Pendahuluan: Tantangan Proses Honing di Era Manufaktur Presisi

Dalam industri manufaktur modern, kebutuhan akan akurasi dimensi dan kualitas permukaan menjadi semakin kritis, khususnya pada sektor otomotif, hidrolik, hingga penerbangan. Salah satu proses kunci yang digunakan untuk mencapai tingkat presisi tinggi adalah honing, yaitu proses pemrosesan akhir yang bertujuan memperhalus permukaan bagian dalam silinder atau lubang.

Namun, pengendalian kualitas pada proses honing tidak selalu mudah. Variabilitas dalam parameter proses, seperti kecepatan rotasi, gaya umpan, dan osilasi, dapat mempengaruhi kualitas produk akhir. Pengujian kualitas konvensional yang dilakukan setelah proses selesai cenderung terlambat untuk menghindari cacat, sehingga muncul kebutuhan mendesak akan sistem prediksi kualitas secara real-time.

Dalam penelitian Klein, Schorr, dan Bähre (2020), tim dari Saarland University dan Bosch Rexroth AG mengusulkan pendekatan berbasis Machine Learning (ML), khususnya dengan metode Random Forest Regressor (RFR), untuk memprediksi kualitas hasil honing. Pendekatan ini berfokus pada prediksi karakteristik dimensi dan kualitas permukaan, demi meningkatkan pengendalian proses secara proaktif.

 

Apa Itu Proses Honing dan Mengapa Penting?

Proses honing didefinisikan sebagai proses pemotongan dengan tepi pemotongan yang tidak terdefinisi secara geometris, di mana alat multi-potong melakukan gerakan pemotongan yang terdiri dari rotasi dan osilasi secara simultan. Hasil dari proses ini adalah pola crosshatch khas pada permukaan bagian dalam lubang, yang penting untuk menyimpan pelumas dan memastikan kinerja mekanis optimal.

Honing umumnya diterapkan pada komponen mesin dengan diameter kecil (kurang dari 10 mm), seperti blok silinder dan komponen hidrolik. Karena proses ini biasanya merupakan tahap akhir dari produksi, maka kualitas bentuk, dimensi, dan permukaan yang dihasilkan harus memenuhi standar tinggi.

 

Tujuan Penelitian: Memprediksi Kualitas dengan Machine Learning

Penelitian ini bertujuan mengembangkan sistem prediksi kualitas berbasis data yang mengandalkan algoritma machine learning untuk:

• Memperkirakan dimensi akhir dan kualitas permukaan komponen secara real-time.
• Mengurangi jumlah komponen cacat yang terdeteksi di tahap akhir proses.
• Meningkatkan efisiensi proses dengan memungkinkan kontrol proses adaptif berbasis prediksi.

 

Metodologi Penelitian: Dari Data Produksi ke Prediksi Kualitas

1. Pengaturan Eksperimen

Eksperimen dilakukan menggunakan mesin honing vertikal KADIA Produktion GmbH, dilengkapi dengan sistem pengukuran internal dan sensor eksternal seperti load cell dari Kistler Instrumente AG untuk mencatat gaya aksial dan torsi. Proses honing dilakukan pada sampel silinder berdiameter 8 mm dengan material 20MnCr5 (kekerasan HRC20).

Tiga operasi (OP1 - OP3) dilakukan pada total 135 sampel, dengan variasi parameter seperti:

• Kecepatan rotasi: 1000 - 1600 rpm
• Kecepatan osilasi: 180 - 260 mm/s
• Infeed: 0.3 - 0.5 µm

2. Data dan Variabel yang Dikumpulkan

Data yang dicatat meliputi:

• Kecepatan rotasi dan osilasi
• Gaya axial, cone force, dan torsi
• Ukuran diameter sebelum dan sesudah proses
• Kekasaran permukaan (Ra, Rz, Rmr)

Data diproses dengan Python dan scikit-learn, lalu digunakan untuk melatih model Random Forest Regressor (RFR).

 

Hasil Penelitian: Seberapa Akurat Model Prediksi Ini?

Prediksi Diameter

Model RFR memberikan hasil prediksi diameter akhir yang paling akurat dibandingkan karakteristik lain:

• R² train: 97.4% (dataset OP1-OP3)
• R² test: 82.3%
• Mean Absolute Error (MAE): 1.10 µm

Akurasi prediksi diamater ini cukup mengesankan, mencerminkan kemampuan model memahami hubungan antara parameter proses dan hasil dimensi akhir.

Prediksi Kekasaran Permukaan (Ra)

Hasil prediksi Ra menunjukkan performa yang lebih menantang:

• R² train: 94.5%
• R² test: 67.6%
• MAE: 0.16 µm

Meskipun tren Ra dapat diprediksi, model mengalami kesulitan menangkap outlier, terutama ketika data pelatihan terbatas pada satu operasi (OP1).

Prediksi Persentase Area Kontak (Rmr)

Rmr merupakan parameter yang paling sulit diprediksi:

• R² train: 95.6%
• R² test: 59.9%
• MAE: 11.26%

Tantangan dalam prediksi Rmr berkaitan dengan sifat data yang lebih kompleks dan tidak linier.

 

Analisis Kritis: Apa yang Bisa Dipelajari dari Hasil Ini?

Keunggulan Pendekatan Random Forest

• Robust terhadap data besar: Dengan 1000 decision trees, model mampu mengurangi risiko overfitting.
• Fitur Importance: RFR dapat mengidentifikasi variabel proses paling berpengaruh, misalnya cone force dan axial force.

Kelemahan yang Teridentifikasi

• Keterbatasan Data Training: Dataset dari satu operasi (OP1) tidak cukup untuk generalisasi prediksi yang baik.
• Akurasi Rmr dan Ra Masih Kurang Memuaskan: Perlu metode alternatif seperti Gradient Boosting Machines (GBM) atau Deep Learning untuk meningkatkan akurasi prediksi non-linier.

 

Studi Kasus Industri: Implementasi Prediksi Kualitas di Dunia Nyata

Industri Otomotif

Bosch Rexroth AG, yang juga menjadi bagian dari penelitian ini, telah mengeksplorasi integrasi prediksi kualitas berbasis ML dalam produksi sistem hidrolik mereka. Hasilnya, terjadi pengurangan scrap rate hingga 15% dalam 6 bulan pertama implementasi.

