Keselamatan dan kesehatan kerja (K3) merupakan aspek krusial dalam dunia industri, termasuk industri furnitur yang melibatkan berbagai risiko kecelakaan kerja. Paper "The Effect of Occupational Safety and Health on Employee Productivity in Furniture Industry" oleh Niki Etruly dan Roikhanatun Nafi'ah mengkaji pengaruh K3 terhadap produktivitas karyawan. Penelitian ini menarik karena menyoroti faktor yang paling memengaruhi produktivitas karyawan dan memberikan wawasan mengenai efektivitas kebijakan K3 dalam industri manufaktur.

Penelitian ini bertujuan untuk menganalisis dampak keselamatan dan kesehatan kerja terhadap produktivitas karyawan di industri furnitur. Studi ini dilakukan dengan metode survei terhadap 50 karyawan dengan menggunakan skala Likert untuk mengukur variabel K3 dan produktivitas kerja. Data yang diperoleh dianalisis menggunakan regresi linear berganda dengan bantuan software SPSS.

Hasil penelitian menunjukkan bahwa variabel keselamatan kerja tidak memiliki pengaruh signifikan terhadap produktivitas, sementara variabel kesehatan kerja memiliki dampak yang signifikan. Secara simultan, kedua variabel ini memiliki hubungan dengan produktivitas karyawan, meskipun pengaruh kesehatan kerja lebih dominan.

Penelitian ini memberikan sejumlah data penting yang menunjukkan hubungan antara K3 dan produktivitas:

• Koefisien regresi untuk keselamatan kerja (X1) adalah 0,189, yang menunjukkan bahwa peningkatan keselamatan kerja tidak secara langsung meningkatkan produktivitas secara signifikan (P-value 0,139 > 0,05).
• Koefisien regresi untuk kesehatan kerja (X2) adalah 0,630, yang berarti peningkatan kesehatan kerja dapat meningkatkan produktivitas secara signifikan (P-value 0,000 < 0,05).
• Adjusted R Square sebesar 42,7%, menunjukkan bahwa 42,7% variasi dalam produktivitas karyawan dapat dijelaskan oleh variabel keselamatan dan kesehatan kerja, sedangkan 57,3% dipengaruhi oleh faktor lain seperti motivasi, kepemimpinan, dan komunikasi.

Data ini menunjukkan bahwa meskipun keselamatan kerja penting, faktor kesehatan kerja lebih berkontribusi terhadap peningkatan produktivitas karyawan di industri furnitur.

Analisis dan Implikasi dalam Industri

Hasil penelitian ini menantang asumsi umum bahwa keselamatan kerja secara langsung meningkatkan produktivitas. Dalam industri furnitur, risiko kecelakaan berasal dari penggunaan alat berat, material berbahaya, dan kondisi lingkungan kerja yang tidak selalu kondusif. Namun, penelitian ini menunjukkan bahwa memastikan kondisi kesehatan karyawan, seperti penyediaan fasilitas medis dan lingkungan kerja yang nyaman, lebih berdampak pada produktivitas daripada hanya fokus pada aspek keselamatan.

Hal ini memiliki beberapa implikasi penting bagi manajemen industri:

1. Fokus pada kesehatan kerja: Perusahaan sebaiknya mengalokasikan lebih banyak sumber daya untuk program kesehatan karyawan, seperti pemeriksaan kesehatan rutin dan peningkatan kualitas lingkungan kerja.
2. Keselamatan tetap diperlukan, tetapi tidak cukup: Meskipun keselamatan kerja tidak berdampak signifikan dalam penelitian ini, tetap penting bagi perusahaan untuk menerapkan protokol keselamatan guna mengurangi risiko kecelakaan kerja.
3. Faktor lain yang mempengaruhi produktivitas: Mengingat 57,3% variasi produktivitas dipengaruhi oleh faktor lain, penelitian lanjutan perlu mengeksplorasi peran motivasi, kepemimpinan, dan disiplin kerja dalam meningkatkan produktivitas.

Dalam era industri 4.0 dan meningkatnya perhatian terhadap kesejahteraan pekerja, hasil penelitian ini sangat relevan. Banyak perusahaan mulai mengadopsi pendekatan holistik dalam manajemen sumber daya manusia, yang tidak hanya menekankan keselamatan tetapi juga kesejahteraan fisik dan mental pekerja.

Beberapa tren terkait yang dapat dikaitkan dengan penelitian ini adalah:

• Peningkatan standar kesehatan di tempat kerja, terutama setelah pandemi COVID-19 yang menyoroti pentingnya kesehatan karyawan.
• Penggunaan teknologi untuk meningkatkan keselamatan dan kesehatan kerja, seperti sistem pemantauan lingkungan kerja berbasis IoT.
• Kebijakan fleksibel dan ergonomis untuk meningkatkan kesejahteraan dan produktivitas karyawan.

Kesimpulan dan Rekomendasi

Penelitian ini memberikan wawasan berharga tentang bagaimana kesehatan kerja lebih berdampak pada produktivitas dibandingkan keselamatan kerja dalam industri furnitur. Temuan ini menyoroti pentingnya investasi dalam fasilitas kesehatan dan lingkungan kerja yang lebih baik guna meningkatkan kinerja karyawan.

Untuk penelitian selanjutnya, disarankan untuk mengeksplorasi variabel lain seperti kepemimpinan, budaya perusahaan, dan insentif karyawan guna mendapatkan gambaran yang lebih komprehensif mengenai faktor-faktor yang memengaruhi produktivitas.

Sumber Artikel: Etruly, N., & Nafi’ah, R. (2023). The effect of occupational safety and health on employee productivity in furniture industry. Management and Business Review, 7(2), 184-193.

 

Pendahuluan

Kampung Kauman di Yogyakarta dikenal bukan hanya sebagai pusat pergerakan Islam, tetapi juga sebagai kawasan hunian yang merepresentasikan identitas arsitektur tradisional urban Jawa dengan nuansa religius. Rumah-rumah di kampung ini menyimpan narasi sejarah, keagamaan, dan budaya yang terwujud dalam bentuk ruang, tata letak, dan orientasi bangunan.

