Konteks: Tradisi yang Terancam Teknologi

Di tengah laju teknologi modern, industri tenun tangan—khususnya kain sutra—masih menjadi wajah dari budaya dan warisan India. Sayangnya, sektor ini menghadapi tekanan dari berbagai sisi: penurunan jumlah penenun, harga benang yang terus naik, dan persaingan dari mesin-mesin power loom. Akibatnya, kualitas produk kerap tidak konsisten, sementara inspeksi manual sangat terbatas efektivitasnya.

Menurut data yang dikutip dalam penelitian ini, hanya sekitar 70% cacat kain yang bisa terdeteksi oleh inspektor manusia. Sisanya lolos dan berakhir di tangan konsumen. Di sinilah riset oleh Sabeenian dkk. mengambil peran penting—menghadirkan pendekatan teknologi untuk menjaga kualitas produk tanpa menghilangkan nilai tradisional dari proses pembuatannya.

 

Permasalahan Klasik: Cacat pada Kain Tenun Sutra

Berdasarkan survei industri lokal di Tamil Nadu, cacat kain diklasifikasikan dalam dua kelompok utama:

1. Cacat Produksi atau Tenun

Beberapa contoh umum meliputi:

• Chira (Missing Ends): Benang hilang di bagian tertentu kain, mencapai 10–50% dari seluruh cacat yang ditemukan di pabrik tenun.
• Jala (Float): Ketidakseimbangan antar benang lusi dan pakan karena simpul longgar atau putus.
• Shuttle Smash: Kerusakan akibat perangkap pada shuttle saat penenunan.
• Stains: Noda karena pelumas atau oli mesin.
• Selvedge Defects: Cacat di bagian tepi kain, mulai dari sobekan, keenduran, hingga kerutan tidak rata.

2. Cacat Penanganan

Biasanya terjadi karena kesalahan saat penyimpanan atau penanganan oleh petugas toko. Ini bersifat irreversible dan sulit diperbaiki.

 

Solusi yang Ditawarkan: Sistem Deteksi Cerdas Berbasis Komputer

Penelitian ini merancang sistem berbasis pengolahan citra digital untuk mendeteksi dan mengidentifikasi cacat pada kain sutra tenun tangan secara otomatis. Inti dari sistem ini meliputi:

• Ekstraksi ciri (feature extraction) berbasis statistik,
• Analisis tekstur menggunakan metode frekuensi spasial dan multi-resolusi,
• Klasifikasi menggunakan algoritma tetangga terdekat (nearest neighbor) untuk menentukan jenis dan lokasi cacat.

Sistem ini didesain menggunakan perangkat lunak MATLAB dengan fitur GUI, serta dapat terhubung ke kamera digital dan sistem mikrokontroler untuk pengambilan citra real-time.

 

Metodologi: Kombinasi Teknik Statistik dan Spasial

Sistem dibangun melalui empat tahap utama:

1. Ekstraksi Fitur dari Kain Referensi

25 gambar kain referensi bebas cacat diambil sebagai dasar. Setiap gambar berukuran 512x512 piksel, dan diolah menggunakan transformasi wavelet untuk melokalisasi informasi dalam domain waktu dan frekuensi. Fitur yang diambil meliputi:

• Mean, variansi, energi, entropi (statistik orde pertama),
• Markov Random Field Matrix (MRFM),
• Gray Level Co-occurrence Matrix (GLCM),
• Spatial frequency,
• Gray Level Weighted Matrix (GLWM).

2. Pengambilan dan Ekstraksi Fitur dari Sampel Uji

Sampel kain cacat diambil menggunakan kamera yang dikontrol secara otomatis oleh poros bermotor, memastikan pemindaian seluruh permukaan. Fitur diekstrak dengan cara sama seperti referensi.

3. Perbandingan Ciri

Fitur dari sampel uji dibandingkan dengan database menggunakan algoritma tetangga terdekat. Jika perbedaan cukup signifikan, sistem menandainya sebagai cacat.

4. Penentuan Jenis dan Lokasi Cacat

Sistem tidak hanya mengidentifikasi adanya cacat, tetapi juga mengklasifikasikan jenisnya dan menampilkan lokasinya di layar untuk ditindaklanjuti lebih lanjut.

 

Teknologi Inti: Apa Saja yang Digunakan?

MRCSF (Multi Resolution Combined Statistical and Spatial Frequency)

Menggabungkan fitur statistik dari berbagai resolusi untuk mendeteksi ketidakteraturan pola tekstur.

MRFM (Markov Random Field Matrix)

Menganalisis hubungan spasial antar piksel menggunakan teori medan acak, menghasilkan 9 parameter yang mencerminkan konfigurasi tekstur lokal.

GLCM (Gray Level Co-occurrence Matrix)

Menilai kemunculan pasangan piksel dengan nilai intensitas tertentu dalam arah dan jarak yang ditentukan. Sangat berguna untuk mendeteksi pola seperti goresan atau ketidakteraturan.

Spatial Frequency

Mengukur tingkat detail atau aktivitas pada gambar. Citra buram cenderung memiliki frekuensi spasial rendah, sedangkan gambar dengan tekstur jelas menunjukkan nilai tinggi.

GLWM (Gray Level Weighted Matrix)

Menghasilkan spektrum tekstur global berdasarkan unit tekstur lokal, memberikan pandangan menyeluruh terhadap variasi tekstur dalam satu gambar.

 

Hasil dan Evaluasi: Akurasi Tinggi di Dunia Nyata

Dalam pengujian terhadap berbagai gambar kain cacat, sistem mampu mengklasifikasikan jenis cacat dan menentukan lokasi dengan akurasi tinggi. Untuk 25 sampel, sistem mencapai tingkat klasifikasi sebesar 96,6%, menjadikannya sangat menjanjikan untuk aplikasi di industri skala kecil hingga menengah.

Gambar snapshot GUI menunjukkan antarmuka yang mudah digunakan, lengkap dengan hasil identifikasi jenis cacat dan posisinya pada layar, siap untuk tindak lanjut operator.

 

Kekuatan Sistem Ini:

✅ Presisi Tinggi: Kombinasi MRCSF, GLCM, dan MRFM memberikan hasil yang stabil bahkan untuk pola tekstur kompleks.

