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: Krisis Data dalam Dunia Deteksi Cacat

Industri manufaktur modern menuntut inspeksi kualitas dengan presisi tinggi dan kecepatan maksimal. Namun, ketika berhadapan dengan cacat permukaan pada produk—dari goresan hingga deformasi struktural—tantangan terbesar justru datang dari kelangkaan data.

Cacat industri kerap kali bersifat langka dan tidak terstruktur, menjadikannya tidak ideal untuk model deep learning yang membutuhkan ribuan contoh data. Dalam konteks ini, riset oleh Xiaopin Zhong et al. (2023) memberikan solusi strategis: menghasilkan gambar cacat sintetis yang realistis sebagai pelengkap data pelatihan.

 

Mengapa Gambar Cacat Sintetis Itu Penting?

Permasalahan utama dalam deteksi cacat berbasis AI adalah long-tailed distribution—di mana sebagian besar data didominasi oleh contoh normal, sementara contoh cacat sangat jarang. Ini menyebabkan model menjadi bias dan gagal mendeteksi cacat minor yang krusial. Untuk mengatasi ini, teknik image generation atau sintesis gambar muncul sebagai solusi strategis.

Dengan memanfaatkan model seperti Generative Adversarial Networks (GAN) dan diffusion models, peneliti dapat menciptakan ratusan bahkan ribuan gambar cacat baru yang memiliki variasi bentuk, ukuran, dan posisi, tanpa perlu proses labeling manual yang mahal dan memakan waktu.

 

Metode Tradisional vs Deep Learning: Siapa yang Unggul?

Metode Tradisional: Cepat, Murah, tapi Kurang Realistis

Teknik tradisional seperti Computer-Aided Design (CAD) dan pemrosesan citra digital masih digunakan, terutama untuk simulasi cacat pada material kaku seperti baja atau logam tuang. Misalnya:

• CAD dapat menghasilkan cacat geometris secara presisi.
• Metode berbasis noise seperti Perlin Noise atau Gaussian dapat digunakan untuk menciptakan cacat pori atau spot pada latar belakang nyata.

Namun, metode ini terbatas pada variasi bentuk dan tidak mampu menangkap kompleksitas dunia nyata—misalnya efek pencahayaan, tekstur acak, atau pencampuran dengan latar yang tidak homogen.

Deep Learning: Realisme Tinggi dengan Biaya Komputasi

Teknik berbasis deep learning membawa revolusi besar. Generative Adversarial Networks (GAN) dan diffusion models terbukti mampu menghasilkan gambar sintetis yang hampir tak bisa dibedakan dari gambar nyata.

Model GAN Populer:

• DCGAN: Pionir dalam menyintesis gambar dari noise.
• Pix2Pix: Cocok untuk data berpasangan (input-output).
• CycleGAN: Ideal untuk data tidak berpasangan.
• StyleGAN: Fokus pada kontrol fitur gambar seperti tekstur dan bentuk.
• ACGAN: Menambahkan kondisi label untuk klasifikasi sekaligus generasi.

Kelebihan utama deep learning terletak pada fleksibilitas dan skalabilitas. Model seperti StyleGAN bahkan mampu menyintesis cacat yang tidak tersedia dalam data nyata, seperti goresan mikroskopis atau cacat struktural kompleks.

 

Studi Kasus: Benchmark Empiris yang Menarik

Penulis melakukan eksperimen pada dataset Magnetic Tile Defect dan membandingkan 5 pendekatan: Pix2Pix, CycleGAN, StyleGAN, serta dua model diffusion—SD + LoRA dan SD + LoRA + ControlNet.

Temuan Utama:

• SD + LoRA + ControlNet menghasilkan kualitas gambar terbaik, terutama pada detail latar belakang dan akurasi bentuk cacat.
• Pix2Pix unggul di antara model GAN karena pelatihan data berpasangan membuatnya lebih presisi.
• StyleGAN unggul untuk cacat besar atau tidak beraturan, sedangkan CycleGAN lebih stabil untuk cacat kecil seperti gelembung atau bintik.

Evaluasi Objektif:

• FID (Fréchet Inception Distance), IS (Inception Score), SSIM, dan LPIPS menunjukkan performa tertinggi oleh model diffusion.
• Kinerja model juga diuji dalam tugas klasifikasi: akurasi meningkat dari 75% menjadi hampir 89% saat data augmented dengan gambar sintetis—angka yang signifikan di dunia industri.

 

Tantangan dan Masa Depan: GAN vs Diffusion

Masalah pada GAN:

• Mode Collapse: Gambar yang dihasilkan tidak bervariasi.
• Kesulitan Pelatihan: Tidak stabil dan sensitif terhadap parameter.
• Resolusi Terbatas: Sulit menghasilkan gambar HD tanpa struktur khusus.

Keunggulan Diffusion Model:

• Mampu menghasilkan gambar ultra-realistis bahkan dari noise acak.
• Lebih stabil dan tahan terhadap overfitting.
• Kontrol terhadap fitur cacat bisa lebih presisi dengan bantuan seperti ControlNet.

Namun, diffusion model juga memiliki tantangan seperti waktu pelatihan yang lebih lama dan kebutuhan komputasi yang lebih tinggi.

