Pendahuluan

Di tengah pesatnya pertumbuhan industri manufaktur, menjaga kualitas produk tetap menjadi prioritas utama. Inspeksi manual yang selama ini menjadi andalan mulai ditinggalkan karena keterbatasannya dalam hal kecepatan, konsistensi, dan biaya. Kelelahan operator, inkonsistensi antar-inspektur, dan kerumitan dalam pelatihan membuat proses manual semakin tidak efisien, terutama dalam lini produksi berskala besar.

Di sinilah Active Learning hadir sebagai solusi mutakhir yang tidak hanya mengurangi beban kerja manusia, tetapi juga meningkatkan efisiensi dan akurasi proses inspeksi visual otomatis. Paper ini membahas strategi active learning yang diimplementasikan dalam sistem inspeksi visual otomatis berbasis machine learning, khususnya pada produk manufaktur seperti alat cukur produksi Philips Consumer Lifestyle BV.

 

Konsep Dasar Active Learning dalam Inspeksi Visual

Active learning adalah salah satu cabang machine learning yang memungkinkan sistem belajar lebih efisien dengan memilih data yang paling informatif untuk dilabeli. Dalam konteks inspeksi produk, metode ini sangat relevan karena:

• Volume data besar, namun hanya sebagian kecil yang benar-benar berguna untuk meningkatkan performa model.
• Keterbatasan sumber daya manusia dalam proses pelabelan, yang membutuhkan waktu dan tenaga.

Dengan pendekatan ini, sistem hanya meminta label pada data yang tidak pasti atau berpotensi meningkatkan akurasi model, sehingga menghemat waktu dan biaya pelabelan.

 

Studi Kasus: Inspeksi Visual Produk Philips

Latar Belakang

Penelitian ini berfokus pada inspeksi kualitas cetakan logo pada alat cukur produksi Philips. Produk-produk ini melalui proses pad printing yang memungkinkan terjadinya cacat seperti:

1. Double Printing (Pencetakan Ganda)
2. Interrupted Printing (Pencetakan Terputus)

Operator biasanya melakukan inspeksi manual untuk memisahkan produk cacat dari yang layak jual. Dengan produksi harian dalam jumlah besar, kebutuhan untuk mengotomatisasi proses inspeksi sangat mendesak.

Dataset

Dataset yang digunakan mencakup 3.518 gambar alat cukur yang diklasifikasikan ke dalam tiga kategori:

• Good Printing (Cetakan Sempurna)
• Double Printing
• Interrupted Printing

Data ini menjadi dasar dalam membangun dan menguji model machine learning.

 

Metodologi yang Digunakan

Pendekatan Multiclass Classification

Peneliti memformulasikan masalah sebagai tugas klasifikasi multiclass, dengan tiga kelas yang telah disebutkan. Model dilatih untuk membedakan ketiga kelas ini, memastikan deteksi cacat dapat dilakukan secara otomatis.

Ekstraksi Fitur

Penggunaan ResNet-18 sebagai model pretrained deep learning menjadi kunci utama dalam ekstraksi fitur. Fitur yang diambil dari lapisan average pooling berjumlah 512, yang kemudian diseleksi menggunakan teknik Mutual Information untuk mencegah overfitting.

Strategi Active Learning

Peneliti membandingkan tiga pendekatan utama:

1. Stream-Based Sampling
   Model memilih data berdasarkan tingkat ketidakpastian yang diukur pada setiap instance yang masuk secara real-time.
2. Pool-Based Sampling
   Model memilih data dari kumpulan data yang ada, memprioritaskan data yang paling tidak pasti.
3. Query by Committee
   Pendekatan ini melibatkan beberapa model berbeda (Gaussian Naïve Bayes, CART, SVM, MLP, kNN) yang membentuk "komite". Data dipilih jika terdapat ketidaksetujuan tinggi antar model.

Evaluasi Kinerja

Kinerja model diukur menggunakan AUC ROC (Area Under the Receiver Operating Characteristic Curve), yang populer karena kemampuannya mengukur performa klasifikasi secara threshold-independent.