Dalam paper ini, I Gede Wira Dharma menyajikan studi mendalam mengenai bagaimana karakteristik ruang pada rumah tinggal di Kauman tidak hanya dibentuk oleh kebutuhan fungsional, namun juga nilai-nilai keislaman, adat Jawa, dan interaksi sosial. Penelitian ini menggunakan metode deskriptif kualitatif dengan pendekatan arsitektural dan sosiokultural, yang memperkaya wacana tentang pelestarian kawasan historis urban.

Metode dan Pendekatan

Penelitian ini dilakukan melalui pendekatan studi kasus terhadap beberapa rumah tinggal yang masih mempertahankan struktur tradisional di Kauman. Data dikumpulkan lewat observasi langsung, wawancara dengan penghuni rumah, serta dokumentasi visual dan denah rumah. Penekanan diberikan pada:

• Tata ruang rumah dan orientasi bangunan.

• Hubungan antar ruang (privat, semi privat, dan publik).

• Makna simbolik dari penempatan ruang dan elemen arsitektural.

• Dampak nilai-nilai Islam terhadap pengorganisasian ruang.

Metode ini sangat relevan karena rumah tradisional bukan sekadar entitas fisik, melainkan juga manifestasi nilai dan ideologi yang hidup dalam keseharian penghuninya.

Temuan Kunci

1. Pola Tata Ruang Tradisional Jawa-Islami

Rumah di Kauman secara umum mengadopsi pola rumah Jawa dengan penyesuaian nilai-nilai Islam. Pembagian ruang terdiri dari:

• Pendopo (ruang publik/tamu),

• Pringgitan (ruang transisi atau seremonial),

• Dalem (ruang keluarga atau privat),

• Gandok (ruang tambahan untuk anggota keluarga),

• serta Senthong (ruang tidur dan penyimpanan benda-benda sakral).

Namun, dalam konteks Kauman, orientasi rumah banyak menghadap ke arah barat sebagai bentuk penghormatan terhadap arah kiblat, berbeda dengan rumah Jawa pada umumnya yang mengikuti arah mata angin secara ketat.

2. Fungsi Ganda: Religius dan Sosial

Ruang tidak hanya digunakan untuk kegiatan domestik, tetapi juga mengakomodasi pengajian, tadarus, hingga diskusi keagamaan, mencerminkan fungsi sosial dan religius dari ruang. Ini menandakan bahwa rumah adalah bagian dari jaringan sosial dan ideologis masyarakat Kauman, bukan sekadar tempat tinggal.

Contoh konkrit: banyak rumah yang memiliki ruang semi-terbuka untuk menerima tamu laki-laki, sementara ruang perempuan berada di area yang lebih privat. Ini adalah bentuk penerapan nilai segregasi gender dalam arsitektur domestik Islam.

3. Transisi Ruang: Publik ke Privat

Transisi ruang dalam rumah Kauman sangat jelas dan bertingkat. Pendopo sebagai area terbuka untuk umum, sementara ruang dalam lebih bersifat eksklusif. Hal ini menunjukkan adanya hierarki ruang yang menghormati privasi dan etika bertamu. Dalam wawancara, penghuni menyebutkan bahwa ruang depan adalah ‘panggung’ sosial yang mencerminkan citra keluarga.

Analisis Tambahan

Konservasi vs. Modernisasi

Salah satu tantangan yang diangkat oleh penulis, meski secara implisit, adalah tekanan modernisasi yang membuat banyak rumah kehilangan elemen tradisionalnya. Banyak rumah telah mengalami renovasi dengan material modern seperti keramik atau atap genteng pabrikan, yang mengubah estetika dan karakter asli rumah.

Namun, studi ini memperlihatkan bahwa nilai-nilai dasar—seperti orientasi kiblat, pembagian ruang gender, dan penghormatan terhadap tamu—tetap bertahan meski wujud fisiknya berubah. Hal ini menjadi titik penting dalam wacana konservasi: bahwa pelestarian nilai bisa lebih penting daripada pelestarian bentuk.

Contoh Perbandingan

Menarik jika dibandingkan dengan rumah adat lain seperti Rumah Betawi, yang memiliki teras depan sebagai ruang sosial. Dalam Kauman, fungsi serupa diambil oleh pendopo, namun dengan struktur sosial dan tata nilai yang berbeda. Di Betawi, keterbukaan adalah simbol keramahan, sementara di Kauman, keterbukaan tetap dibatasi oleh norma keislaman.

Implikasi Praktis dan Rekomendasi

1. Perencanaan Kawasan Berbasis Nilai Budaya

Hasil studi ini penting bagi perencana kota dan arsitek dalam menata kawasan historis urban seperti Kauman. Desain yang tidak memahami nilai lokal bisa menimbulkan alienasi dan merusak kohesi sosial. Dengan mempertimbangkan karakteristik ruang tradisional, kita bisa merancang kawasan hunian yang lebih inklusif dan bermakna.

2. Edukasi Masyarakat dan Pemerintah

Penting adanya sosialisasi tentang nilai arsitektur lokal kepada masyarakat dan pemangku kebijakan. Pelestarian tidak harus menolak modernitas, tetapi perlu proses mediasi dan kompromi. Misalnya, penggunaan material baru bisa diimbangi dengan tetap mempertahankan pola ruang dan nilai-nilai dasar.

Kritik dan Nilai Tambah

Meski penelitian ini sangat kaya dalam konteks spasial dan nilai budaya, akan lebih lengkap jika:

• Disertakan peta persebaran rumah yang diteliti untuk memahami skala ruang dan pola permukiman secara menyeluruh.

• Analisis lebih lanjut mengenai perubahan fungsi ruang dalam konteks ekonomi, misalnya rumah yang kini dijadikan homestay atau tempat usaha.