 

Implikasi Nyata di Dunia Industri

Sektor manufaktur seperti otomotif, elektronik, hingga logam berat dapat mengambil manfaat dari metode ini untuk:

• Peningkatan kualitas inspeksi visual otomatis
• Pengurangan ketergantungan pada inspeksi manual
• Pemangkasan waktu dan biaya pelabelan data
• Pemecahan masalah data imbalance pada proses pelatihan AI

Dengan diterapkannya teknik ini, industri bisa mencapai efisiensi lebih tinggi, akurasi lebih baik, dan sistem deteksi cacat yang lebih adaptif terhadap perubahan produk.

 

Opini dan Perbandingan

Dibandingkan dengan riset lain yang fokus pada augmentasi data secara sederhana (rotasi, flipping), pendekatan generatif memiliki keunggulan signifikan. Bahkan, paper ini berhasil mengisi celah dalam literatur dengan menawarkan benchmark pertama untuk evaluasi berbagai metode sintesis gambar cacat, sesuatu yang sebelumnya belum tersedia secara komprehensif.

Sebagai nilai tambah, penggunaan diffusion model yang dipadukan dengan LoRA dan ControlNet juga menandai pergeseran paradigma dari sekadar augmentation menjadi generative augmentation yang cerdas dan terarah.

 

Kesimpulan: Dari Gambar Buatan Menuju Deteksi yang Cerdas

Riset ini membuktikan bahwa gambar sintetis bukan hanya sekadar “tambahan data”, tetapi fondasi baru dalam membangun sistem deteksi cacat industri yang cerdas, adaptif, dan presisi. Di tengah keterbatasan data nyata dan tantangan label manual, pendekatan ini mampu menjawab kebutuhan industri akan efisiensi dan akurasi dalam satu paket inovatif.

 

Sumber:

Zhong, X., Zhu, J., Liu, W., Hu, C., Deng, Y., & Wu, Z. (2023). An Overview of Image Generation of Industrial Surface Defects. Sensors, 23(19), 8160.

 

Pendahuluan

Dalam dunia industri manufaktur baja modern, kualitas permukaan produk menjadi prioritas utama. Flat steel atau baja datar mencakup lebih dari 65% dari seluruh produk industri baja. Material ini memainkan peran krusial dalam berbagai sektor industri seperti otomotif, kedirgantaraan, konstruksi, hingga mesin berat. Permasalahan kualitas pada baja datar, khususnya cacat permukaan, tidak hanya merugikan dari sisi ekonomi, tetapi juga mengancam reputasi produsen.

Paper “Automated Visual Defect Detection for Flat Steel Surface: A Survey” yang disusun oleh Qiwu Luo dkk. dan diterbitkan di IEEE Transactions on Instrumentation and Measurement, mengulas secara komprehensif teknologi deteksi cacat visual otomatis berbasis visi komputer yang digunakan dalam industri baja datar. Kajian ini mencakup lebih dari 120 publikasi dalam dua dekade terakhir dan mengkategorikan pendekatan deteksi cacat ke dalam empat kelompok besar: statistik, spektral, berbasis model, dan pembelajaran mesin.

Urgensi Deteksi Cacat Permukaan Otomatis

Dalam proses produksi baja datar—baik itu slab hasil continuous casting, hot-rolled steel, maupun cold-rolled steel—cacat permukaan seperti goresan, lubang, retakan, hingga perubahan warna menjadi perhatian utama. Cacat ini tidak hanya mengurangi kualitas estetika, tetapi juga berdampak pada kekuatan struktural dan keselamatan pengguna akhir.

Proses deteksi cacat secara manual oleh inspektur manusia terbukti tidak efisien karena keterbatasan kecepatan, kelelahan, dan subjektivitas. Oleh karena itu, sistem Automated Visual Inspection (AVI) menjadi solusi standar dalam pabrik baja modern.

Tantangan dalam Implementasi Sistem Deteksi Cacat Otomatis

Meskipun sudah menjadi standar industri, penerapan AVI masih menghadapi tantangan signifikan, di antaranya:

• Lingkungan pencitraan yang buruk, seperti suhu tinggi, kabut, percikan air, pencahayaan tidak merata, dan getaran yang menyebabkan noise pada citra.
• Aliran data gambar yang sangat besar, mencapai 2.56 Gbps pada pengukuran kualitas permukaan secara real-time, membutuhkan algoritma yang sangat efisien dan akurat.
• Variasi intra-class yang besar dan perbedaan antar kelas yang kecil, yang menyulitkan pemisahan cacat nyata dari anomali permukaan biasa.

Taksonomi Metode Deteksi Cacat

1. Pendekatan Statistik

Metode statistik fokus pada analisis distribusi intensitas piksel untuk mendeteksi anomali permukaan. Beberapa teknik utama antara lain:

• Thresholding Adaptif, seperti yang digunakan oleh Djukic et al., yang memanfaatkan distribusi probabilitas intensitas piksel.
• Clustering, seperti pendekatan Superpixel yang memungkinkan deteksi cacat periodik meskipun ada gangguan noise.
• Edge Detection menggunakan operator Sobel dan Kirsch, meski metode ini sensitif terhadap pencahayaan yang tidak merata.

Kelebihan metode ini adalah kesederhanaan implementasi dan efisiensi komputasi. Namun, kelemahannya meliputi sensitivitas terhadap noise dan kurangnya kemampuan mendeteksi cacat dengan kontras rendah.

2. Pendekatan Spektral

Teknik spektral seperti Transformasi Fourier, Filter Gabor, dan Transformasi Wavelet digunakan untuk mengidentifikasi tekstur kompleks dan cacat halus. Transformasi ini sangat efektif dalam mendeteksi pola periodik, namun membutuhkan komputasi tinggi.