✅ Ramah Industri: Sistem dapat diintegrasikan dengan mikrokontroler sederhana untuk inspeksi kain secara otomatis.

✅ Konservasi Budaya: Menjadi solusi teknologi untuk mempertahankan kualitas tenun tangan tanpa menggantikan proses produksinya.

 

Kritik dan Ruang Pengembangan

Meskipun performanya menjanjikan, ada beberapa area yang bisa dikembangkan lebih lanjut:

• Ukuran Dataset: Hanya 25 gambar referensi digunakan. Dataset yang lebih besar akan memberikan hasil pelatihan yang lebih kuat.
• Citra Berwarna vs Grayscale: Semua proses dilakukan pada citra grayscale. Penggunaan citra berwarna bisa membantu dalam mendeteksi noda dan variasi warna.
• Waktu Komputasi: Proses pelatihan dan klasifikasi masih tergolong intensif. Optimalisasi menggunakan FPGA atau DSP processor dapat mempercepat sistem.

 

Implikasi untuk Industri Tekstil dan UMKM

Teknologi ini sangat relevan untuk negara-negara dengan sektor tenun tangan yang masih dominan, seperti India, Bangladesh, atau bahkan Indonesia. UMKM tekstil yang biasanya tidak memiliki akses ke alat deteksi mahal kini punya alternatif berbasis software terbuka dan perangkat murah.

Dalam konteks Industri 4.0, pendekatan ini menjadi langkah kecil namun penting untuk mengintegrasikan digitalisasi ke dalam sektor tradisional—tanpa mencabut akar budaya yang melekat di dalamnya.

 

Kesimpulan: Tradisi Bertemu Teknologi

Penelitian ini memperlihatkan bahwa computer vision dapat berperan sebagai “mata digital” untuk menyelamatkan industri tradisional dari krisis kualitas dan efisiensi. Dengan akurasi mendekati 97%, sistem ini tidak hanya dapat menggantikan inspeksi manual yang rawan kesalahan, tetapi juga mendukung produktivitas tanpa mengorbankan nilai budaya dari kain tenun tangan.

Solusi semacam ini bukan hanya tentang teknologi, tapi tentang menjaga warisan sambil menjawab tantangan zaman.

 

Sumber:

Sabeenian, R. S., Paramasivam, M. E., & Dinesh, P. M. (2012). Computer Vision Based Defect Detection and Identification in Handloom Silk Fabrics. International Journal of Computer Applications, 42(17), 41–48.

Mengapa Kualitas Tidak Bisa Ditawar di Era Industri 4.0?

Dalam lanskap manufaktur modern, kualitas bukan lagi sekadar parameter teknis—ia adalah kunci reputasi, efisiensi, dan daya saing global. Namun, metode inspeksi konvensional masih terlalu banyak bergantung pada manusia. Menurut penelitian, akurasi rata-rata inspeksi visual oleh operator hanya sekitar 80%, bahkan menurun seiring meningkatnya kompleksitas produk.

Sarvesh Sundaram dan Abe Zeid menjawab tantangan ini dengan merancang pendekatan berbasis kecerdasan buatan yang disebut Smart Quality Inspection (SQI). Pendekatan ini tidak hanya menargetkan akurasi deteksi, tetapi juga mengintegrasikan deep learning, antarmuka pengguna ramah-pabrik, dan dokumentasi otomatis. Hasilnya adalah sistem inspeksi kualitas menyeluruh yang siap menggantikan metode manual.

 

Latar Belakang: Dua Arah Pemantauan Kesehatan dalam Produksi

Penulis mengawali argumennya dengan menggarisbawahi pentingnya health monitoring dalam dua arah: pemantauan sistem (mesin, perangkat) dan produk. Untuk sistem, pendekatan PHM (Prognostics and Health Management) digunakan guna memprediksi usia pakai komponen dan mencegah kerusakan mendadak. Di sisi produk, kontrol kualitas dilakukan untuk menjamin spesifikasi terpenuhi sepanjang siklus produksi.

Dengan berkembangnya sensor IoT dan microcontroller murah seperti Arduino dan Raspberry Pi, penerapan PHM dan QC kini menjadi mungkin bahkan bagi perusahaan manufaktur skala kecil dan menengah.

 

Kelemahan Inspeksi Manual: Masihkah Bisa Diandalkan?

Inspeksi visual tradisional memang terstruktur: operator menilai produk berdasarkan standar visual, memutuskan kelayakan, dan mencatat hasil. Namun, keandalan metode ini sangat rentan terhadap:

• Faktor tugas: kompleksitas bentuk atau posisi cacat menyulitkan deteksi,
• Faktor lingkungan: pencahayaan buruk atau shift malam menurunkan akurasi,
• Faktor manusia: bias, kelelahan, konsentrasi rendah sangat mempengaruhi hasil,
• Faktor organisasi: minimnya pelatihan atau tekanan target produksi,
• Faktor sosial: komunikasi buruk antar tim inspeksi.

Dengan begitu banyak variabel yang bisa mengganggu objektivitas, kebutuhan akan sistem berbasis AI jadi tak terelakkan.

 

Tantangan dalam Proses Casting: Kompleks tapi Umum

Fokus utama riset ini adalah inspeksi pada produk hasil proses casting, terutama impeller dari pompa submersible berbahan baja tahan karat. Proses casting sangat lazim di industri logam, tetapi menyimpan tantangan unik: mulai dari cacat permukaan hingga struktur dalam akibat desain cetakan yang buruk, komposisi logam yang tidak tepat, hingga kesalahan saat penuangan.

 

Smart Quality Inspection: Pendekatan Inovatif yang Holistik

Apa itu SQI?

Smart Quality Inspection adalah metodologi lengkap berbasis AI yang mengintegrasikan:

1. Model CNN kustom untuk klasifikasi citra produk,
2. Aplikasi desktop berbasis GUI untuk digunakan langsung di lantai produksi,
3. Log inspeksi otomatis untuk dokumentasi hasil.