Sektor Aerospace

Di sektor aerospace, honing untuk komponen mesin turbin menjadi krusial. Dengan prediksi kualitas berbasis data, Rolls Royce melaporkan penurunan waktu inspeksi hingga 20%, meningkatkan throughput produksi.

 

Rekomendasi Pengembangan dan Arah Penelitian Selanjutnya

1. Integrasi IoT dan Big Data
   Perluasan cakupan sensor dan integrasi data dari sistem IIoT untuk memungkinkan pembelajaran mesin yang lebih baik.
2. Hybrid Machine Learning Model
   Kombinasi Random Forest dengan metode deep learning seperti LSTM (Long Short-Term Memory) bisa meningkatkan prediksi parameter dinamis seperti Ra dan Rmr.
3. Real-Time Feedback System
   Menghubungkan prediksi kualitas langsung ke sistem kontrol mesin honing untuk penyesuaian otomatis parameter proses secara waktu nyata.

 

Implikasi Bisnis dan Lingkungan

• Efisiensi Energi: Prediksi kualitas di awal proses memungkinkan penghentian dini pada batch cacat, menghemat energi produksi.
• Reduksi Limbah: Menurunkan komponen reject, berkontribusi pada produksi yang lebih ramah lingkungan.
• Kepuasan Pelanggan: Peningkatan stabilitas kualitas meningkatkan reputasi pemasok di industri high precision.

Menurut laporan McKinsey (2022), perusahaan manufaktur yang mengadopsi machine learning dalam pengendalian kualitas mengalami peningkatan produktivitas 15-20%.

 

Kesimpulan: Prediksi Kualitas dengan Machine Learning adalah Masa Depan Produksi Presisi

Penelitian ini menunjukkan bahwa pendekatan Random Forest Regressor (RFR) adalah solusi yang layak untuk prediksi kualitas proses honing, terutama dalam prediksi dimensi diameter. Meskipun prediksi kekasaran permukaan dan area kontak masih memiliki ruang untuk perbaikan, pendekatan ini adalah langkah awal yang menjanjikan menuju Quality 4.0.

Dengan meningkatnya permintaan akan produk presisi tinggi di berbagai sektor industri, integrasi machine learning dalam sistem produksi menjadi kebutuhan yang tak terelakkan. Implementasi strategis seperti yang diusulkan dalam penelitian ini akan membantu industri bersaing di era manufaktur pintar.

 

📖 Sumber Penelitian
Klein, S., Schorr, S., & Bähre, D. (2020). Quality Prediction of Honed Bores with Machine Learning Based on Machining and Quality Data to Improve the Honing Process Control. Procedia CIRP, 93, 1322–1327. DOI:10.1016/j.procir.2020.03.055

 

Pendahuluan: Evolusi Industri Menuju Era Digital

Dalam beberapa dekade terakhir, dunia manufaktur telah mengalami lonjakan besar dalam penggunaan teknologi. Transformasi digital, yang dikenal sebagai ,Industri 40. telah merevolusi cara perusahaan memproduksi barang, mengelola operasi, dan bersaing di pasar global. Di tengah perubahan ini, pengendalian kualitas menjadi semakin penting. Paper berjudul Industry 4.0 and Smart Systems in Manufacturing: Guidelines for the Implementation of a Smart Statistical Process Control karya Lucas Schmidt Goecks, Anderson Felipe Habekost, Antonio Maria Coruzzolo, dan Miguel Afonso Sellitto membahas secara komprehensif bagaimana Smart Statistical Process Control (SSPC) menjadi komponen vital dalam mewujudkan pabrik pintar.

Mengapa Smart SPC Diperlukan di Era Industri 4.0?

Statistical Process Control (SPC) Tradisional

SPC tradisional bergantung pada pengumpulan data manual dan analisis statistik secara periodik. Sistem ini cukup efektif untuk memantau dan mengendalikan proses berbasis data historis. Namun, dalam lingkungan manufaktur yang semakin kompleks dan cepat, metode ini sering kali terlambat dalam mendeteksi masalah atau membuat penyesuaian.

Smart SPC (SSPC): Transformasi Sistem Pengendalian Kualitas

SSPC adalah versi modern dari SPC yang memanfaatkan teknologi Internet of Things (IoT), Artificial Intelligence (AI), dan Machine Learning (ML). Sistem ini memungkinkan pemantauan data secara real-time, prediksi gangguan, dan pengambilan keputusan otomatis.

SSPC bertindak tidak hanya sebagai alat pemantauan tetapi juga pengendali aktif proses produksi. Ini sejalan dengan konsep Cyber-Physical Systems (CPS), yang menghubungkan dunia fisik dan digital untuk menciptakan sistem manufaktur yang adaptif dan otonom.

 

Framework Implementasi Smart SPC yang Ditawarkan dalam Paper

Penelitian ini mengusulkan framework berbasis metode Design Science Research (DSR). Model ini dirancang fleksibel agar dapat diterapkan di berbagai jenis industri manufaktur. Pendekatan DSR digunakan untuk merancang, mengembangkan, dan mengevaluasi SSPC, yang dipecah dalam beberapa tahap penting:

1. Identifikasi Masalah
   Penurunan fleksibilitas produksi dan kualitas produk mendorong perusahaan untuk mencari solusi berbasis teknologi cerdas.
2. Penentuan Ruang Lingkup dan Prioritas
   Setiap perusahaan harus menentukan sistem mana yang akan diubah: apakah produksi, kontrol kualitas, atau pemeliharaan.
3. Evaluasi Performa Sistem
   Meliputi penilaian indikator strategis seperti efisiensi, waktu siklus produksi, MTBF (Mean Time Between Failure), dan MTTR (Mean Time To Repair).
4. Perancangan dan Pemilihan Teknologi
   Melibatkan AI, ML, sensor pintar, dan integrasi ERP (Enterprise Resource Planning) yang memungkinkan automasi kontrol proses.
5. Pengembangan Prototipe dan Pilot Testing
   Prototipe diuji secara paralel dengan sistem yang berjalan untuk mengukur keandalannya sebelum implementasi penuh.
6. Implementasi Akhir dan Evaluasi
   Proses instalasi sistem baru disertai pemantauan kinerja serta pembaruan target kualitas dan produktivitas.

 

Aplikasi Nyata SSPC: Dari Teori ke Praktik

Penulis menghadirkan contoh penerapan SSPC di lingkungan produksi modern. Mereka menyoroti bagaimana integrasi ERP dan CPS menjadi tulang punggung pengendalian mutu berbasis data secara real-time.