Contoh nyata penerapan metode ini adalah pada deteksi cacat berupa goresan longitudinal pada cold-rolled steel yang seringkali memiliki tekstur yang kompleks dan kontras rendah.

3. Pendekatan Berbasis Model

Metode ini menggunakan representasi matematis dari struktur gambar, seperti Model Markov Random Field (MRF) dan Active Contour Model. Keunggulan metode ini adalah kemampuannya untuk menyesuaikan dengan bentuk cacat yang beragam. Akan tetapi, kompleksitas komputasinya tinggi dan kurang cocok untuk pemrosesan real-time.

4. Pembelajaran Mesin (Machine Learning)

Metode berbasis pembelajaran mesin, khususnya Deep Learning, telah menjadi tren utama dalam lima tahun terakhir. Model CNN (Convolutional Neural Network) memungkinkan deteksi dan klasifikasi cacat dengan akurasi tinggi.

Beberapa studi menunjukkan bahwa algoritma pembelajaran mendalam dapat mengatasi tantangan noise dan variasi pencahayaan, asalkan didukung oleh data pelatihan yang memadai. Namun, pembelajaran mesin memerlukan dataset besar dan perangkat keras komputasi tinggi.

Studi Kasus Implementasi Deteksi Cacat

Kasus 1: Pabrik Baja di China

Sebuah pabrik baja besar di China menerapkan sistem AVI berbasis CNN untuk cold-rolled steel. Hasilnya, akurasi deteksi cacat meningkat hingga 98%, dengan penurunan waktu pemeriksaan sebesar 30% dibandingkan metode konvensional.

Kasus 2: Industri Otomotif Eropa

Perusahaan otomotif ternama di Eropa mengintegrasikan AVI berbasis spektral untuk mendeteksi goresan halus pada panel baja. Ini memastikan bahwa setiap komponen memenuhi standar keselamatan sebelum dirakit menjadi kendaraan.

Analisis Kritis dan Perbandingan dengan Penelitian Lain

Dibandingkan dengan survei sebelumnya seperti yang dilakukan oleh Youkachen et al., paper ini lebih fokus pada produk flat steel daripada mencakup semua jenis produk baja. Kelebihan utama paper ini adalah klasifikasinya yang jelas atas metode-metode deteksi cacat, serta ulasan mendalam tentang kekuatan dan kelemahan masing-masing pendekatan.

Namun, paper ini masih bersifat teoretis tanpa evaluasi praktis dari sistem AVI yang tersedia di pasaran. Beberapa rekomendasi untuk penelitian lanjutan meliputi:

• Pengembangan dataset standar industri untuk benchmark sistem AVI.
• Penelitian lebih dalam pada model hybrid yang menggabungkan statistik klasik dan pembelajaran mesin.
• Peningkatan interpretabilitas model deep learning agar lebih mudah diadopsi oleh praktisi industri.

Tren Masa Depan dan Implikasi Praktis

Dengan pesatnya perkembangan teknologi Edge AI, sistem AVI masa depan diprediksi akan lebih ringkas dan hemat daya, memungkinkan pemrosesan data langsung di pabrik tanpa perlu server besar. Selain itu, penerapan Augmented Reality (AR) dapat memberikan feedback visual langsung kepada operator pabrik mengenai kualitas produk.

Sementara itu, integrasi AVI dengan Internet of Things (IoT) membuka peluang pengawasan kualitas secara end-to-end, mulai dari proses produksi hingga distribusi.

Kesimpulan

Paper "Automated Visual Defect Detection for Flat Steel Surface: A Survey" memberikan wawasan yang komprehensif dan sistematis mengenai berbagai pendekatan deteksi cacat permukaan baja datar. Baik dari sisi teori maupun perkembangan teknologi terkini, paper ini layak menjadi referensi utama bagi peneliti dan praktisi industri.

Namun, agar teknologi ini semakin relevan dalam aplikasi nyata, penelitian ke depan perlu lebih menekankan pada sistem real-time yang efisien, mudah dioperasikan, dan hemat biaya. Di sisi lain, keterlibatan multidisiplin antara ilmuwan komputer, ahli material, dan insinyur manufaktur menjadi kunci dalam mengembangkan solusi deteksi cacat permukaan yang inovatif dan aplikatif.

 

Sumber Artikel:

Luo, Q., Fang, X., Liu, L., Yang, C., & Sun, Y. (2019). Automated visual defect detection for flat steel surface: A survey. IEEE Transactions on Instrumentation and Measurement. (Accepted for future publication).

Pendahuluan: Tantangan Inspeksi Visual di Industri Logam

Dalam industri manufaktur berbasis logam, inspeksi visual untuk mendeteksi cacat permukaan menjadi langkah krusial dalam menjaga kualitas produk. Namun, semakin kompleks desain produk, terutama dengan permukaan logam reflektif dan bentuk geometris yang rumit, semakin sulit proses inspeksi ini dilakukan secara otomatis.

Permukaan logam seperti komponen kopling (clutch part), yang menjadi fokus studi dalam paper ini, memiliki karakteristik unik. Pantulan cahaya yang kuat, permukaan melengkung, dan tekstur yang beragam menyebabkan cacat visual—seperti goresan, penyok, dan lubang kecil—sulit dikenali secara konsisten dari berbagai sudut pandang. Sistem inspeksi visual berbasis machine learning yang ada saat ini membutuhkan jumlah data berlabel yang sangat besar, sementara pada kenyataannya, data cacat riil sangat langka, apalagi untuk produk premium dengan tingkat kecacatan rendah.

