate model terms are significant. In this
case A, B, C are significant model terms.
The Predicted R² of 0.9884 is in reasonable agreement
with the Adjusted R² of 0.9962; i.e. the difference is less than
0.2. Adeq Precision measures the signal to noise ratio. A ratio
greater than 4 is desirable. Your ratio of 75.312 indicates an
adequate signal. This model can be used to navigate the
design space.
The Interaction graph in figure shows that feed effects F
much more than speed and depth of cut. In the figure, the
actual values are marked as dots i.e., experimental values,
then the straight line of predicted values are drawn using Fig.6. Residual plot of Cutting Force
prediction equations.

IJERTV8IS100247 www.ijert.org 458

(This work is licensed under a Creative Commons Attribution 4.0 International License.)
Published by : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Issue 10, October-2019

IV. RESULTS

TABLE VIII. OPTIMAL SOLUTION

Cutting
S F D Ra MRR
force
790.48 0.105 0.166 2.579 19055 5.4401

Surface plots for optimal outputs

The three-dimensional surface plots given below depict the
behaviour of response surfaces with respect to the most
influencing input parameters at optimal setting.

Fig.9. Surface plot for Cutting Force

CONCLUSION
From the observation the following results are summarized.
1. Feed has more significance while speed and depth of
cut have less significant effect on surface roughness
(Ra).
2. Speed has more significant effect while feed and depth
of cut have less significant effect on MRR.
3. Feed has more significant effect while speed and depth
Fig.7. Surface plot for SR of cut have less significant effect on Cutting force(F).

REFERENCES
[1] K Devaki Devi, K Satish Babu and K Hema Chandra Reddy (2016),
Optimization of Cutting Force And Tool Temperature Using Ann
Based Multi Objective Genetic Algorithms In Turning Heat Treated
Beryllium Copper Alloy, International Journal of Mechanical and
Production Engineering Research and Development (IJMPERD)
ISSN(P): 2249-6890; ISSN(E): 2249-8001 Vol. 6, Issue 1, Feb 2016,
11-22.
[2] K Devaki Devi, K Satish Babu and K Hema Chandra Reddy (2015),
Mathematical Modelling and Optimization of Turning Process
Parameters using Response Surface Methodology, International Journal
of Applied Science and Engineering (IJASE),13(1), pp. 55-68.
[3] K. Naga Lakshmi, K. Rambabu, K. V. P. P. Chandu, B.V.
Subrahmanyam, Optimization of Cutting Parameters in Turning
Operation of Aluminium 7075 Alloy, International Journal of
Engineering Research & Technology (IJERT) ISSN: 2278-0181
IJERTV4IS100190 www.ijert.org Vol. 4 Issue 10, October-2015

Fig.8 Surface plot for MRR

IJERTV8IS100247 www.ijert.org 459

(This work is licensed under a Creative Commons Attribution 4.0 International License.)
Diterbitkan oleh : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Edisi 10, Oktober-2019

Pendekatan Statistik untuk Perilaku Pemotongan

Parameter Operasi Pembubutan

CN Wisnu Vandana1,2Dr.B Chandra Mohan Reddy2, Dr. M Devaki Devi3

1Mahasiswa PG di ME, HOD dan Profesor di ME, 3 Asisten Profesor di ME
1,2JNTUA, Anantapur, India, 3 GPREC, India

Abstrak— Untuk menghasilkan produk yang diinginkan,

pemesinan adalah salah satu tugas terpenting. Melalui manipulasi II. TINJAUAN LITERATUR

