Pendahuluan: Transformasi Industri Menuju Efisiensi dan Kualitas Maksimal

Revolusi Industri 4.0 telah membawa perubahan paradigma dalam industri manufaktur global. Dengan semakin luasnya penggunaan Internet of Things (IoT), Big Data, dan kecerdasan buatan (AI), peluang untuk meningkatkan kualitas produk dan memprediksi kebutuhan perawatan mesin menjadi semakin nyata. Penelitian ini merangkum berbagai penerapan AI dalam quality control (QC) dan predictive maintenance, dua aspek krusial yang sering kali menentukan produktivitas dan efisiensi operasional perusahaan manufaktur.

Mengapa ini penting?
Kualitas produk yang konsisten dan keandalan peralatan mesin bukan hanya meningkatkan kepuasan pelanggan, tetapi juga mengurangi biaya produksi akibat perbaikan darurat atau produk cacat yang harus dibuang.

 

Tujuan dan Ruang Lingkup Penelitian

Studi ini bertujuan untuk:

• Memberikan gambaran menyeluruh tentang penerapan AI dalam pengendalian kualitas produk dan perawatan prediktif di lingkungan Industri 4.0.
• Menyajikan eksperimen langsung menggunakan dua dataset: satu untuk prediksi kualitas produk, dan satu lagi untuk prediksi kegagalan komponen mesin.
• Mengulas pendekatan pengembangan solusi AI, termasuk tahap pengumpulan data, analisis, pembuatan model, hingga deployment.

 

Perkembangan Teknologi Industri 4.0: Peluang dan Tantangan

Industri 4.0 menekankan pada interkonektivitas, otomatisasi, dan pengambilan keputusan berbasis data. Ketersediaan data sensorik dari berbagai lini produksi membuka ruang bagi penerapan AI, yang mampu memproses dan menganalisis data dalam skala besar untuk:

• Meningkatkan pengawasan kualitas produk.
• Memprediksi kapan dan di mana mesin akan gagal sebelum kerusakan benar-benar terjadi.

AI dalam Pengendalian Kualitas Produk: Dua Pendekatan Utama

1. Deteksi Cacat (Defect Detection)

Pendekatan ini memanfaatkan computer vision dan deep learning (DL) untuk mendeteksi cacat visual, seperti:

• Cacat pada konektor elektronik.
• Tekstur latar belakang produk yang tidak konsisten.
• Goresan atau kerusakan permukaan.

Studi sebelumnya menunjukkan bahwa CNN (Convolutional Neural Networks) sangat efektif dalam mendeteksi cacat berbasis citra. Namun, tantangannya adalah:

• Kebutuhan annotasi gambar yang besar.
• Tidak semua cacat bersifat visual.

2. Prediksi Cacat (Defect Prediction)

Pendekatan prediksi cacat melibatkan analisis parameter proses produksi. Data numerik dari sensor pada lini produksi digunakan untuk memprediksi kualitas produk yang dihasilkan. Misalnya:

• Deteksi porositas pada velg aluminium.
• Prediksi ketidakakuratan dimensi pada tabung ekstrusi.

Model yang banyak digunakan mencakup:

• XGBoost dan Random Forest, yang mampu mengelola data numerik dan mengidentifikasi pola kompleks.

AI dalam Predictive Maintenance: Mencegah Sebelum Terlambat

Predictive maintenance (pemeliharaan prediktif) bertujuan untuk:

• Mengantisipasi kerusakan mesin berdasarkan data sensor.
• Mengoptimalkan waktu perawatan sehingga tidak mengganggu operasional.

Dua pendekatan utamanya:

1. Failure Prediction: Deteksi dini kemungkinan kegagalan komponen menggunakan data time-series.
2. Remaining Useful Life (RUL) Prediction: Estimasi masa pakai mesin sebelum diperlukan perbaikan.

Studi menunjukkan bahwa Recurrent Neural Networks (RNN), LSTM, dan GRU efektif untuk data time-series dalam memprediksi kegagalan mesin.

Studi Kasus dan Eksperimen: Pembuktian di Dunia Nyata

Peneliti melakukan eksperimen pada dua dataset:

1. Dataset Prediksi Kualitas Produk Plastik (Plastic Injection Molding)
   • Jumlah data: 1.451 record.
   • Model terbaik: Random Forest, akurasi 98%.
   • Insight: Model ensemble seperti XGBoost dan Random Forest unggul karena mampu menangkap variabilitas parameter produksi.
2. Dataset Prediksi Kegagalan Komponen Mesin dari Microsoft
   • Data: 876.100 record dari 100 mesin produksi.
   • Model terbaik: GRU dan XGBoost, akurasi 98%.
   • Insight: Pemanfaatan rekaman data historis (telemetri, error logs) memungkinkan prediksi kegagalan komponen secara presisi.

 

Analisis Tambahan: Apa yang Bisa Kita Pelajari?

Kelebihan Penelitian

✅ Eksperimen menggunakan data industri nyata.
✅ Perbandingan berbagai algoritma AI, dari Machine Learning (ML) klasik seperti SVM hingga Deep Learning (DL) seperti GRU.
✅ Fokus pada data imbalance dan explainability, dua isu utama dalam implementasi AI industri.

Kekurangan dan Tantangan

❌ Ketergantungan pada domain industri spesifik, membuat model sulit diterapkan di sektor berbeda tanpa penyesuaian.
❌ Banyak studi masih berfokus pada deteksi kegagalan saat terjadi, bukan prediksi sebelum terjadi.
❌ Kompleksitas model DL sering kali membuat interpretasi hasil menjadi sulit, menimbulkan tantangan dalam hal transparansi keputusan.

 

Implikasi Praktis untuk Industri

Pengendalian Kualitas Produk

• Deteksi cacat otomatis berbasis AI mengurangi ketergantungan pada tenaga kerja manusia.
• Integrasi AI memungkinkan QC berbasis data, bukan hanya inspeksi visual manual.

Predictive Maintenance

• Mengurangi downtime mesin secara signifikan.
• Efisiensi biaya operasional meningkat karena pemeliharaan berbasis kebutuhan, bukan jadwal rutin.

Studi Kasus Nyata

✅ Otomotif: Toyota telah menerapkan predictive maintenance pada lini perakitan, mengurangi downtime hingga 50%.
✅ Fabrikasi Semikonduktor: AI digunakan untuk deteksi cacat wafer secara real-time, meningkatkan yield produksi.