• Adanya perbandingan dengan kampung urban religius lain seperti Kauman di Solo atau kampung pesantren di Jawa Timur.

Kesimpulan

Penelitian ini mengajarkan bahwa rumah bukan hanya tempat berteduh, tetapi juga cerminan nilai, kepercayaan, dan sejarah. Di Kampung Kauman, struktur rumah tidak dibentuk oleh arsitek profesional, melainkan oleh pengalaman kolektif, adat, dan ajaran agama yang berurat dalam kehidupan masyarakatnya.

Studi ini sangat relevan dalam konteks arsitektur kontemporer yang seringkali mengabaikan akar budaya dan lokalitas. Di tengah arus globalisasi, rumah-rumah Kauman mengingatkan kita bahwa arsitektur harus berpijak pada manusia, bukan sekadar bentuk.

Sumber

Wira Dharma, I Gede. (2015). Studi Karakteristik Ruang pada Bangunan Rumah Tinggal di Kampung Kauman Yogyakarta. Jurnal Arsitektur NALARs Vol. 14 No. 2. Universitas Diponegoro

Pendahuluan: Burr Kecil, Risiko Besar

Di dunia penerbangan, kualitas bukan hanya soal presisi teknis, tapi menyangkut keselamatan manusia. Salah satu masalah kritis namun sering luput adalah burr, tonjolan logam kecil yang terbentuk saat proses pemotongan atau pengeboran. Meski tampak sepele, burr bisa memicu kegagalan struktural serius, dari keretakan hingga korosi dini. Deteksi burr biasanya dilakukan secara manual, yang sangat bergantung pada keterampilan teknisi dan kondisi pencahayaan. Pendekatan ini rawan kesalahan dan tidak konsisten.

Untuk mengatasi keterbatasan tersebut, paper ini menawarkan solusi inovatif: menggunakan gambar sintetis yang dihasilkan secara digital untuk melatih sistem kecerdasan buatan dalam mendeteksi burr secara otomatis dan akurat.

Tujuan Penelitian: Gambar Buatan untuk Deteksi Nyata

Penelitian ini bertujuan mengembangkan metode pendeteksian burr menggunakan pendekatan synthetic image generation. Dalam konteks industri, mengumpulkan ribuan gambar cacat nyata tidak hanya sulit, tetapi mahal dan lambat. Peneliti memilih menciptakan gambar-gambar cacat secara digital, lalu menggunakannya untuk melatih sistem klasifikasi berbasis deep learning. Ini memungkinkan model belajar dari ratusan variasi cacat tanpa perlu memproduksi atau menemukan burr secara fisik.

Strategi Inovatif: GAN dan CNN dalam Satu Sistem

Metode yang diusung penulis menggabungkan dua teknologi utama dalam AI:

1. Generative Adversarial Networks (GAN)
   GAN adalah model yang melatih dua jaringan neural secara bersamaan. Generator menghasilkan gambar burr, sementara discriminator mengevaluasi apakah gambar tersebut realistis. Melalui proses kompetisi, GAN mampu menghasilkan gambar sintetis yang sangat menyerupai kenyataan.
2. Convolutional Neural Network (CNN)
   Setelah mendapatkan gambar sintetis yang realistik, CNN digunakan untuk melatih model klasifikasi. CNN sangat efektif dalam mengenali pola visual, termasuk tekstur dan kontur cacat seperti burr.

Kombinasi GAN dan CNN memungkinkan model tidak hanya belajar dari data terbatas, tapi juga memperluas kemampuannya dalam mengenali burr dalam berbagai kondisi pencahayaan, sudut pandang, dan tekstur permukaan.

Hasil Eksperimen: Sintetis Tak Kalah Nyata

Eksperimen membuktikan bahwa gambar sintetis bukan hanya pelengkap, tapi dapat menjadi sumber pelatihan utama. Dengan hanya menggunakan gambar sintetis yang ditambahkan cacat secara digital ke foto asli komponen pesawat, sistem AI yang dilatih mampu mencapai akurasi deteksi hingga 96%.

Tanpa gambar sintetis, akurasi model lebih rendah karena keterbatasan data. Fakta ini menegaskan bahwa data sintetis berperan besar dalam mengisi kekosongan data nyata yang langka dan mahal.

Keunggulan Praktis: Efisiensi dan Replikasi

Pendekatan ini membawa berbagai manfaat nyata bagi industri:

• Efisiensi biaya: Tidak perlu mengumpulkan data burr secara fisik dalam jumlah besar.
• Skalabilitas: Sistem ini bisa dilatih untuk mendeteksi berbagai jenis cacat lainnya hanya dengan menciptakan variasi gambar sintetis.
• Konsistensi kualitas: Tidak bergantung pada keahlian teknisi manusia, sistem ini mampu bekerja stabil dalam berbagai kondisi.

Teknologi ini juga membuka jalan bagi otomatisasi penuh dalam inspeksi visual. Bayangkan robot dengan kamera dan model AI ini dipasang di jalur produksi pesawat. Inspeksi dilakukan secara real-time dan hanya komponen bermasalah yang disortir untuk pemeriksaan manual.

Tantangan dan Batasan: Menuju Validasi Nyata

Meski menjanjikan, pendekatan ini belum bebas tantangan. Beberapa aspek penting perlu diuji lebih lanjut:

• Validasi di lingkungan nyata: Gambar sintetis bisa sangat mirip, namun tetap perlu diuji apakah model mampu bekerja dengan baik pada kondisi pabrik sesungguhnya—yang penuh dengan pantulan cahaya, debu, dan variasi warna permukaan.
• Deteksi multi-cacat: Studi ini fokus pada burr. Pengujian terhadap cacat lain seperti goresan atau retak harus dilakukan untuk melihat generalisasi model.
• Efek domain gap: Meskipun gambar sintetis mendekati nyata, perbedaan kecil tetap bisa mengganggu performa model jika tidak diatasi dengan strategi domain adaptation.