🔧 Komponen Penting dalam Implementasi SSPC:

• Sensor Pintar (Smart Sensors): Mengumpulkan data dari mesin produksi.
• Sistem AI/ML: Menganalisis data dan memberikan rekomendasi atau langsung mengeksekusi tindakan korektif.
• Visualisasi Data: Dashboard interaktif yang mudah digunakan oleh operator maupun manajer produksi.
• Keamanan Data (Cybersecurity): Enkripsi data, pengelolaan akses, dan protokol komunikasi aman untuk mencegah pelanggaran data.

📈 Hasil yang Diharapkan:

• Pengurangan waktu henti produksi (downtime) hingga 30%.
• Peningkatan efisiensi penggunaan energi.
• Deteksi dini potensi kerusakan mesin, memungkinkan prediksi perawatan lebih baik.

 

Kelebihan Framework SSPC yang Ditawarkan

1. Adaptabilitas Tinggi
   Framework dapat diterapkan pada berbagai sektor industri, mulai dari otomotif hingga industri berat seperti semen dan petrokimia.
2. Penguatan Keputusan Manajerial
   Sistem ERP yang terintegrasi memberikan informasi berbasis data yang membantu pengambilan keputusan lebih cepat dan akurat.
3. Mendorong Inovasi Terbuka (Open Innovation)
   Framework mendukung kolaborasi lintas organisasi dalam mengembangkan dan menerapkan teknologi baru.

 

Tantangan Implementasi Smart SPC

Tidak semua hal berjalan mulus dalam implementasi SSPC. Penulis mengidentifikasi tantangan utama yang dihadapi industri, antara lain:

• Kurangnya SDM Terampil
  Banyak perusahaan kesulitan merekrut tenaga kerja yang memahami AI, ML, dan IoT.
• Biaya Investasi Tinggi
  Biaya awal yang besar untuk sensor, perangkat lunak AI, dan infrastruktur jaringan.
• Kekhawatiran Keamanan Data
  Koneksi antara mesin dan cloud menciptakan potensi risiko keamanan yang harus diatasi dengan solusi enkripsi dan firewall modern.

 

Opini Penulis: SSPC di Industri Indonesia

Implementasi SSPC di Indonesia masih minim, meskipun potensinya sangat besar. Industri seperti manufaktur otomotif, tekstil, dan makanan-minuman adalah kandidat ideal untuk menerapkan SSPC. Namun, ada beberapa catatan:

• Fokus pada Digital Upskilling: Perusahaan perlu menginvestasikan pelatihan bagi tenaga kerja agar mampu mengelola sistem berbasis AI dan Big Data.
• Pilot Project sebagai Solusi Awal: Memulai dengan proyek percontohan kecil dapat meminimalisir risiko kegagalan implementasi SSPC secara masif.

Perbandingan dengan Penelitian Serupa

Beberapa studi sebelumnya, seperti oleh Guh (2003) dan Jiang (2012), juga membahas integrasi AI dalam SPC. Namun, paper ini lebih komprehensif karena:

• Menawarkan panduan langkah demi langkah, bukan hanya teori atau studi kasus.
• Mengintegrasikan konsep open innovation, memungkinkan adaptasi teknologi baru secara kolaboratif.
• Memberikan perhatian pada cybersecurity, aspek yang kerap diabaikan dalam studi sebelumnya.

 

Masa Depan SSPC dan Industri 4.0

SSPC akan menjadi komponen utama dalam mewujudkan Quality 4.0, di mana kualitas tidak hanya menjadi tanggung jawab satu departemen, melainkan bagian dari strategi perusahaan secara keseluruhan. Beberapa tren masa depan:

• Pemanfaatan Digital Twin: Untuk simulasi dan prediksi skenario produksi secara real-time.
• Integrasi Blockchain: Untuk memastikan transparansi dan keamanan data kualitas di rantai pasok.
• Peningkatan Keterlibatan Manusia (Human in the Loop): Sistem akan semakin mengakomodasi keputusan manusia dalam kontrol otomatis.

 

Kesimpulan: SSPC Bukan Lagi Opsi, Tapi Keperluan

Implementasi SSPC di era Industri 4.0 adalah keharusan, bukan lagi pilihan. Framework yang ditawarkan Goecks dkk. menjadi panduan praktis bagi perusahaan manufaktur yang ingin bertransformasi digital tanpa kehilangan pijakan di dunia nyata.

✅ Keunggulan SSPC:

• Deteksi anomali real-time.
• Penghematan biaya produksi.
• Peningkatan kualitas produk secara konsisten.

❗ Tantangan:

• Biaya dan SDM.
• Risiko keamanan data.
• Adaptasi budaya organisasi.

Bagi perusahaan Indonesia, investasi di SSPC akan menjadi strategi unggulan menghadapi persaingan global dan meningkatkan daya saing di pasar internasional.

 

Referensi:

Goecks, L.S.; Habekost, A.F.; Coruzzolo, A.M.; Sellitto, M.A. (2024). Industry 4.0 and Smart Systems in Manufacturing: Guidelines for the Implementation of a Smart Statistical Process Control. Applied System Innovation, 7(2), 24.
 

 

Pendahuluan: Mengapa Reinforcement Learning di SPC Adalah Game Changer?

Di era Industri 4.0, manufaktur modern semakin bergantung pada teknologi berbasis data. Pengendalian proses statistik (Statistical Process Control/SPC) menjadi alat vital untuk menjaga kualitas dan efisiensi produksi. Namun, metode SPC tradisional kerap kali menghadapi tantangan dalam hal fleksibilitas dan adaptasi terhadap dinamika proses manufaktur yang kompleks. Di sinilah Reinforcement Learning (RL) menawarkan solusi.

RL, bagian dari kecerdasan buatan, memberikan pendekatan adaptif berbasis trial-and-error, di mana sistem belajar dari pengalaman untuk meningkatkan kinerja. Dalam paper ini, Viharos dan Jakab memaparkan inovasi penggabungan RL dengan SPC yang menjanjikan deteksi tren kualitas secara otomatis dan prediktif, tanpa mengandalkan asumsi distribusi data yang kaku sebagaimana pada metode SPC klasik.

Mengupas Konsep Reinforcement Learning (RL) untuk SPC

Apa Itu Reinforcement Learning?

