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.

Pendahuluan: Kenapa Industri Tekstil Butuh Inspeksi Otomatis?

Industri tekstil adalah tulang punggung ekonomi di banyak negara, termasuk India, di mana Tamil Nadu menjadi salah satu penghasil utama kain tenun. Namun, persaingan ketat di pasar global menuntut kualitas produk yang konsisten dan bebas cacat. Cacat pada kain, sekecil apapun, bisa mengurangi nilai jual produk secara signifikan, bahkan hingga 45% sampai 65%. Itu sebabnya, inspeksi kualitas menjadi prioritas utama.

Masalahnya, proses inspeksi manual yang mengandalkan tenaga manusia memiliki keterbatasan yang serius. Inspektur manusia rentan terhadap kelelahan, konsistensinya bervariasi, dan tingkat deteksi cacatnya hanya sekitar 70%. Selain itu, proses ini lambat dan mahal karena ketergantungan pada keterampilan individu. Kondisi ini mendorong peneliti dan praktisi industri untuk mencari solusi otomatis yang lebih handal.

Di sinilah peran penelitian yang dilakukan oleh Dr. G. M. Nasira dan P. Banumathi menjadi sangat relevan. Dalam paper mereka yang berjudul "Automatic Defect Detection Algorithm for Woven Fabric using Artificial Neural Network Techniques", mereka mengembangkan sebuah sistem deteksi otomatis berbasis jaringan saraf tiruan (Artificial Neural Network/ANN) yang mampu mendeteksi berbagai cacat kain dengan akurasi tinggi.

 

Mengupas Permasalahan Inspeksi Kain Tenun

Inspeksi kain tenun adalah proses yang kompleks. Cacat yang muncul di kain bisa berupa lubang, noda, jahitan yang terlepas, goresan, hingga ketidaksesuaian warna akibat proses pencelupan. Kerumitan ini semakin bertambah jika kain memiliki motif yang rumit, karena perbedaan antara desain asli dan cacat bisa sangat halus.

Dalam praktik industri, pemeriksaan 100% kain di jalur produksi sangat sulit dicapai secara manual. Kecepatan produksi yang tinggi membuat inspeksi manusia menjadi tidak efektif. Akibatnya, banyak cacat baru terdeteksi pada tahap akhir produksi, bahkan setelah produk sudah dikemas, sehingga meningkatkan biaya rework atau scrap.

 

Solusi yang Ditawarkan Penelitian Ini

Dalam penelitian ini, Nasira dan Banumathi merancang sebuah sistem berbasis Artificial Neural Network (ANN) yang secara otomatis mendeteksi cacat pada kain tenun. Sistem ini diawali dengan proses akuisisi gambar kain menggunakan pemindai datar (flatbed scanner) dengan resolusi minimal 300 dpi. Tujuannya adalah menangkap detail tekstur kain dengan tingkat akurasi visual yang tinggi, setara dengan penglihatan manusia.

Gambar yang diambil kemudian diproses menggunakan teknik adaptive median filtering untuk mengurangi noise tanpa menghilangkan detail penting pada tekstur kain. Setelah itu, gambar dikonversi menjadi citra biner agar lebih mudah dianalisis.

Selanjutnya, sistem menghitung area pada gambar biner untuk menilai ada atau tidaknya cacat. Ciri-ciri utama dari area cacat, seperti ukuran dan bentuk, diekstraksi untuk menjadi input ke jaringan saraf tiruan.

 

Artificial Neural Network: Otak di Balik Sistem Deteksi

Jaringan saraf tiruan yang digunakan dalam penelitian ini adalah tipe Backpropagation Neural Network (BPN), yang dilatih menggunakan algoritma gradient descent. Dalam proses pelatihannya, bobot dan bias jaringan diperbarui secara iteratif untuk meminimalkan error dalam mendeteksi cacat.

Jaringan ini diuji pada dataset yang terdiri dari 30 gambar kain, dengan komposisi 20 gambar bebas cacat dan 10 gambar dengan berbagai jenis cacat. Ukuran gambar adalah 256x256 piksel dalam format grayscale 8-bit. Setelah dilatih, sistem diuji kembali pada 15 gambar tambahan untuk mengukur akurasi deteksi.