Dalam paper ini, Fulir dan tim dari Fraunhofer ITWM dan RPTU Kaiserslautern-Landau memperkenalkan pendekatan baru berbasis data sintetik untuk defect segmentation pada permukaan logam kompleks. Mereka membangun dataset dual—kombinasi data nyata dan data sintetik—untuk menjawab tantangan klasik dalam machine learning: kekurangan data berkualitas untuk pelatihan model deteksi cacat.

 

Mengapa Data Sintetik Penting dalam Inspeksi Permukaan Logam?

Realitas Produksi: Data Cacat yang Sulit Didapat

Di lini produksi modern, cacat produk semakin jarang terjadi berkat efisiensi proses manufaktur. Namun, justru karena itu, tim AI menghadapi masalah data imbalance antara gambar produk normal dan produk cacat. Padahal, model deep learning umumnya memerlukan data ratusan hingga ribuan gambar cacat agar bisa belajar mengenali pola cacat secara akurat.

Solusi: Sintesis Data Cacat

Penggunaan data sintetik memungkinkan:

• Penciptaan cacat buatan secara presisi, meniru berbagai bentuk dan kondisi nyata.
• Fleksibilitas dalam mendesain beragam skenario pencahayaan, sudut pandang, dan tekstur.
• Hemat biaya dan waktu, dibanding mengandalkan akuisisi data riil yang mahal.

Fulir dkk. tidak hanya menciptakan gambar sintetik yang realistis, tapi juga memperkenalkan teknik disentanglement antara foreground (cacat) dan background (produk), sehingga model dapat belajar lebih terarah.

 

Riset dan Metodologi: Pendekatan Sintetik untuk Cacat Logam Kompleks

1. Dataset Dual: RealClutch dan SynthClutch

• RealClutch: Dataset riil yang dikumpulkan dari komponen kopling berbahan aluminium, terdiri dari berbagai tekstur dan cacat nyata. Data dikumpulkan dari 86 sudut pandang, menghasilkan 516 gambar berlabel.
• SynthClutch: Dataset sintetik berbasis model 3D objek yang sama, dengan 20 versi produk cacat dan 20 versi produk sempurna. Menggunakan simulasi pencahayaan dan rendering realistis, dihasilkan 4240 gambar dari 106 sudut pandang.

2. Teknik Peningkatan Data Sintetik

• Intensity-Biased Cropping: Proses cropping gambar difokuskan pada area terang untuk meningkatkan keakuratan model mendeteksi permukaan produk yang relevan.
• Exposure Stacking: Menggabungkan gambar dengan berbagai tingkat eksposur untuk memungkinkan model menangkap cacat pada area gelap tanpa mengorbankan area terang.

3. Proses Sintesis Cacat

Cacat seperti goresan dan penyok disimulasikan dengan detail:

• Goresan dirancang dengan variasi kedalaman, panjang, dan kelengkungan.
• Penyok dirancang dengan variasi ukuran dan kedalaman. Proses ini menghasilkan cacat yang menyerupai kondisi nyata dalam hal refleksi cahaya dan tekstur permukaan.

 

Analisis Hasil dan Temuan Kunci

Performa Dataset Sintetik vs Dataset Nyata

Fulir dkk. melakukan evaluasi pada beberapa arsitektur model segmentasi populer, seperti:

• FCN (Fully Convolutional Network)
• DeepLabV3
• U-Net

Temuan Utama:

• Model yang dilatih murni pada dataset sintetik SynthClutch, kemudian di-fine-tune pada data nyata RealClutch, mampu meningkatkan performa F1-Score hingga 40.5%, jauh lebih tinggi dibanding model baseline yang hanya menggunakan data nyata.
• Tanpa fine-tuning, dataset sintetik tetap menunjukkan dua kali lipat performa dibanding dataset planar seperti DAGM dan Severstal Steel yang digunakan untuk pre-training.
• Exposure stacking pada SynthClutch mampu meningkatkan recall, memperluas cakupan area deteksi cacat di permukaan objek.

 

Studi Kasus: Pengujian di Komponen Kopling Logam

Komponen kopling yang digunakan dalam penelitian ini merepresentasikan objek industri dengan geometri kompleks. Dengan tekstur yang beragam dari proses pemesinan seperti milling dan brushing, serta pantulan cahaya yang anisotropik, ini adalah tantangan nyata bagi inspeksi visual.

Dataset RealClutch:

• Memiliki empat pola tekstur berbeda, menciptakan variasi tantangan untuk segmentasi cacat.
• Manual labeling dilakukan dengan bantuan peningkatan eksposur gambar, sebuah pendekatan praktis untuk menonjolkan area cacat.

Dataset SynthClutch:

• Menghasilkan cacat dengan presisi tinggi dalam bentuk geometri dan tekstur.
• Proses rendering menggunakan emissive material untuk mask cacat, mendekati ground truth sempurna yang sulit dicapai pada data nyata.

