Pendahuluan

Di era industri tekstil modern, kualitas kain menjadi penentu utama nilai jual. Bahkan, cacat kecil dapat menurunkan harga jual kain hingga 45–65%. Masalah semakin kompleks ketika kecepatan produksi meningkat, sementara kemampuan manusia untuk mendeteksi cacat tetap terbatas. Di sinilah teknologi Automated Visual Inspection (AVI) berbasis pengolahan citra menjadi solusi yang mendesak.

Penelitian oleh Tajeripour et al. memperkenalkan metode deteksi cacat kain yang berbasis Modified Local Binary Patterns (LBP). Tujuannya adalah menyederhanakan proses deteksi cacat namun tetap efisien, akurat, dan mampu diimplementasikan secara online dalam proses produksi.

 

Apa itu Local Binary Patterns (LBP)?

LBP adalah metode pengolahan citra untuk analisis tekstur yang dikembangkan oleh Ojala et al. pada tahun 1990-an. Secara sederhana, LBP bekerja dengan membandingkan intensitas piksel pusat dengan piksel-piksel tetangganya dalam suatu jendela kecil, kemudian mengubah hasil perbandingan itu menjadi representasi biner.

Dalam konteks deteksi cacat kain, metode ini sangat cocok karena tekstur kain bersifat berulang dan memiliki pola periodik yang konsisten. Cacat adalah bentuk gangguan yang mengacaukan pola tersebut. LBP yang dimodifikasi dalam penelitian ini memungkinkan pendeteksian berbagai cacat, baik pada kain berpola sederhana maupun kompleks.

 

Permasalahan yang Dihadapi Industri Tekstil

Industri tekstil menghadapi tantangan besar dalam hal:

• Kecepatan produksi tinggi, hingga 200 m/menit.
• Ketergantungan pada operator manusia, yang hanya mampu mendeteksi 60% cacat jika kecepatan produksi melebihi 30 m/menit.
• Variasi pola kain yang semakin rumit, seperti Jacquard dengan motif bunga atau desain kompleks lainnya.

Teknologi AVI harus mampu:

• Menangani berbagai jenis kain, baik patterned maupun unpatterned.
• Bekerja secara real-time dengan akurasi tinggi.

 

Kontribusi Utama Penelitian

1. Penggunaan Modified LBP untuk Deteksi Cacat

LBP klasik digunakan untuk klasifikasi tekstur, namun penelitian ini memodifikasi algoritma tersebut untuk fokus pada deteksi cacat:

• Rotasi tidak relevan: Karena posisi gulungan kain tetap, rotasi diabaikan, sehingga digunakan jendela persegi bukan lingkaran.
• Probabilitas kemunculan label LBP digunakan sebagai fitur utama dalam klasifikasi daerah cacat dan tidak cacat.
• Pendekatan Multiresolusi: Menggunakan jendela dengan berbagai ukuran untuk menangkap cacat dari berbagai skala.

2. Deteksi pada Kain Berpola dan Tidak Berpola

• Untuk kain tidak berpola, LBP diterapkan langsung pada jendela non-overlapping.
• Pada kain berpola, digunakan jendela overlapping untuk mempertahankan konteks pola berulang.

 

Metodologi dan Implementasi

Dataset

• Kain unpatterned seperti Twill dan Plain.
• Kain patterned seperti Jacquard dengan pola titik, kotak, dan bintang.
• Cacat yang diuji termasuk: double yarn, missing yarn, broken fabric, hole, oil stain, knot, netting multiple.

Langkah Kerja Algoritma

1. Training Stage:
   • Mengambil gambar kain bebas cacat.
   • Membagi gambar menjadi jendela untuk menghitung reference feature vector.
   • Menentukan ambang batas (threshold) berdasarkan distribusi probabilitas label LBP.
2. Testing Stage:
   • Menerapkan LBP pada jendela gambar kain yang diuji.
   • Menghitung log-likelihood ratio untuk membandingkan fitur jendela dengan reference feature vector.
   • Jika nilai lebih besar dari threshold, maka jendela dianggap cacat.

 

Hasil dan Diskusi

Akurasi Deteksi

• Unpatterned Fabrics: Deteksi rata-rata 97% untuk cacat seperti missing yarn dan broken fabric.
• Patterned Fabrics: Deteksi rata-rata 95% pada berbagai jenis cacat.
• Kombinasi LBP8,3 + LBP16,5 mencapai deteksi >95% di berbagai jenis cacat.

Kecepatan dan Kompleksitas

• Lebih cepat dibanding metode Gabor filter yang butuh banyak komputasi.
• Implementasi online memungkinkan: Simpel, tanpa perlu transformasi kompleks seperti Fourier atau Wavelet.