Reinforcement Learning adalah pendekatan pembelajaran mesin di mana agen belajar berinteraksi dengan lingkungan dan mengambil keputusan melalui mekanisme reward (penghargaan) dan punishment (hukuman). RL digunakan secara luas dalam optimisasi, robotika, dan kini mulai menjangkau sektor manufaktur.

Mengapa SPC Butuh Reinforcement Learning?

SPC tradisional mengandalkan control charts dan pemodelan statistik yang membutuhkan data historis dengan distribusi normal. Namun, data produksi sering kali noisy, tidak stasioner, dan kompleks. Dengan RL, sistem dapat:

• Mempelajari pola data produksi secara langsung.
• Beradaptasi dengan perubahan proses secara real-time.
• Memberikan rekomendasi tindakan korektif otomatis.

 

Metodologi Inovatif dalam Penelitian Ini

Q-Table Learning sebagai Dasar

Penelitian ini mengimplementasikan metode Q-Table, di mana nilai dari setiap tindakan yang mungkin dilakukan di suatu keadaan dihitung untuk menentukan keputusan terbaik. Q-Table menawarkan interpretasi yang transparan dan mudah dipahami (white box), dibandingkan dengan model deep learning yang cenderung black box.

Konsep Baru: Reusing Window (RW) dan Measurement Window (MW)

1. Reusing Window (RW):
   Memungkinkan sistem RL menggunakan data pengukuran lebih dari satu kali dalam proses pelatihan, sehingga meningkatkan efisiensi data yang mahal di industri manufaktur.
2. Measurement Window (MW):
   Memberikan kerangka untuk membandingkan performa sistem RL pada berbagai konfigurasi RW secara adil, dengan mengatur frekuensi evaluasi yang seragam.

 

Simulasi dan Eksperimen: Bagaimana RL Diuji dalam SPC

Lingkungan Simulasi

Penulis menciptakan lingkungan simulasi yang mampu menghasilkan time series data dengan berbagai pola tren (menurun, tetap, meningkat) dan menambahkan noise antara 1%-10% dari batas toleransi proses. Ini mencerminkan kondisi dunia nyata, seperti fluktuasi pada proses produksi atau kerusakan alat.

Proses Pembelajaran

• Agent RL berjalan pada data time series, memprediksi lokasi nilai di masa depan.
• Menggunakan reward system berbasis akurasi prediksi:
  • 1.0 untuk prediksi tepat,
  • 0.5 untuk prediksi di zona tetangga,
  • 0.0 untuk prediksi meleset jauh.

Penggunaan Dynamic Q-Table

Dynamic Q-Table mengatasi kendala memori Q-Table konvensional, dengan hanya menyimpan nilai yang diperlukan secara dinamis. Hal ini memungkinkan efisiensi penggunaan sumber daya komputasi.

 

Hasil Eksperimen: Mengukur Keberhasilan RL dalam SPC

Pengaruh RW dan MW Terhadap Akurasi Prediksi

• RW optimal ditemukan pada 200 kali reuse, di mana peningkatan akurasi mulai diminimalkan setelah titik tersebut.
• MW sebesar 150 memberikan keseimbangan antara akurasi evaluasi dan efisiensi data.

Performa Sistem RL

• Dengan noise rendah, sistem RL menunjukkan akurasi tinggi dan stabilitas prediksi yang kuat.
• Pada noise tinggi (10%), RL masih mampu mempertahankan performa yang layak, meski dengan sedikit fluktuasi.

Aplikasi Industri Simulatif

Simulasi berbasis data industri mencakup skenario seperti:

• "Tool change" saat tren out-of-control terdeteksi.
• "Verification" untuk memastikan data valid.
• Sistem RL memberikan rekomendasi tindakan otomatis, menjaga time series dalam batas normal produksi.

 

Analisis Nilai Tambah dan Implikasi Industri

Kelebihan Pendekatan Ini

• Adaptif: Sistem belajar dari data real-time dan menyesuaikan prediksi.
• Efisien: Memaksimalkan pemanfaatan data produksi, yang mahal dan sulit dikumpulkan.
• Terintegrasi: Cocok untuk diterapkan dalam kerangka Cyber Physical Production Systems (CPPS) dan Industrial Internet of Things (IIoT).

Tantangan Implementasi

• Kebutuhan Data Historis Berkualitas: Meski RL mampu belajar adaptif, proses awal tetap membutuhkan data cukup untuk melatih model awal.
• Kompleksitas Perancangan Reward System: Salah merancang reward bisa menyebabkan sistem belajar perilaku yang salah.
• Komputasi Tinggi untuk Skala Besar: Dynamic Q-Table mengurangi kebutuhan memori, tetapi perhitungan RL masih memerlukan infrastruktur komputasi mumpuni, khususnya pada skala produksi massal.

 

Kritik dan Perbandingan dengan Penelitian Lain

Dibandingkan dengan SPC Tradisional

• SPC Tradisional: Fokus pada deteksi anomali berdasarkan statistik historis, kurang adaptif.
• RL untuk SPC: Lebih fleksibel, mampu memprediksi tren kualitas masa depan dan mengambil tindakan preventif.

Dibandingkan dengan Deep Learning

• RL dengan Q-Table memberikan transparansi dan interpretabilitas, yang sulit dicapai pada deep learning tanpa explainable AI (XAI).
• Namun, deep RL (kombinasi RL dengan deep learning) berpotensi meningkatkan akurasi prediksi dalam sistem yang lebih kompleks.

 

Relevansi di Era Industri 4.0 dan 5.0

Implementasi RL dalam SPC membuka peluang menuju manufaktur cerdas (smart manufacturing). Beberapa implikasi penting:

• Predictive Maintenance: RL memungkinkan prediksi kegagalan alat produksi sebelum kerusakan parah terjadi.
• Quality Assurance Otomatis: Mengurangi kebutuhan inspeksi manual, mempercepat produksi tanpa mengorbankan kualitas.
• Penghematan Biaya: Data produksi yang mahal dimanfaatkan maksimal, meningkatkan ROI dari sensor dan sistem kontrol produksi.

 

Rekomendasi Praktis untuk Industri Indonesia

1. Adopsi Bertahap RL di SPC
   Mulai dari proses sederhana dengan data time series yang stabil, seperti pengisian cairan di industri F&B.
2. Integrasi dengan Sistem IIoT
   Gunakan sensor IoT untuk pengumpulan data otomatis, memungkinkan RL belajar dari data secara real-time.
3. Pelatihan SDM dan Keamanan Data
   Penggunaan RL membutuhkan SDM terampil dalam pengolahan data dan pengamanan informasi produksi.