parameter sistemnya, kesulitan mendapatkan produk yang K Devaki Devi.et.al [1] Penelitian ini menyelidiki pengaruh parameter
diinginkan dapat dicapai. Ini dapat memberikan metode yang pemotongan - kecepatan potong, laju pemakanan, kedalaman potong,
efektif untuk menentukan parameter pengukuran yang optimal. dan perlakuan panas material kerja (paduan Be cu) dalam proses
Pengujian ini menerapkan Metodologi Permukaan Respons pembubutan menggunakan alat potong CBN yang tidak dilapisi. Empat
melalui studi uji pada batang logam potong bebas lurus.
output pemesinan, di mana perlakuan panas dikategorikan,
Pengujian tersebut dilakukan untuk menentukan prosedur
dipelajari. Outputnya adalah gaya potong dan temperatur pahat
terbaik yang sekaligus dapat memenuhi prasyarat baik secara
potong.Pendekatan Algoritma Genetika berbasis Neural Network
kualitas maupun keuntungannya. Pada akhirnya, pengoptimalan
memungkinkan terjadi dengan banyak metode peningkatan digunakan untuk mempelajari karakteristik kinerja dan untuk
yang mengikuti ANOVA untuk mempertimbangkan berbagai mengetahui parameter pemotongan optimal dari proses pembubutan
parameter lanjutan. Parameter yang dipertimbangkan dalam paduan Be- cu yang diberi perlakuan panas. Hasil eksperimen
penelitian ini adalah kecepatan potong, kecepatan makan, membuktikan keefektifan pendekatan ini. Dalam studi ini ditentukan
kedalaman potong dan material kerja. parameter pemotongan utama yang mempengaruhi kinerja
pemotongan dalam operasi pembubutan dan kombinasi terbaik.
Kata kunci— ANOVA, Parameter Pemotongan, Pemotongan Bebas Kuningan,
Pemesinan, optimalisasi, kekasaran permukaan, Pembubutan.

I. PENDAHULUAN K Devaki Devi et.al [2] Makalah ini mengundang masalah

optimasi yang mencari identifikasi kondisi proses terbaik atau
Pemesinan telah diuji oleh era baru material yang pada umumya baru, serta dalam pengembangan struktur produk yang
sulit dikerjakan dengan mesin. Pemahaman yang cermat tentang ada.kombinasi parametrik untuk proses manufaktur
mekanika pemotongan dapat mengembangkan teknik, perangkat, tersebut. Studi ini bertujuan untuk mengevaluasi proses
dan bentuk pemesinan baru. Komposit tembaga dengan berilium terbaik yang secara bersamaan dapat memenuhi
memiliki aplikasi yang luas karena sifatnya yang adaptif persyaratan kualitas dan produktivitas. Terakhir,
mengimbangi baja, dengan sifat ekstra konduktivitas non- pengaruh dari empat variabel masukan yaitu kecepatan
starting, di bawah pengaruh medan listrik sertatampilan yang potong, umpan, kedalaman potong dan jenis pendingin
stylish [1]. Pembubutan adalah reduksi logam dari jarak luar pada parameter keluaran yang berbeda dipelajari dalam
melintasi benda kerja berputar dan berongga. penelitian ini.
Pembubutan digunakan untuk mereduksi diameter benda kerja
ke ukuran yang telah ditentukan, dan untuk menghasilkan K. Naga Lakshmi et.al [3] Makalah penelitian ini difokuskan pada
penyelesaian yang halus pada logam. Secara teratur benda kerja analisis kondisi pemotongan optimum untuk mendapatkan kekasaran
akan diputar sehingga bagian yang berdekatan memiliki jarak permukaan terendah dalam pembubutan dengan analisis regresi.
yang berbeda [2]. Sebuah studi eksperimental dilakukan untuk menyelidiki pengaruh
Kekerasan permukaan telah mendapat perhatian serius sejak lama. Ini parameter pemotongan seperti kecepatan spindel, umpan dan
telah merencanakan fitur struktur yang signifikan pada umumnya, kedalaman potong pada permukaan akhir dalam memutar paduan
misalnya, bagian-bagian yang tunduk pada beban keausan, kecocokan Aluminium 7075. Analisis regresi berganda (Ra) dengan menggunakan
akurasi, celah kait, dan kebutuhan. Terlepas dari ketahanan, analisis varians dilakukan untuk mengetahui kinerja pengukuran
ketidaknyamanan permukaan memaksa salah satu persyaratan dasar eksperimental dan menunjukkan pengaruh parameter pemotongan
utama untuk penentuan mesin dan parameter pemotongan dalam terhadap kekasaran permukaan. Pemodelan regresi berganda
pengaturan prosedur pembubutan. Penyelesaian permukaan adalah dilakukan untuk memprediksi kekasaran permukaan dengan
strategi untuk memperkirakan sifat suatu item dan parameter penting menggunakan parameter pemesinan. Pemesinan dilakukan dengan
dalam proses pemesinan. Ini adalah salah satu prasyarat utama klien menggunakan alat tungsten carbide. Tujuannya adalah untuk
untuk suku cadang mesin [3]. membangun korelasi antara kecepatan potong, laju pemakanan dan
kedalaman pemotongan serta kondisi pembubutan optimal
Response Surface Methodology (RSM) adalah akumulasi
berdasarkan kekasaran permukaan. Korelasi ini diperoleh dengan
strategi terukur dan ilmiah yang berharga untuk menciptakan,
analisis regresi berganda (RA).
memperbaiki, dan meningkatkan bentuk. Ini juga memiliki
aplikasi penting dalam desain, kemajuan, dan definisi produk