Alur SQI dalam 6 Langkah:

1. Produk tiba di area inspeksi, ditempatkan pada posisi tetap.
2. Gambar produk diambil oleh kamera dengan kondisi pencahayaan terkendali.
3. Gambar diproses, termasuk resizing dan augmentasi ringan.
4. Model CNN menganalisis gambar dan mendeteksi cacat.
5. Keputusan diterima secara otomatis, produk diterima atau ditolak.
6. Hasil inspeksi dicatat otomatis ke dalam log berbentuk spreadsheet.

 

Dataset Nyata dari Industri: Studi Kasus di India

Dataset yang digunakan berasal dari Pilot Technocast, sebuah perusahaan manufaktur casting di Gujarat, India. Dataset ini tersedia publik melalui Kaggle dan mencakup:

• 7.348 citra produk (impeller pompa),
• Diambil dari atas (top view),
• Dua label: “ok_front” (layak) dan “def_front” (cacat),
• Ukuran gambar: 300x300 piksel,
• Format warna: RGB.

Setiap gambar telah ditinjau dan dilabeli oleh operator ahli, memberikan dasar kuat bagi pelatihan model AI.

 

Arsitektur CNN Kustom: Sederhana tapi Akurat

Model CNN yang dibangun terdiri dari:

• 3 layer konvolusi dengan kernel 3x3,
• Max pooling di setiap tahap untuk reduksi dimensi,
• Flatten layer untuk mengubah data 3D menjadi 1D,
• 2 dense layer untuk klasifikasi akhir (ReLU + Softmax).

Model dilatih menggunakan fungsi loss sparse categorical crossentropy dan optimizer Adam, dengan teknik early stopping untuk mencegah overfitting. Dengan hanya 13 epoch, model mencapai hasil optimal.

 

Hasil yang Mengesankan: Akurasi Hampir Sempurna

Data Pengujian:

• 715 gambar digunakan untuk uji performa akhir,
• Model mencapai akurasi 99,86%,
• Hanya 1 kesalahan klasifikasi terjadi—dan itu False Positive (produk layak ditandai cacat),
• Tidak ada False Negative (tidak ada produk cacat yang lolos).

Ini penting, karena dalam industri, False Negative—yakni menerima produk cacat—merupakan risiko konsumen yang harus dihindari. Sementara False Positive hanya risiko produsen dan lebih bisa ditoleransi.

 

Aplikasi Lantai Produksi: Inspeksi Sekali Klik

Selain model AI, riset ini juga menyertakan pengembangan aplikasi inspeksi yang siap digunakan oleh operator di lantai produksi. Fitur-fiturnya meliputi:

• Unggah citra produk secara manual,
• Hasil klasifikasi langsung muncul, lengkap dengan visual deteksi,
• Log inspeksi otomatis terisi, termasuk ID produk, ID mesin, dan catatan tambahan.

Antarmuka ini dirancang agar mudah digunakan oleh operator tanpa latar belakang teknis.

 

Kritik & Ruang untuk Perbaikan

Walaupun hasil sangat menjanjikan, beberapa aspek masih bisa dikembangkan:

• Klasifikasi jenis cacat: Saat ini hanya deteksi biner (cacat/tidak). Padahal informasi jenis cacat bisa membantu perbaikan proses produksi.
• Deteksi lokal (lokalisasi): Menunjukkan lokasi cacat dalam gambar masih belum akurat.
• Variasi data nyata terbatas: Sebagian besar data diambil dalam kondisi pencahayaan tetap dan kamera yang sama.

 

Perbandingan dengan Penelitian Lain

Dalam benchmarking terhadap model populer lain di bidang inspeksi casting:

• SQI unggul dalam akurasi dan F1-score,
• Model seperti VGG-16, EfficientNetB0, bahkan Transformer-based vision masih sedikit di bawah performa SQI,
• Sistem seperti YOLO cocok untuk deteksi waktu nyata, tapi SQI unggul dalam dokumentasi dan kontrol kualitas menyeluruh.

 

Implikasi Industri: Menuju Zero-Defect Manufacturing

SQI bukan sekadar proyek akademik, tapi peta jalan menuju produksi bebas cacat yang sepenuhnya terdokumentasi. Beberapa implikasi langsung bagi industri:

• SME-friendly: Model ringan dan dapat diterapkan tanpa perangkat mahal,
• Skalabel: Mudah diadaptasi untuk produk lain—plastik, otomotif, elektronik,
• Compliance-ready: Log inspeksi membantu dalam audit ISO dan sistem mutu lain.

 

Kesimpulan: Masa Depan Inspeksi Telah Hadir

Paper ini menunjukkan bahwa teknologi AI, jika dirancang dengan baik dan diterapkan secara kontekstual, mampu menyelesaikan salah satu tantangan terbesar di lini produksi—inspeksi kualitas.

Dengan akurasi mendekati 100%, integrasi ke sistem kerja nyata, dan kemampuan dokumentasi otomatis, Smart Quality Inspection adalah wujud nyata dari Industry 4.0 in action. Ia membuktikan bahwa AI bukan sekadar alat bantu—tetapi tulang punggung baru bagi kualitas industri modern.

 

Sumber:

Sundaram, S., & Zeid, A. (2023). Artificial Intelligence-Based Smart Quality Inspection for Manufacturing. Micromachines, 14(3), 570

 

Pendahuluan: Tantangan Kualitas dalam Dunia Manufaktur Modern

Industri manufaktur masa kini semakin diwarnai dengan kebutuhan akan varian produk yang beragam. Fleksibilitas produk ini datang dengan tantangan besar dalam pengendalian mutu, terutama di lini produksi cepat seperti industri pengemasan makanan. Ketika jumlah varian produk meningkat, sistem inspeksi kualitas tradisional—terutama berbasis manusia—semakin sulit diandalkan. Variasi desain, warna, bahan, hingga pola cacat membuat proses inspeksi manual rawan human error, lelah, dan tidak konsisten.

Dalam konteks ini, paper karya Fredrik Vuoluterä menawarkan pendekatan baru dengan memanfaatkan Modular Neural Networks (MNNs) sebagai solusi untuk inspeksi kualitas produk varian banyak. Fokusnya adalah membandingkan keunggulan MNNs dibandingkan monolithic neural networks (MNN) yang lebih umum digunakan.