 

Nilai Tambah & Opini

Kelebihan Metode

• Efisien dan ringan secara komputasi, cocok untuk sistem online pada jalur produksi.
• Multiresolusi meningkatkan akurasi dalam mendeteksi cacat kecil maupun besar.
• Gray-scale invariant, tidak terpengaruh perubahan pencahayaan.

Kritik & Batasan

• Keterbatasan pada pola non-periodik: Sistem sangat bergantung pada pola berulang.
• Resolusi pola cacat rendah: Walaupun cacat terdeteksi, pola yang dihasilkan kurang detail dibanding metode seperti Gabor.

Perbandingan dengan Penelitian Lain

• Ngan et al. (2005): Menggunakan Wavelet untuk kain berpola, namun lebih berat secara komputasi.
• Kumar & Pang (2002): Gabor filters akurat, tetapi lambat.
• Tajeripour et al. menghadirkan solusi di tengah—cukup akurat, lebih cepat, mudah diimplementasikan.

 

Implikasi Praktis di Industri

Manfaat Langsung

• Hemat biaya: Tidak perlu tenaga kerja manusia dalam jumlah besar untuk inspeksi.
• Meningkatkan kualitas produksi: Deteksi lebih akurat dan konsisten.
• Fleksibel diterapkan di berbagai lini produksi tekstil.

Tren Industri

• Integrasi dengan sistem IoT: Data dari deteksi cacat dapat langsung masuk ke sistem monitoring produksi.
• Edge Computing: Algoritma ringan LBP cocok diimplementasikan pada perangkat edge, mengurangi kebutuhan pengolahan di server pusat.

 

Studi Kasus Industri Nyata

Di industri tekstil India dan China, penerapan inspeksi visual otomatis menjadi tren yang tak terhindarkan. Dengan ribuan meter kain diproduksi tiap jam, penerapan sistem berbasis Modified LBP seperti ini bisa menghemat jutaan rupiah setiap harinya karena mengurangi tingkat produk cacat yang lolos inspeksi.

 

Rekomendasi Penelitian Selanjutnya

• Kombinasi dengan Deep Learning: Menggabungkan keunggulan LBP dalam ekstraksi fitur dengan klasifikasi CNN untuk meningkatkan akurasi.
• Penerapan pada bahan non-tekstil: Kayu, plastik, bahkan kulit sintetis yang juga memiliki tekstur berulang.

 

Kesimpulan

Penelitian Tajeripour et al. berhasil menunjukkan bahwa Modified LBP adalah metode sederhana namun efektif untuk deteksi cacat kain secara otomatis. Pendekatan ini menawarkan solusi praktis dengan akurasi tinggi dan komputasi rendah, ideal untuk industri manufaktur tekstil modern yang membutuhkan sistem inspeksi real-time.

 

Sumber Artikel

Tajeripour, F., Kabir, E., & Soroushmehr, S. M. R. (2008). A novel method for fabric defect detection using modified local binary patterns. EURASIP Journal on Advances in Signal Processing, 2008(1), 783898.

Pendahuluan

Dalam industri pengolahan kayu, kualitas produk akhir sangat ditentukan oleh ketelitian dalam proses inspeksi bahan baku, khususnya dalam mengidentifikasi cacat pada permukaan kayu. Paper berjudul "A Review of the Automated Timber Defect Identification Approach", karya Teo Hong Chun dkk., yang diterbitkan di International Journal of Electrical and Computer Engineering (IJECE), Vol. 13 No. 2, April 2023, menyajikan ulasan komprehensif mengenai pendekatan identifikasi cacat kayu otomatis berbasis Artificial Intelligence (AI).

Secara umum, paper ini menyoroti bagaimana teknologi Automated Vision Inspection (AVI) yang dikombinasikan dengan Machine Learning (ML) dan Deep Learning (DL) mampu meningkatkan akurasi dan efisiensi dalam proses deteksi dan klasifikasi cacat kayu. Dalam resensi ini, penulis mengupas isi paper, memperkaya dengan analisis mendalam, studi kasus, serta refleksi atas implementasinya di industri.

Latar Belakang Masalah

Industri kayu menghadapi tantangan besar dalam hal pengendalian kualitas (QC). Inspeksi manual yang bergantung pada tenaga kerja manusia rentan terhadap kelelahan, subjektivitas, dan human error. Menurut penelitian, sekitar 16,1% dari hasil produksi kayu hilang akibat ketidakakuratan inspeksi manusia, dengan akurasi rata-rata hanya mencapai 68% (Teo et al., 2023).