Relevansi Industri: Buruh Mesin hingga Boeing

Dalam industri dirgantara, inspeksi visual menyita lebih dari 30% waktu produksi. Boeing dan Airbus mengalokasikan ribuan jam kerja hanya untuk verifikasi kualitas. Pendekatan berbasis gambar sintetis dapat memotong waktu ini secara signifikan.

Penerapan teknologi serupa juga ditemukan dalam industri otomotif dan logam berat. Misalnya, General Motors menggunakan data augmented image untuk mendeteksi microcracks pada blok mesin. Dalam semua kasus tersebut, sintesis data menjadi solusi atas kelangkaan data rusak.

Kritik dan Perbandingan Penelitian Lain

Studi ini membedakan dirinya dengan pendekatan konvensional seperti pemodelan CAD atau simulasi 3D, yang sering kali tidak mencerminkan tekstur nyata. Di sisi lain, penelitian yang hanya menggunakan gambar nyata sering kali terbatas cakupannya. Dengan menggabungkan gambar nyata (tanpa cacat) dan cacat sintetis, pendekatan ini menjembatani kesenjangan antara kenyataan dan pelatihan digital.

Namun, dibandingkan studi-studi lain yang mengeksplorasi domain adaptation dan transfer learning, pendekatan ini masih bisa diperkaya dengan teknik-teknik lanjutan seperti style transfer agar gambar sintetis makin menyatu dengan domain nyata.

Masa Depan Deteksi Cacat: AI, Kamera, dan Data

Apa yang diusulkan oleh paper ini bukan sekadar metode baru, tapi paradigma baru dalam kontrol kualitas manufaktur. Ketika sistem deteksi cacat tidak lagi harus menunggu cacat itu muncul di dunia nyata, maka desain dan pelatihan sistem AI menjadi lebih cepat, murah, dan luas cakupannya.

Lebih jauh lagi, pendekatan ini cocok untuk dikombinasikan dengan edge computing, memungkinkan perangkat inspeksi melakukan klasifikasi secara langsung tanpa harus mengirim data ke server pusat. Ini sangat penting untuk industri dengan waktu inspeksi singkat dan volume produksi tinggi.

Kesimpulan: Sintesis Data, Revolusi Kualitas

Paper ini berhasil menunjukkan bahwa gambar sintetis dapat memainkan peran utama dalam sistem inspeksi otomatis yang akurat dan efisien. Dengan memanfaatkan kekuatan GAN dan CNN, serta menambahkan inovasi praktis dalam augmentasi data, penelitian ini memberikan peta jalan menuju kontrol kualitas berbasis AI yang dapat diterapkan secara nyata.

Langkah selanjutnya adalah memperluas aplikasi ke jenis cacat lain dan memvalidasi sistem di lapangan industri secara menyeluruh. Namun satu hal pasti: masa depan kontrol kualitas ada di tangan data sintetis dan kecerdasan buatan yang mampu memahami gambar seperti manusia, bahkan lebih baik.

SumberTravieso-González, C. M., Deniz, O., Benítez-Peña, C.-F., & Gómez-Pulido, J.-A. (2022). Synthetic image generation for detecting burrs in the aircraft structural parts. Engineering Science and Technology, an International Journal. https://doi.org/10.1016/j.jestch.2022.102328

 

Dalam dunia manufaktur modern, menjaga kualitas produk adalah harga mati. Terlebih di industri telekomunikasi, di mana komponen sekecil lensa plastik injeksi bisa menjadi pembeda antara perangkat sukses atau gagal di pasar. Paper berjudul "Statistical Process Control (SPC) Applied in Plastic Injection Moulded Lenses" oleh Jafri Mohd Rohani dan Chan Kok Teng (Universiti Teknologi Malaysia) menawarkan gambaran jelas bagaimana pengendalian proses statistik mampu membawa perubahan signifikan dalam mutu produksi.

Mengapa SPC Penting dalam Industri Manufaktur Plastik?

Industri plastik, khususnya yang bergerak di bidang komponen elektronik seperti lensa plastik injeksi, menghadapi tantangan berat:

• Tuntutan Kualitas Tinggi: Komponen plastik untuk perangkat telekomunikasi harus bebas cacat.
• Volume Produksi Besar: Produksi massal rentan terhadap cacat produk.
• Biaya Produksi yang Ketat: Kualitas tinggi harus dicapai tanpa meningkatkan biaya.

Di sinilah Statistical Process Control (SPC) menjadi solusi. SPC memungkinkan perusahaan memantau dan mengendalikan proses produksi secara berkelanjutan, mendeteksi tren cacat, dan melakukan perbaikan berbasis data.

 

Latar Belakang: Mengapa Perusahaan Ini Menerapkan SPC?

Perusahaan yang dikaji dalam penelitian ini adalah produsen lokal lensa plastik injeksi untuk perangkat telekomunikasi. Sebelum penerapan SPC, mereka mengalami defect rate sebesar 13,49%. Angka tersebut jelas jauh dari standar industri, yang umumnya menetapkan ambang batas cacat maksimal 1% hingga 3%, tergantung spesifikasi klien.

👉 Target Awal:
Menurunkan tingkat cacat dari 13,49% menjadi 10% dalam waktu tiga bulan.

Metode: Bagaimana SPC Diterapkan?

1. Pengumpulan Data

Perusahaan mencatat data produksi harian selama tiga bulan, mencakup:

• Jumlah total produk yang diproduksi.
• Jumlah produk baik (good parts).
• Jumlah produk cacat (defective parts).

Data dikumpulkan menggunakan Check Sheet, alat pertama dari Seven Basic Quality Tools.

2. Identifikasi Masalah Utama dengan Pareto Chart

Melalui Pareto Chart, perusahaan menemukan tiga jenis cacat paling dominan:

• Flow Lines/Marks – 5,04%
• Dirty Dots – 3,96%
• Scratches – 2,27%

Ini sejalan dengan prinsip Pareto (80/20), di mana sebagian besar masalah berasal dari segelintir penyebab.