 

Latar Belakang Penelitian: Masalah Kompleksitas Produk di AR Packaging

Studi ini dilakukan di AR Packaging, perusahaan yang memproduksi wadah makanan berbahan karton, plastik, dan aluminium. Produk yang digunakan mencakup tray makanan cepat saji hingga kemasan microwave. Kompleksitas desain mereka menjadi tantangan: bentuk berbeda, warna beragam, dan material variatif.

Mereka sebelumnya mengandalkan inspeksi manual, tetapi metode tersebut lambat, tidak konsisten, dan tidak cukup scalable untuk mengikuti variasi produk yang tinggi. Di sinilah sistem inspeksi berbasis AI muncul sebagai kebutuhan mutlak.

 

Modular Neural Network: Solusi yang Lebih Adaptif

Apa Itu Modular Neural Network?

MNN adalah pendekatan AI yang memecah kompleksitas dalam sistem neural network menjadi beberapa modul yang lebih sederhana. Setiap modul bertugas mengelola satu bagian dari masalah besar, misalnya satu varian produk atau satu jenis cacat.

Sebagai perbandingan, monolithic neural networks menangani semua jenis produk dalam satu arsitektur yang besar dan kompleks. Ini bisa menyebabkan pelatihan lambat dan rentan terhadap penurunan performa ketika varian produk baru ditambahkan.

Desain Modular dalam Studi Ini

Vuoluterä mengembangkan arsitektur routing module yang menentukan varian produk, lalu expert module yang bertugas menganalisis kualitas spesifik varian tersebut. Modul-modul ini bersifat independen sehingga:

• Dapat dilatih secara terpisah.
• Lebih mudah di-upgrade ketika ada varian produk baru.
• Menjaga akurasi tanpa mengorbankan modul yang sudah ada.

 

Metodologi Penelitian: Studi Kasus AR Packaging

Pengumpulan Data

Dataset dikumpulkan secara on-site di pabrik AR Packaging. Penulis memanfaatkan Logitech Brio 4K webcam untuk mengambil gambar 3840x2160 piksel dari berbagai sudut. Setiap produk difoto dari 8 rotasi berbeda untuk menciptakan variasi posisi yang realistis.

Dari 14.577 gambar awal, setelah filtering, didapat 11.733 gambar mencakup enam varian produk. Setiap gambar diberi label OK (tanpa cacat) atau NOK (cacat) sesuai inspeksi manual dari tenaga ahli di pabrik.

Tipe Cacat yang Ditemukan

• Deformasi: dari penyok ringan hingga kerusakan parah.
• Double-pressing: produk dengan dua lapisan akibat kesalahan mesin.
• Misaligned Print: cetakan gambar atau teks yang melenceng.
• Tearing: robekan pada sudut atau sisi produk.
• Surface Damage: kotoran, cat bocor, dan bekas pita perekat.

 

Hasil Penelitian: Modular vs Monolithic Neural Network

Akurasi Klasifikasi

• Monolithic Network: Akurasi tinggi di awal, tetapi fluktuatif saat varian produk baru ditambahkan. Adaptasi terhadap produk baru membuat performa pada produk lama turun.
• Modular Network: Akurasi awal lebih rendah, tetapi stabil. Penambahan varian baru tidak memengaruhi modul lain, mempertahankan konsistensi klasifikasi.

Kecepatan Training dan Ukuran Model

• Modular Network:
  • Ukuran total 6 kali lebih kecil dibanding monolithic.
  • Waktu training awal lebih cepat karena data dibagi per modul.
  • Waktu retraining setara, tetapi lebih efisien dalam update modul spesifik.

Efisiensi dan Pemeliharaan

MNN memungkinkan pembaruan modul tanpa retraining keseluruhan sistem, yang sangat cocok untuk perusahaan dengan frekuensi perubahan desain tinggi, seperti AR Packaging.

 

Studi Kasus Industri: Tren Modular AI dalam Manufaktur

Penerapan Modular Neural Networks di Sektor Lain

• Industri Otomotif: Modular AI digunakan untuk inspeksi berbagai komponen kendaraan, seperti dashboard, kaca, dan pintu, dengan akurasi tinggi tanpa mengorbankan waktu inspeksi.
• Healthcare Imaging: MNN memungkinkan segmentasi gambar medis yang lebih cepat, seperti pada retinal scan yang diadopsi Kauer-Bonin et al. (2022).

Hubungan dengan Industri 4.0

Modular AI menjadi bagian penting dalam ekosistem Smart Factory, karena memungkinkan:

• Fleksibilitas tinggi dalam lini produksi.
• Skalabilitas dengan penambahan varian produk.
• Efisiensi biaya, khususnya pada pemeliharaan model AI.

 

Analisis Tambahan: Kelebihan dan Kekurangan Modular Neural Network

Kelebihan

1. Adaptif: Mudah menambahkan varian produk baru tanpa mengganggu sistem yang ada.
2. Efisiensi Training: Waktu training lebih cepat dan tidak butuh dataset besar untuk semua varian.
3. Kompak: Ukuran model lebih kecil, mengurangi kebutuhan sumber daya komputasi.

Kekurangan

1. Akumulasi Modul: Jika jumlah varian produk bertambah banyak, jumlah modul juga bertambah, yang bisa mempersulit manajemen sistem.
2. Kebutuhan Routing Module yang Akurat: Modul routing menjadi kunci, jika salah memilih expert module, maka klasifikasi bisa gagal.

 

Kritik dan Saran Pengembangan Ke Depan

Kritik

• Studi ini belum mengadopsi multi-view inspection, padahal banyak produk membutuhkan evaluasi dari berbagai sudut secara simultan.
• Jenis cacat belum diklasifikasikan lebih rinci, seperti pemisahan antara cacat bentuk, warna, atau tekstur.

Rekomendasi

1. Integrasi Multi-view Memory Networks: Menggabungkan data dari beberapa kamera untuk meningkatkan akurasi.
2. Explainable AI (XAI): Memungkinkan audit keputusan AI, penting untuk industri dengan regulasi ketat.
3. Federated Learning: Berbagi model antar pabrik tanpa berbagi data sensitif.