Selain itu, faktor eksternal seperti kenaikan biaya produksi kayu yang mencapai 70% dari keseluruhan biaya produksi semakin mendorong industri untuk mengadopsi solusi berbasis teknologi demi efisiensi biaya dan peningkatan hasil produksi.

AVI: Solusi untuk Efisiensi dan Akurasi Inspeksi

Teknologi Automated Vision Inspection (AVI) adalah sistem berbasis visi komputer yang mampu melakukan akuisisi, peningkatan, segmentasi, ekstraksi, hingga klasifikasi fitur pada permukaan kayu. Komponen utama AVI meliputi kamera, sensor, pencahayaan, dan sistem pemrosesan gambar berbasis AI.

Dalam konteks deteksi cacat kayu, AVI memberikan solusi presisi tinggi terhadap permasalahan klasifikasi cacat seperti:

• Knots (simpul): Memengaruhi kekuatan struktural kayu.
• Cracks (retakan): Mengurangi durabilitas.
• Decay/Rot (pelapukan/busuk): Menurunkan estetika dan kekuatan kayu.

Paper ini mencatat bahwa penggunaan AVI mampu meningkatkan akurasi deteksi cacat kayu hingga 25%, meningkatkan hasil produksi sebesar 5,3%, dan secara signifikan mengurangi ketergantungan pada operator manusia.

Pendekatan Machine Learning dan Deep Learning

Penelitian-penelitian sebelumnya menunjukkan bahwa metode ML dan DL memiliki keunggulan signifikan dalam mendeteksi cacat kayu yang kompleks.

Machine Learning

ML mengandalkan dataset berlabel untuk belajar mengenali pola cacat kayu. Beberapa teknik yang diulas dalam paper meliputi:

• Support Vector Machine (SVM): Memiliki akurasi 75,8% dalam klasifikasi cacat kayu seperti simpul dan retakan pada kayu oak dan spruce.
• Random Forest dan k-NN: Mencapai akurasi 81% dalam mendeteksi simpul kayu (Mohan & Venkatachalapathy, 2020).

Namun, kelemahan ML adalah ketergantungannya pada fitur buatan manusia (manual feature extraction) seperti tekstur (GLCM, LBP), yang seringkali memerlukan analisis dan penyesuaian mendalam.

Deep Learning

DL, khususnya Convolutional Neural Network (CNN), menawarkan metode otomatis dalam ekstraksi fitur dan klasifikasi. CNN terbukti:

• Memiliki akurasi lebih tinggi dalam deteksi simpul, retakan, dan pelapukan.
• Mampu memproses data dalam jumlah besar dengan transfer learning dan data augmentation untuk meningkatkan akurasi pada dataset terbatas.

Studi dalam paper menyebutkan bahwa model ResNet152, ketika diterapkan untuk mendeteksi cacat veneer kayu, mencapai akurasi rata-rata 80,6%. Sementara VGG-19 dan DenseNet digunakan untuk mendeteksi simpul kayu dengan akurasi mendekati 90%.

Studi Kasus Industri Kayu

Dalam industri pengolahan kayu di Skandinavia, perusahaan seperti Moelven Industrier ASA telah mengintegrasikan sistem AVI berbasis DL untuk grading kayu secara otomatis. Hasilnya, terjadi pengurangan 30% tenaga kerja manual dan peningkatan produktivitas sebesar 15%. Penerapan ini juga menunjukkan ROI (Return on Investment) dalam waktu 2 tahun.

Di Indonesia, tantangan utama adalah akses ke teknologi dan biaya investasi awal. Namun, integrasi AI dalam QC kayu di perusahaan furniture seperti IKEA Indonesia mulai mengadopsi teknologi serupa untuk menjaga standar internasional.

Kelebihan dan Kelemahan Pendekatan dalam Paper

Kelebihan:

• Penyajian ulasan komprehensif terkait berbagai metode ML dan DL.
• Penjelasan detail mengenai arsitektur CNN dan aplikasinya di industri kayu.
• Analisis tren teknologi terbaru seperti transfer learning dan data augmentation.

Kelemahan:

• Fokus penelitian sebagian besar pada deteksi simpul (knots), sementara jenis cacat lain seperti pelapukan (rot) atau stain belum banyak diulas.
• Implementasi di industri skala kecil-menengah masih minim, sehingga kurang representatif bagi pasar berkembang.

Catatan Tambahan

Industri kayu di Asia Tenggara, termasuk Indonesia, menghadapi tantangan serupa yang diulas dalam paper, seperti keterbatasan tenaga kerja ahli dan kebutuhan peningkatan efisiensi produksi. Paper ini menjadi rujukan penting dalam mengembangkan solusi berbasis AI untuk pasar domestik.