3. Analisis Akar Masalah dengan Fishbone Diagram

Perusahaan melakukan analisis mendalam atas ketiga masalah utama menggunakan Fishbone (Ishikawa) Diagram, mengelompokkan penyebab ke dalam lima kategori:

• Manusia
• Mesin
• Metode Kerja
• Material
• Lingkungan

4. Kontrol Proses dengan Control Chart (P-Chart)

Penerapan P-Chart memungkinkan pemantauan jumlah unit cacat secara konsisten, membantu mengidentifikasi variasi normal dan outlier.

 

Temuan Utama: Data yang Berbicara

Berikut hasil signifikan setelah tiga bulan implementasi SPC dan action plan yang diusulkan:

• Mei: 10,28%
• Juni: 8,27%
• Juli: 7,41%

👉 Pencapaian Akhir:
Defect rate berhasil ditekan hampir 50% dari kondisi awal, menjadi 7,4%, melebihi target awal 10%.

 

Studi Kasus: Mengurai Tiga Sumber Cacat Utama

1. Flow Lines/Marks

Penyebab Utama:

• Parameter proses tidak stabil (waktu tahan, suhu injeksi, tekanan aliran).
• Kualitas bahan baku rendah.

Solusi yang Diimplementasikan:

• Pengecekan indeks alir leleh (MFI) pada semua bahan resin.
• Penyesuaian waktu pengeringan dan suhu material.
• Pemeliharaan mesin preventif untuk menjaga konsistensi parameter injeksi.

2. Dirty Dots

Penyebab Utama:

• Kontaminasi material karena penanganan operator.
• Kebersihan mesin dan lingkungan kerja tidak terjaga.

Solusi yang Diimplementasikan:

• Pelatihan ulang operator tentang kebersihan handling.
• Pembersihan rutin pada cetakan, hopper, dan area produksi.
• Pengetatan kontrol kualitas incoming material.

3. Scratches

Penyebab Utama:

• Kesalahan saat proses pemindahan atau pengepakan.
• Cetakan yang tidak bersih atau rusak.

Solusi yang Diimplementasikan:

• Instruksi kerja lebih rinci tentang prosedur pengepakan.
• Pengecekan kondisi cetakan secara berkala.
• Pelatihan operator tentang pentingnya penanganan hati-hati.

 

Analisis Tambahan: Pelajaran Berharga untuk Industri

Komitmen Manajemen Adalah Kunci

Penelitian ini menegaskan bahwa keberhasilan SPC tidak hanya ditentukan oleh alat yang digunakan, tetapi juga oleh komitmen manajemen. Tanpa dukungan dari atas, pelatihan operator, dan pengawasan konsisten, penerapan SPC akan mandek.

Data Adalah Senjata

Pengumpulan data yang konsisten memungkinkan analisis yang lebih akurat. Namun, penelitian ini juga menunjukkan bahwa variasi antar shift bisa mempengaruhi tingkat cacat. Shift malam (3rd shift) cenderung memiliki tingkat cacat lebih tinggi, yang menunjukkan perlunya rotasi kerja dan pengawasan ketat di luar jam kerja utama.

Perbandingan dengan Industri Lain

• Di industri otomotif, SPC adalah standar. Toyota, misalnya, menggunakan sistem Jidoka yang memungkinkan penghentian produksi otomatis saat cacat terdeteksi.
• Di industri farmasi, in-line monitoring system berbasis Process Analytical Technology (PAT) kini banyak digunakan untuk mendeteksi cacat pada tahap awal proses.

 

Kritik terhadap Penelitian dan Saran Pengembangan

Kelebihan

• Fokus pada pendekatan sederhana namun berdampak besar.
• Data yang jelas dan transparan mendukung validitas hasil.
• Menerapkan Seven QC Tools secara efektif dan terukur.

Kelemahan

• Studi terbatas pada satu perusahaan dengan ruang lingkup produk spesifik (lensa plastik injeksi).
• Belum mengeksplorasi penggunaan teknologi otomatisasi atau AI dalam pengendalian proses.

Rekomendasi Pengembangan

• Integrasi IoT: Sensor real-time pada mesin injeksi untuk memantau parameter seperti suhu, tekanan, dan aliran material.
• Machine Learning: Memprediksi potensi cacat berdasarkan data historis dan variabel proses.
• Digital Dashboard: Monitoring dashboard berbasis cloud agar pengawasan bisa dilakukan kapan saja, di mana saja.

 

Dampak Nyata di Dunia Industri

Jika metode SPC sederhana seperti dalam penelitian ini berhasil menekan cacat hingga 50%, bayangkan dampaknya jika perusahaan mengadopsi pendekatan lebih modern.

• Pengurangan Biaya Produksi: Kurangi rework dan scrap, otomatis menurunkan biaya produksi.
• Peningkatan Kepuasan Pelanggan: Kualitas lebih stabil meningkatkan kepercayaan pelanggan.
• Compliance dengan Standar Internasional: SPC adalah bagian integral dalam sertifikasi ISO 9001 dan IATF 16949.

Fakta Industri

Menurut laporan Deloitte (2023), perusahaan manufaktur yang menerapkan pengendalian kualitas berbasis data mencatatkan pengurangan rata-rata 30% dalam jumlah cacat produk dalam tiga tahun pertama.

 

Kesimpulan: SPC sebagai Game Changer di Industri Plastik

Penerapan Statistical Process Control (SPC) terbukti mampu meningkatkan kualitas, produktivitas, dan profitabilitas dalam industri manufaktur plastik. Studi kasus ini menunjukkan bahwa bahkan pendekatan sederhana seperti Seven QC Tools, bila diterapkan dengan disiplin tinggi, dapat menghasilkan perbaikan signifikan.