 

Kesimpulan: Modular Neural Network Sebagai Masa Depan Inspeksi Kualitas Fleksibel

Penelitian Fredrik Vuoluterä memberikan bukti kuat bahwa Modular Neural Networks merupakan solusi yang lebih fleksibel dan efisien untuk inspeksi kualitas produk dengan varian tinggi. Studi di AR Packaging menunjukkan bahwa modularitas memungkinkan sistem AI lebih mudah beradaptasi terhadap perubahan produk, sekaligus mengurangi kompleksitas dan biaya.

Di era Industri 4.0, fleksibilitas dan kemampuan adaptasi menjadi kunci. Modular Neural Network menawarkan potensi besar untuk perusahaan manufaktur yang ingin meningkatkan kualitas produk sekaligus mengurangi biaya operasional.

 

Sumber

Vuoluterä, F. (2022). Quality inspection of multiple product variants using neural network modules (Master's thesis, University of Skövde). University of Skövde Digital Archive.

Pendahuluan: Krisis Polusi Udara dan Pentingnya Prediksi AQI

Polusi udara telah menjadi ancaman kesehatan global yang signifikan. Menurut WHO, polusi udara menyebabkan lebih dari 7 juta kematian dini setiap tahun di seluruh dunia. Dampaknya meliputi berbagai penyakit pernapasan seperti asma, kanker paru-paru, hingga penyakit jantung. Oleh karena itu, kebutuhan akan sistem monitoring dan prediksi kualitas udara yang andal semakin mendesak.

Penelitian yang dilakukan Gogineni dan Murukonda ini berupaya memberikan solusi berbasis teknologi cerdas untuk mendeteksi dan memprediksi kualitas udara secara lebih akurat. Fokus utamanya adalah penggunaan algoritma supervised machine learning untuk memprediksi Air Quality Index (AQI) di India, sebagai salah satu negara dengan tingkat polusi tertinggi di dunia.

 

Tujuan Penelitian dan Konteks Global

Tujuan Utama:

1. Mengembangkan model machine learning yang mampu memprediksi nilai AQI secara akurat.
2. Menentukan algoritma prediksi AQI yang paling efektif dari empat model yang diuji.
3. Menyediakan dasar bagi sistem peringatan dini dan pengambilan keputusan di bidang kesehatan lingkungan.

Latar Belakang:

• AQI adalah ukuran standar yang menunjukkan seberapa bersih atau tercemarnya udara pada suatu lokasi.
• Nilai AQI dihitung dari konsentrasi beberapa polutan utama, seperti PM2.5, PM10, NO2, CO, dan lainnya.
• Dalam konteks industri dan urbanisasi, prediksi AQI menjadi alat strategis untuk perencanaan kebijakan lingkungan dan kesehatan masyarakat.

Metode Penelitian: Kolaborasi Literatur dan Eksperimen Data Nyata

Penelitian ini menggabungkan studi pustaka dan eksperimen praktis. Peneliti mengkaji berbagai metode prediksi AQI dari penelitian sebelumnya, lalu mengimplementasikan dan membandingkan empat algoritma machine learning pada dataset yang diperoleh dari Central Pollution Control Board (CPCB) India.

Dataset:

• Data diambil dari pengamatan polusi udara di India selama 2015-2020.
• Dataset mencakup 29.531 entri dari berbagai kota di India.
• Fitur yang dianalisis: PM2.5, PM10, dan NO2.

Algoritma Machine Learning yang Digunakan

1. Linear Regression
   Metode sederhana yang mencoba menemukan hubungan linier antara polutan dan AQI.
   ➡️ Kelemahan: Kurang tangguh terhadap data yang tidak linier dan multikolinearitas antar variabel.
2. LASSO Regression
   Mengurangi kompleksitas model dengan regularisasi dan menghilangkan fitur yang kurang relevan.
   ➡️ Kelebihan: Mengurangi risiko overfitting, cocok untuk dataset dengan banyak variabel.
3. Ridge Regression
   Memperbaiki kelemahan Linear Regression dalam menangani multikolinearitas tanpa menghilangkan fitur.
   ➡️ Menjadi model terbaik dalam penelitian ini dengan akurasi tinggi dan konsistensi prediksi.
4. Support Vector Regression (SVR)
   Umumnya unggul dalam data non-linear, tetapi di penelitian ini hasilnya kurang memuaskan.
   ➡️ Tantangan: Membutuhkan waktu komputasi lebih lama dan dataset yang lebih besar untuk performa optimal.

 

Hasil dan Analisis Eksperimen

Peneliti mengevaluasi model dengan tiga metrik utama:

• Mean Absolute Error (MAE)
• Root Mean Square Error (RMSE)
• R-squared (R²)

 

Temuan Utama:

• Ridge Regression dan LASSO Regression memiliki kinerja terbaik dengan nilai R² di atas 0,80, menunjukkan kemampuan prediksi yang sangat baik.
• Linear Regression memberikan hasil yang moderat dengan R² sebesar 0,74, namun masih layak digunakan.
• SVR menunjukkan performa terendah, dengan R² hanya 0,68, serta nilai MAE dan RMSE tertinggi di antara model lainnya.

Interpretasi:

Hasil ini menegaskan bahwa regresi berbasis regularisasi (LASSO dan Ridge) memberikan keseimbangan yang baik antara kompleksitas dan akurasi model, menjadikannya pilihan yang tepat untuk prediksi AQI di lingkungan dengan dataset terbatas.

 

Studi Kasus dan Implikasi Praktis

India: Penerapan di Kota Besar

• Di kota seperti Delhi, dengan AQI sering mencapai level Berbahaya (Maroon: 300+), penggunaan model prediksi AQI dapat membantu pemerintah menetapkan peringatan dini dan pembatasan aktivitas luar ruangan.

Indonesia: Potensi Implementasi

• Kota besar seperti Jakarta yang menghadapi polusi udara tinggi dapat memanfaatkan model serupa untuk mengatur jadwal lalu lintas berbasis kualitas udara dan pelaporan AQI real-time kepada masyarakat.