 

Perbandingan dengan Penelitian Lain

• Dibandingkan penelitian Sanaeifar et al. (2016) tentang prediksi kualitas pisang, pendekatan di paper ini lebih komprehensif karena melibatkan dataset industri dan penggunaan explainable AI (XAI).
• Penelitian Obregon et al. (2021) fokus pada penjelasan hasil prediksi dengan rule-based explanations, sedangkan paper ini mengintegrasikan ensemble learning dan transformer models untuk akurasi yang lebih baik.

 

Rekomendasi dan Prospek Masa Depan

1. Penerapan Edge AI untuk prediksi real-time tanpa latensi data transfer ke cloud.
2. Transfer Learning agar model bisa diadaptasi di berbagai industri tanpa pelatihan ulang besar-besaran.
3. Explainable AI (XAI) harus menjadi standar untuk meningkatkan transparansi dan kepercayaan pengguna industri.
4. Prediksi Multi-Kriteria: QC seharusnya mempertimbangkan lebih dari satu parameter kualitas.

 

Kesimpulan: AI Sebagai Motor Penggerak Industri Masa Depan

Dengan penerapan AI dalam QC dan predictive maintenance, industri kini mampu:

• Memproduksi barang dengan kualitas lebih baik secara konsisten.
• Mengurangi kerugian akibat downtime mesin yang tidak terencana.
• Meningkatkan efisiensi biaya produksi secara signifikan.

Studi ini memperlihatkan bahwa AI bukan lagi sekadar alat bantu, tetapi sudah menjadi bagian integral dari proses produksi modern.

 

Sumber Referensi:

Andrianandrianina Johanesa, T. V., Equeter, L., & Mahmoudi, S. A. (2024). Survey on AI applications for product quality control and predictive maintenance in Industry 4.0. Electronics, 13(5), 976.

Pendahuluan: Era Industri 4.0 dan Pentingnya Prediksi Kualitas

Perkembangan Industry 4.0 menghadirkan paradigma baru di industri manufaktur global. Salah satu pilar utama revolusi ini adalah transformasi digital yang memungkinkan pengumpulan data produksi secara masif dan real-time. Melalui data tersebut, perusahaan dapat mengimplementasikan machine learning (ML) dan deep learning (DL) untuk mengoptimalkan proses produksi, khususnya dalam hal prediksi kualitas produk (Predictive Quality).

Paper karya Sidharth Kiran Sankhye ini mengulas secara mendalam penerapan metode machine learning, khususnya pada proses inspeksi kualitas di lini produksi manufaktur yang kompleks dan berskala besar. Fokus utamanya adalah pada bagaimana algoritma klasifikasi ML dapat membantu memprediksi kepatuhan kualitas produk secara akurat, terutama dalam skenario dengan data yang sangat tidak seimbang (imbalanced data).

 

Latar Belakang dan Tujuan Penelitian

Masalah Utama: Imbalanced Dataset dalam Prediksi Kualitas

Dalam produksi massal, unit produk yang cacat seringkali hanya mencakup sebagian kecil dari total produksi. Inilah yang disebut class imbalance problem, di mana data minoritas (produk cacat) terlalu sedikit dibandingkan dengan data mayoritas (produk sesuai standar). Tantangan ini membuat sebagian besar model ML cenderung bias terhadap kelas mayoritas, sehingga gagal mendeteksi cacat produk secara efektif.

Tujuan Penelitian

Penelitian ini bertujuan untuk:

• Merancang metode klasifikasi berbasis machine learning yang efektif dalam prediksi kualitas produk di lini produksi multi-model.
• Mengatasi tantangan data tidak seimbang melalui feature engineering dan teknik sampling seperti SMOTE.
• Menguji metode tersebut melalui studi kasus pada pabrik manufaktur alat rumah tangga yang memproduksi sekitar 800 unit per hari.

 

Metodologi: Pendekatan Sistematis dalam Klasifikasi Prediktif

Model Klasifikasi yang Digunakan

Peneliti menerapkan dua algoritma utama:

1. Random Forest (RF)
   Algoritma berbasis bagging, menggabungkan banyak decision trees untuk mengurangi overfitting dan meningkatkan akurasi prediksi.
2. XGBoost (Extreme Gradient Boosting)
   Model boosting yang terkenal efisien dan efektif dalam menangani dataset besar dengan berbagai tipe fitur. Dilengkapi dengan regularisasi yang mampu mencegah overfitting.

Feature Engineering: Kunci Peningkatan Akurasi

Dalam industri, data mentah umumnya tidak siap langsung digunakan untuk training model ML. Oleh karena itu, penulis melakukan beberapa teknik feature engineering, antara lain:

• Suspicious Unit Batches: Membuat variabel yang menandai unit-unit yang berada dekat dengan unit cacat dalam alur produksi.
• Proximity to Model Changeover: Mengukur jarak unit terhadap perubahan model produksi, karena pergantian model kerap menjadi sumber kesalahan produksi.
• Model Color Change: Faktor perubahan warna model, yang bisa memengaruhi kemungkinan kesalahan manusia dalam perakitan.

Teknik Penanganan Imbalanced Data

Penulis menerapkan SMOTE (Synthetic Minority Over-sampling Technique) untuk meningkatkan jumlah data dari kelas minoritas (produk cacat). Ini bertujuan menyeimbangkan distribusi data dan memperbaiki akurasi klasifikasi.

 

Studi Kasus: Pabrik Alat Rumah Tangga Multi-Model

Konteks Industri

Studi dilakukan pada lini produksi alat rumah tangga multi-model dengan perubahan model yang cepat (negligible changeover time). Pabrik ini menghasilkan sekitar 800 unit per hari. Namun, permasalahan besar muncul akibat cacat produk, terutama wrong/missing parts, yang baru ditemukan pada tahap inspeksi akhir (Random Customer Acceptance Inspection/RCAI).

Permasalahan yang Dihadapi

• Cacat Produk: Terdapat unit-unit yang lolos dari pemeriksaan awal namun terdeteksi cacat pada RCAI, menyebabkan biaya tinggi akibat recall.
• Inspeksi Manual yang Tidak Efisien: Inspeksi manual lambat dan rentan kesalahan, sehingga membutuhkan sistem prediksi otomatis untuk meningkatkan efisiensi.

