Dalam era industri modern yang penuh tekanan kompetitif, keandalan sistem manufaktur bukan lagi sekadar target, tapi kebutuhan mutlak. Mohd Safwan Ahmad Mohd Ibrahim Ansari dalam tesisnya berjudul “Hybrid Statistical and Deep Learning Models for Diagnosis and Prognosis in Manufacturing Systems” (Concordia University, 2020) mengangkat isu ini dari sisi yang lebih futuristik: bagaimana deep learning (DL) dan metode statistik bisa bekerja sama untuk membuat sistem prediksi dan diagnosis kerusakan yang jauh lebih akurat.

Tesis ini bukan sekadar teori. Ia menyatukan dua dunia yang sering terpisah — statistical process control (SPC) dan deep learning — untuk menghadirkan sistem yang bisa mendiagnosis dan memprediksi kegagalan mesin secara otomatis lewat data sensor dan visual (high-dimensional data). Dengan kata lain, penelitian ini menaruh otak AI di jantung mesin industri.

Motivasi dan Latar Belakang

Ansari memulai penelitiannya dengan melihat masalah klasik: kerusakan sistem industri yang mahal dan tidak terduga. Meskipun metode Preventive Maintenance (PM) sudah lama digunakan, sistem ini sering tidak efisien karena tidak mempertimbangkan data Condition Monitoring (CM) secara real-time.

Di sinilah konsep Condition-Based Maintenance (CBM) masuk. Dengan mengandalkan data sensor yang terus-menerus dikumpulkan, sistem dapat memutuskan kapan dan bagaimana perawatan dilakukan — bukan berdasarkan jadwal tetap, tetapi berdasarkan kondisi aktual mesin. Namun, CBM menimbulkan tantangan baru: data yang besar, kompleks, dan berdimensi tinggi.

Ansari menyoroti bahwa data semacam ini sulit diolah dengan metode statistik konvensional. Oleh karena itu, dia mengusulkan pendekatan hybrid, yaitu menggabungkan keandalan metode statistik dengan fleksibilitas dan kecerdasan deep learning.

Kerangka Penelitian: Diagnosis dan Prognosis Terintegrasi

Penelitian ini terbagi menjadi dua bagian besar:

1. Prognosis (Prediksi Umur Mesin) – Menggunakan Deep Learning-based survival analysis untuk memperkirakan kemungkinan kegagalan mesin berdasarkan data degradasi dari dataset NASA CMAPSS.
2. Diagnosis (Pemantauan Proses) – Menggabungkan Fast Region-Based Convolutional Neural Network (Fast R-CNN) dengan grafik kontrol statistik Exponentially Weighted Moving Average (EWMA) untuk mendeteksi anomali dalam data video manufaktur.

Dua pendekatan ini saling melengkapi: yang satu fokus pada “kapan mesin akan rusak,” sedangkan yang lain fokus pada “apa yang sedang salah dengan prosesnya sekarang.”

Bagian I: Deep Learning untuk Prognosis – Prediksi Umur Mesin

Dataset NASA CMAPSS: Simulasi Nyata Mesin Turbofan

Penelitian ini memakai dataset CMAPSS (Commercial Modular Aero-Propulsion System Simulation) dari NASA, yang berisi data degradasi 100 mesin turbofan. Setiap mesin direkam melalui 21 sensor, menghasilkan data time-series berukuran besar yang menggambarkan bagaimana performa mesin berubah seiring waktu.

Langkah awal melibatkan:

• Analisis distribusi mesin dan sensor
• Pembersihan data (data preprocessing)
• Pemetaan korelasi antar variabel untuk menemukan sensor yang paling relevan terhadap kondisi mesin.

Model Statistik: Time-Varying Cox’s Proportional Hazards Model (PHM)

Sebagai baseline, Ansari menerapkan model statistik Cox’s PHM — metode klasik yang digunakan untuk menghitung risiko kegagalan berdasarkan variabel yang diamati (covariates). Versi yang digunakan di sini adalah Time-Varying Cox Model, yang memungkinkan nilai variabel berubah terhadap waktu.