Masa Depan AVI di Industri Kayu

Dengan semakin berkembangnya teknologi Industri 4.0, integrasi Internet of Things (IoT) dan AI membuka peluang besar bagi otomatisasi sistem grading kayu secara end-to-end. Pengembangan sistem berbasis Edge Computing juga memungkinkan pemrosesan data secara real-time di lokasi produksi tanpa ketergantungan pada infrastruktur cloud.

Kolaborasi antara akademisi dan industri diperlukan untuk mengembangkan solusi yang cost-effective, seperti low-cost CNN deployment untuk UKM pengrajin kayu.

Kesimpulan

Paper ini memberikan pandangan luas mengenai perkembangan sistem deteksi otomatis cacat kayu berbasis AVI, ML, dan DL. Meskipun sebagian besar implementasi masih terbatas pada penelitian atau perusahaan besar, potensi adopsinya di skala industri menengah dan kecil sangat besar. Dengan teknologi yang semakin murah dan sumber daya manusia yang terlatih, masa depan industri kayu berbasis AI sangat menjanjikan.

 

Sumber:

Teo, H. C., Hashim, U. R., Ahmad, S., Salahuddin, L., Choon, N. H., & Kanchymalay, K. (2023). A review of the automated timber defect identification approach. International Journal of Electrical and Computer Engineering, 13(2), 2156–2166.

Pendahuluan: Tantangan dan Kebutuhan Pengendalian Kualitas di Industri Modern

Di era industri saat ini, pengendalian kualitas produksi bukan sekadar kebutuhan teknis, melainkan juga strategi bisnis utama. Produk yang gagal memenuhi standar kualitas dapat merusak reputasi perusahaan, mengurangi kepuasan pelanggan, dan menyebabkan kerugian finansial. Oleh karena itu, sistem Quality Control (QC) yang cerdas dan adaptif menjadi kebutuhan mendesak, terutama di industri manufaktur yang beroperasi dalam lingkungan variabel dan penuh gangguan.

Dalam paper yang ditulis oleh Hsuan-Kai Chang, Awni Qasaimeh, Susan S. Lu, dan Huitian Lu, berjudul Intelligent Integration of SPC/EPC for Quality Control and Fault Diagnosis, penulis mengusulkan integrasi tiga teknologi utama—Statistical Process Control (SPC), Engineering Process Control (EPC), dan Artificial Neural Network (ANN). Kombinasi ketiganya dirancang untuk menciptakan sistem pengendalian proses industri yang lebih akurat, otomatis, dan mampu mendiagnosis kesalahan secara real-time.

Gambaran Umum SPC, EPC, dan ANN

Apa itu SPC?

Statistical Process Control (SPC) adalah metode pengawasan kualitas berbasis statistik. SPC menggunakan control chart untuk mendeteksi variasi proses, baik yang bersifat acak (common cause) maupun spesifik (assignable cause). Tujuan utamanya adalah memastikan bahwa proses produksi tetap dalam kondisi stabil secara statistik.

Apa itu EPC?

Engineering Process Control (EPC) berfokus pada regulasi otomatis proses produksi. EPC berperan sebagai sistem umpan balik yang menyesuaikan variabel input untuk menjaga output proses tetap pada target yang diinginkan, meskipun terjadi gangguan atau variasi input.

Apa itu ANN?

Artificial Neural Network (ANN) adalah model komputasi cerdas yang mampu mengenali pola dan belajar dari data. Dalam konteks pengendalian kualitas, ANN digunakan untuk mengenali pola anomali pada control chart dan bertindak sebagai regulator proses yang adaptif.

 

Mengapa Perlu Integrasi SPC, EPC, dan ANN?

Baik SPC maupun EPC memiliki keterbatasan ketika diterapkan secara mandiri:

• EPC mampu melakukan penyesuaian otomatis, tetapi tidak dapat mengenali penyebab spesifik gangguan (assignable causes).
• SPC mampu mendeteksi gangguan, tetapi bersifat reaktif dan memerlukan intervensi manual.

Dengan mengintegrasikan keduanya melalui Artificial Neural Network (ANN), sistem tidak hanya mampu mendiagnosis dan mengidentifikasi pola gangguan, tetapi juga melakukan penyesuaian otomatis untuk mengoreksi proses. Hal ini menciptakan sistem pengendalian proses cerdas, yang menggabungkan diagnosis gangguan dan kontrol otomatis secara simultan.