 

Hasil dan Analisis Model

Penulis mengevaluasi empat model klasifikasi berbasis kombinasi teknik feature engineering dan algoritma klasifikasi. Hasil evaluasi mengandalkan metrik Cohen’s Kappa dan ROC Curve.

Model A - Tanpa Feature Engineering

• Akurasi tinggi, tetapi prediksi kelas minoritas buruk.
• XGBoost lebih baik dari Random Forest dalam mendeteksi unit cacat, namun 58,89% unit masih gagal dideteksi.

Model B - Dengan Fitur Model Changeover

• Penambahan fitur baru sedikit meningkatkan performa, tetapi tidak signifikan.
• Masalah utama adalah distribusi minoritas fitur yang terlalu kecil.

Model C - Proximity to Model Changeover

• Peningkatan akurasi signifikan, terutama pada prediksi unit cacat.
• XGBoost mendeteksi 98,34% unit cacat secara akurat, sementara Random Forest masih bias terhadap mayoritas.

Model D - Normalized Proximity

• Hasil sedikit lebih buruk dari Model C, menunjukkan bahwa metrik absolut lebih efektif dibandingkan metrik normalisasi dalam konteks ini.

Kesimpulan Analisis

Model XGBoost secara konsisten mengungguli Random Forest, terutama dalam menghadapi imbalanced datasets. Fitur proximity to model changeover menjadi penentu utama dalam keberhasilan prediksi.

 

Kritik dan Perbandingan dengan Penelitian Lain

Kelebihan Penelitian Ini

• Fokus pada real-world application di lingkungan produksi multi-model.
• Penekanan pada pentingnya domain knowledge dalam feature engineering.
• Penggunaan metrik Cohen’s Kappa yang lebih akurat untuk kasus data tidak seimbang.

Kelemahan dan Tantangan

• Dataset yang terbatas hanya mencakup sebagian kecil variabel proses.
• Tidak adanya data sensor atau metrik mesin yang dapat memperkaya model prediksi.

Perbandingan dengan Studi Terkait

Studi oleh Kim et al. (2018) menunjukkan bahwa cost-sensitive learning juga efektif dalam klasifikasi kualitas produksi. Namun, pendekatan Sankhye lebih mengandalkan feature construction, bukan penyesuaian bobot kelas.

 

Arah Masa Depan dan Rekomendasi

1. Integrasi dengan IoT dan Sensor Data
   Implementasi smart sensors untuk mengumpulkan data proses secara otomatis dan real-time akan memperkuat model prediksi.
2. Explainable AI (XAI)
   Memperjelas alasan prediksi model XGBoost penting bagi operator pabrik agar mereka dapat memahami penyebab cacat produk.
3. Transfer Learning untuk Multi-Plant Deployment
   Model yang dikembangkan di satu lini produksi dapat disesuaikan dan digunakan di lini produksi lainnya dengan sedikit penyesuaian.
4. Federated Learning untuk Kolaborasi Multi-Pabrik
   Mengatasi tantangan privasi data, federated learning memungkinkan pelatihan model tanpa memindahkan data antar-pabrik.

 

Dampak Praktis bagi Industri Manufaktur

• Peningkatan Efisiensi: Pengurangan kebutuhan inspeksi manual hingga 50%, seperti yang diantisipasi dalam studi kasus.
• Penurunan Biaya Recall: Sistem prediksi kualitas proaktif mencegah unit cacat mencapai pelanggan.
• Dukungan Proaktif untuk Kualitas Zero-Defect: Menuju konsep zero-defect manufacturing yang menjadi tujuan banyak perusahaan modern.
•  

Kesimpulan Akhir

Penelitian ini membuktikan bahwa penerapan machine learning, khususnya XGBoost dengan feature engineering yang tepat, mampu meningkatkan prediksi kualitas produksi di industri manufaktur secara signifikan. Meskipun terdapat keterbatasan dalam data dan scope penelitian, pendekatan ini memberikan pondasi kuat untuk sistem prediktif yang lebih kompleks dan cerdas di masa mendatang.

Sumber:

Sankhye, Sidharth Kiran. (2020). Machine Learning Methods for Quality Prediction in Manufacturing Inspection. Iowa State University.

Pendahuluan: Mengapa Kualitas Air Penting?

Air mencakup 70% permukaan bumi, namun kualitasnya kian terancam akibat polusi industri dan urbanisasi pesat. Data dari WHO menunjukkan bahwa di negara berkembang, sekitar 80% penyakit disebabkan oleh kualitas air yang buruk, mengakibatkan 5 juta kematian dan 2,5 miliar kasus penyakit tiap tahunnya. Di Pakistan sendiri, kerugian ekonomi akibat penyakit bawaan air diperkirakan mencapai 0,6% hingga 1,44% GDP per tahun.

Secara tradisional, pengujian kualitas air dilakukan melalui analisis laboratorium yang mahal dan memakan waktu, menjadikannya kurang efektif untuk deteksi dini atau pemantauan secara real-time. Hal inilah yang menjadi dasar penelitian ini: menghadirkan pendekatan Machine Learning (ML) untuk prediksi kualitas air yang cepat, murah, dan akurat.

 

Tujuan Penelitian

Penelitian ini bertujuan untuk:

1. Memprediksi Water Quality Index (WQI), indikator numerik utama kualitas air.
2. Mengklasifikasikan Water Quality Class (WQC), kategori kualitas air berdasarkan WQI.

Dengan memanfaatkan algoritma supervised machine learning, studi ini ingin membuktikan bahwa sistem prediksi kualitas air dapat diimplementasikan secara real-time dengan biaya yang terjangkau.

 

Metodologi dan Dataset

Pengumpulan dan Pra-Pemrosesan Data

Data dikumpulkan dari Rawal Watershed, Pakistan, melalui Pakistan Council of Research in Water Resources (PCRWR), mencakup 663 sampel dari 13 lokasi antara 2009 hingga 2012. Parameter utama yang digunakan dalam prediksi meliputi:

• pH
• Turbidity (kekeruhan)
• Temperature
• Total Dissolved Solids (TDS)
• Nitrites
• Fecal Coliform

Setiap parameter dinormalisasi menggunakan Q-Value Normalization dan Z-Score Normalization, memastikan data berada dalam rentang standar yang memungkinkan pembelajaran mesin bekerja secara optimal.