 

Kelebihan dan Kekurangan Pendekatan Sintetik

Kelebihan

• Kontrol penuh terhadap data: Bisa menciptakan kondisi ekstrem dan skenario langka yang jarang ditemukan dalam data nyata.
• Penghematan biaya: Tidak perlu produksi fisik produk cacat untuk keperluan pelatihan AI.
• Fleksibilitas tinggi: Dapat disesuaikan dengan berbagai tipe permukaan, pencahayaan, dan kebutuhan inspeksi spesifik.

Kekurangan

• Domain Gap: Perbedaan antara data sintetik dan nyata masih menjadi tantangan. Meskipun performa meningkat dengan fine-tuning, domain gap belum sepenuhnya hilang.
• Over-labeling: Label cacat pada data sintetik sangat presisi secara geometris, tetapi belum tentu sesuai dengan persepsi visual manusia dalam kondisi pencahayaan nyata.
• Keterbatasan dalam Multi-View Analysis: Sistem masih mengandalkan pandangan tunggal, sementara inspektur manusia biasanya membutuhkan multi-angle view untuk memastikan adanya cacat.

 

Perbandingan dengan Penelitian dan Teknologi Lain

Jika dibandingkan dengan dataset seperti:

• DAGM: Dataset tekstur generik yang kurang realistis untuk permukaan logam industri.
• Severstal Steel Dataset: Fokus pada permukaan planar tanpa kompleksitas bentuk.
• MTD (Magnetic Tile Defects): Lebih sederhana, dengan sedikit variasi dalam pencahayaan.

SynthClutch jauh lebih relevan untuk inspeksi multi-view, memungkinkan model belajar dari refleksi dan tekstur realistis, yang kritikal dalam aplikasi industri logam modern.

 

Dampak Praktis untuk Industri Manufaktur

1. Efisiensi Proses Quality Control

Dengan dataset sintetik yang kaya, perusahaan bisa mempercepat training model AI, mengurangi waktu development dari bulan menjadi minggu.

2. Pengurangan Biaya Inspeksi

Sistem inspeksi visual otomatis berbasis data sintetik dapat mengurangi ketergantungan pada inspeksi manual hingga 60%, menurut estimasi studi ini.

3. Arah Masa Depan Inspeksi Logam

• Edge Computing: Potensi integrasi dengan sistem inspeksi real-time berbasis edge AI.
• Explainable AI (XAI): Kebutuhan untuk membuat sistem inspeksi AI yang transparan dan mudah diaudit.
• Multi-View 3D Inspection: Model yang mampu menggabungkan informasi dari berbagai sudut pandang, layaknya inspeksi manusia.

 

Kritik dan Arah Penelitian Masa Depan

Kritik

• Domain gap menjadi tantangan utama. Penggunaan domain adaptation dan domain randomization perlu lebih dieksplorasi.
• Data sintetik cenderung over-labeled, menciptakan potensi bias pada model.
• Multi-view memory networks menjadi kebutuhan mendesak, mengingat kompleksitas permukaan logam dalam aplikasi nyata.

Arah Pengembangan

• Peningkatan realisme tekstur dan pencahayaan dalam sintesis data.
• Integrasi dengan CAD models untuk menghasilkan data simulasi multi-view yang lebih mendekati realita.
• Eksplorasi generative models berbasis GAN terbaru, seperti Defect-GAN dan CAD2Render, untuk meningkatkan kualitas data sintetik.

 

Kesimpulan: Data Sintetik, Masa Depan Inspeksi Visual Industri Logam

Penelitian oleh Fulir dan tim membuktikan bahwa data sintetik bukan sekadar alternatif, melainkan solusi utama untuk mengatasi keterbatasan data dalam pelatihan model deteksi cacat logam yang kompleks. Dengan performa yang lebih baik dibanding dataset planar tradisional, dan fleksibilitas tinggi untuk simulasi multi-view, pendekatan ini membuka peluang besar dalam otomatisasi inspeksi industri.

Bagi perusahaan manufaktur logam yang ingin bersaing di era Industri 4.0, investasi dalam sistem berbasis data sintetik seperti SynthClutch adalah langkah strategis. Tidak hanya meningkatkan akurasi inspeksi, tetapi juga menurunkan biaya dan meningkatkan efisiensi produksi.

 

Sumber

Fulir, J., Bosnar, L., Hagen, H., & Gospodnetić, P. (2023). Synthetic data for defect segmentation on complex metal surfaces. In Proceedings of the CVPR 2023 Workshop. IEEE.

 

Pendahuluan: Tantangan Deteksi Cacat di Era Industri 4.0

Seiring berkembangnya era Industri 4.0, otomatisasi dalam lini produksi bukan lagi menjadi pilihan, melainkan kebutuhan mutlak. Salah satu aspek vital dalam produksi adalah quality control (QC), terutama untuk mendeteksi cacat produk. Namun, tantangan utama yang dihadapi industri manufaktur modern adalah kelangkaan data cacat berkualitas untuk melatih model deteksi otomatis. Hal ini terjadi karena lini produksi saat ini sudah sangat efisien, menghasilkan produk cacat yang sangat sedikit. Akibatnya, dataset yang tidak seimbang menjadi hambatan serius dalam pengembangan Artificial Intelligence (AI) untuk Automated Visual Inspection (AVI).

Paper yang ditulis oleh Ruyu Wang, Sabria Hoppe, Eduardo Monari, dan Marco F. Huber, yang berjudul Defect Transfer GAN: Diverse Defect Synthesis for Data Augmentation, menawarkan solusi inovatif. Mereka memperkenalkan Defect Transfer GAN (DT-GAN), sebuah framework berbasis Generative Adversarial Network (GAN) yang secara cerdas mensintesis gambar produk dengan cacat realistis. Teknologi ini secara signifikan meningkatkan dataset yang seimbang dan beragam untuk pelatihan model deteksi cacat, bahkan pada kondisi data riil yang sangat terbatas.