Namun, tantangan selanjutnya adalah membangun budaya kualitas yang berkelanjutan dan memanfaatkan teknologi baru untuk meningkatkan efisiensi. Di era industri 4.0, SPC seharusnya tidak lagi menjadi pilihan, melainkan keharusan.

📚 Referensi Asli:
Rohani, J.M., & Teng, C.K. (2015). Statistical Process Control (SPC) Applied in Plastic Injection Moulded Lenses. Universiti Teknologi Malaysia.

Pendahuluan: Mengapa Quality Assurance (QA) Masih Menjadi Isu Kritis?

Dalam dunia industri modern, kualitas produk dan layanan merupakan kunci utama untuk memenangkan persaingan pasar. Di tengah kebutuhan konsumen yang semakin menuntut, proses Quality Assurance (QA) menjadi vital untuk menjamin kepuasan pelanggan sekaligus mengurangi biaya produksi akibat kegagalan kualitas. Namun, tantangan di lapangan menunjukkan bahwa banyak perusahaan masih bergantung pada metode manual testing yang memakan waktu, rentan kesalahan manusia, dan sulit diskalakan.

Makalah Lakshmisri Surya hadir untuk menjawab permasalahan tersebut dengan menawarkan solusi berbasis Machine Learning (ML). Surya memaparkan bahwa ML tidak hanya memberikan otomatisasi dalam QA, tetapi juga mampu melakukan prediksi dan perbaikan yang lebih akurat dibanding pendekatan tradisional.

 

Tujuan Penelitian dan Kontribusinya pada Dunia Industri

Paper ini bertujuan mengeksplorasi bagaimana algoritma machine learning dapat merevolusi dunia QA dengan:

• Meningkatkan akurasi deteksi cacat dalam proses produksi.
• Mempercepat proses pengujian perangkat lunak (software testing).
• Mengurangi ketergantungan pada pengujian berbasis manusia, sehingga mempercepat time-to-market.

Kontribusi utama makalah ini adalah menyediakan framework konseptual dan teknis tentang implementasi machine learning dalam QA, mulai dari penerapan pada automated testing, predictive analytics, hingga end-to-end (E2E) testing.

 

Evolusi Quality Assurance: Dari Manual Menuju Machine Learning

Kelemahan Proses Manual QA

• Memakan banyak waktu dan biaya.
• Rentan terhadap kesalahan manusia, terutama pada pengujian yang repetitif.
• Tidak mampu menangani volume data besar dari big data dan sistem Internet of Things (IoT) yang kian kompleks.

Peran Machine Learning

ML mengubah paradigma QA dengan mengandalkan pembelajaran berbasis data. Dengan algoritma cerdas, sistem dapat:

• Mengidentifikasi pola anomali dari data produksi.
• Memprediksi potensi kesalahan bahkan sebelum terjadi.
• Melakukan self-healing terhadap bug perangkat lunak secara otomatis.

Surya menyebutkan bahwa neural networks memainkan peran sentral dalam sistem ini karena kemampuannya mendeteksi cacat kualitas (defect detection) dari data gambar dan data sensor secara real-time.

 

Pendekatan Machine Learning dalam Quality Assurance

1. Supervised Learning

Memanfaatkan dataset historis untuk melatih model prediktif. Algoritma ini sangat efektif dalam defect classification dan defect prediction.

2. Unsupervised Learning

Digunakan untuk clustering dan anomaly detection, menemukan pola tersembunyi dalam data yang tidak berlabel.

3. Deep Learning (DL)

Khususnya Convolutional Neural Networks (CNN) dan Recurrent Neural Networks (RNN), yang digunakan untuk image-based defect detection serta time-series data analysis pada proses produksi.

 

Studi Kasus dan Aplikasi Nyata

Industri Otomotif

• Battery tabs dan sub-assembly parts diuji kualitasnya menggunakan ultrasonic metal welding (UMW) dan laser spot welding (LSW).
• Model ML berbasis regularized logistic regression berhasil mengidentifikasi bad welds dengan akurasi tinggi, meningkatkan efisiensi produksi.

 

Perusahaan Teknologi di Amerika Serikat

• QA berbasis ML memungkinkan waktu pemasaran lebih cepat, reduksi biaya QA, serta peningkatan kepuasan pelanggan.
• Adopsi ML pada QA membantu perusahaan mengidentifikasi risiko lebih awal dan mengoptimalkan regression testing tanpa mengganggu timeline produksi.

 

Analisis Tambahan dan Opini: Apa yang Bisa Diambil dari Studi Ini?

Kelebihan:

✅ Pendekatan komprehensif terhadap penggunaan ML untuk QA.
✅ Menjelaskan integrasi antara data analytics dan AI dalam QA secara detail.
✅ Penekanan pada predictive quality control dan intelligent supervisory control systems (ISCS) yang mendukung operasi produksi tanpa cacat (zero-defect manufacturing).

Kritik dan Tantangan:

❌ Studi masih bersifat teoritis, dengan minim implementasi kasus nyata berskala besar.
❌ Tidak dibahas secara mendalam mengenai tantangan etika dan bias data dalam ML yang bisa mempengaruhi hasil QA.
❌ Tantangan lain adalah kebutuhan data berkualitas tinggi untuk pelatihan model ML, sesuatu yang tidak selalu tersedia di semua industri.

 

Tren Industri dan Relevansi Penelitian

Industri 4.0 dan Smart Manufacturing

Paper ini sangat relevan di era Industri 4.0, di mana automation, IoT, dan big data menjadi tulang punggung produksi modern. Perusahaan seperti Toyota, General Electric, dan Siemens sudah mengintegrasikan AI-driven QA untuk:

• Mendeteksi cacat produksi lebih dini.
• Mengurangi scrap rate.
• Meningkatkan yield produksi.

 

Future Quality Assurance (QA) Tools

• ML-Driven Testing Frameworks: seperti Test.ai dan Applitools yang menggunakan AI untuk pengujian otomatis.
• Predictive Maintenance: integrasi ML dalam prediksi kegagalan mesin sebelum terjadi downtime.