 

Perbandingan dengan Penelitian Terkait

Penelitian ini sejalan dengan studi Mauro Castelli et al. (2020) yang menggunakan SVR untuk prediksi AQI di California. Namun, pendekatan Gogineni dan Murukonda lebih fokus pada regresi berbasis regularisasi dibandingkan model kompleks berbasis SVR.

Penelitian lain, seperti yang dilakukan oleh Jasleen Kaur Sethi dan Mamta Mittal (2021), menggunakan Adaptive LASSO Regression, menunjukkan akurasi sekitar 70%. Penelitian Gogineni lebih unggul dengan akurasi di atas 80%, meskipun ruang pengembangan lebih lanjut tetap terbuka.

 

Kritik dan Analisis Tambahan

Kelebihan:

✅ Pendekatan sistematis dalam eksperimen dan evaluasi.
✅ Dataset real-world yang relevan dengan kondisi polusi saat ini di India.
✅ Penggunaan metrik evaluasi yang komprehensif untuk penilaian performa model.

Kelemahan:

❌ Data yang digunakan bersifat statis; tidak mencerminkan kondisi real-time.
❌ Tidak mengeksplorasi model Ensemble Learning seperti Random Forest atau XGBoost yang berpotensi meningkatkan akurasi.
❌ SVR menunjukkan performa buruk, kemungkinan karena ukuran dataset yang terbatas, yang bisa diatasi dengan data augmentation atau transfer learning.

 

Implikasi Praktis dan Arah Pengembangan di Masa Depan

1. Integrasi dengan IoT dan Sensor Real-Time
   Model prediksi AQI dapat dikombinasikan dengan Internet of Things (IoT) untuk sistem monitoring real-time.
   ➡️ Contoh: Stasiun sensor AQI berbasis IoT di area padat lalu lintas.
2. Prediksi Multivariat dengan Ensemble Learning
   Penggunaan model ensemble seperti Random Forest dan XGBoost dapat memperbaiki prediksi di daerah urban dengan variasi polusi yang kompleks.
3. Cloud-Based Real-Time Analytics
   Penyediaan layanan prediksi AQI berbasis cloud yang mampu menangani data streaming untuk integrasi dengan aplikasi mobile bagi masyarakat.

 

Kesimpulan: Ridge Regression sebagai Jawaban Masa Depan Prediksi AQI

Studi ini menyoroti kekuatan model Ridge Regression dalam memberikan prediksi AQI yang akurat, konsisten, dan andal. Bagi pemerintah, lembaga kesehatan, maupun masyarakat, solusi seperti ini bukan hanya soal teknologi, melainkan penyelamatan nyawa.

Jika diterapkan secara luas, sistem prediksi berbasis machine learning dapat mengurangi dampak polusi udara dan meningkatkan kualitas hidup masyarakat di kota-kota besar yang rawan polusi.

 

Sumber Referensi
Prediction of Air Quality Index Using Supervised Machine Learning oleh Avan Chowdary Gogineni dan Vamsi Sri Naga Manikanta Murukonda, Mei 2022.
 

Pendahuluan: Menjawab Tantangan Kualitas di Industri Manufaktur Modern

Di era Industri 4.0, manufaktur tidak lagi sekadar berfokus pada produksi massal, tetapi juga mengedepankan kualitas, efisiensi energi, dan keberlanjutan. Salah satu tantangan besar dalam industri injection molding adalah memastikan kualitas produk konsisten tanpa meningkatkan biaya produksi atau menambah beban tenaga kerja. Terlebih lagi, meningkatnya tuntutan untuk menerapkan prinsip keberlanjutan (sustainability) membuat industri perlu beradaptasi.

Paper yang ditulis oleh Hail Jung, Jinsu Jeon, Dahui Choi, dan Jung-Ywn Park (2021) ini mengangkat solusi machine learning (ML) untuk prediksi kualitas di industri injection molding, yang diklaim lebih efektif dibandingkan metode konvensional. Penelitian ini tidak hanya menawarkan pendekatan teknis, tetapi juga memberikan wawasan strategis bagi perusahaan manufaktur yang ingin mempertahankan daya saingnya dalam pasar global yang semakin kompetitif.

Latar Belakang Penelitian: Kualitas Produk sebagai Pilar Utama Keberlanjutan

Injection molding merupakan proses krusial dalam produksi komponen plastik untuk berbagai industri seperti otomotif, elektronik, hingga kesehatan. Kegagalan menjaga kualitas pada tahap ini akan merugikan secara ekonomi dan lingkungan. Dalam praktiknya, banyak perusahaan masih bergantung pada inspeksi manual, yang membutuhkan banyak tenaga kerja dan mahal, khususnya di negara dengan tingkat upah tinggi.

Penelitian ini berangkat dari fakta bahwa data real-time dari mesin injection molding memiliki potensi besar jika dimanfaatkan secara optimal menggunakan teknologi machine learning. Dengan kata lain, transformasi digital melalui ML menawarkan solusi prediksi kualitas produk secara otomatis dan presisi.

Tujuan dan Kontribusi Penelitian

Paper ini bertujuan untuk:

• Mengidentifikasi algoritma machine learning yang paling efektif untuk prediksi kualitas produk injection molding.
• Meningkatkan efisiensi produksi sekaligus menurunkan biaya inspeksi kualitas.
• Memperkuat keberlanjutan industri manufaktur dengan mengurangi limbah produksi akibat produk cacat.

Penelitian ini juga mengkaji feature importance, atau variabel kunci dalam proses produksi yang paling berpengaruh terhadap kualitas, seperti suhu cetakan (mold temperature) dan waktu siklus (cycle time).

 

Metodologi Penelitian: Mengolah Data Produksi Nyata Menjadi Model Prediktif

Dataset

Data dikumpulkan dari Hanguk Mold, perusahaan injection molding di Korea Selatan, yang memproduksi komponen otomotif. Dataset mencakup lebih dari 8.000 data siklus produksi, dengan lebih dari 50 variabel real-time seperti:

• Injection Time
• Filling Time
• Cycle Time
• Clamp Close Time
• Mold Temperature
• Injection Pressure
• Screw Speed

Data ini merepresentasikan dinamika nyata di lini produksi, sehingga hasil penelitian dapat langsung diimplementasikan.