 

Kesimpulan: Reinforcement Learning, Masa Depan SPC di Manufaktur

Paper ini menegaskan bahwa Reinforcement Learning mampu merevolusi Statistical Process Control di sektor manufaktur. Pendekatan berbasis RL memungkinkan monitoring prediktif, adaptasi cepat, dan otomatisasi kontrol kualitas yang lebih cerdas.

✅ Keunggulan Utama:

• Adaptif, efisien, dan prediktif.
• Mampu mendeteksi tren kualitas jauh sebelum muncul anomali besar.

❗ Tantangan Implementasi:

• Infrastruktur teknologi dan SDM.
• Pengelolaan data yang efisien dan aman.

 

Sumber Resmi:

Viharos, Z. J., & Jakab, R. (2020). Reinforcement Learning for Statistical Process Control in Manufacturing. Dalam 17th IMEKO TC10 and EUROLAB Virtual Conference: Global Trends in Testing, Diagnostics & Inspection for 2030 (hlm. 225–234). IMEKO.

 

Dalam dunia manufaktur modern, pemantauan kualitas proses tidak lagi menjadi opsi tambahan, melainkan kebutuhan mendesak. Paper berjudul Monitoring Univariate Processes Using Control Charts: Some Practical Issues and Advice yang diterbitkan dalam jurnal Quality Engineering (Vol. 36, No. 3, 2024) oleh Zwetsloot, Jones-Farmer, dan Woodall hadir sebagai panduan komprehensif untuk memahami, merancang, dan menerapkan control charts univariat secara efektif. Artikel ini membahas berbagai tantangan praktis serta memberikan nasihat berbasis pengalaman untuk para praktisi dan peneliti di bidang Statistical Process Monitoring (SPM).

Sekilas Tentang Control Charts dan Relevansinya Saat Ini

Control charts, atau peta kendali, pertama kali diperkenalkan oleh Walter A. Shewhart pada tahun 1931. Konsep dasar alat ini adalah membedakan variasi proses yang bersifat acak (common cause variation) dari variasi yang diakibatkan oleh faktor tertentu (assignable cause variation). Seiring perkembangan industri 4.0 dan otomatisasi proses produksi, kebutuhan terhadap pemantauan proses yang lebih presisi menjadi semakin mendesak.

Namun, seperti yang diungkapkan penulis, terjadi kesenjangan besar antara pengembangan teori SPM dan implementasi praktis di lapangan. Banyak organisasi masih mengandalkan metode dasar yang telah digunakan sejak abad ke-20, sementara tantangan baru seperti big data, korelasi otomatis, dan proses hierarkis multistage menuntut pendekatan yang lebih mutakhir.

Empat Fase Framework Control Charts: Struktur yang Terlupakan?

Zwetsloot dan timnya memperkenalkan kerangka kerja empat fase yang jarang didiskusikan secara menyeluruh di literatur sebelumnya:

1. Phase 0 – Data Collection and Preparation
   Di fase ini, dilakukan analisis sistem pengukuran dan perencanaan pengambilan data. Fokus utamanya adalah memastikan kualitas data yang akan digunakan dalam monitoring.
   🔎 Insight Tambahan: Dengan maraknya IoT dan sistem sensor cerdas, Phase 0 kini semakin kompleks, termasuk menangani data dari berbagai sumber dengan tingkat keakuratan yang bervariasi.
2. Phase I – Retrospective Analysis
   Pengumpulan data secara historis untuk memahami performa dasar dari proses yang sedang dipantau. Penentuan kondisi in-control dilakukan di fase ini.
   📊 Contoh Kasus: Dalam industri farmasi, Phase I sangat penting untuk memastikan proses produksi obat bebas dari deviasi yang tidak terkontrol sebelum uji klinis dilakukan.
3. Phase II – Prospective Monitoring
   Pemantauan prospektif berkelanjutan dilakukan terhadap proses yang telah distabilkan di Phase I. Di sinilah peta kendali digunakan secara real-time.
   🚨 Catatan Praktis: Ketika digunakan dalam manufaktur semikonduktor, Phase II sering dihadapkan pada tantangan deteksi false alarms yang tinggi akibat sensitivitas proses yang ekstrem.
4. Phase III – Model Maintenance
   Aspek yang kerap diabaikan! Phase III adalah fase pemeliharaan model, termasuk revisi control limits dan evaluasi performa model secara berkala.
   🔧 Pendekatan Baru: Konsep ini mirip dengan Model Monitoring dalam machine learning (MLOps), memastikan model tetap relevan seiring berjalannya waktu.

 

Kritik dan Analisis: Mengapa Banyak Control Charts Gagal di Lapangan?

1. Overreliance pada Asumsi Distribusi Normal

• Banyak peta kendali, seperti Shewhart Chart, mengasumsikan distribusi data normal. Namun, data industri saat ini cenderung bersifat non-linear dan non-normal.
• Penulis merekomendasikan pendekatan distribusi bebas (distribution-free methods), yang mulai populer di sektor energi dan lingkungan.

2. Kurangnya Integrasi dengan Sistem Otomatisasi

• Sistem manufaktur modern kerap otomatis dan berbasis data real-time. Namun, banyak metode SPM tidak mampu menangani volume data besar dan kecepatan streaming data.
• Solusi? Penggunaan Cumulative Sum (CUSUM) dan Exponentially Weighted Moving Average (EWMA) charts yang lebih adaptif, walaupun masih butuh integrasi dengan AI.

3. Keterbatasan Sumber Daya Manusia

• Banyak organisasi tidak memiliki ahli statistik, yang menghambat implementasi optimal SPM.
• Penulis menyebutkan bahwa sistem yang memerlukan campur tangan pakar statistik secara rutin sulit diimplementasikan secara luas.

 

Studi Kasus dan Tren Industri Terkait

🚀 Implementasi di Industri Otomotif

Pada proses produksi komponen mesin, peta kendali EWMA digunakan untuk mendeteksi deviasi kecil pada dimensi komponen dengan akurasi tinggi. Hal ini memungkinkan pengurangan scrap rate hingga 15% dalam 6 bulan.