Hasilnya cukup menjanjikan. Sistem ini berhasil mendeteksi kain bebas cacat dengan tingkat akurasi hingga 95%, dan kain dengan cacat lubang terdeteksi dengan akurasi sekitar 80%. Jenis cacat lain, seperti jahitan yang terlepas dan goresan, memiliki tingkat deteksi masing-masing 65% dan 75%. Secara keseluruhan, sistem mencapai tingkat keberhasilan rata-rata sekitar 93%.

 

Analisis Tambahan: Apa yang Bisa Kita Pelajari?

Keberhasilan sistem deteksi berbasis ANN ini menunjukkan bahwa pendekatan berbasis kecerdasan buatan memang layak diterapkan dalam industri tekstil. Namun, terdapat beberapa catatan penting yang perlu diperhatikan.

Pertama, meskipun sistem ini menunjukkan akurasi tinggi untuk kain polos atau sederhana, kemampuannya dalam mendeteksi cacat pada kain bermotif rumit masih terbatas. Ini karena metode ekstraksi fitur yang digunakan belum cukup kompleks untuk membedakan antara motif asli dan cacat halus.

Kedua, kebutuhan akan data training yang berkualitas sangat krusial. Sistem ANN bergantung sepenuhnya pada kualitas dan variasi data latih. Semakin beragam jenis kain dan cacat yang digunakan dalam pelatihan, semakin baik kemampuan generalisasi sistem ini.

Ketiga, meskipun sistem ini mempercepat proses inspeksi dibandingkan metode manual, proses pengolahan gambar dan pelatihan model masih membutuhkan waktu dan sumber daya komputasi yang cukup besar, terutama jika resolusi gambar tinggi digunakan.

 

Perbandingan dengan Penelitian dan Teknologi Lain

Jika dibandingkan dengan penelitian sejenis, sistem yang dikembangkan oleh Nasira dan Banumathi terbilang sederhana namun efektif. Beberapa pendekatan lain yang lebih kompleks menggunakan teknik seperti Fourier Transform, Gabor Wavelet, hingga Convolutional Neural Network (CNN).

Sebagai contoh, penelitian oleh YH Zhang dan WK Wong pada tahun 2011 menggabungkan genetic algorithm dengan Elman neural network untuk mendeteksi cacat pada kain bertekstur warna, memberikan tingkat fleksibilitas lebih tinggi dalam mengenali pola yang kompleks. Di sisi lain, metode CNN seperti yang digunakan dalam industri semikonduktor menawarkan kemampuan belajar fitur secara otomatis tanpa harus melalui proses ekstraksi fitur manual.

Namun, metode ANN sederhana yang digunakan dalam paper ini memiliki keunggulan dalam hal kemudahan implementasi dan kebutuhan komputasi yang lebih rendah, sehingga cocok untuk pabrik kecil hingga menengah yang baru beralih ke otomatisasi.

 

Relevansi di Industri Tekstil Saat Ini

Dalam konteks Industri 4.0, adopsi sistem inspeksi otomatis berbasis AI sudah menjadi bagian dari smart manufacturing. Beberapa pabrik tekstil terkemuka sudah mulai menerapkan sistem serupa, baik untuk kontrol kualitas internal maupun dalam kerjasama dengan mitra bisnis.

Misalnya, beberapa pemasok H&M dan Zara di Asia Tenggara telah menerapkan teknologi inspeksi visual berbasis deep learning untuk mempercepat proses QC tanpa mengurangi akurasi. Hal ini memungkinkan mereka mengurangi biaya operasional dan meningkatkan efisiensi produksi.

Implementasi sistem berbasis ANN, seperti yang dijelaskan dalam paper ini, bisa menjadi batu loncatan menuju otomatisasi penuh. Dengan tambahan teknologi seperti Edge AI dan sensor IoT, pabrik dapat mencapai deteksi cacat secara real-time di jalur produksi, bukan hanya pada tahap akhir.

 

Kritik dan Saran untuk Penelitian Selanjutnya

Meskipun sistem yang dikembangkan sudah menunjukkan hasil memuaskan, beberapa hal bisa menjadi fokus pengembangan ke depan:

1. Peningkatan Dataset: Menambah variasi kain dan cacat untuk memperkuat kemampuan deteksi.
2. Integrasi dengan CNN: Memanfaatkan kekuatan deep learning untuk meningkatkan akurasi, terutama pada kain bermotif rumit.
3. Implementasi Edge Computing: Mengurangi latensi dan memungkinkan analisis langsung di mesin produksi.
4. Explainable AI (XAI): Memberikan alasan mengapa sistem mengklasifikasikan suatu gambar sebagai cacat atau tidak, untuk meningkatkan kepercayaan pengguna.