IJERTV8IS100247 www.ijert.org 455

(Karya ini dilisensikan dengan Lisensi Internasional Creative Commons Attribution 4.0.)
Diterbitkan oleh : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Edisi 10, Oktober-2019

TABEL IV. PERCOBAAN DETAIL DENGAN FAKTOR

III. BAHAN DAN METODOLOGI
OUTPUT.
Logam pemotongan bebas CuZn39Pb3 telah membangun dirinya F1 F2 F3 R1 R2 R3
sendiri sebagai bahan yang luar biasa untuk merakit berbagai bagian MRR Gaya
Feed Kekasaran
Kecepat Doc
struktur yang diputar. Sifat pemesinan yang luar biasa dari amalgam Run an (Mm/R (µm)
(Mm3/ (N)
(Mm)
tembaga-seng ini begitu luar biasa sehingga sering digunakan (RPM) EV) detik)

sebagai tolak ukur untuk menggambarkan sifat pemesinan komposit 1 910 0,184 0,2 3.4 14007 6.2
2 700 0,105 0,3 2.5 33903 8
tembaga dan tembaga. Komposisi kuningan pemotongan bebas
3 550 0,105 0,1 1.7 17770 6.45
seperti terlihat pada tabel 1 di bawah ini.
4 550 0,323 0,1 3.7 3988 8.5
9.27
5 550 0,323 0,2 6.8 24546
TABEL I.KOMPOSISI KIMIA FREE CUTTING 1
KUNINGAN
6 1200 0,105 0,2 2.3 17173 8.5
Elemen Pb Cu Fe Zn 7 910 0,184 0,2 4.4 13753 6.5
8 1200 0,323 0,1 8 2770 7
Bobot% 2.5-3.5 56,5-58,5 0,3 Rem 9.20
9 1200 0,323 0,3 7.6 10471
5
Properti Fisik: 10 550 0,184 0,2 3.9 16796 9
11 1200 0,105 0,1 2.6 5734 5.2
12 910 0,323 0,2 4.6 5995 6.37
TABEL II. SIFAT-SIFAT FISIK DARI KUNINGAN FREE CUTTING 13 910 0,2 4.4 6.24
0,184 17366
Titik lebur 890°C 14 550 0,184 0,2 4.04 26930 9
8,4 g/cm³ 3.83
Kepadatan
15 910 0,184 0,1 5.2 9880 7
Panas Spesifik 380 J/Kg°K
Konduktivitas termal (RT) 121 W/m°K 16 910 0,323 0,1 6.1 1339 4.88
Koefisien ekspansi termal 17 700 0,105 0,3 3.25 36391 8
20,9 x 10-6 18 1200 0,184 0,3 3.95 14608 10
(20-200°C)
Konduktivitas listrik 28% IAC 19 550 0,323 0,3 6.55 14313 9
Resistivitas Listrik 0,062-ohm mm2/m 20 910 0,184 0,1 3.85 2485 4
Desain Optimal dalam CCD:
Rencana desain dengan batas tinggi dan rendah seperti yang ditunjukkan Analisis Kekasaran Permukaan (R):
digunakan dengan mempertimbangkan pertimbangan praktis operasi Tabel menggambarkan signifikansi model dan persyaratannya
Pembubutan seperti pada Tabel: melalui ANOVA.