Namun, Ansari menemukan keterbatasan signifikan:

• Model ini tidak dapat menangkap hubungan non-linear antar variabel.
• Sulit beradaptasi dengan data berdimensi tinggi dan kompleks.
• Butuh asumsi proporsionalitas risiko yang sering tidak realistis di dunia industri.

Model Deep Learning: FFNN Non-Proportional Cox-Time Model

Untuk mengatasi kekurangan model statistik, ia memperkenalkan model Feed Forward Neural Network (FFNN) Cox-Time, yaitu versi deep learning dari model Cox yang tidak memerlukan asumsi proporsionalitas.

Ciri khas model ini:

• Menggunakan lapisan neuron tersembunyi (hidden layers) untuk belajar pola degradasi non-linear.
• Dapat menangani data time-series secara dinamis.
• Ditraining menggunakan Stochastic Gradient Descent (SGD) untuk mempercepat konvergensi.

Hasil dan Evaluasi

Dalam eksperimen pada dataset FD001 dan FD004, hasil dibandingkan antara model statistik dan DL:

• Cox’s PHM: Concordance Index (CI) berkisar antara 0.60–0.70.
• FFNN Cox-Time: CI meningkat signifikan hingga 0.83–0.88, menunjukkan prediksi umur mesin yang jauh lebih akurat.

Temuan penting: model deep learning mampu menangkap hubungan kompleks antar sensor yang tidak bisa dilakukan oleh model statistik.

Analisis Praktis

Secara praktis, hasil ini menunjukkan bahwa:

• Industri bisa mengurangi downtime dengan lebih tepat menentukan waktu perawatan.
• Model ini dapat diintegrasikan ke sistem Industrial IoT untuk real-time predictive maintenance.
• Secara ekonomi, pendekatan ini berpotensi menghemat jutaan dolar dari pengurangan kerusakan tak terduga dan over-maintenance.

Kritik dan Refleksi

Meski menjanjikan, model FFNN Cox-Time punya keterbatasan:

• Kebutuhan data yang besar dan bersih agar model bisa belajar optimal.
• Interpretabilitas yang lebih rendah dibanding metode statistik.
• Butuh computing power tinggi untuk training.

Namun secara keseluruhan, integrasi deep learning ke dalam analisis survival membuka jalan baru bagi maintenance yang otonom dan cerdas.

Bagian II: Deep Learning untuk Diagnosis – Monitoring Visual dan Statistik

Masalah: Monitoring Visual dalam Proses Manufaktur

Di bagian kedua, Ansari beralih ke diagnosis visual, di mana sistem harus mendeteksi anomali dari image sequence atau video manufaktur secara otomatis.

Permasalahan utamanya:

• Data video memiliki dimensi tinggi dan kompleksitas spasial-temporal.
• Metode SPC konvensional seperti Shewhart atau CUSUM tidak cukup untuk menangani perubahan kecil (small shifts) dalam data visual.

Solusi: Hybrid Fast R-CNN + EWMA

Ansari mengusulkan pendekatan hybrid, menggabungkan dua hal:

1. Fast R-CNN (Region-based Convolutional Neural Network):
   • Digunakan untuk object tracking dan feature extraction dari video input.
   • Menentukan bounding boxes dan lokasi area yang relevan (ROI).
2. EWMA (Exponentially Weighted Moving Average) Control Chart:
   • Menyaring dan memvisualisasikan hasil deteksi untuk memantau pergeseran kecil secara kontinu.
   • Cocok untuk mendeteksi anomali yang tidak langsung terlihat secara visual.

Metodologi Eksperimen

Langkah-langkah sistem hybrid ini meliputi:

• Mengonversi video ke frame RGB dan mengekstrak fitur spasial.
• Mendeteksi pergerakan objek dengan Fast R-CNN.
• Menghitung parameter statistik (lokasi, radius, dll.) dari bounding box.
• Memasukkan nilai-nilai tersebut ke grafik EWMA multivariat (MEWMA) untuk mendeteksi perubahan proses.