 

Kesimpulan: Deteksi Cacat Otomatis, Masa Depan Industri Tekstil

Penelitian yang dilakukan oleh Dr. G. M. Nasira dan P. Banumathi memberikan kontribusi nyata dalam pengembangan sistem inspeksi otomatis kain tenun berbasis ANN. Dengan tingkat keberhasilan hingga 93%, sistem ini terbukti efektif dan ekonomis untuk meningkatkan kualitas produk tekstil.

Meskipun ada tantangan yang harus diatasi, terutama dalam mendeteksi cacat pada kain bermotif rumit, sistem ini sudah menjadi langkah awal yang penting menuju otomatisasi inspeksi kain secara penuh. Industri tekstil yang ingin tetap kompetitif di era Industri 4.0 sudah saatnya mempertimbangkan adopsi teknologi serupa.

 

Sumber:

Nasira, G. M., & Banumathi, P. (2014). Automatic defect detection algorithm for woven fabric using artificial neural network techniques. International Journal of Innovative Research in Computer and Communication Engineering, 2(1), 2620–2624.

Pendahuluan: Evolusi dari Kontrol Manual ke Otomatisasi Cerdas

Selama bertahun-tahun, kontrol kualitas dalam industri mengandalkan mata manusia—penuh intuisi namun rawan kesalahan. Dalam dunia manufaktur modern, di mana kecepatan dan presisi menjadi nilai jual utama, sistem manual tidak lagi memadai. Dalam konteks inilah penelitian oleh Dehdar dkk. menjadi signifikan. Mereka menawarkan solusi revolusioner: integrasi Fuzzy Inference System (FIS), image processing, dan quality control chart untuk mendeteksi cacat serta mengklasifikasikan kualitas batang tembaga secara otomatis.

 

Mengapa Harus Beralih ke Sistem Otomatis?

Inspeksi visual konvensional sering kali bergantung pada keahlian operator, yang bisa berbeda antara satu individu dengan yang lain. Masalah seperti pencahayaan yang buruk, kelelahan mata, dan subjektivitas membuat hasil pemeriksaan tidak konsisten. Penelitian ini menghadirkan solusi berbasis sistem pakar yang menggabungkan:

• Logika fuzzy untuk mengelola ketidakpastian dan ambiguitas visual,
• Pemrosesan citra untuk ekstraksi fitur dari foto batang tembaga,
• FAST (Features from Accelerated Segment Test) untuk mendeteksi titik-titik penting pada permukaan benda,
• Control chart sebagai tolok ukur stabilitas proses manufaktur.

Dengan integrasi ini, sistem mampu menilai apakah proses produksi berada dalam kondisi in control atau out of control—yang langsung berkaitan dengan kualitas produk akhir.

 

Struktur Sistem Pakar yang Diusulkan

Penelitian ini mengembangkan sistem cerdas dalam empat tahap utama:

1. Akuisisi Citra: Mengambil Data dengan Presisi

Peneliti menggunakan kamera Canon SX510 untuk mengambil gambar batang tembaga beresolusi 300x400 piksel. Gambar diambil dalam kondisi terkendali untuk memastikan konsistensi.

2. Pra-Pemrosesan: Membersihkan Data Citra

Citra RGB dikonversi ke model warna HSV, yang dinilai lebih baik dalam mengekspresikan intensitas cahaya permukaan logam. Kanal S (saturation) dipilih karena memberikan kontras paling jelas terhadap permukaan batang tembaga. Proses kemudian dilanjutkan dengan:

• Filter Gaussian untuk mengurangi noise,
• Contrast stretching untuk memperjelas detail halus.

3. Ekstraksi Fitur: Menangkap Cacat secara Objektif

Dua metode diterapkan:

• Canny edge detection untuk mendeteksi batas-batas objek,
• Fuzzy edge detection, yang memanfaatkan nilai gradien tiap piksel untuk menentukan kemungkinan adanya cacat.

Selanjutnya, fitur tambahan diekstrak menggunakan FAST, yang menganalisis lingkungan sekitar setiap piksel untuk mendeteksi “corner points” yang biasanya menunjukkan kehadiran kerusakan permukaan.