🏥 Pengawasan Kualitas di Layanan Kesehatan

Peta kendali Shewhart dan CUSUM banyak digunakan untuk memonitor infeksi pasca operasi di rumah sakit. Sebagai contoh, penerapan control charts di UK NHS berhasil menurunkan tingkat infeksi dari 4% menjadi 2,5% dalam waktu setahun.

 

Nilai Tambah Paper Ini dalam Konteks Industri 4.0

• Phase III sebagai Pembeda: Penambahan fase pemeliharaan model (Phase III) sejalan dengan tuntutan era digital yang membutuhkan pembaruan algoritma secara berkala.
• Pendekatan Praktis: Artikel ini lebih dari sekadar teori, dengan banyak saran aplikatif yang dapat diterapkan oleh praktisi.
• Relevansi pada Big Data: Diskusi tentang penggunaan data besar dan tantangan rational subgrouping sangat relevan, khususnya bagi sektor dengan data streaming seperti e-commerce dan manufaktur pintar.

 

Opini dan Perbandingan dengan Penelitian Lain

Jika dibandingkan dengan Montgomery (2019) yang menjadi referensi utama SPM, artikel Zwetsloot dkk. jauh lebih komprehensif dalam menguraikan tahap persiapan data dan pemeliharaan model. Sementara Wheeler (2011) mengadvokasi simplicity, Zwetsloot mendorong adaptasi terhadap kompleksitas proses modern.

Namun, sayangnya, paper ini masih kurang membahas integrasi langsung dengan sistem berbasis AI/ML yang semakin mendominasi pengawasan kualitas modern.

 

Implikasi Praktis dan Rekomendasi Implementasi

1. Perusahaan manufaktur harus memperkuat kompetensi tim quality control di Phase 0 dan Phase III untuk mengurangi false alarms dan meningkatkan interpretasi sinyal.
2. Organisasi kesehatan bisa mengadopsi EWMA charts untuk pemantauan kualitas layanan berbasis data pasien secara real-time.
3. Startup teknologi yang mengembangkan solusi IoT dapat mengintegrasikan Phase III ke dalam pipeline pemeliharaan model machine learning.

 

Kesimpulan: Sebuah Panduan Penting, Tetapi Masih Ada Ruang untuk Inovasi

Paper ini berhasil memberikan peta jalan praktis dalam penerapan univariate control charts di dunia nyata. Penambahan fase-fase penting dalam kerangka kerja mereka mencerminkan pemahaman mendalam akan tantangan praktis yang sering diabaikan oleh teori. Namun, integrasi teknologi machine learning dan automasi lanjutan masih menjadi PR bagi komunitas SPM.

 

Referensi:

Zwetsloot, I. M., Jones-Farmer, L. A., & Woodall, W. H. (2024). Monitoring univariate processes using control charts: Some practical issues and advice. Quality Engineering, 36(3), 487-499.

Pendahuluan: Di Mana Posisi SPC Saat Ini?

Dalam era persaingan bisnis yang semakin tajam, kualitas produk bukan hanya penentu kepuasan pelanggan, tetapi juga menjadi fondasi keberlangsungan perusahaan. Penelitian Sarah Isniah dan Humiras Hardi Purba menyajikan ulasan literatur komprehensif mengenai penerapan Statistical Process Control (SPC) sebagai metode pengendalian kualitas, dengan menyoroti peran strategisnya dalam meningkatkan efisiensi proses produksi.

Studi ini memetakan tren penelitian SPC dari 2015 hingga 2020, memberikan wawasan mendalam mengenai kontribusi metode ini dalam berbagai sektor industri, terutama manufaktur. Tidak hanya itu, penulis juga mengidentifikasi gap riset yang dapat dijadikan pijakan untuk penelitian lebih lanjut.

Mengenal SPC: Dari Teori ke Praktik

Apa Itu Statistical Process Control (SPC)?

SPC merupakan metode pengendalian kualitas berbasis statistik yang digunakan untuk memonitor proses produksi secara berkelanjutan. Awalnya diperkenalkan oleh Dr. Walter Shewhart pada 1920-an dan dipopulerkan oleh Dr. W. Edwards Deming di Jepang pasca-Perang Dunia II. SPC bertujuan membedakan variasi proses yang bersifat umum (common cause) dari variasi yang bersifat khusus (special cause).

Manfaat Utama SPC:

• Mengurangi cacat produk (defect)
• Meningkatkan efisiensi proses produksi
• Mengurangi limbah produksi (waste elimination)
• Meningkatkan keandalan dan kualitas produk

 

Metodologi Penelitian: Review Literatur yang Sistematis

Studi ini merupakan kajian literatur sistematis terhadap 1.270 artikel dari tahun 2016 hingga 2020. Melalui seleksi ketat, hanya 50 artikel yang memenuhi kriteria penelitian, dengan fokus pada aplikasi SPC di berbagai sektor.

Tahapan Review:

1. Identifikasi Tujuan Penelitian
   Mengkaji gap penelitian SPC yang ada di literatur.
2. Penentuan Protokol Analisis
   Mencakup teknik analisis, kriteria pemilihan studi, dan metode evaluasi kualitas.
3. Penyaringan Literatur
   Hanya artikel relevan yang dilibatkan, untuk menjaga validitas.
4. Analisis Kualitas Studi
   Penilaian kualitas dilakukan untuk memastikan kredibilitas sumber data.
5. Integrasi Temuan
   Mengombinasikan analisis kuantitatif dan kualitatif untuk mendapatkan gambaran menyeluruh.

 

Hasil dan Pembahasan: SPC di Industri Manufaktur dan Sektor Lainnya

Dominasi Manufaktur dalam Penerapan SPC

Sebagian besar penelitian yang dianalisis menunjukkan bahwa SPC paling banyak digunakan di industri manufaktur. Dari 50 artikel yang direview:

• 18 penelitian fokus pada pengurangan defect
• 15 penelitian berfokus pada peningkatan proses
• 6 penelitian membahas peningkatan kualitas
• 1 penelitian mengkaji pengurangan biaya produksi
• 2 penelitian mencermati peningkatan profit

📌 Contoh Nyata:
Di industri otomotif, Godina et al. (2016) menunjukkan bahwa penerapan SPC mampu menurunkan tingkat cacat produk hingga 25% dalam enam bulan pertama implementasi【205】.