 

Implikasi Praktis di Industri Indonesia

1. Manufaktur Otomotif
   Perusahaan seperti Astra International dapat memanfaatkan ML untuk QA baterai kendaraan listrik, memperbaiki proses laser welding di lini produksi EV.
2. Industri Tekstil
   Penggunaan image recognition berbasis CNN untuk mendeteksi cacat kain, mengurangi return produk akibat defect.
3. Startup Software Development
   Pengembangan aplikasi mobile dengan automated ML testing bisa mempercepat siklus pengembangan sekaligus menjamin user experience (UX) yang lebih baik.

 

Rekomendasi untuk Penelitian Selanjutnya

1. Integrasi Real-Time QA System berbasis IoT dan Edge AI.
2. Eksplorasi Explainable AI (XAI) untuk meningkatkan trust dan transparansi dalam sistem QA berbasis ML.
3. Penelitian lintas sektor: implementasi QA berbasis ML pada industri farmasi, kesehatan, dan pangan.

 

Kesimpulan: Masa Depan Quality Assurance Ada di Machine Learning

Paper ini memberikan gambaran jelas bahwa Machine Learning adalah masa depan Quality Assurance (QA). Teknologi ini memungkinkan deteksi cacat lebih cepat, prediksi risiko lebih akurat, dan otomatisasi proses QA yang sebelumnya memerlukan tenaga kerja intensif.

Bagi perusahaan yang ingin tetap kompetitif di era digital, mengadopsi solusi QA berbasis ML bukan lagi pilihan, melainkan keharusan.

 

Referensi : 

Surya, L. (2019). Machine learning-future of quality assurance. International Journal of Emerging Technologies and Innovative Research (www. jetir. org), ISSN, 2349-5162.

Pendahuluan: Tantangan Kualitas dalam Injection Molding Modern

Injection molding, atau proses cetak injeksi, telah lama menjadi tulang punggung industri manufaktur, terutama dalam pembuatan komponen plastik yang kompleks. Meskipun metode ini menawarkan keunggulan berupa produksi massal yang efisien dan presisi tinggi, masalah kualitas produk tetap menjadi tantangan utama. Fluktuasi suhu, tekanan, dan variasi material dapat memicu cacat produksi yang signifikan.

Di tengah tekanan industri untuk mengurangi limbah produksi dan meningkatkan efisiensi, muncul kebutuhan akan sistem prediksi kualitas yang lebih cerdas dan otomatis. Di sinilah penelitian Schulze Struchtrup et al. (2021) mengambil peran penting. Mereka menawarkan pendekatan ensemble learning untuk prediksi kualitas produk pada proses injection molding, yang diklaim lebih adaptif dibandingkan metode konvensional.

 

Latar Belakang: Mengapa Prediksi Kualitas Itu Penting?

Meski banyak perusahaan telah mengadopsi machine learning untuk meningkatkan kualitas produksi, penerapannya di bidang injection molding masih tergolong terbatas. Alasan utamanya adalah rasio biaya-manfaat yang dianggap belum optimal. Biaya pemasangan sensor tambahan dan kompleksitas analisis data sering menjadi penghalang.

Namun, berkembangnya teknologi Industry 4.0, khususnya dalam hal sensor canggih, komputasi awan, dan big data analytics, memungkinkan perusahaan mendapatkan data berkualitas tinggi dengan biaya yang lebih terjangkau. Dengan data ini, machine learning bisa diterapkan secara lebih luas untuk prediksi kualitas produk secara real-time.

Penelitian ini menjadi sangat relevan karena mengusulkan solusi holistik yang tidak hanya mengandalkan satu model machine learning, tetapi memanfaatkan ensemble learning, yakni kombinasi beberapa model untuk meningkatkan akurasi prediksi di lingkungan produksi yang dinamis.

Tujuan Penelitian dan Fokus Utama

Schulze Struchtrup dan tim bertujuan menciptakan kerangka kerja prediksi kualitas yang otomatis, adaptif, dan berbasis data. Fokus mereka terletak pada penggunaan ensemble learning untuk menggabungkan kekuatan berbagai algoritma machine learning agar dapat menghasilkan prediksi yang akurat, bahkan ketika kondisi proses injection molding berubah-ubah.

Ensemble learning sendiri dipilih karena menawarkan fleksibilitas dalam mengatasi variasi proses produksi, yang kerap kali menjadi titik lemah dari pendekatan machine learning tradisional.

 

Metodologi: Kerangka Kerja Prediksi Kualitas Adaptif

1. Data Pre-processing dan Feature Selection

Data dikumpulkan dari proses injection molding pada mesin KraussMaffei PX 120-380, dengan total 48 parameter proses yang dipantau. Proses data mencakup:

• Pre-processing data dengan metode holdout (80% data untuk pelatihan, 20% untuk pengujian).
• Feature selection menggunakan sequential forward selection (SFS) dan correlation-based feature selection (CFS). Tujuannya adalah memangkas variabel yang kurang relevan agar mempercepat dan meningkatkan akurasi model.

2. Algoritma Machine Learning yang Digunakan

Tujuh model utama yang digunakan meliputi:

• Artificial Neural Networks (ANN)
• Support Vector Machines (SVM)
• Decision Trees (DT)
• K-Nearest Neighbors (kNN)
• Gaussian Process Regression (GPR)
• Ensemble Methods (Bagging dan Boosting)
• Multiple Linear Regression (MLR) sebagai pembanding klasik

Setiap model dilatih dengan optimasi hyperparameter berbasis Bayesian optimization dan divalidasi dengan 5-fold cross-validation.

3. Pendekatan Ensemble Learning

Tiga strategi utama diterapkan:

• Unweighted Average Ensemble: Menggabungkan output semua model tanpa bobot.
• Single Model Selection Ensemble: Memilih model terbaik berdasarkan kinerja pada data yang paling mirip.
• Weighted Average Ensemble: Menggabungkan output model dengan bobot berdasarkan coefficient of determination (R²) masing-masing model pada dataset tetangga.