 

Hasil dan Analisis Data

Performa Model

• MLP (Multi-layer Perceptron) mencatat performa terbaik di hampir semua skenario, baik pada pool-based maupun stream-based sampling.
  AUC ROC rata-rata mencapai 98-99% di sebagian besar pengujian.
• SVM (Support Vector Machine) berada di posisi ketiga terbaik setelah MLP dan query-by-committee, dengan hasil AUC ROC stabil di kisaran 95-97%.
• Query-by-Committee menampilkan performa kompetitif, hampir setara dengan MLP namun masih lebih rendah dalam beberapa skenario.

Signifikansi Statistik

Uji Wilcoxon signed-rank menunjukkan bahwa:

• Perbedaan performa antara stream-based dan pool-based tidak signifikan.
• Strategi query-by-committee secara statistik memberikan hasil signifikan dibanding metode lain, kecuali saat dibandingkan langsung dengan MLP.

Efisiensi Labeling

Active learning secara keseluruhan mampu mengurangi kebutuhan pelabelan data tanpa mengorbankan akurasi model. Ini berarti penghematan waktu dan sumber daya manusia yang signifikan di lini produksi.

 

Kritik dan Pembahasan Tambahan

Kelebihan Penelitian

1. Praktikal dan Realistis
   Fokus pada kasus nyata dari industri (Philips) menjadikan penelitian ini sangat aplikatif.
2. Komparasi Menyeluruh
   Penelitian ini mengulas berbagai strategi active learning, memungkinkan pembaca mendapatkan gambaran komprehensif tentang kelebihan dan kekurangannya.

Keterbatasan Penelitian

1. Generalisasi
   Studi ini fokus pada satu jenis produk (alat cukur). Pengujian lebih luas pada tipe produk lain diperlukan untuk menguji skalabilitas metode.
2. Ketergantungan pada Data Gambar
   Sistem ini sangat bergantung pada kualitas gambar. Kondisi pencahayaan dan noise gambar dapat memengaruhi performa sistem.

 

Perbandingan dengan Penelitian Lain

Jika dibandingkan dengan penelitian lain seperti Gobert et al. (2018) yang menggunakan 3D convolutional filters untuk mendeteksi cacat pada manufaktur aditif, pendekatan active learning di sini lebih hemat sumber daya karena hanya meminta label pada data yang penting. Selain itu, penelitian ini juga sejalan dengan konsep Smart Manufacturing yang diusung oleh industri 4.0.

 

Implikasi Praktis untuk Industri Manufaktur

Keuntungan Implementasi

• Efisiensi Operasional: Mempercepat proses inspeksi hingga 40%, mengurangi ketergantungan pada operator manual.
• Skalabilitas: Bisa diterapkan pada lini produksi yang berbeda dengan modifikasi minimal.
• Pengurangan Biaya: Mengurangi jumlah data yang perlu dilabeli secara manual.

Contoh Implementasi di Industri

1. Industri Elektronik
   Digunakan untuk inspeksi komponen PCB di industri semikonduktor, di mana kecepatan inspeksi krusial.
2. Industri Otomotif
   Diterapkan dalam pengecekan cat bodi kendaraan yang rentan cacat minor yang sulit dilihat oleh mata manusia.

 

Rekomendasi Penelitian Lanjutan

1. Data Augmentation
   Mengintegrasikan teknik augmentasi data untuk meningkatkan akurasi prediksi model tanpa menambah beban pelabelan data.
2. Integrasi Edge Computing
   Agar sistem bisa bekerja secara real-time di lokasi produksi tanpa membutuhkan bandwidth besar.
3. Explainable AI (XAI)
   Meningkatkan transparansi model agar keputusan deteksi cacat dapat dijelaskan secara logis kepada operator dan manajemen pabrik.

 

Kesimpulan

Penelitian "Active Learning for Automated Visual Inspection of Manufactured Products" memberikan wawasan penting tentang bagaimana active learning dapat merevolusi sistem inspeksi visual otomatis dalam industri manufaktur. Dengan memanfaatkan strategi query-by-committee dan MLP, sistem ini mampu mencapai akurasi tinggi sambil menghemat sumber daya.

Pendekatan ini tidak hanya efisien tetapi juga praktis, menawarkan solusi nyata bagi perusahaan yang ingin beradaptasi dengan tuntutan produksi modern yang semakin kompetitif dan berorientasi pada kualitas.