TABEL III. PERTIMBANGAN RENCANA DESAIN TABEL V. ANALISIS VARIANSI PERMUKAAN KEKASARAN
Faktor Input Sour Sum of Mean F-
dan Level Kecepatan poros Umpan (f) Kedalaman potong (d) ve Squares df Square Value P-
nilai dalam kode (S) (RPM) (mm/putaran) (mm) Value
Mod
pembentukan 49.90 6 8.32 11.42 0,0002 Signific
el
ant
-1 200 0,105 0,1 0,0156
1.65 1 1.65 2.26 4
+1 1200 0,232 0,3 A-s
Desain eksperimental: <
B-f 46.16 1 46.16 63.41
0,0001
• Rincian eksperimental dengan nilai keluaran dalam matriks
0,0335
desain komposit pusat yang telah ditentukan diberikan C-d 0,7292 1 0,729 1.00 2
dalam tabel. Langkah-langkah prosedural yang diikuti untuk AB 2.81 1 2.81 3.86 0,0712
eksperimen adalah: AC 3.61 1 3.61 4.96 0,0442
BC 0,6947 1 0,694 0,9543 0,3464
• Memotong batangan kuningan dengan gergaji listrik dan
Resid
melakukan operasi pembubutan awal di Mesin Bubut untuk ual 9.46 13 0,728
mendapatkan dimensi benda kerja yang diinginkan.
Not
• Menghitung berat setiap spesimen dengan meteran Lack 7.59 8 0,949 2.54 0,1597 Significa
timbangan digital presisi tinggi sebelum pemesinan. of Fit nt
Pure
• Melakukan operasi pembubutan lurus pada spesimen di Error 1.87 5 0,373
berbagai lingkungan pemotongan yang melibatkan berbagai Cor
kombinasi parameter kontrol proses: kecepatan spindel, Tota 59.36 19
pemakanan, kedalaman pemotongan. l
• Menghitung kembali berat masing-masing pelat mesin Dari Tabel Model F nilai Model F sebesar 11,42 mengimplikasikan
dengan meteran timbangan digital. Dan mengukur
model tersebut signifikan. Nilai "Prob > F" kurang dari 0,0500
kekasaran permukaan dan profil permukaan dengan
menunjukkan istilah model signifikan. Dalam hal ini A, B, C adalah
bantuan pengukur profil tipe stylus portabel.
suku-suku model yang signifikan. Nilai yang lebih besar dari 0,1000
menunjukkan istilah model tidak signifikan.
Predicted R² sebesar 0,6455 cukup sesuai dengan Adjusted
R² sebesar 0,7670; yaitu selisihnya kurang dari 0,2. Adeq
Precision mengukur rasio sinyal terhadap noise. Rasio yang
lebih besar dari 4 diinginkan. Rasio 10,905 menunjukkan suatu

IJERTV8IS100247 www.ijert.org 456

(Karya ini dilisensikan dengan Lisensi Internasional Creative Commons Attribution 4.0.)
Diterbitkan oleh : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Edisi 10, Oktober-2019
Analisis tingkat penghilangan logam (MRR):
sinyal yang memadai. Model ini dapat digunakan untuk menavigasi ruang
desain. Tabel menggambarkan signifikansi model dan persyaratannya
Interaksi terjadi ketika respons berbeda tergantung pada melalui ANOVA.
pengaturan dua faktor. Plot memudahkan untuk menginterpretasikan
interaksi dua faktor. Mereka akan muncul dengan dua garis non- TABEL VI. ANALISIS VARIANSI BAHAN TINGKAT REDUKSI MATERIAL
paralel, yang menunjukkan bahwa efek dari satu faktor bergantung F- P–
pada level faktor lainnya. Grafik Interaksi pada gambar menunjukkan Source Sum of df Mean value value
bahwa kecepatan mempengaruhi Kekasaran / roughnesss (R) jauh Squares Square
11.5
lebih besar daripada feed dan depth of cut. Dalam gambar, nilai Model 1.59E+09 6 2.65E+08
0 0,0001 Signific
aktual ditandai sebagai titik yaitu nilai eksperimen, kemudian garis ant
lurus dari nilai prediksi digambar dengan menggunakan persamaan 15.2
3.52E+08 1 3.52E+08
4 0,0018
A-s
prediksi.'
18.6
B-f 4.30E+08 1 4.30E+08
1 0,0008