 

Hasil dan Temuan Kunci

Penelitian ini menghasilkan beberapa temuan penting:

1. Single Model Selection Ensemble memberikan performa prediksi terbaik, melampaui model dasar (base models) di 20 dari 24 dataset.
2. Weighted Average Ensemble unggul di 19 dari 24 dataset, membuktikan bahwa strategi kombinasi adaptif mampu mengatasi variabilitas proses produksi.
3. Unweighted Average Ensemble hanya mencatat peningkatan performa di 12 dari 24 dataset, dan hasilnya dianggap serupa dengan model dasar, sehingga kurang memberikan nilai tambah yang signifikan.

Pada kondisi tertentu, seperti design of experiment (DOE) dan penggunaan re-grind material, akurasi prediksi tertinggi dicapai dengan koefisien determinasi (R²) mencapai 99,5% untuk prediksi berat komponen.

Namun, prediksi pada proses stabil dengan variasi rendah menghasilkan akurasi yang lebih buruk. Hal ini disebabkan oleh kurangnya variabilitas data, yang membuat model machine learning kesulitan dalam membedakan perubahan kualitas yang nyata.

 

Studi Kasus: Relevansi dan Penerapan di Dunia Industri

Penerapan di Industri Otomotif

Produsen otomotif besar seperti BMW dan Volkswagen telah mengadopsi strategi serupa untuk pemantauan kualitas komponen plastik interior. Dengan penerapan sensor canggih dan algoritma machine learning, mereka berhasil memangkas scrap rate hingga 30%, meningkatkan efisiensi produksi secara signifikan.

Industri Elektronik

Di pabrik produksi casing ponsel pintar, machine learning berbasis ensemble digunakan untuk mendeteksi cacat mikro pada komponen casing injection molding. Hasilnya, akurasi deteksi naik 25% dibandingkan sistem inspeksi visual tradisional.

 

Kritik dan Analisis Kritis Penelitian

Kelebihan

• Pendekatan Komprehensif: Kerangka kerja yang mencakup seluruh tahapan, mulai dari pre-processing data, pemilihan fitur, hingga ensemble learning.
• Validasi Luas: Dilakukan pada 24 dataset berbeda dengan kondisi proses yang bervariasi, memberikan bukti kuat atas efektivitas metode.
• Adaptabilitas Tinggi: Sistem mampu menyesuaikan model prediksi berdasarkan perubahan kondisi proses secara real-time.

Keterbatasan

• Keterbatasan Metode Jarak (Distance Metrics): Hanya menggunakan metrik Euclidean, padahal metrik lain seperti Mahalanobis bisa menawarkan hasil yang lebih baik di data multidimensi.
• Belum Ada Implementasi Real-Time: Kerangka kerja diuji secara eksperimental, namun belum diuji dalam skenario produksi nyata secara langsung.
• Isu Komputasi dan Resource: Penggunaan ensemble learning membutuhkan daya komputasi besar, yang bisa menjadi hambatan bagi pabrik berskala kecil hingga menengah.

 

Rekomendasi Pengembangan dan Penerapan Masa Depan

1. Implementasi Real-Time dengan IoT
   Menghubungkan sistem prediksi dengan sensor IoT untuk integrasi langsung ke lini produksi, memungkinkan perbaikan otomatis secara waktu nyata.
2. Peningkatan Akurasi Feature Selection
   Eksplorasi metode feature selection berbasis deep learning dapat meningkatkan presisi pemilihan fitur yang relevan, terutama untuk dataset besar.
3. Penggunaan Distance Metrics Alternatif
   Eksperimen dengan metrik seperti Mahalanobis atau Chebyshev untuk mengatasi perbedaan skala antar fitur dalam data proses injection molding.
4. Integrasi dalam Smart Factory
   Kombinasikan dengan sistem MES (Manufacturing Execution System) dan ERP (Enterprise Resource Planning) untuk visibilitas kualitas produk secara end-to-end.

 

Implikasi Praktis bagi Industri Manufaktur

Penerapan metode ensemble learning seperti dalam penelitian ini sangat menjanjikan untuk industri yang mengandalkan proses injection molding, seperti:

• Otomotif
• Elektronik
• Alat kesehatan
• Mainan plastik
• Peralatan rumah tangga

Selain meningkatkan kualitas produk, perusahaan dapat mengurangi biaya scrap dan rework, sekaligus memenuhi standar kualitas global yang semakin ketat.

Menurut data Deloitte (2023), perusahaan manufaktur yang mengadopsi sistem prediksi berbasis AI mencatat peningkatan efisiensi hingga 20-25% dalam tiga tahun pertama implementasi.

 

Kesimpulan: Masa Depan Kualitas Injection Molding Ada di Tangan AI dan Ensemble Learning

Penelitian Schulze Struchtrup et al. (2021) menunjukkan bahwa ensemble learning dapat menjadi game-changer dalam prediksi kualitas injection molding. Adaptasi model secara otomatis memungkinkan sistem produksi merespons perubahan kondisi tanpa campur tangan manusia, mendukung visi Industry 4.0 dan smart manufacturing.

Namun, tantangan masih ada. Transformasi digital dalam pengendalian kualitas injection molding membutuhkan kesiapan infrastruktur, pelatihan SDM, dan investasi dalam teknologi data science. Meski demikian, manfaat jangka panjang berupa peningkatan efisiensi, penghematan biaya, dan peningkatan reputasi kualitas produk membuatnya layak diperjuangkan.

 

📖 Sumber Resmi Paper:
Schulze Struchtrup, A., Kvaktun, D., & Schiffers, R. (2021). Adaptive Quality Prediction in Injection Molding Based on Ensemble Learning. Procedia CIRP, 99, 301–306. DOI:10.1016/j.procir.2021.03.04