Penanganan Outlier

Peneliti menggunakan Boxplot Analysis untuk mendeteksi dan mengeliminasi outlier, sebuah langkah penting agar model machine learning tidak bias akibat data ekstrem.

 

Algoritma Machine Learning yang Digunakan

Peneliti mengevaluasi berbagai model, baik regresi maupun klasifikasi, seperti:

• Gradient Boosting
• Polynomial Regression
• Random Forest
• Multi-layer Perceptron (MLP)
• Support Vector Machine (SVM)
• K-Nearest Neighbors (KNN)
• Decision Tree
• Logistic Regression

Penekanan utama penelitian ini adalah pada Gradient Boosting untuk prediksi WQI dan MLP untuk klasifikasi WQC, yang menunjukkan hasil paling akurat dibandingkan model lain.

 

Hasil dan Analisis

Prediksi Water Quality Index (WQI)

• Gradient Boosting mencatat Mean Absolute Error (MAE) sebesar 1,9642, Mean Squared Error (MSE) 7,2011, dan R-squared 0,7485.
• Polynomial Regression juga menunjukkan performa baik dengan MAE 2,0037.

Klasifikasi Water Quality Class (WQC)

• MLP mencatat akurasi sebesar 85%, dengan precision 56,59% dan recall 56,40%.

Analisis Tambahan: Meskipun 85% akurasi terdengar memuaskan, dalam konteks sistem monitoring real-time berbasis IoT, ada kebutuhan untuk peningkatan presisi dan recall agar tindakan penanganan bisa lebih cepat dilakukan.

 

Kelebihan Penelitian

1. Sederhana dan Efisien
   Menggunakan empat parameter utama (pH, Turbidity, Temperature, TDS) saja sudah cukup untuk menghasilkan prediksi akurat. Hal ini sangat mengurangi biaya sensor dalam implementasi IoT.
2. Real-Time dan Biaya Rendah
   Dengan model yang efisien, penelitian ini membuka jalan bagi pengembangan sistem pemantauan kualitas air secara real-time tanpa perlu laboratorium mahal.
3. Kontribusi pada Smart City
   Penelitian ini menjadi langkah awal untuk mendukung konsep Smart Water Management System di kota-kota yang sedang berkembang.

 

Kritik dan Keterbatasan

1. Ukuran Dataset Terbatas
   Dataset hanya mencakup 663 sampel dari satu lokasi geografis, membuat generalisasi global masih terbatas.
2. Parameter yang Digunakan Masih Terbatas
   Penelitian ini hanya mengandalkan enam parameter, sementara kualitas air di dunia nyata bisa dipengaruhi oleh banyak faktor lain, seperti logam berat atau senyawa organik berbahaya.
3. Kurangnya Penjelasan Interpretabilitas Model
   Model seperti Gradient Boosting cenderung bersifat "black box", yang menyulitkan dalam penjelasan kepada pemangku kebijakan atau masyarakat umum.

Studi Kasus Relevan dan Penerapan Nyata

India: Pemantauan Sungai Gangga

Teknologi ML serupa telah digunakan di India, di mana sistem prediksi berbasis Random Forest membantu deteksi dini polusi di sungai Gangga. Hasilnya, tingkat BOD dapat dipantau secara dinamis, mencegah pencemaran lebih lanjut.

Eropa: Sistem IoT Water Monitoring

Beberapa negara di Eropa menggunakan IoT + ML untuk mendeteksi pencemaran logam berat di air minum, dengan akurasi mencapai 90%.

Rekomendasi untuk Penelitian Lanjutan

1. Perluasan Dataset Global
   Mengintegrasikan data dari berbagai negara akan memperkuat kemampuan generalisasi model.
2. Eksplorasi Deep Learning
   Penggunaan model Convolutional Neural Network (CNN) atau Recurrent Neural Network (RNN) bisa membuka peluang prediksi spasial-temporal yang lebih akurat.
3. Integrasi IoT dan Cloud Computing
   Kombinasi antara sensor IoT, pengolahan data di edge computing, dan analisis di cloud dapat menciptakan sistem pemantauan kualitas air yang otomatis, scalable, dan efisien secara biaya.

 

Implikasi Praktis bagi Indonesia

Indonesia menghadapi tantangan besar dalam pengelolaan kualitas air, terutama di Sungai Citarum, yang dikenal sebagai salah satu sungai paling tercemar di dunia. Penerapan teknologi machine learning seperti yang dipaparkan dalam paper ini dapat:

• Mengurangi beban kerja laboratorium lingkungan.
• Mendeteksi pencemaran lebih cepat dan murah.
• Memberikan data real-time kepada pengambil kebijakan.

Potensi Implementasi:

• Sistem Early Warning di Danau Toba berbasis sensor pH dan TDS.
• Pemantauan Kualitas Air Laut di Batam untuk industri perikanan.

Kesimpulan: Masa Depan Pengelolaan Air Ada di Machine Learning

Penelitian ini membuktikan bahwa machine learning, khususnya Gradient Boosting dan Multi-layer Perceptron, mampu menjadi solusi masa depan untuk sistem prediksi kualitas air yang efisien, murah, dan siap diterapkan secara luas. Dengan mengandalkan sedikit parameter, sistem ini tetap mampu memberikan hasil yang akurat, menjadi langkah besar menuju manajemen kualitas air berkelanjutan.

 

Sumber Paper:

Ahmed, U., Mumtaz, R., Anwar, H., Shah, A. A., Irfan, R., & García-Nieto, J. (2019). Efficient water quality prediction using supervised machine learning. Water, 11(11), 2210.

Mengapa Design and Build Semakin Dilirik dalam Proyek Infrastruktur?

Dalam dua dekade terakhir, sistem pengadaan Design and Build (D&B) menjadi sorotan di sektor konstruksi, khususnya dalam proyek-proyek infrastruktur berskala besar. Dibandingkan metode tradisional seperti Design-Bid-Build, pendekatan D&B menyatukan proses perancangan dan pembangunan ke dalam satu kontrak terintegrasi. Namun, apakah model ini benar-benar mampu mendorong inovasi, efisiensi, dan kolaborasi lebih baik? Inilah yang coba dijawab Ann-Sophie Bormann dalam tesisnya yang mendalam dan berbasis studi kasus konkret.