 

Aplikasi SPC di Sektor Non-Manufaktur

Selain manufaktur, SPC juga mulai diterapkan di sektor kesehatan, pendidikan, dan jasa. Namun, jumlah penelitian masih terbatas:

• 2 jurnal menunjukkan peningkatan kualitas layanan kesehatan dengan SPC
• 6 studi kualitatif mengeksplorasi potensi SPC di sektor lain, seperti pelayanan publik dan industri makanan【205】.

 

Studi Kasus Nyata: Bagaimana SPC Membawa Perubahan?

1. Industri Pakaian dan Tekstil

Penelitian oleh Abtew et al. (2018) pada industri garmen menunjukkan bahwa SPC berhasil mengurangi reject di bagian penjahitan sebesar 20% setelah tiga bulan penggunaan peta kendali.

2. Industri Makanan

Halim Lim et al. (2017) menyoroti bahwa SPC membantu perusahaan makanan di Inggris meningkatkan efisiensi proses sebesar 18%, terutama melalui pengendalian parameter suhu dan kelembaban【205】.

3. Sektor Kesehatan

Von Benzon Hollesen et al. (2018) mendemonstrasikan penggunaan SPC untuk mengurangi angka asfiksia bayi baru lahir di unit persalinan, dari 4% menjadi 2%【205】.

 

Analisis Tambahan: Mengapa SPC Masih Relevan di Era Digital?

1. Integrasi dengan Industri 4.0

SPC kini tidak hanya mengandalkan data manual, melainkan terintegrasi dengan sistem berbasis sensor IoT dan analitik big data. Sistem Computer-Aided Quality (CAQ) memungkinkan pengumpulan dan analisis data SPC secara otomatis, meningkatkan efisiensi dan akurasi.

 

2. Sinergi dengan AI dan Machine Learning

Dalam beberapa studi terbaru, SPC dikombinasikan dengan machine learning untuk prediksi kegagalan proses secara real-time, sebagaimana dicontohkan dalam penelitian Hsu et al. (2020) mengenai pemeliharaan turbin angin【205】.

 

Kritik dan Keterbatasan Penelitian

Meskipun studi ini memberikan gambaran komprehensif tentang perkembangan SPC, terdapat beberapa kritik yang perlu dicermati:

• Kurangnya Studi Kualitatif Mendalam
  Sebagian besar studi lebih menitikberatkan pada data kuantitatif, sementara analisis mendalam terkait faktor manusia, budaya organisasi, dan resistensi perubahan masih minim.
• Tantangan di UKM
  Implementasi SPC pada skala usaha kecil-menengah sering kali terkendala biaya investasi awal dan keterbatasan SDM. Hal ini jarang dibahas dalam literatur.

 

Rekomendasi Praktis untuk Industri

1. Komitmen Manajemen Puncak

SPC membutuhkan komitmen jangka panjang dari manajemen. Tanpa dukungan strategis, penerapan SPC berpotensi stagnan.

2. Pelatihan Berkelanjutan

SDM yang kompeten dalam interpretasi data statistik adalah aset utama. Pelatihan rutin dalam memahami peta kendali sangat disarankan.

3. Integrasi Sistem Otomasi

Implementasi SPC sebaiknya terintegrasi dengan sistem ERP dan IoT untuk mengoptimalkan pemantauan proses produksi secara real-time.

 

Kesimpulan: SPC Sebagai Pilar Utama Pengendalian Kualitas di Era Modern

Penelitian ini menegaskan bahwa Statistical Process Control tetap menjadi metode unggulan untuk meningkatkan kualitas dan efisiensi produksi, baik di industri manufaktur maupun sektor lainnya. SPC bukan hanya tentang alat statistik, melainkan juga membangun budaya kualitas yang berkelanjutan.

✅ Keunggulan SPC:

• Mengurangi cacat produk secara signifikan
• Meningkatkan efisiensi proses produksi
• Mendorong budaya continuous improvement

❗ Tantangan:

• Butuh investasi awal yang cukup besar
• Perlu komitmen tinggi dari manajemen dan SDM

 

Referensi:

Isniah, S., & Purba, H. H. (2021). The Application of Using Statistical Process Control (SPC) Method: Literature Review and Research Issues. Spektrum Industri, 19(2), 125-133.
 

Pendahuluan: Mengapa Kualitas Tidak Lagi Cukup?

Dalam dunia manufaktur modern, tuntutan pasar tidak hanya soal kualitas tinggi, tetapi juga soal keandalan dan keamanan produk selama masa pakai. Konsumen sekarang menuntut produk yang beyond quality, yang tidak hanya sesuai spesifikasi, tetapi juga aman dan dapat diandalkan dalam jangka waktu panjang. Ambil contoh industri otomotif. Sekali ada recall karena komponen gagal, seperti kasus airbag Takata, bukan hanya kerugian miliaran dolar yang menanti, tetapi juga hilangnya kepercayaan pelanggan. Inilah mengapa kontrol kualitas konvensional dianggap tidak lagi memadai.

Beata Mrugalska dan Edwin Tytyk melalui paper mereka yang berjudul "Quality Control Methods for Product Reliability and Safety" (2015), memperkenalkan pendekatan yang lebih holistik. Tidak hanya fokus pada kontrol kualitas produk, mereka menyoroti pentingnya metode yang mampu menanggulangi variasi dan ketidakpastian dalam desain, produksi, hingga penggunaan produk di dunia nyata.

Perbedaan Fundamental: Kualitas, Keandalan, dan Keamanan Produk

Banyak perusahaan masih menganggap kualitas, keandalan, dan keamanan sebagai konsep yang saling tumpang tindih. Padahal, kenyataannya berbeda.

• Kualitas merujuk pada kemampuan produk memenuhi spesifikasi teknis pada saat penyerahan.
• Keandalan berbicara tentang bagaimana produk tetap bekerja sesuai fungsi selama periode tertentu tanpa gagal.
• Keamanan menekankan perlindungan dari skenario kegagalan yang bisa menyebabkan kerugian serius, baik bagi pengguna maupun lingkungan.

Sebuah produk dapat lulus uji kualitas namun gagal dalam hal keandalan atau keamanan. Contoh nyata adalah smartphone yang lolos uji kualitas, tetapi kemudian diketahui rentan overheating setelah penggunaan intensif selama beberapa bulan. Ini membuktikan bahwa kualitas tanpa keandalan dan keamanan adalah ilusi.

Tantangan Utama: Variasi dan Ketidakpastian dalam Proses Produksi

Di era teknologi canggih, kita justru dihadapkan pada tingkat kompleksitas yang lebih tinggi. Produk semakin rumit, ekspektasi pelanggan semakin tinggi, sementara lingkungan operasional kian tidak terduga.