 

Mengapa DT-GAN Penting untuk Industri Manufaktur?

Masalah Umum dalam Deteksi Cacat Otomatis

• Data Imbalance: Cacat produk jarang terjadi, sehingga dataset yang diperoleh cenderung berat sebelah, dengan dominasi gambar produk tanpa cacat.
• Proses Labeling yang Mahal: Labeling data cacat memerlukan ahli inspeksi, yang meningkatkan biaya operasional.
• Overfitting Model AI: Model deep learning cenderung overfit ketika dilatih dengan dataset terbatas, yang berdampak buruk pada generalisasi performa di kondisi nyata.

Solusi yang Dihadirkan oleh DT-GAN

DT-GAN mengatasi masalah di atas dengan:

• Mendistribusikan Defect Manifold: Memanfaatkan karakteristik cacat dari berbagai produk untuk menghasilkan gambar baru yang realistis.
• Disentanglement Foreground/Background: Memisahkan fitur foreground (cacat) dari background (produk), memungkinkan kombinasi unik antara cacat dan latar belakang.
• Kontrol Penuh atas Gaya dan Bentuk Cacat: Menghasilkan variasi cacat yang kaya, mulai dari goresan ringan hingga bintik tebal.

 

Bagaimana DT-GAN Bekerja? Konsep Inti dan Metodologi

1. Arsitektur Dasar

DT-GAN dibangun di atas framework StarGAN v2, namun dengan modifikasi signifikan untuk memenuhi kebutuhan deteksi cacat industri. Arsitektur utamanya mencakup:

• Mapping Network (M): Menghasilkan bentuk dan gaya cacat dari kode laten.
• Style-Defect Encoder (E): Mengekstraksi pola cacat dan gaya dari gambar referensi.
• Generator (G): Menggabungkan fitur cacat dan latar belakang menjadi gambar sintetik.
• Discriminator (D): Menilai apakah gambar hasil sintesis realistis atau tidak.

2. Disentanglement FG/BG

DT-GAN mampu memisahkan dengan jelas antara foreground defect (cacat) dan background product (produk). Ini memungkinkan model menghasilkan gambar dengan latar belakang asli produk tetapi dengan cacat baru yang sesuai dengan domain cacat tertentu.

3. Kontrol Gaya dan Bentuk

Berbeda dari GAN konvensional, DT-GAN memungkinkan pengguna untuk:

• Mengontrol bentuk cacat (misalnya, panjang goresan).
• Mengatur gaya cacat (misalnya, tekstur kasar atau halus).

 

Studi Kasus: Implementasi DT-GAN dalam Industri

Dataset yang Digunakan

1. MVTec AD: Dataset industri standar untuk deteksi anomali visual.
2. Magnetic Tile Defects (MTD): Dataset dengan contoh cacat pada ubin magnetik.
3. Surface Defect Inspection (SDI): Dataset internal baru dari Bosch, berfokus pada inspeksi cacat permukaan.

Masing-masing dataset memiliki tantangan tersendiri, terutama pada jumlah sampel cacat yang terbatas (hanya 8 hingga 620 gambar per kategori cacat).

Hasil dan Analisis

• Frechet Inception Distance (FID): DT-GAN menunjukkan skor FID yang rendah, menandakan kualitas gambar tinggi dan keanekaragaman cacat yang baik.
• Error Rate Reduksi Hingga 51%: Dalam tugas klasifikasi cacat, data augmentasi menggunakan DT-GAN berhasil mengurangi tingkat kesalahan hingga 51% dibanding metode augmentasi tradisional.

Contoh Nyata

Di lini produksi Bosch, DT-GAN digunakan untuk memperluas dataset inspeksi permukaan logam. Hasilnya, model deteksi cacat berbasis ResNet-50 yang dilatih dengan data sintetik dari DT-GAN meningkatkan akurasi deteksi hingga 95%, mengurangi false negatives yang sebelumnya mencapai 12%, turun menjadi 5%.

Perbandingan dengan Teknologi Sebelumnya

Pendekatan Tradisional

• CutMix, CutOut, MixUp: Teknik augmentasi data ini hanya memanipulasi gambar secara geometris atau pixel-level tanpa menambah informasi semantik baru.
• GAN Konvensional (StyleGAN2, BigGAN): Meskipun menghasilkan gambar berkualitas, model ini tidak mendukung kontrol terpisah antara cacat dan latar belakang, serta lebih rentan overfitting pada dataset kecil.

Keunggulan DT-GAN

• Disentanglement Superior: Memisahkan foreground dan background secara eksplisit, menghasilkan gambar yang tetap mempertahankan latar belakang produk.
• Variasi Multi-Modal: Mampu menghasilkan berbagai variasi cacat dari satu jenis input.
• Robustness terhadap Overfitting: Menggunakan noise injection dan anchor domain untuk meningkatkan generalisasi.