4. Penalaran Fuzzy & Pengambilan Keputusan

Dengan dua jenis fitur—jumlah piksel yang mencerminkan cacat (FIS) dan jumlah titik sudut (FAST)—dihasilkan data numerik yang kemudian diplot dalam dua control chart. Berdasarkan grafik ini, peneliti membuat tiga aturan klasifikasi:

• Kualitas A: Kedua grafik menunjukkan proses dalam kondisi in control,
• Kualitas B: Salah satu grafik in control, yang lain out of control,
• Kualitas C: Kedua grafik out of control.

 

Studi Kasus di Industri Batang Tembaga

Dalam implementasinya, 26 sampel batang tembaga dianalisis. Hasilnya menunjukkan variasi jumlah cacat yang signifikan:

• Sampel 5 mencatat 753 titik cacat dan 16 titik sudut (kategori C),
• Sampel 2 hanya memiliki 57 titik cacat dan 1 titik sudut (kategori A),
• Sampel 20 dan 21 menunjukkan nilai menengah sehingga diklasifikasikan sebagai kategori B.

Hasil ini menunjukkan bahwa sistem dapat mengklasifikasikan kualitas produk dengan objektif dan konsisten, bahkan dalam skenario kompleks.

 

Kekuatan & Keunikan Sistem Ini

Penelitian ini menghadirkan kontribusi signifikan dalam kontrol kualitas manufaktur:

✅ Akurasi Tinggi

Kombinasi metode FIS dan FAST menghasilkan deteksi cacat yang tidak hanya presisi, tetapi juga fleksibel terhadap jenis cacat berbeda.

✅ Skalabilitas

Meski studi kasus berfokus pada batang tembaga, struktur sistem dapat dengan mudah diadaptasi untuk produk lain seperti pipa logam, kabel, atau bahkan permukaan keramik.

✅ Mengurangi Ketergantungan pada Tenaga Manusia

Dalam industri yang padat karya, sistem seperti ini dapat menurunkan biaya tenaga kerja dan meningkatkan efisiensi operasional.

 

Kritik & Komentar: Apa yang Bisa Ditingkatkan?

Walau sistem ini mengesankan dalam banyak aspek, terdapat beberapa catatan penting:

1. Skala Data Masih Terbatas
   Jumlah sampel (26) masih tergolong kecil untuk menarik kesimpulan berskala industri besar. Akan lebih baik jika sistem diuji pada ratusan atau ribuan batang untuk mengukur performa dalam lingkungan nyata.
2. Fokus pada Cacat Permukaan Saja
   Sistem ini belum mempertimbangkan cacat internal (misalnya, retak mikro atau porositas dalam). Kombinasi dengan metode seperti ultrasonografi atau X-ray bisa memperluas cakupan inspeksi.
3. Belum Menggunakan Deep Learning
   Metode deep learning seperti CNN (Convolutional Neural Networks) bisa menggantikan sebagian besar pipeline manual dan memberikan klasifikasi yang lebih adaptif seiring bertambahnya data.

 

Relevansi terhadap Tren Industri

Industri 4.0 menuntut otomatisasi, integrasi data, dan kecerdasan buatan dalam semua lini produksi. Penelitian ini sangat relevan dalam konteks:

• Smart Manufacturing: Sistem berbasis AI yang terintegrasi dalam jalur produksi.
• Zero Defect Manufacturing: Upaya menuju produksi tanpa cacat.
• Predictive Quality: Pengambilan keputusan berdasarkan data real-time.

Menurut laporan McKinsey (2023), 68% pabrikan besar telah mengintegrasikan sistem berbasis penglihatan komputer dalam inspeksi mereka. Maka, pendekatan yang ditawarkan Dehdar dkk. merupakan langkah awal yang tepat menuju otomatisasi total.

 

Kesimpulan: Menuju Inspeksi Kualitas Tanpa Kompromi

Penelitian ini berhasil memperkenalkan sistem cerdas yang menggabungkan fuzzy logic dan pemrosesan citra untuk klasifikasi kualitas batang tembaga. Dengan pipeline yang jelas—dari akuisisi citra hingga klasifikasi berbasis grafik kontrol—sistem ini menjanjikan efisiensi, akurasi, dan konsistensi yang sulit dicapai oleh metode manual.

Masa Depan Penelitian:

• Integrasi dengan deep learning,
• Penerapan multisensor (penggabungan visual dan ultrasonik),
• Real-time implementation dalam lini produksi besar.