Mrugalska dan Tytyk mengidentifikasi dua musuh utama keandalan dan keamanan produk, yaitu:

1. Variasi Proses - Misalnya, perbedaan kecil dalam suhu atau tekanan selama proses produksi dapat menyebabkan perbedaan besar pada performa produk akhir.
2. Ketidakpastian - Ini meliputi ketidaktahuan tentang semua faktor yang bisa mempengaruhi kinerja produk. Dalam banyak kasus, data yang digunakan untuk desain produk tidak selalu mencerminkan kondisi nyata di lapangan.

Sebagai ilustrasi, dalam produksi panel surya, sedikit variasi pada kemurnian silikon dapat menyebabkan penurunan efisiensi panel secara signifikan. Hal serupa juga ditemukan pada industri farmasi, di mana ketidakakuratan dosis bahan aktif bisa mengurangi efektivitas obat atau bahkan membahayakan pasien.

Solusi: Pendekatan Desain dan Kontrol Robust

Desain Produk yang Tahan Banting

Desain robust berarti menciptakan produk yang tetap berfungsi baik meskipun ada gangguan atau variasi selama produksi atau penggunaan. Pendekatan ini tidak berfokus pada menghilangkan noise atau gangguan, tetapi membuat sistem tidak sensitif terhadapnya.

Taguchi Method menjadi rujukan utama dalam desain ini. Intinya, dengan memanfaatkan eksperimen terkontrol, produsen bisa menemukan kombinasi parameter desain yang paling stabil. Misalnya, pada industri otomotif, teknik ini digunakan untuk mendesain sistem rem ABS yang tetap responsif di berbagai kondisi jalan dan cuaca.

Pengendalian Kualitas Proses Produksi

Kontrol kualitas yang baik harus mampu mendeteksi cacat produk sedini mungkin. Di sini, metode kontrol statistik klasik seperti Control Chart masih digunakan. Namun, untuk sistem yang lebih kompleks, Mrugalska dan Tytyk mengusulkan pendekatan baru berbasis parameter estimation dan residual-based fault detection.

Metode ini membandingkan data produksi aktual dengan model referensi produk yang diharapkan. Jika ada penyimpangan di luar ambang batas yang telah ditetapkan, sistem akan secara otomatis mengidentifikasi potensi cacat sebelum produk diteruskan ke tahap berikutnya.

Deteksi Dini Kegagalan: Adaptive Thresholds dan Kecerdasan Buatan

Salah satu inovasi penting dalam studi ini adalah penerapan adaptive thresholds. Berbeda dengan metode tradisional yang menetapkan batas tetap untuk mendeteksi kesalahan, adaptive thresholds memungkinkan batas tersebut berubah sesuai dengan kondisi proses dan ketidakpastian data.

Misalnya, dalam lini produksi smartphone, sistem ini bisa secara otomatis menyesuaikan ambang batas pada saat mendeteksi anomali suhu atau tegangan, tergantung pada variabilitas kondisi mesin produksi saat itu.

Lebih canggih lagi, pendekatan ini dapat diintegrasikan dengan teknologi kecerdasan buatan seperti Artificial Neural Networks (ANN) dan Extended Kalman Filter. Teknologi ini memungkinkan deteksi cacat produk secara prediktif, bahkan sebelum kerusakan benar-benar terjadi. Di industri penerbangan, pendekatan serupa digunakan untuk memantau kesehatan mesin pesawat secara real-time, mencegah kegagalan mesin yang bisa berujung fatal.

Studi Kasus Penerapan di Industri

Industri Otomotif

Toyota telah menerapkan metode robust design dan adaptive control untuk meningkatkan keandalan kendaraan listrik mereka. Hasilnya, tingkat cacat komponen utama seperti baterai dan sistem rem turun lebih dari 40% dalam tiga tahun terakhir.

Industri Elektronik

Perusahaan seperti Samsung dan Foxconn telah mengadopsi sistem adaptive thresholds pada lini produksi ponsel pintar mereka. Ini membantu mereka memangkas waktu inspeksi akhir hingga 25% dan meningkatkan tingkat yield produksi sebesar 15%.

Industri Farmasi

Di lini produksi obat injeksi steril, penerapan inline quality control berbasis machine learning memungkinkan deteksi awal anomali kadar bahan aktif, meningkatkan efisiensi produksi hingga 20% sekaligus memastikan kepatuhan terhadap regulasi keamanan internasional.

Kritik dan Saran Perbaikan

Meskipun metodologi yang diusulkan Mrugalska dan Tytyk sangat menjanjikan, ada beberapa catatan penting:

• Tantangan Implementasi: Teknologi seperti ANN dan Kalman Filter membutuhkan data dalam jumlah besar serta infrastruktur komputasi yang kuat. Ini menjadi kendala bagi perusahaan skala kecil dan menengah.
• Kurangnya Studi Empiris di Dunia Nyata: Sebagian besar pembahasan masih bersifat konseptual. Diperlukan lebih banyak studi kasus dan data lapangan yang membuktikan efektivitas metode dalam kondisi nyata.

Sebagai langkah lanjut, industri dapat mempertimbangkan penerapan sistem open-source berbasis platform seperti TensorFlow untuk menekan biaya. Selain itu, kolaborasi antara akademisi dan pelaku industri perlu diperkuat untuk mempercepat adopsi metode ini.

Penutup: Masa Depan Pengendalian Kualitas adalah Adaptif dan Prediktif

Dalam menghadapi tantangan produksi modern, perusahaan tidak cukup hanya mengandalkan pengendalian kualitas konvensional. Pendekatan prediktif berbasis data, pemodelan robust, dan teknologi AI menjadi kunci untuk menciptakan produk yang bukan hanya berkualitas, tetapi juga andal dan aman sepanjang siklus hidupnya.

Penelitian Mrugalska dan Tytyk membuka cakrawala baru bagaimana sistem mutu yang adaptif dapat menjadi fondasi bagi industri masa depan yang kompetitif. Bagi perusahaan yang ingin tetap relevan, investasi di bidang ini bukan lagi pilihan, melainkan keharusan.

Sumber:

Mrugalska, B., & Tytyk, E. (2015). Quality control methods for product reliability and safety. Procedia Manufacturing, 3, 2730–2737.