 

Arsitektur Sistem Integrasi SPC/EPC/ANN

Komponen Utama

1. SPC Module: Bertugas mendeteksi pola penyimpangan dari target proses melalui analisis data kontrol chart.
2. EPC Module: Melakukan penyesuaian otomatis terhadap variabel input untuk mengoreksi deviasi output.
3. ANN Module: Berfungsi sebagai pengenal pola (pattern recognizer) sekaligus controller yang mengatur tindakan korektif otomatis.

Fungsi ANN

• Menerima data dari SPC control chart.
• Mengklasifikasikan pola gangguan (misalnya, upward trend, cyclic trend).
• Mengirimkan perintah koreksi ke EPC untuk penyesuaian proses.

 

Studi Kasus: Sistem Tiga Tangki Non-Linear

Simulasi Sistem

Penelitian ini menguji integrasi SPC, EPC, dan ANN dalam sebuah sistem tiga tangki yang sering digunakan di industri pengolahan air limbah, petrokimia, dan sistem gas cair. Sistem terdiri dari:

• Tiga tangki terhubung yang mengatur aliran cairan.
• Pompa dan katup sebagai variabel manipulatif (x1, x2).
• Level cairan dalam tangki sebagai output utama yang dikontrol (y1, y2, y3).

Tujuan Pengendalian

• Menjaga level cairan setiap tangki sesuai target.
• Mengantisipasi gangguan eksternal seperti variasi aliran masuk dan perubahan tekanan.

 

Hasil dan Temuan Penting

1. Penggunaan ANN Sebagai Controller

ANN digunakan sebagai pengontrol adaptif yang secara otomatis menyesuaikan variabel input berdasarkan data error (selisih antara target dan output aktual). ANN juga mengenali pola gangguan yang timbul dari variasi proses.

2. Efektivitas Klasifikasi Pola Gangguan

ANN Pattern Recognizer dilatih untuk mengenali 7 pola umum dalam SPC control chart, termasuk:

• Random (normal)
• Upward shift
• Downward shift
• Upward trend
• Downward trend
• Cyclic trend

Hasil klasifikasi menunjukkan akurasi lebih dari 92%, membuktikan bahwa ANN mampu melakukan diagnosis yang cepat dan akurat.

3. Sistem Pengendalian Otomatis yang Handal

• Sistem ANN+EPC berhasil mempertahankan output proses mendekati target meski terjadi gangguan.
• Ketika ANN mengenali pola gangguan yang signifikan, sistem mampu mengisolasi penyebab utama dan melakukan tindakan koreksi.

 

Perbandingan dengan Penelitian Serupa

Beberapa penelitian sebelumnya, seperti yang dilakukan oleh Hwarng et al. (1993) dan Pham et al. (1994), juga mengintegrasikan ANN ke dalam sistem SPC. Namun, paper ini memberikan nilai tambah dengan menyertakan EPC sebagai bagian dari sistem pengendalian proses yang adaptif. Ini menjadikan pendekatan yang lebih holistik dibanding penelitian terdahulu yang hanya berfokus pada diagnosis, bukan kontrol otomatis.

 

Analisis Kelebihan dan Keterbatasan Sistem Integrasi SPC/EPC/ANN

Kelebihan

• Real-Time Monitoring dan Auto-Regulation: Sistem mampu mendeteksi gangguan dan mengoreksi proses secara otomatis dan cepat.
• Akurasi Tinggi dalam Klasifikasi Pola Gangguan: ANN Pattern Recognizer mencapai akurasi klasifikasi > 92%.
• Reduksi Waktu Diagnosis: Diagnosis gangguan yang sebelumnya memerlukan waktu manual kini otomatis dan efisien.

Keterbatasan

• Kompleksitas Implementasi: Sistem memerlukan pelatihan ANN yang intensif dan pemodelan sistem yang akurat.
• Kebutuhan Data yang Besar: Efektivitas ANN sangat bergantung pada ketersediaan data pelatihan yang representatif.

 

Rekomendasi Praktis untuk Implementasi di Industri

1. Fase Awal: Sistem SPC Konvensional
   Sebelum mengadopsi integrasi cerdas, perusahaan disarankan mengimplementasikan SPC dasar untuk membiasakan tim produksi dengan kontrol kualitas berbasis data.
2. Integrasi EPC untuk Proses Otomatisasi
   Langkah selanjutnya adalah menambahkan modul EPC untuk memastikan sistem dapat melakukan penyesuaian otomatis terhadap gangguan.
3. Pelatihan ANN dan Infrastruktur Digital
   Mengadopsi ANN memerlukan investasi di bidang data science dan machine learning. Infrastruktur IT yang kuat juga diperlukan untuk mendukung data streaming real-time.
4. Kolaborasi dengan Pakar Sistem Cerdas
   Pengembangan sistem integrasi SPC/EPC/ANN membutuhkan kolaborasi antara insinyur proses, ahli statistik, dan pakar kecerdasan buatan.