Algoritma yang Digunakan

1. Tree-based Algorithms
   • Random Forest
   • Gradient Boost
   • XGBoost
   • LightGBM
   • CatBoost
2. Regression-based Algorithms
   • Logistic Regression
   • Support Vector Machine (SVM)
3. Autoencoder (Deep Learning)

Autoencoder, yang berfokus pada anomaly detection, terbukti menjadi model terbaik karena mampu mendeteksi cacat tanpa membutuhkan data dari produk cacat itu sendiri.

 

Hasil Penelitian: Autoencoder Mengungguli Semua Model Lainnya

Kinerja Model

• Autoencoder meraih akurasi hingga 99,59% dengan F1-score 97,27%.
• Random Forest mengikuti di posisi kedua dengan akurasi 99,18% dan F1-score 72,22%.
• Model regresi seperti Logistic Regression dan SVM mencatat akurasi lebih rendah, karena keterbatasan dalam menangani data non-linear kompleks.

Faktor Utama Penentu Kualitas

Melalui analisis feature importance, ditemukan bahwa variabel berikut paling mempengaruhi kualitas produk:

• Mold Temperature
• Hopper Temperature
• Injection Time
• Cycle Time

Hasil ini sejalan dengan studi sebelumnya yang menekankan pentingnya kontrol suhu dalam injection molding, seperti penelitian oleh Qi et al. (2019) dan Lee et al. (2020).

 

Studi Kasus: Efisiensi Produksi Injection Molding di Hanguk Mold

Sebelum implementasi ML, Hanguk Mold mengandalkan 200 inspektur kualitas untuk memeriksa produk dari 100 mesin injection molding. Setelah penerapan Autoencoder, kebutuhan tenaga kerja untuk pemeriksaan kualitas menurun drastis, sehingga perusahaan menghemat biaya operasional hingga 30%.

Selain itu, prediksi kualitas yang akurat memungkinkan pengurangan limbah produksi hingga 25%, mendukung target keberlanjutan perusahaan dan mengurangi jejak karbon.

 

Analisis Kritis dan Perbandingan dengan Penelitian Sebelumnya

Kelebihan Penelitian Ini

✅ Data Real-World: Dataset berasal dari produksi nyata, bukan simulasi.
✅ Pendekatan Komprehensif: Perbandingan antara berbagai model ML memberikan gambaran menyeluruh.
✅ Efisiensi Biaya: Implementasi Autoencoder mengurangi ketergantungan pada inspeksi manual.

Kekurangan dan Tantangan

❌ Generalisasi Terbatas: Dataset spesifik dari satu perusahaan di Korea.
❌ Penjelasan Sebab-Akibat Minim: Fokus penelitian lebih pada akurasi prediksi, bukan pemahaman mendalam terhadap akar penyebab cacat.
❌ Belum Integrasi IoT Secara Penuh: Implementasi real-time membutuhkan integrasi dengan sensor IoT yang lebih kompleks.

Komparasi dengan Studi Lain

• Ribeiro (2005): Menggunakan SVM untuk monitoring kualitas injection molding, namun akurasinya lebih rendah dibanding Autoencoder.
• Nagorny et al. (2017): Menerapkan LSTM berbasis gambar produk, sedangkan penelitian ini berbasis data proses mesin, yang lebih praktis untuk implementasi pabrik.

 

Implikasi Praktis untuk Industri Manufaktur

1. Efisiensi Operasional
   Mengurangi biaya kualitas (quality cost) dengan prediksi otomatis berbasis data, tanpa perlu banyak tenaga kerja.
2. Sustainability & Lingkungan
   Mengurangi produk cacat berarti mengurangi limbah dan konsumsi energi yang tidak perlu, mendukung Net Zero Emission.
3. Kesiapan Industri 4.0
   Memungkinkan integrasi dengan IoT dan MES (Manufacturing Execution System) untuk produksi yang lebih adaptif dan otomatis.

 

Rekomendasi dan Arah Pengembangan Masa Depan

✅ Integrasi Sensor IoT & Big Data untuk meningkatkan akurasi prediksi real-time.
✅ Explainable AI (XAI) agar alasan di balik keputusan model lebih transparan bagi insinyur produksi.
✅ Transfer Learning untuk memudahkan adopsi di perusahaan injection molding lain dengan parameter produksi berbeda.
✅ Mobile & Cloud-Based Monitoring agar manajemen kualitas dapat dilakukan secara remote.

 

Kesimpulan: Menuju Masa Depan Manufaktur Tanpa Cacat

Penelitian ini menunjukkan bahwa machine learning, khususnya Autoencoder, dapat merevolusi cara industri injection molding menjaga kualitas produk. Dengan meningkatkan efisiensi, mengurangi limbah, dan mendukung prinsip keberlanjutan, teknologi ini memberikan nilai tambah yang nyata.

Di era Industri 4.0, perusahaan manufaktur yang tidak mengadopsi teknologi seperti ML akan tertinggal. Penelitian ini memberikan bukti bahwa dengan strategi data yang tepat, perusahaan bisa mengurangi biaya, meningkatkan kualitas, dan memenuhi standar keberlanjutan global.

📖 Sumber Paper Asli:
Jung, H., Jeon, J., Choi, D., & Park, J.-Y. (2021). Application of Machine Learning Techniques in Injection Molding Quality Prediction: Implications on Sustainable Manufacturing Industry. Sustainability, 13(8), 4120.
 

Pendahuluan:

Di Balik Ambisi Infrastruktur Indonesia
Indonesia tengah berpacu dengan waktu untuk membangun infrastruktur sebagai fondasi pertumbuhan ekonomi. Salah satu proyek unggulan adalah Kereta Cepat Jakarta-Bandung (KCJB), kereta berkecepatan tinggi pertama di Asia Tenggara. Proyek ini menjadi simbol kemajuan, tetapi di balik lajunya yang menjanjikan, tersimpan persoalan pelik: mulai dari konflik lahan, pembengkakan anggaran, hingga konsultasi publik yang kurang bermakna.

Paper yang ditulis oleh Androvaga Renandra Tetama dan timnya dalam Jurnal Widya Bhumi mengupas persoalan tersebut secara mendalam. Fokus utamanya adalah pentingnya proses konsultasi publik dan partisipasi masyarakat dalam pengadaan tanah, yang selama ini seringkali hanya formalitas.