Tujuan dan Fokus Penelitian

Bormann mengeksplorasi hubungan antara model kontrak D&B dan peluang untuk berinovasi dalam proyek infrastruktur besar. Penelitiannya menyoroti aspek organisasi, kontraktual, dan hubungan antarpemangku kepentingan. Fokusnya adalah pada bagaimana desain dan konstruksi yang dilakukan secara paralel dalam satu tim dapat memengaruhi hasil proyek – tidak hanya dari segi teknis, tetapi juga dari segi sosial dan ekonomi.

Metodologi: Studi Kasus Multi-Level

Penelitian ini mengandalkan studi kasus dari dua proyek besar di Eropa, yaitu:

• Jernbanedirektoratet (Norwegia) – pembangunan rel ganda untuk proyek kereta api berkecepatan tinggi.

• Projekt Hallandsås (Swedia) – pembangunan terowongan rel melalui pegunungan, proyek yang sempat mengalami krisis besar dan berganti model kontrak ke D&B.
   

Kedua proyek ini memberikan kerangka komparatif yang kuat untuk menilai efektivitas pendekatan D&B dari berbagai dimensi.

Temuan Utama: D&B Sebagai Ruang untuk Inovasi—Dengan Catatan

Inovasi Proses Lebih Umum daripada Inovasi Produk

Salah satu temuan penting dari penelitian ini adalah bahwa inovasi dalam proyek D&B cenderung bersifat proses—seperti efisiensi manajemen, metode kerja yang lebih kolaboratif, atau teknik perencanaan digital (BIM). Namun, inovasi produk seperti material baru atau teknologi revolusioner lebih jarang muncul. Hal ini disebabkan oleh tekanan terhadap biaya dan waktu, yang justru mendorong risk-averse behavior.

"Rather than pushing the envelope, design and build contracts often result in optimizing existing solutions rather than inventing new ones."

Kolaborasi Meningkat, Tapi Tidak Otomatis

Meskipun struktur D&B memungkinkan pemilik proyek dan kontraktor utama untuk bekerja sama lebih erat, kolaborasi yang baik tetap tergantung pada budaya organisasi dan kesiapan pihak-pihak terkait. Dalam beberapa kasus, kontraktor tidak mendapatkan ruang nyata untuk menawarkan solusi inovatif karena dokumen awal dari pemilik proyek terlalu ketat.

Risiko Dipindahkan, Bukan Dikelola Bersama

Model D&B sering kali digunakan untuk mentransfer risiko kepada kontraktor. Ini menciptakan motivasi untuk efisiensi, tetapi bisa menghambat eksperimen karena kontraktor enggan mengambil risiko yang bisa berdampak pada margin keuntungan mereka. Dengan kata lain, “inovasi butuh ruang untuk gagal”, tetapi dalam kontrak D&B, ruang ini sering kali sangat sempit.

Studi Kasus: Antara Harapan dan Realita

Kasus Jernbanedirektoratet – Efisiensi yang Terstruktur

Dalam proyek rel ganda Norwegia, kontrak D&B menghasilkan percepatan jadwal dan pengurangan koordinasi lintas entitas. Namun, pemilik proyek tetap sangat terlibat dalam spesifikasi awal, sehingga ruang inovasi dari pihak kontraktor sangat terbatas. Meski berhasil secara logistik, proyek ini menunjukkan bahwa D&B tidak otomatis menghasilkan terobosan baru.

Kasus Hallandsås – Pelajaran dari Kegagalan Awal

Proyek Hallandsås sempat menjadi "mimpi buruk" karena kegagalan teknik dan gangguan lingkungan. Setelah beralih ke sistem D&B, proyek ini berhasil kembali ke jalur yang lebih stabil, namun masih mengandalkan pendekatan konservatif. D&B dalam kasus ini bukanlah alat inovasi, tetapi alat kontrol.

Data dan Statistik: Fakta Kritis

• 86% dari kontraktor dalam proyek yang dianalisis menyatakan bahwa mereka lebih fokus pada efisiensi proses dibanding penciptaan teknologi baru.

• 60% proyek D&B dalam sektor infrastruktur Eropa gagal mencapai efisiensi biaya yang dijanjikan karena kendala birokrasi dan spesifikasi awal yang terlalu sempit.

• 40% responden menganggap sistem ini mendorong kolaborasi lebih tinggi, namun hanya 23% yang merasa diberi ruang untuk berinovasi secara bebas.

Opini Kritis: D&B Bukan Formula Ajaib

Kelebihan Sistem D&B

• Penyatuan tanggung jawab membuat komunikasi antar tim lebih cepat.

• Potensi efisiensi biaya dan waktu yang lebih tinggi dalam proyek besar.

• Kemampuan untuk memulai konstruksi lebih awal, sebelum desain akhir selesai 100%.

Kekurangan & Kritik

• D&B bisa mematikan inovasi jika pemilik proyek terlalu mengunci spesifikasi teknis.

• Kontraktor lebih memilih solusi yang telah teruji untuk menghindari risiko finansial.

• Desain dapat dikompromikan untuk mengejar efisiensi, mengorbankan kualitas jangka panjang.

Bandingkan dengan Pendekatan Lain

Jika dibandingkan dengan model Integrated Project Delivery (IPD) atau Public-Private Partnership (PPP), D&B masih kurang memberi ruang partisipasi aktif dari semua pihak sejak awal. IPD, misalnya, mengusung prinsip shared risk-shared reward yang lebih mendorong keberanian berinovasi. Sementara PPP lebih kuat dalam aspek finansial dan pembagian risiko jangka panjang.

Implikasi Praktis untuk Industri Konstruksi

1. Rekomendasi untuk Pemerintah & Pemilik Proyek:

   • Hindari spesifikasi terlalu rigid dalam dokumen tender D&B.

   • Ciptakan insentif inovasi, seperti bonus untuk efisiensi energi atau keberlanjutan.

   • Terapkan performance-based specifications alih-alih prescriptive specs.
      

2. Untuk Kontraktor:

   • Bangun kapabilitas inovasi internal, termasuk divisi R&D yang aktif.

   • Dorong kolaborasi lintas fungsi sejak awal tender hingga eksekusi.