 

Potensi Implementasi di Industri 4.0 Indonesia

Integrasi SPC, EPC, dan ANN sangat relevan bagi perusahaan manufaktur Indonesia yang tengah bertransformasi menuju Industri 4.0. Industri yang paling potensial untuk adopsi sistem ini antara lain:

• Industri Petrokimia: Mengontrol variabel kompleks seperti tekanan dan suhu.
• Industri Pengolahan Air dan Limbah: Memantau dan mengatur level cairan secara otomatis.
• Industri Manufaktur Otomotif: Mendeteksi deviasi dalam proses perakitan dengan presisi tinggi.

Dengan tantangan kualitas produk dan tekanan persaingan global, penerapan sistem kontrol cerdas berbasis integrasi SPC, EPC, dan ANN adalah strategi transformasi digital yang wajib dipertimbangkan.

 

Kesimpulan: SPC, EPC, dan ANN sebagai Pilar Sistem Pengendalian Proses Cerdas

Paper ini memberikan kontribusi signifikan dalam pengembangan sistem pengendalian kualitas yang adaptif dan otomatis. Dengan menggabungkan SPC sebagai detektor gangguan, EPC sebagai pengatur variabel proses, dan ANN sebagai pengenal pola dan pengontrol adaptif, sistem ini menghadirkan solusi pengendalian kualitas komprehensif di era Industri 4.0.

 

✅ Keunggulan sistem ini:

• Diagnosis gangguan cepat dan akurat.
• Otomatisasi pengaturan proses.
• Peningkatan konsistensi kualitas produk.

🚀 Langkah selanjutnya adalah mengembangkan integrasi dengan IoT dan Big Data Analytics, menciptakan sistem pengendalian kualitas yang lebih presisi, prediktif, dan proaktif.

 

Referensi Utama:

Chang, H-K., Qasaimeh, A., Lu, S. S., & Lu, H. (2016). Intelligent Integration of SPC/EPC for Quality Control and Fault Diagnosis. Journal of Industrial and Intelligent Information, Vol. 4, No. 3, 191-197.
 

 

Kementerian Perindustri bersama sejumlah lembaga terkait tengah menyusun peta jalan pengembangan industri halal. Sekretaris Jenderal Kemenperin Dody Widodo mengatakan bahwa kementerian/lembaga terkait itu di antaranya Komite Nasional Ekonomi Syariah (KNEKS), Kementerian Keuangan, serta Kementerian PPN/Bappenas. “Hal ini diharapkan dapat mempercepat terbentuknya ekosistem halal dari aspek industri,” kata Dody di Jakarta dalam keterangan tertulis, Selasa (12/10/2021). Sebelumnya, Kementerian Perindustrian (Kemenperin) telah mengeluarkan dua beleid terkait industri halal, yakni tentang pembentukan kawasan industri halal dan pusat pemberdayaan industri halal. Pemberdayaan industri halal diwujudkan dalam beberapa program utama, meliputi pembinaan sumber daya manusia (SDM), pembinaan proses produksi, fasilitasi pembangunan infrastruktur, serta publikasi dan promosi.

“Ini juga termasuk dukungan terhadap industri kecil dan menengah yang selama ini telah mendapatkan fasilitas sertifikasi halal,” jelasnya. Dody menjelaskan, banyak aspek yang menjadi perhatian untuk menghasilkan produk halal, misalnya bahan baku, teknologi penunjang, fasilitas pendukung, dan SDM industri yang terlibat.

 

“Kedua peraturan menteri tersebut dijalankan bersama untuk mengembangkan industri halal yang mendukung pertumbuhan ekonomi syariah di Indonesia,” ujarnya. Dody menjelaskan bahwa potensi ekonomi syariah global yang mencapai US$2,02 triliun, membuat Indonesia sangat berpeluang untuk mengembangkan industri halal, terutama pada sektor makanan dan minuman, fesyen, farmasi, serta kosmetik. “Ini dilihat dari peningkatan demand produk makanan halal maupun berkembangnya tren fesyen busana muslim yang harus dapat dimanfaatkan oleh industri tekstil dan produk tekstil nasional melalui ragam inovasi produk dan optimalisasi tekstil fungsional,” jelas Dody.