27.4
C-d 6.35E+08 1 6.35E+08
7 0,0002

0,45
AB 1.04E+07 1 1.04E+07
1 0,5132

0,39
AC 9.22E+06 1 9.22E+06
9 0,5386

BC 4.65E+07 1 4.65E+07 2.01 0,1797

Residual 3.00E+08 13 2.31E+07

Lack of 2.10E+08 8 2.63E+07 1.46 0,3506 Not

Fit signific
ant
Pure Error 8.99E+07 5 1.79E+07
CorTotal 1.89E+09 19
Dari tabel tersebut terlihat bahwa nilai F Model sebesar 11,50
mengimplikasikan model tersebut signifikan. Nilai "Prob > F" kurang
dari 0,0500 menunjukkan istilah model signifikan. Dalam hal ini A, B, C
adalah suku-suku model yang signifikan.
R² yang Diprediksi dari 0,5210 tidak sedekat R² yang Disesuaikan
dari 0,7683 seperti yang biasanya diharapkan; yaitu selisihnya lebih
dari 0,2. Ini mungkin menunjukkan efek blok yang besar atau
kemungkinan masalah dengan model dan/atau data Anda. Hal-hal
yang perlu dipertimbangkan adalah pengurangan model, transformasi
Gbr.1. Plot interaksi SR
respons, outlier, dll.
Semua model empiris harus diuji dengan melakukan proses
konfirmasi. Adeq Precision mengukur rasio sinyal terhadap noise.
Rasio yang lebih besar dari 4 diinginkan. Rasio Anda sebesar 12,012
menunjukkan sinyal yang memadai. Model ini dapat digunakan untuk
menavigasi ruang desain.
Grafik Interaksi pada gambar menunjukkan bahwa kecepatan
mempengaruhi MRR jauh lebih banyak daripada umpan dan kedalaman
pemotongan. Pada gambar, nilai aktual ditandai sebagai titik yaitu nilai
eksperimen, kemudian garis lurus dari nilai prediksi digambar
menggunakan persamaan prediksi.

Gbr.2. Petak sisa SR

IJERTV8IS100247 www.ijert.org 457

(Karya ini dilisensikan dengan Lisensi Internasional Creative Commons Attribution 4.0.)
Diterbitkan oleh : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Edisi 10, Oktober-2019

TABEL VII. SEBUAHANALISIS DARIVARIANCETMAMPU UNTUK MEMOTONG

MEMAKSA
Mean
Source Sum of df Squar F-value p-value
e
Square
Model 64,97 9 7.22 548.99 < 0,0001 Signific
ant
0,5245 1 0,524 39.89 < 0,0001
A-s
B-f 0,5268 1 0,526 40.07 < 0,0001
C-d 22.17 1 22.17 1686.06 < 0,0001
AB 0,0547 1 0,054 4.16 0,0687
AC 1.31 1 1.31 99,79 < 0,0001
BC 3.96 1 3.96 301.33 < 0,0001
A² 21.86 1 21.86 1662.61 < 0,0001
B² 0,0335 1 0,033 2.55 0,1417
C² 1.66 1 1.66 126.35 < 0,0001
Residu
l 0,1315 10 0,013

Lack of Not
0,0651 5 0,013 0,9817 0,5078
Fit signific
ant
Gbr.3. Plot interaksi MRR
Pure Error
0,0664 5 0,013

Cor
Total
65.10 19

Gbr.4. Petak sisa MRR

Analisis Gaya Pemotongan (F):