3. Untuk Dunia Akademik:

   • Masih terbuka ruang riset terkait bagaimana D&B bisa lebih inklusif terhadap inovasi teknologi dan keberlanjutan jangka panjang.

Kesimpulan: D&B Adalah Alat, Bukan Tujuan

Model Design and Build dalam proyek infrastruktur besar menawarkan peluang efisiensi dan integrasi, tetapi tidak secara otomatis menghasilkan inovasi. Ruang inovasi hanya akan terbuka jika semua pihak—terutama pemilik proyek—mau memberi kepercayaan dan fleksibilitas. Tanpa itu, D&B hanya menjadi alat percepatan, bukan lompatan transformasi.

Sumber

Bormann, Ann-Sophie. Design and Build in Large Infrastructure Projects and the Possibilities of Innovation. Thesis, Chalmers University of Technology, 2019. Dapat diakses melalui https://hdl.handle.net/20.500.12380/257207

Pendahuluan

Di tengah pesatnya perkembangan industri manufaktur modern, kebutuhan akan sistem kontrol kualitas yang efisien dan akurat menjadi semakin penting. Kualitas produk tidak hanya mencerminkan citra merek, tetapi juga memengaruhi kepercayaan pelanggan dan kelangsungan bisnis. Salah satu tantangan besar yang dihadapi oleh produsen adalah mendeteksi cacat produksi secara konsisten, cepat, dan akurat. Dalam konteks ini, paper berjudul "Active Learning for Automated Visual Inspection of Manufactured Products" menawarkan solusi berbasis kecerdasan buatan (AI), khususnya metode Active Learning untuk meningkatkan performa sistem inspeksi visual otomatis (Automated Visual Inspection / AVI).

Paper ini disusun oleh Elena Trajkova dan rekan-rekannya dari Jožef Stefan Institute, Philips Consumer Lifestyle BV, dan beberapa institusi lainnya. Penelitian ini berfokus pada pengembangan dan evaluasi machine learning (ML) yang dipadukan dengan metode active learning untuk inspeksi cacat produk manufaktur, menggunakan data nyata dari proses produksi alat cukur Philips.

Ringkasan Paper

Paper ini menjelaskan bagaimana metode active learning dapat mengurangi kebutuhan pelabelan data (data labeling) dalam pengembangan sistem AVI tanpa mengorbankan performa model. Tiga pendekatan active learning yang dievaluasi adalah:

1. Pool-based sampling
2. Stream-based sampling
3. Query-by-committee

Sementara itu, lima algoritma machine learning yang digunakan dalam penelitian ini adalah:

• Gaussian Naïve Bayes
• CART (Classification and Regression Trees)
• Support Vector Machine (SVM)
• Multi-Layer Perceptron (MLP)
• k-Nearest Neighbors (kNN)

Latar Belakang dan Relevansi Penelitian

Tradisi inspeksi kualitas manual di industri manufaktur telah lama menghadapi kendala besar, seperti:

• Kelelahan operator, yang menyebabkan penurunan akurasi.
• Keterbatasan waktu dan tenaga, membuat inspeksi manual sulit diandalkan untuk skala produksi besar.
• Variasi antar operator, menyebabkan ketidakseragaman hasil.

Sistem inspeksi berbasis AI muncul sebagai solusi yang tidak terpengaruh oleh faktor manusia tersebut. Namun, penerapan AI membutuhkan data latih yang berlabel dalam jumlah besar, yang sangat mahal dan memakan waktu. Active learning menjadi jawaban karena memungkinkan model belajar lebih efisien dengan jumlah data label yang lebih sedikit, dengan hanya memilih sampel data yang paling informatif untuk dilabeli.

Studi Kasus Nyata: Philips Consumer Lifestyle BV

Studi ini menggunakan data nyata dari lini produksi Philips Consumer Lifestyle BV, khususnya pada proses produksi alat cukur. Fokusnya adalah mendeteksi cacat pada hasil pencetakan logo di produk alat cukur. Ada tiga kategori dalam dataset yang digunakan:

1. Produk dengan pencetakan logo yang baik.
2. Produk dengan pencetakan ganda (double printing).
3. Produk dengan pencetakan yang terputus (interrupted printing).

Dataset berisi 3.518 gambar, yang diolah untuk membangun dan menguji model. Penerapan teknologi ini di lini produksi diprediksi dapat mempercepat proses inspeksi visual manual hingga 40%, mengurangi beban kerja operator secara signifikan.

Metodologi dan Pendekatan Teknis

Penelitian ini mengklasifikasikan masalah sebagai problem multiclass classification. Metode supervised learning dipadukan dengan pendekatan active learning untuk memilih data mana yang perlu dilabeli.

Proses yang diterapkan meliputi:

• Ekstraksi fitur gambar dengan ResNet-18, yang menghasilkan 512 fitur.
• Seleksi fitur menggunakan metode mutual information untuk menghindari overfitting.
• Evaluasi performa dengan metrik AUC ROC (Area Under the Receiver Operating Characteristic Curve).

Untuk eksperimen, digunakan metode stratified k-fold cross-validation sebanyak 10 lipatan (fold). Strategi active learning yang diterapkan meliputi:

1. Stream-based sampling dengan ambang ketidakpastian di atas persentil ke-75.
2. Pool-based sampling, memilih instance yang paling tidak pasti.
3. Query-by-committee, melibatkan beberapa model untuk memilih instance berdasarkan ketidaksetujuan tertinggi antar model.

Temuan dan Analisis Hasil

Hasil penelitian menunjukkan bahwa:

• MLP (Multi-Layer Perceptron) secara konsisten memberikan performa terbaik di semua pendekatan active learning, dengan nilai AUC ROC rata-rata mendekati 0.99.
• Query-by-committee menghasilkan performa kedua terbaik, menunjukkan potensi besar dalam sistem dengan keterbatasan data label.
• SVM, yang umum digunakan dalam literatur active learning, hanya menduduki peringkat ketiga.
• CART secara konsisten menjadi yang terburuk dari lima model yang diuji.

Dalam analisis statistik, Wilcoxon signed-rank test dengan p-value 0.05 digunakan untuk menguji signifikansi hasil. Ditemukan bahwa perbedaan performa antara query-by-committee dan strategi lainnya cukup signifikan.