 

Sementara itu, pada industri farmasi dan kosmetika, pengembangan produk halal juga sejalan dengan upaya substitusi bahan baku impor, karena dapat memanfaatkan keanekaragaman hayati Indonesia yang unik sebagai selling point tersendiri di mata konsumen global. Kepala Pusat Pemberdayaan Industri Halal (PPIH) Kemenperin Junadi Marki menambahkan, terdapat empat strategi utama yang menjadi acuan para pemangku kepentingan terkait pengembangan ekosistem halal, yaitu penguatan rantai nilai, penguatan keuangan syariah, penguatan usaha mikro, kecil dan menengah (UMKM), serta penguatan ekonomi digital. Ia menambahkan, strategi utama tersebut juga akan diperkuat dengan empat strategi dasar yang menjadi ekosistem pendukung, yaitu penguatan regulasi dan tata kelola, pengembangan kapasitas riset dan pengembangan, peningkatan kualitas dan kuantitas sumber daya manusia, serta peningkatan kesadaran dan literasi publik.

Sumber: ekonomi bisnis.com
 

Kementerian Perindustrian berniat tegas melanjutkan kebijakan yang bertujuan meningkatkan nilai tambah sumber daya alam dalam negeri. Upaya strategis ini berdampak luas terhadap perekonomian negara, seperti peningkatan laju investasi dan ekspor serta peningkatan penyerapan tenaga kerja. “Kebijakan ini sejalan dengan arahan presiden bahwa pemerintah akan menghentikan ekspor bahan mentah seperti mineral dan batubara secara bertahap,” kata Menteri Perindustrian Agus Gumiwang Kartasasmita di Surabaya, Minggu (20/2).
 
Menteri Perindustrian mengapresiasi upaya yang dilakukan PT Smelting dalam meningkatkan kapasitas produksi. lagi 30 persen dari smelter tembaga. Hal ini akan meningkatkan kapasitas produksi dari 300 ribu ton menjadi 342 ribu ton katoda tembaga per tahun.
 
"Kami menerima laporan bahwa investasi perluasan sebesar 231 juta dolar dan konstruksinya harus selesai .akhir Desember 2023,” kata Agus. PT Smelting melakukan ekspansi sebanyak empat kali untuk meningkatkan kapasitas produksi. Pada tahap pertama, kapasitas produksi katoda tembaga PT Smelting sebesar 200 ribu ton per tahun.

1999. Pada tahun 2008, ekspansi pertama dilakukan dengan meningkatkan kapasitas produksi katoda tembaga menjadi 255 ribu ton per tahun. . di tahun. Kemudian pada tahun 2001 kembali dinaikkan menjadi 270 ribu ton. Ekspansi ketiga pada tahun 2009 meningkatkan kapasitas menjadi 300 ribu ton per tahun.
Hingga saat ini, PT Smelting memproses konsentrat tembaga di tambang PT Freeport Indonesia di Papua. PT Smelting memiliki tiga pabrik di Indonesia yang terdiri dari smelter, kilang, dan pabrik asam sulfat. “Dengan perluasan ini, PT Smelting juga akan menjadi smelter tembaga pertama dan satu-satunya di Indonesia,” jelas Agus.

Pembangunan PT Smelting baru ini yang awalnya hanya mengolah 1 juta ton. konsentrat tembaga per tahun, akan meningkatkan kapasitas sebesar 1,3 hingga satu juta ton konsentrat per tahun. “Dengan kontribusi perusahaan kilang lain yang memiliki kapasitas serapan konsentrat 2 juta ton, Gresik akan memproduksi total konsentrat sebanyak 3,3 juta ton. Artinya, Gresik akan menjadi hub hulu tembaga,” imbuhnya.

PT Smelting Irjuniawan P Direktur Perdagangan dan Pengembangan Usaha Radjamin mengatakan, proyek perluasan kali ini juga bertujuan menambah pabrik asam sulfat baru. Selain menambah kapasitas beberapa smelter dan menambah jumlah elektrolisis sel.di kilang.

"PT Smelting tetap berdedikasi untuk memajukan negeri tercinta. Peningkatan kapasitas produksi ini akan semakin memperkuat Indonesia sebagai salah satu produsen tembaga dunia, ujarnya.

Masa Depan

Menteri Perindustrian optimis upaya hulu tembaga ini dapat terwujud di masa depan, misalnya pada pengembangan sumber energi terbarukan, kendaraan listrik, dan panel surya. . . . “Karena semuanya butuh tembaga,” ujarnya.

Selain itu, perluasan PT Smelting diharapkan mampu memenuhi kebutuhan produk dalam negeri seperti katoda tembaga untuk kawat atau kabel. industri, tembaga. batangan (rods), industri kimia dan hasil sampingnya berupa asam sulfat sebagai bahan baku pabrik pupuk serta terak tembaga dan gipsum sebagai bahan baku semen. “Hal ini dinilai mendukung kebijakan substitusi impor.