Gbr.5. Plot interaksi Cutting Force
Tabel menggambarkan signifikansi model dan persyaratannya
melalui ANOVA.
Dari tabel tersebut terlihat jelas bahwa Model F-value dari
548,99 menyiratkan model ini signifikan. Nilai "Prob > F" kurang dari
0,0500 menunjukkan istilah model signifikan. Dalam hal ini A, B, C
adalah suku-suku model yang signifikan.
R² yang Diprediksi sebesar 0,9884 sesuai dengan R² yang
Disesuaikan sebesar 0,9962; yaitu selisihnya kurang dari 0,2. Adeq
Precision mengukur rasio sinyal terhadap noise. Rasio yang lebih
besar dari 4 diinginkan. Rasio Anda sebesar 75,312 menunjukkan
sinyal yang memadai. Model ini dapat digunakan untuk menavigasi
ruang desain.
Grafik Interaksi pada gambar menunjukkan bahwa umpan
mempengaruhi F jauh lebih banyak daripada kecepatan dan kedalaman
pemotongan. Pada gambar, nilai aktual ditandai sebagai titik yaitu nilai
eksperimen, kemudian garis lurus dari nilai prediksi digambar
menggunakan persamaan prediksi.
Gbr.6. Plot sisa Gaya Pemotongan

IJERTV8IS100247 www.ijert.org 458

(Karya ini dilisensikan dengan Lisensi Internasional Creative Commons Attribution 4.0.)
Diterbitkan oleh : International Journal of Engineering Research & Technology (IJERT)
http://www.ijert.org ISSN: 2278-0181
Vol. 8 Edisi 10, Oktober-2019

IV. HASIL

TABEL VIII. SOLUSI OPTIMAL

Pemotongan
S F D Ra MRR
memaksa

790.48 0,105 0,166 2.579 19055 5.4401

Plot permukaan untuk hasil optimal

Plot permukaan tiga dimensi yang diberikan di bawah menggambarkan
perilaku permukaan respons sehubungan dengan parameter masukan
yang paling berpengaruh pada pengaturan optimal.

Gbr.9. Plot permukaan untuk Gaya Pemotongan

KESIMPULAN
Dari pengamatan hasil berikut dirangkum.
1. Feed lebih berpengaruh sedangkan kecepatan, dan
kedalaman potong berpengaruh kurang nyata terhadap
kekasaranpermukaan (Ra).
2. Kecepatan berpengaruh lebih nyata sedangkan feed dan
kedalaman potong berpengaruh kurang nyata terhadap
MRR.
Gbr.7. Plot permukaan untuk SR 3. Feed memiliki pengaruh yang lebih signifikan sedangkan
kecepatan dan kedalaman potong memiliki pengaruh yang
kurang signifikan terhadap gaya potong (F).

REFERENSI
[1] K Devaki Devi, K Satish Babu and K Hema Chandra Reddy (2016), Optimalisasi
Gaya Pemotongan Dan Temperatur Alat Menggunakan Algoritma Genetika
Multi Objektif Berbasis Ann Dalam Membubut Paduan Tembaga Berilium
yang Diperlakukan Panas, International Journal of Mechanical and
Production Engineering Research and Pembangunan (IJMPERD) ISSN(P):
2249-6890; ISSN(E): 2249-8001 Vol. 6, Edisi 1, Feb 2016, 11-22.

[2] K Devaki Devi, K Satish Babu dan K Hema Chandra Reddy (2015),
Pemodelan Matematika dan Optimalisasi Parameter Proses
Pembubutan dengan Metodologi Permukaan Respons, International
Journal of Applied Science and Engineering (IJASE),13(1), hlm. 55-68.
[3] K. Naga Lakshmi, K. Rambabu, KVPP Chandu, BV Subrahmanyam,
Optimalisasi Parameter Pemotongan pada Operasi Pembubutan
Paduan Aluminium 7075, International Journal of Engineering
Research & Technology (IJERT) ISSN: 2278-0181 IJERTV4IS100190
www.ijert.org Vol. 4 Edisi 10, Oktober-2015

Gbr.8 Plot permukaan untuk MRR

IJERTV8IS100247 www.ijert.org 459

(Karya ini dilisensikan dengan Lisensi Internasional Creative Commons Attribution 4.0.)