Nilai Tambah: Studi Banding Industri

Jika dibandingkan dengan industri lainnya, seperti inspeksi visual di manufaktur PCB (Printed Circuit Board), penggunaan active learning juga menunjukkan peningkatan efisiensi labeling data hingga 30%. Dalam manufaktur otomotif, sistem serupa mampu mendeteksi cacat pengecatan bodi mobil dengan akurasi 95%, mengurangi beban kerja inspeksi manual hingga 50%.

Dalam konteks industri elektronik, sistem AVI dengan active learning telah membantu mendeteksi cacat soldering di chip semikonduktor, meningkatkan efisiensi produksi dan menurunkan scrap rate sebesar 12%.

Kelebihan Penelitian

• Penggunaan Data Nyata: Data dari Philips memberikan validitas pada hasil penelitian.
• Evaluasi Komprehensif: Mencakup berbagai strategi active learning dan algoritma ML.
• Analisis Statistik Mendalam: Menggunakan metode statistik untuk membuktikan signifikansi hasil.

Kritik dan Ruang Pengembangan

• Fokus pada Kasus Tertentu: Penelitian ini hanya pada produk dengan cacat visual spesifik, sehingga belum diuji untuk jenis cacat lain.
• Data Imbalance: Dataset yang digunakan cukup seimbang, padahal di produksi nyata sering kali terjadi class imbalance yang ekstrem.
• Pengaruh Human-in-the-loop: Penelitian ini mengandalkan labeling dari manusia, sehingga ada potensi bias labeling yang belum dieksplorasi lebih jauh.

Potensi Pengembangan di Masa Depan

Penelitian ini membuka jalan untuk:

1. Penggunaan Data Augmentasi: Untuk meningkatkan performa model dengan dataset terbatas.
2. Edge Computing: Penerapan sistem inspeksi di perangkat keras berbasis IoT untuk proses real-time.
3. Transfer Learning: Mengadopsi model pretrained untuk industri lain seperti tekstil atau pertanian.

Dampak Praktis di Industri Manufaktur

Implementasi active learning di AVI secara langsung mengurangi:

• Biaya labeling hingga 50%.
• Waktu pengembangan model berkurang drastis, mempercepat deployment sistem inspeksi.
• Human error diminimalkan, meningkatkan konsistensi kualitas produk.

Kesimpulan

Penelitian oleh Trajkova dkk. membuktikan bahwa active learning dalam sistem inspeksi visual otomatis mampu meningkatkan efisiensi pengumpulan data label dan akurasi deteksi cacat produk manufaktur. MLP menjadi algoritma unggulan, diikuti oleh strategi query-by-committee yang menjanjikan.

Sebagai catatan, untuk industri yang mempertimbangkan adopsi teknologi AVI berbasis active learning, penting memastikan infrastruktur sensor, kamera, dan sistem IoT mendukung integrasi AI. Tantangan pada sektor UKM di Indonesia, seperti keterbatasan dana investasi, masih menjadi penghambat adopsi teknologi ini secara masif.

Sumber:

Trajkova, E., Rožanec, J. M., Dam, P., Fortuna, B., & Mladenić, D. (2021). Active learning for automated visual inspection of manufactured products. Proceedings of the Slovenian KDD Conference on Data Mining and Data Warehouses (SiKDD ’21), 1–4.

Pendahuluan: Tantangan Kualitas di Industri Pengecoran

Industri pengecoran logam, sebagai tulang punggung manufaktur berbagai sektor seperti otomotif, dirgantara, hingga konstruksi, menghadapi tantangan krusial dalam menjaga mutu produk. Kualitas hasil pengecoran sangat dipengaruhi oleh kompleksitas proses, mulai dari desain cetakan, komposisi logam, suhu tuang, hingga kondisi pendinginan. Bahkan sedikit penyimpangan dalam parameter proses dapat menghasilkan cacat seperti porositas, shrinkage, cold shut, hingga hot tear, yang berisiko menurunkan integritas produk dan meningkatkan biaya produksi akibat scrap atau rework.

Di tengah desakan efisiensi dan kualitas tinggi, solusi tradisional berbasis inspeksi manual semakin tidak memadai. Kehadiran kecerdasan buatan (AI) dan machine learning (ML) menawarkan pendekatan baru yang lebih adaptif, akurat, dan efisien dalam mendeteksi cacat pada proses pengecoran. Paper yang ditulis oleh Alamuru et al. ini menjadi salah satu kontribusi signifikan yang mengeksplorasi penerapan AI dan ML dalam inspeksi pengecoran berbasis visual, khususnya melalui teknologi Smart Quality Inspection (SQI).

Latar Belakang Penelitian: Mengapa AI dan ML?

Secara garis besar, riset ini bertujuan menghadirkan teknologi mutakhir berbasis AI untuk mendeteksi cacat pengecoran secara otomatis, cepat, dan akurat. Penulis menyoroti bagaimana penggunaan sistem konvensional (berbasis visual inspeksi manual) memiliki kelemahan seperti subjektivitas manusia, kelelahan operator, inkonsistensi, hingga biaya yang mahal. AI, melalui model deep learning dan machine learning, mampu mengidentifikasi pola cacat secara konsisten dengan tingkat akurasi yang tinggi, sekaligus mengurangi kebutuhan tenaga manusia secara signifikan.

Salah satu poin penting dalam penelitian ini adalah integrasi model Convolutional Neural Network (CNN) khusus, yang terbukti mampu mendeteksi cacat pengecoran dengan akurasi hingga 99,86%. Hasil ini menunjukkan peningkatan signifikan dibandingkan dengan metode deteksi konvensional, sekaligus menetapkan standar baru bagi industri pengecoran.

Studi Kasus: Penerapan AI pada Pengecoran di Industri

Penelitian Alamuru et al. menggunakan dataset pengecoran nyata, termasuk citra radiografi X-ray dari komponen pengecoran baja karbon menengah. Salah satu studi kasus yang menarik adalah deteksi interdendritic shrinkage porosity, sebuah cacat internal yang sangat mempengaruhi kekuatan tarik dan ketangguhan fraktur suatu komponen. Deteksi dini cacat ini penting, terutama pada komponen berputar seperti turbin dan crankshaft, yang bekerja di bawah beban dinamis tinggi.