Hasil Eksperimen

Dalam uji tiga skenario simulasi visual:

• EWMA chart mampu mendeteksi anomali lokasi dan radius dengan sensitivitas tinggi.
• Fast R-CNN memberikan akurasi deteksi objek >95%.
• Kombinasi keduanya mampu menunjukkan pergeseran kecil (≤1.5σ) yang tidak terdeteksi oleh grafik kontrol tradisional.

Makna Praktis di Dunia Industri

Pendekatan ini membuka peluang besar untuk “visual SPC” (Statistical Process Control berbasis penglihatan mesin).
Beberapa aplikasinya:

• Pabrik elektronik dan otomotif: mendeteksi cacat produk secara real-time.
• Industri makanan: memastikan bentuk dan ukuran produk konsisten.
• Penerapan di pabrik pintar (Smart Factory): mengintegrasikan computer vision dengan AI-based quality assurance.

Dengan sistem hybrid ini, operator tidak perlu lagi memantau ribuan frame video manual. Sistem akan otomatis memberi sinyal saat ada indikasi anomali.

Kelebihan dan Kontribusi Penelitian

Penelitian Ansari membawa tiga kontribusi besar:

1. Integrasi Deep Learning dalam Maintenance Prognostics
   • Membuktikan bahwa deep survival models seperti FFNN-Cox lebih unggul dari metode statistik klasik.
   • Menawarkan framework yang dapat diadaptasi oleh berbagai industri.
2. Hybrid Diagnosis dengan Fast R-CNN + EWMA
   • Pendekatan baru yang menggabungkan visual AI dan statistical control charts.
   • Menunjukkan potensi besar untuk real-time quality monitoring.
3. Pendekatan Data-Driven untuk Decision Support
   • Menyediakan sistem pendukung keputusan (decision support system) berbasis data sensor dan video.
   • Meningkatkan efisiensi, keandalan, dan kecepatan respons sistem industri.

Kritik Akademik dan Refleksi Aplikatif

1. Tantangan Interpretabilitas

Kelemahan umum dari model deep learning — termasuk yang digunakan di sini — adalah kesulitan dalam menjelaskan alasan prediksi. Dalam konteks industri yang sensitif terhadap risiko, interpretabilitas tetap penting untuk validasi keputusan.

2. Ketergantungan pada Data Berkualitas Tinggi

Dataset NASA CMAPSS memang ideal, tetapi di dunia nyata, data sensor sering tidak lengkap, bervariasi, atau rusak. Model yang sama mungkin memerlukan preprocessing pipeline lebih rumit di lingkungan industri.

3. Integrasi ke Sistem Nyata

Meski hasil simulasi menjanjikan, implementasi pada production line sesungguhnya memerlukan integrasi perangkat keras, sensor, dan sistem SCADA yang tidak dijelaskan secara mendalam dalam penelitian ini.

Namun demikian, karya ini tetap menjadi fondasi kuat untuk arah baru predictive maintenance dan visual quality control.

Kesimpulan: Jalan Menuju Industri Otonom dan Adaptif

Tesis ini membuktikan bahwa masa depan pemeliharaan dan kontrol kualitas bukan lagi sekadar statistik dan sensor, tapi AI yang berpikir layaknya teknisi berpengalaman.

Dari model survival berbasis deep learning hingga kontrol visual otomatis, penelitian Ansari menunjukkan:

• Statistical dan AI methods bukan saingan, tapi pasangan.
• Kombinasi keduanya memungkinkan sistem manufaktur lebih adaptif, efisien, dan tangguh terhadap kegagalan.
• Konsep hybrid ini bisa menjadi pondasi Industry 4.0 maintenance frameworks di masa depan.

Dengan kata lain, penelitian ini menutup kesenjangan antara teori statistik lama dan kecerdasan buatan modern — dan membuka pintu menuju era pabrik yang benar-benar “berpikir.”

Sumber Asli Paper:
Ansari, M. S. A. M. I. (2020). Hybrid Statistical and Deep Learning Models for Diagnosis and Prognosis in Manufacturing Systems.
Concordia University, Montreal, Quebec, Canada.
https://spectrum.library.concordia.ca/id/eprint/987654/