Dengan semakin tingginya standar kualitas dan efisiensi dalam industri global, sistem seperti ini bukan lagi pilihan, melainkan keharusan.

 

Sumber:

Dehdar, M. M., Jahangoshai Rezaee, M., Zarinbal, M., & Izadbakhsh, H. (2018). Integrating Fuzzy Inference System, Image Processing and Quality Control to Detect Defects and Classify Quality Level of Copper Rods. International Journal of Industrial Engineering & Production Research, 29(4), 461–469.
 

 

Mengapa Kontrol Kualitas Manual Sudah Tidak Relevan?

Di banyak pabrik, termasuk produsen besar seperti Vista Alegre Group di Portugal, proses pemeriksaan kualitas masih mengandalkan tenaga manusia. Bayangkan ini: dua petugas harus memeriksa sekitar 4.000 hingga 5.000 piring per hari. Ini jelas tidak realistis. Akibatnya, hanya sekitar 200 piring yang bisa diperiksa—tidak sampai 5% dari total produksi. Ini membuka celah besar untuk cacat seperti retakan halus atau goresan kecil lolos ke pasar, merusak citra merek dan menimbulkan kerugian.

Masalahnya bukan hanya kelelahan mata atau ketidaktelitian manusia. Sistem manual juga membatasi kecepatan produksi karena pabrik harus melambat agar petugas bisa memeriksa dengan seksama. Maka, kebutuhan akan sistem otomatis bukan sekadar kemewahan, tetapi urgensi.

 

Solusi Cerdas: CNN sebagai Mesin Penglihatan Buatan

Dalam tesisnya, Afonso Luís Costa Barbosa da Silva menawarkan pendekatan mutakhir menggunakan CNN (Convolutional Neural Network). Teknologi ini meniru cara kerja otak manusia dalam mengenali objek visual, tetapi dengan kecepatan dan akurasi yang konsisten.

Inti dari sistem yang dikembangkan adalah kemampuan untuk mengklasifikasi gambar piring menjadi dua kategori: cacat atau tidak. Gambar-gambar ini diambil oleh kamera beresolusi tinggi yang dipasang langsung di jalur produksi. Sistem ini dirancang untuk bekerja secara real-time, menghilangkan kebutuhan akan pengawasan manual.

 

Dari Kendala Pandemi ke Inovasi Dataset Sintetik

Salah satu tantangan terbesar dalam penelitian ini adalah pandemi COVID-19. Ketika proyek dimulai, pabrik menghentikan operasinya, sehingga tidak ada data riil yang bisa dikumpulkan. Afonso kemudian memilih jalan kreatif: membangun dataset sendiri.

Pertama, ia mengambil 10 gambar piring dari situs jual beli daring. Lalu, dengan bantuan perangkat lunak seperti MATLAB, ia menyisipkan cacat buatan—seperti goresan dan retakan—secara manual. Untuk memperluas dataset, ia menggunakan teknik data augmentation seperti rotasi gambar, pergeseran piksel, dan penyesuaian pencahayaan. Dari hanya 20 gambar asli, ia berhasil menghasilkan lebih dari 60.000 gambar baru.

Namun, ia tidak berhenti di situ. Ketika pabrik akhirnya bisa mengirim sampel fisik, tim di INOV INESC Inovação mengembangkan image generator berbasis tekstur nyata dari piring tersebut. Dengan alat ini, mereka berhasil membuat dataset realistis yang meniru kondisi sebenarnya di jalur produksi, lengkap dengan cacat yang lebih menyerupai kenyataan.

 

Strategi Klasifikasi: Gambar Utuh vs Potongan Gambar

Ada dua pendekatan utama yang digunakan untuk klasifikasi:

1. Klasifikasi Gambar Utuh
   Gambar piring diubah ukurannya menjadi resolusi rendah dan langsung diklasifikasi. Kelebihannya adalah kecepatan, tapi informasi visual bisa hilang karena proses pengecilan.
2. Klasifikasi Segmen Gambar
   Gambar dipecah menjadi potongan kecil berukuran 100x100 piksel tanpa mengubah resolusi. Setiap segmen diklasifikasi secara terpisah, lalu hasilnya digabung untuk menilai piring secara keseluruhan. Cara ini lebih akurat karena tidak kehilangan detail, tapi memerlukan proses lebih rumit.