Selain itu, peneliti juga memanfaatkan dataset GDXray, yang berisi gambar X-ray berbagai jenis cacat pengecoran, sebagai basis pelatihan model object detection. Model Faster R-CNN berhasil mencapai mean Average Precision (mAP) sebesar 0,921 pada dataset uji, menandai pencapaian signifikan dalam deteksi otomatis cacat pengecoran berbasis citra.

Metodologi dan Teknik yang Digunakan

Penelitian ini menggunakan pendekatan metodologis yang sistematis, dimulai dari:

1. Definisi Tujuan: Mendeteksi berbagai jenis cacat seperti shrinkage porosity, gas porosity, cold shut, dan hot tear.
2. Pengumpulan Data Teknis: Melibatkan data dari proses pengecoran, parameter material, suhu penuangan, dan laju pendinginan.
3. Segmentasi Data: Pemisahan data pelatihan dan pengujian untuk memastikan model mampu melakukan generalisasi.
4. Pemilihan Model: Fokus pada model logistic regression, decision tree, dan random forest untuk klasifikasi cacat awal, serta CNN untuk deteksi visual.
5. Evaluasi dan Validasi: Menggunakan metrik akurasi, mAP, serta interpretasi model dengan bantuan tool seperti SHAP dan LIME untuk transparansi keputusan.

Teknologi wavelet transform juga digunakan untuk memproses citra X-ray, mengidentifikasi cacat seperti air-hole, foreign inclusion, dan shrinkage cavity secara efisien.

Hasil dan Analisis: Transformasi Menuju Smart Foundry

Smart Quality Inspection (SQI)

SQI yang dikembangkan dalam penelitian ini menjadi bukti transformasi digital dalam inspeksi pengecoran. Dengan akurasi deteksi 99,86%, sistem ini mengurangi faktor-faktor eksternal seperti kesalahan manusia, kelelahan, hingga kondisi lingkungan yang biasanya memengaruhi keakuratan inspeksi manual.

AI di Empat Metode Pengecoran

Penelitian ini juga membahas penerapan AI pada empat metode pengecoran utama:

1. Sand Casting: Genetic Algorithm (GA) banyak digunakan (63%) untuk optimasi desain sistem gating dan parameter proses.
2. Pressure Die Casting: Artificial Neural Network (ANN) mendominasi (72%) untuk mengkorelasikan parameter proses dan kualitas hasil cor.
3. Continuous Casting: ANN dan Fuzzy Logic masing-masing digunakan dalam 40% studi untuk mengontrol proses dan deteksi cacat.
4. Investment Casting: ANN menjadi pilihan utama (60%) untuk prediksi kualitas komponen.

Perbandingan dengan Penelitian Lain

Jika dibandingkan dengan studi oleh Tekin et al. (2022) tentang penggunaan supervised learning pada low-pressure die casting, penelitian Alamuru et al. melangkah lebih jauh dengan mengintegrasikan CNN dan Faster R-CNN, serta memanfaatkan X-ray imaging untuk deteksi internal yang lebih kompleks.

Studi oleh Santos et al. (2009) juga menunjukkan penggunaan Bayesian Network yang efektif dalam prediksi micro-shrinkages, namun model CNN yang diterapkan di SQI dalam penelitian ini menawarkan akurasi yang jauh lebih tinggi dan aplikasi yang lebih luas.

Dampak Industri: Menuju Foundry 4.0

Penerapan AI pada proses pengecoran berpotensi membawa industri menuju era Foundry 4.0, di mana pabrik pengecoran menjadi lebih cerdas, adaptif, dan minim intervensi manusia. Dampak praktisnya meliputi:

• Pengurangan Scrap: Penurunan cacat hingga 40% dalam beberapa studi.
• Efisiensi Produksi: Mempercepat proses inspeksi hingga 50%, mengurangi bottleneck di lini produksi.
• Prediktif Maintenance: Dengan integrasi Natural Language Processing (NLP) pada log inspeksi, sistem dapat membantu memprediksi perawatan mesin produksi secara proaktif.

Tantangan dan Solusi

Tantangan

1. Ketersediaan Data Berkualitas: Pengumpulan data X-ray berkualitas tinggi masih menjadi hambatan, terutama di lingkungan produksi yang dinamis.
2. Generalitas Model: Model AI seringkali overfitting pada data spesifik, membutuhkan validasi lintas industri.
3. Keterbatasan Interpretabilitas: Kompleksitas deep learning menyulitkan interpretasi keputusan model tanpa alat bantu.

Solusi

• Data Augmentasi dan Transfer Learning: Mengurangi ketergantungan pada dataset besar.
• Explainable AI (XAI): Meningkatkan kepercayaan operator pada keputusan AI.
• Edge AI dan IoT: Implemen
• tasi real-time di shop floor dengan latensi rendah.

Masa Depan dan Rekomendasi

Melangkah ke depan,

integrasi AI dalam lini produksi pengecoran harus disertai dengan:

1. Pengembangan Dataset Open-Source: Kolaborasi industri-akademisi untuk pengumpulan data cacat pengecoran.
2. Integrasi IoT dan Big Data: Monitoring proses secara real-time untuk meningkatkan kualitas produk.
3. Implementasi di UKM: Simplifikasi sistem AI berbasis cloud atau edge computing untuk adopsi di industri kecil dan menengah.

Kesimpulan

Penelitian "Artificial Intelligence and Machine Learning for Defect Detection in Castings" oleh Alamuru et al. menunjukkan bahwa teknologi AI, khususnya Smart Quality Inspection berbasis CNN, dapat mentransformasi sistem inspeksi pengecoran. Dengan akurasi mencapai 99,86%, AI mampu mengatasi keterbatasan metode manual, meningkatkan efisiensi, dan membuka jalan menuju digitalisasi industri Foundry 4.0.

Meskipun tantangan implementasi masih ada, peluang untuk pengembangan lebih lanjut sangat besar. Penelitian ini menjadi fondasi bagi integrasi AI yang lebih luas dalam manufaktur, dengan potensi besar untuk meningkatkan kualitas, menekan biaya, dan mendorong daya saing industri pengecoran global.

 

Sumber Artikel:

Alamuru, S., Reddy, G. S., & Raju, M. V. J. (2024). Artificial intelligence and machine learning for defect detection in castings. Journal of Physics: Conference Series, 2837(1), 012079.