Antara Target dan Realita Pembangunan

Data per akhir 2022 menunjukkan:

• Pengadaan tanah telah selesai 100% mencakup 7,6 juta m² sepanjang 142,3 km.

• Pembangunan fisik proyek mencapai 88,8%.

• Pembiayaan membengkak dari Rp 2 triliun menjadi Rp 113,9 triliun.

KCJB dirancang untuk menghubungkan empat stasiun utama: Halim, Karawang, Padalarang, dan Tegalluar. Meski demikian, berbagai kendala seperti pembebasan lahan, persoalan pembiayaan, dan perubahan skema kerja sama membuat proyek ini berjalan jauh lebih lambat dari rencana semula.

Akar Masalah: Pengadaan Tanah yang Tidak Partisipatif

1. Dari skema B2B ke campur tangan negara
   Awalnya proyek dibiayai lewat skema business-to-business antara konsorsium BUMN Indonesia dan China. Namun, karena pembengkakan biaya dan konflik agraria, pemerintah Indonesia akhirnya ikut campur lewat Penyertaan Modal Negara (PMN).

2. Permasalahan teknis dan sosial
   Masalah utama dalam pengadaan tanah adalah:

   • Ketidakpastian hukum kepemilikan tanah meski bersertifikat.

   • Penolakan warga atas nilai ganti rugi.

   • Perubahan trase yang tidak dikomunikasikan dengan baik.

   • Konsultasi publik yang hanya formalitas.

Padahal, UU No. 2 Tahun 2012 menegaskan bahwa setiap pengadaan tanah harus melalui tahapan: perencanaan, persiapan, pelaksanaan, dan penyerahan hasil—dengan melibatkan masyarakat secara aktif.

Studi Kasus: Ketimpangan Ganti Rugi dan Ketegangan Sosial

Salah satu konflik mencuat di wilayah Walini dan Tegalluar. Warga menolak nilai ganti rugi yang dianggap terlalu rendah dibanding harga pasar. Terdapat pula laporan intimidasi kepada warga yang tidak mau melepas tanahnya.

Data dari PT KCIC menunjukkan bahwa 75% dana proyek berasal dari pinjaman China Development Bank (CDB), dengan bunga 2% untuk USD dan 3,4% untuk yuan. Ketergantungan pada pinjaman luar negeri, ditambah ketidakterbukaan soal nilai lahan, memicu ketegangan sosial dan memperlambat proyek.

Mengapa Konsultasi Publik Itu Esensial

Paper ini menekankan bahwa proyek strategis nasional seperti KCJB memerlukan pelibatan warga, bukan sekadar pemberitahuan sepihak. Berdasarkan Putusan Mahkamah Konstitusi No. 91/PUU-XVIII/2020, terdapat tiga pilar penting:

• Hak masyarakat untuk menyampaikan pendapat.

• Hak agar pendapat tersebut dipertimbangkan.

• Hak untuk mendapatkan penjelasan atas pendapatnya.

Sayangnya, konsultasi publik dalam proyek ini sering kali hanya bersifat simbolik dan tidak berdampak pada keputusan.

Belajar dari Praktik Internasional

Asian Development Bank (ADB) menetapkan standar partisipasi publik bermakna yang mencakup:

• Konsultasi sejak awal hingga akhir proyek.

• Penyediaan informasi yang mudah dipahami dan inklusif

• Proses bebas intimidasi dan menjangkau kelompok rentan.

• Pengaruh nyata terhadap pengambilan keputusan.

Standar ini masih jauh dari implementasi dalam proyek KCJB. Jika diterapkan, kemungkinan besar banyak konflik bisa dicegah sejak dini.

Dampak Sosial dan Peluang yang Terlewatkan

Meskipun bertujuan meningkatkan konektivitas dan menurunkan biaya logistik, manfaat langsung proyek belum banyak dirasakan masyarakat sekitar. Beberapa temuan penting:

• Sebagian besar pekerja proyek adalah tenaga asing, bukan warga lokal.

• UMKM lokal belum banyak dilibatkan.

• Warga kehilangan lahan tanpa mendapat kompensasi yang layak.

Proyek ini justru bisa menjadi peluang besar jika masyarakat dilibatkan secara menyeluruh, misalnya dalam pelatihan kerja, penyediaan material lokal, dan pengawasan proyek secara partisipatif.

Kritik terhadap Penelitian dan Usulan Perbaikan

Penelitian ini unggul karena memberikan narasi lengkap dari pra-perencanaan hingga pasca-konstruksi. Namun, akan lebih kuat jika penulis menambahkan:

• Wawancara langsung dengan warga terdampak.

• Perbandingan internasional dengan proyek serupa (misalnya kereta cepat Mumbai-Ahmedabad di India).

• Kajian tentang dampak terhadap perempuan dan kelompok rentan dalam pengadaan tanah.

Dengan pendekatan ini, kajian bisa menjadi rujukan utama dalam penyusunan kebijakan agraria dan infrastruktur.

Kesimpulan: Pembangunan Inklusif adalah Kunci

Pembangunan infrastruktur tak hanya soal fisik, tetapi juga soal etika, keadilan, dan partisipasi. KCJB adalah pelajaran penting bahwa megastruktur tanpa partisipasi publik dapat menimbulkan konflik berkepanjangan dan inefisiensi anggaran.

Untuk proyek-proyek strategis ke depan, partisipasi publik bermakna harus menjadi fondasi, bukan hanya formalitas. Pemerintah dan investor harus mengubah cara pandang: dari sekadar mengejar target pembangunan, menjadi membangun bersama rakyat.

Sumber
Paper asli:
“Pembangunan Kereta Cepat Jakarta-Bandung: Memaknai Konsultasi Publik dan Partisipasi Masyarakat dalam Pengadaan Tanah”
Penulis: Androvaga Renandra Tetama, Suharno, Yaritza Nafa Tyola
Jurnal Widya Bhumi, Vol. 2 No. 2, 2022
DOI: https://doi.org/10.31292/wb.v2i2.25