 

Dampak Praktis dan Manfaat Industri

1. Meningkatkan Akurasi Deteksi Cacat
   • Model yang dilatih dengan data dari DT-GAN mengurangi error classification hingga 51%.
   • Menurunkan false positive dan false negative dalam inspeksi visual otomatis.
2. Mengurangi Ketergantungan pada Data Nyata
   • DT-GAN mampu mengisi kekosongan data cacat, menghemat biaya labeling dan akuisisi data.
3. Meningkatkan Efisiensi Produksi
   • Mengurangi kebutuhan inspeksi manual.
   • Memungkinkan analisis real-time dengan integrasi ke dalam lini produksi berbasis AI dan IoT.

 

Kritik dan Tantangan Implementasi DT-GAN

Meskipun menjanjikan, DT-GAN tidak tanpa kelemahan:

• Kompleksitas Arsitektur: Implementasi memerlukan sumber daya komputasi tinggi.
• Ketergantungan pada Desain Dataset: Model bekerja optimal jika dataset mencakup variasi latar belakang yang kaya.
• Tantangan Transfer ke Produk Baru: Diperlukan penelitian lebih lanjut untuk generalisasi DT-GAN ke produk yang belum pernah dilatih sebelumnya.

 

Arah Penelitian dan Pengembangan Masa Depan

Pengembangan yang Direkomendasikan

1. Explainable AI (XAI): Meningkatkan transparansi keputusan model untuk deteksi cacat.
2. Federated Learning: Berbagi model antar pabrik tanpa harus berbagi data mentah, menjaga privasi industri.
3. Edge AI Integration: Mengurangi latensi dengan melakukan proses deteksi langsung di perangkat produksi.

 

Kesimpulan: DT-GAN sebagai Masa Depan Deteksi Cacat Otomatis

DT-GAN menjadi solusi cerdas dalam mengatasi kelangkaan data cacat di industri manufaktur. Dengan kemampuannya menghasilkan gambar sintetik realistis yang beragam, framework ini mampu meningkatkan kualitas data training untuk model deteksi otomatis. DT-GAN tidak hanya menjanjikan peningkatan performa sistem deteksi visual, tetapi juga memberikan efisiensi waktu dan biaya dalam proses produksi.

Untuk perusahaan yang ingin melangkah ke Industri 4.0, DT-GAN adalah salah satu teknologi yang layak diadopsi untuk memperkuat sistem quality control berbasis AI.

 

Sumber:

Wang, R., Hoppe, S., Monari, E., & Huber, M. F. (2022). Defect Transfer GAN: Diverse defect synthesis for data augmentation. Bosch Center for Artificial Intelligence.

Pendahuluan

Industri manufaktur di Indonesia terus berkembang pesat, termasuk industri keramik porselen yang menjadi bagian penting dari rantai pasok domestik maupun global. Namun, pesatnya pertumbuhan industri ini tidak terlepas dari berbagai tantangan, terutama terkait kualitas produk dan efisiensi produksi. Dalam persaingan yang ketat, kualitas menjadi faktor penentu daya saing. Sayangnya, masih banyak perusahaan yang terjebak pada pendekatan tradisional dalam pengendalian kualitas dan kurang melakukan evaluasi menyeluruh atas efektivitas peralatan produksi mereka.

Dalam konteks ini, studi bertajuk “Quality Control Analysis of Porcelain Products Using Overall Equipment Effectiveness and Statistical Quality Control Methods” (Nurprihatin et al., 2023) memberikan kontribusi signifikan dengan menawarkan pendekatan terintegrasi antara Overall Equipment Effectiveness (OEE), Statistical Quality Control (SQC), dan Failure Mode and Effects Analysis (FMEA). Penelitian ini berfokus pada analisis kualitas produk di sebuah perusahaan manufaktur porselen terkemuka di Indonesia, dengan titik berat pada mesin Jigger 01, yang diketahui sebagai sumber gangguan utama dalam proses produksi.

 

Mengapa Mesin Jigger 01?

Mesin Jigger 01 menjadi fokus utama penelitian karena tingkat breakdown yang tinggi, yaitu 421 kali dalam setahun. Ini adalah angka yang luar biasa tinggi, apalagi mesin ini merupakan titik kritis dalam produksi greenware—produk setengah jadi yang akan dibentuk menjadi berbagai jenis peralatan makan porselen.

📌 Insight Lapangan: Dalam industri keramik, mesin jigger memiliki peran penting dalam membentuk material mentah menjadi bentuk dasar produk. Kerusakan atau gangguan pada mesin ini bukan hanya memperlambat produksi, tetapi juga meningkatkan risiko cacat produk akibat ketidakteraturan pada proses pembentukan.

 

Pendekatan Metodologi: Mengintegrasikan OEE, SQC, dan FMEA

1. Overall Equipment Effectiveness (OEE)

OEE digunakan untuk menilai seberapa efektif mesin Jigger 01 beroperasi, dengan mengukur tiga parameter utama:

• Availability (Ketersediaan Mesin)
• Performance Efficiency (Efisiensi Kinerja)
• Quality Rate (Tingkat Kualitas Output)

👉 Temuan Kunci: Nilai OEE mesin Jigger 01 tercatat hanya 70%, jauh di bawah standar kelas dunia yang mengharuskan nilai minimal 85%. Poin kelemahan utama ada di aspek kualitas (quality rate), yang hanya mencapai 82%, di bawah target ideal 99%.

2. Statistical Quality Control (SQC)

SQC diterapkan untuk memantau stabilitas proses produksi. Teknik kontrol statistik yang digunakan termasuk:

• Check Sheet untuk pencatatan cacat.
• Histogram & Pareto Analysis untuk mengetahui prioritas masalah.
• P-Chart (Control Chart) untuk memantau kestabilan cacat produk.
• Fishbone Diagram untuk menemukan akar penyebab masalah.