Kedua metode diuji secara menyeluruh, dan hasilnya menunjukkan bahwa pendekatan berbasis segmen memberikan akurasi yang lebih stabil terutama saat menggunakan data realistis.

 

Evaluasi Kinerja: Seberapa Baik Sistem Ini?

Saat sistem diuji pada dataset buatan awal, model CNN sederhana mampu mencapai akurasi di atas 91%. Bahkan dengan data yang sepenuhnya sintetis, sistem ini menunjukkan potensi luar biasa dalam mengenali pola cacat. Ketika menggunakan dataset realistis, kinerjanya meningkat secara signifikan.

Teknik transfer learning dengan arsitektur seperti VGG16 juga dicoba. Meskipun model ini lebih lambat karena kompleksitasnya, akurasinya lebih tinggi dibanding CNN yang dibangun dari awal. Namun, VGG16 hanya melatih lapisan akhir (fully connected layers), sementara bagian awal tetap dari model aslinya, yang membuatnya kurang fleksibel jika kondisi data berubah.

 

Uji Lapangan: Penerapan Sistem di Pabrik Nyata

Dalam simulasi dunia nyata, sistem ini bekerja dalam dua fase:

1. Penandaan Cacat Otomatis
   Piring yang terdeteksi cacat oleh CNN ditandai dengan tinta tak terlihat. Di akhir jalur produksi, pekerja memverifikasi keakuratan sistem tanpa mengganggu kecepatan produksi.
2. Penyortiran Otomatis (Tahap Lanjutan)
   Di masa depan, sistem ini bisa disambungkan dengan lengan robot atau sistem ejector otomatis untuk mengeluarkan piring cacat secara langsung dari jalur produksi.

Dengan pendekatan ini, kontrol kualitas bisa dilakukan untuk 100% produk, bukan hanya sampel kecil.

 

Kritik dan Ruang Pengembangan

Meskipun tesis ini menghadirkan sistem yang kuat, ada beberapa hal yang bisa diperbaiki:

• Realitas Data: Cacat sintetis tidak sepenuhnya mencerminkan kompleksitas cacat nyata. Untuk pelatihan yang lebih akurat, perlu dataset besar dari produksi riil.
• Ukuran Gambar: Gambar beresolusi tinggi membutuhkan pemrosesan berat. Butuh sistem komputasi yang efisien agar bisa diterapkan dalam skala industri.
• Multiklasifikasi: Saat ini, sistem hanya membedakan antara "cacat" dan "tidak cacat". Dalam dunia nyata, mengenali jenis cacat bisa membantu memperbaiki proses produksi itu sendiri.

 

Mengapa Ini Penting bagi Industri 4.0?

Tren industri saat ini menuntut otomatisasi penuh, dan sistem ini merupakan langkah konkret menuju smart factory. Dengan integrasi AI seperti CNN, pabrik dapat:

• Mengurangi ketergantungan pada manusia dalam proses repetitif,
• Meningkatkan konsistensi dan akurasi kontrol kualitas,
• Memotong biaya jangka panjang untuk inspeksi manual,
• Memberikan data real-time untuk perbaikan proses produksi.

Di masa depan, teknologi seperti ini dapat dikombinasikan dengan IoT, edge computing, bahkan augmented reality untuk menciptakan sistem inspeksi yang otonom dan cerdas.

 

Kesimpulan: Dari Tantangan Menjadi Peluang

Tesis Afonso da Silva menunjukkan bagaimana kendala besar seperti pandemi bisa menjadi katalis inovasi. Dengan kreativitas, pengetahuan teknis, dan pendekatan bertahap, ia berhasil membangun fondasi kuat untuk sistem kontrol kualitas otomatis berbasis deep learning di industri manufaktur piring keramik.

Hasil penelitiannya relevan tidak hanya untuk satu pabrik, tapi untuk seluruh sektor industri yang bergelut dengan inspeksi visual dan kontrol kualitas. Teknologi ini membuka pintu bagi produksi yang lebih efisien, akurat, dan tahan terhadap kesalahan manusia—sebuah langkah pasti menuju masa depan manufaktur yang cerdas.

 

Sumber:

Barbosa da Silva, A. L. C. (2020). Detection of Dish Manufacturing Defects Using a Deep Learning-Based Approach. Master's Thesis, ISCTE-IUL.