👉 Data Menarik: Dari 363.917 produk yang diproduksi dalam setahun, 59.259 unit (16,29%) dikategorikan cacat. Angka ini jauh melebihi toleransi perusahaan yang hanya 10%. Jenis cacat terbesar berasal dari ketidakteraturan (unevenness) sebesar 15.102 unit.

3. Failure Mode and Effects Analysis (FMEA)

FMEA membantu prioritas tindakan perbaikan berdasarkan nilai Risk Priority Number (RPN).

• Faktor Manusia dan Mesin menjadi penyumbang terbesar cacat produk, masing-masing dengan RPN 210 dan 175.

 

Analisis Tambahan & Interpretasi

Mengapa Pendekatan OEE dan SQC Menjadi Penting?

Dalam ekosistem manufaktur modern, kehilangan efisiensi produksi dan penurunan kualitas produk dapat berdampak signifikan terhadap profitabilitas dan reputasi merek. Menggunakan OEE sebagai key performance indicator (KPI) memungkinkan perusahaan mengidentifikasi bottleneck pada mesin secara objektif, sementara SQC menawarkan alat diagnostik untuk mengendalikan kualitas secara statistik.

📊 Statistik Tambahan:

• DPMO Tertinggi: 50.224,82 pada periode 26 Juli–6 Agustus 2019.
• Sigma Level Rata-Rata: 3,24. Dalam konteks industri global, ini termasuk di bawah standar Jepang yang sudah mencapai 5 Sigma.

👉 Opini Pribadi: Sigma Level 3,24 menunjukkan bahwa proses produksi perusahaan masih menghadapi variabilitas yang tinggi. Mengingat perusahaan-perusahaan kelas dunia seperti Toyota menargetkan level di atas 5 Sigma, perusahaan porselen ini memiliki ruang perbaikan signifikan, terutama dalam process capability.

 

Studi Kasus: Benchmarking dengan Industri Lain

📌 Industri Otomotif
Toyota, misalnya, secara rutin mencapai 5 Sigma dalam proses manufakturnya. Penerapan Total Productive Maintenance (TPM) di Toyota tidak hanya fokus pada mesin, tetapi juga pelatihan SDM secara berkelanjutan—suatu aspek yang perlu lebih diperhatikan di perusahaan porselen ini.

📌 Industri Farmasi
GlaxoSmithKline (GSK) menerapkan kontrol kualitas yang sangat ketat, bahkan dalam pembuatan kemasan obat. GSK menggabungkan SQC dengan Process Analytical Technology (PAT) untuk memantau kualitas secara real-time, yang bisa menjadi inspirasi penerapan teknologi baru dalam industri keramik.

 

Rekomendasi Praktis

Berdasarkan temuan dan analisis, berikut beberapa saran implementasi yang relevan:

1. Optimalisasi Human Resource (HR)

• Pelatihan operator mesin jigger secara berkala dengan fokus pada Standard Operating Procedure (SOP).
• Implementasi job rotation untuk menghindari kejenuhan kerja dan kelelahan operator.

2. Maintenance Berbasis Kondisi (Condition-Based Maintenance)

• Memanfaatkan sensor IoT untuk memantau kondisi mesin secara real-time.
• Mengimplementasikan prediksi machine learning untuk mencegah downtime tak terduga.

3. Peningkatan Lingkungan Kerja

• Menstabilkan suhu ruangan produksi dan menjaga kebersihan lingkungan guna mengurangi risiko cacat akibat kontaminasi.

 

Dampak Ekonomi & Industri

Jika perusahaan mampu meningkatkan nilai OEE menjadi 85% dan Sigma Level menjadi 4 atau 5, potensi penghematan biaya bisa signifikan:

• Penurunan Cacat 50% → Potensi peningkatan pendapatan hingga 20% dari produk yang tidak perlu dirework atau dibuang.
• Efisiensi Waktu Produksi → Penghematan waktu produksi hingga 15%, memungkinkan peningkatan output harian tanpa penambahan shift kerja.

👉 Studi Deloitte (2022) menunjukkan bahwa perusahaan manufaktur yang menerapkan predictive maintenance dapat mengurangi biaya pemeliharaan hingga 25% dan meningkatkan uptime mesin sebesar 10-20%.

 

Kesimpulan: Membangun Kultur Kualitas di Industri Porselen

Studi yang dilakukan Nurprihatin et al. (2023) berhasil menunjukkan bahwa integrasi OEE, SQC, dan FMEA secara sistematis dapat menghasilkan peningkatan nyata dalam pengendalian kualitas produksi. Namun, implementasi harus bersifat jangka panjang, didukung budaya kerja yang menekankan pada continuous improvement.

🌟 Visi Masa Depan:
Industri porselen di Indonesia harus mulai beralih dari pendekatan corrective menjadi preventive, dengan memanfaatkan teknologi digital untuk meningkatkan produktivitas dan kualitas secara berkelanjutan.

 

👉 Sumber Asli Paper:
Nurprihatin, F., et al. (2023). Quality Control Analysis of Porcelain Products Using Overall Equipment Effectiveness and Statistical Quality Control Methods. Management and Production Engineering Review, 14(3), 134–147. DOI:10.24425/mper.2023.147195