"Hilirisasi industri ini penting untuk menjamin ketersediaan bahan baku dari sumber daya alam dan meningkatkan nilai tambah," Agus Ditegaskannya, misalnya dari hilirisasi bijih tembaga hingga kawat, nilai tambahnya meningkat dari $3.900 per ton menjadi $8.000 per ton atau bahkan dua kali lipat.

Agus menambahkan, industri peleburan dalam negeri memberikan dampak positif. terhadap pertumbuhan perekonomian nasional dan daerah yang bermuara pada peningkatan kesejahteraan masyarakat.

"Sebagai contoh, pertumbuhan ekonomi Kabupaten Konawe biasanya berkisar 5-6% sebelum “Investasi datang, dalam dua tahun terakhir pertumbuhan kawasan puluhan persen,” ujarnya.

Bahwa dampak positif skala besar dari aktivitas industri bahkan berhasil meredamnya. tingkat kemiskinan. “Hal ini menunjukkan adanya kemitraan yang saling menguntungkan antara industri dan masyarakat yang membawa kemajuan bersama, termasuk tumbuhnya usaha di lingkungan pabrik dan dapat meningkatkan infrastruktur sosial yang dibutuhkan masyarakat,” tambah Menperin.

Menteri Koordinator Perekonomian Airlangga Hartarto mengatakan kebijakan hulu mineral berdampak positif terhadap perolehan devisa dari ekspor. “Tahun lalu ekspor besi dan baja Indonesia sebesar $20,8 miliar,” ujarnya. Pendapatan meningkat 20 kali lipat dibandingkan tahun sebelumnya yang hanya mengekspor bahan baku nikel dengan pendapatan sebesar satu miliar dolar. Baja merupakan produk olahan yang diperoleh dari penambangan nikel.

"Ekspor ini menjadi bagian yang berkontribusi terhadap neraca perdagangan yang positif. "Oleh karena itu, pemerintah berupaya memastikan hal-hal berikut ini kebijakan tetap berjalan dan ekspor tidak ada hambatan lagi,” tegasnya.

CEO PT Smelting Hideya Sato menyampaikan apresiasinya kepada pemerintah pusat dan daerah yang mendukung ekspansi perusahaan. “Saya yakin, bahwa upaya ini sejalan dengan kebijakan pemerintah dan akan sangat membantu memberikan kontribusi terhadap perekonomian negara seiring upaya kami untuk memasok katoda tembaga dan asam sulfat kepada industri Indonesia,” ujarnya.

Sekda Pemprov Jatim Wahid Wahyudi menyampaikan industri logam berperan dalam pertumbuhan ekonomi Jatim.Saat ini Jatim mempunyai 191 industri logam dengan nilai produksi sebesar Rp 28,6 triliun pada tahun 2021, meningkat 3,79% dibandingkan tahun 2021. Tahun lalu Sementara itu, nilai ekspor pada tahun 2020 sebesar USD 1,79 juta dan meningkat menjadi USD 2,32 juta pada Januari-Oktober 2021.

Disandur dari : https://kemenperin.go.id/artikel/23134/Menperin-Akselerasi-Hilirisasi-Mineral,-Produksi-Katoda-Tembaga-Meningkat

Guna menyambut peluang pasar halal yang telah menjadi tren global saat ini, Kementerian Perindustrian (Kemenperin) fokus untuk mengakselerasi pengembangan sektor industri dan kawasan industri halal di tanah air yang berdaya saing global. Apalagi, Indonesia punya potensi pasar halal yang sangat besar sebagai negara dengan populasi penduduk muslim terbesar di dunia.

“Adanya potensi tersebut, membuat kebutuhan terhadap jaminan produk halal sangat penting. Oleh karena itu, Kemenperin bertekad untuk membangun ekosistem halal yang terintegrasi,” kata Kepala Badan Standardisasi dan Kebijakan Jasa Industri (BSKJI) Doddy Rahadi di Jakarta, Kamis (6/1).

Dalam laporan The State of Global Islamic Economic Report pada tahun 2020 – 2021, umat muslim dunia membelanjakan lebih dari USD2,02 triliun atau setara Rp29 ribu triliun untuk bidang kebutuhan makanan, farmasi, kosmetik, fesyen, pariwisata, dan sektor syariah lainnya. Jumlah tersebut meningkat 3,2% dibandingkan tahun 2018.

“Peningkatan pada permintaan produk makanan dan minuman halal merupakan peluang besar bagi sektor industrinya. Hal ini juga dapat memberikan kontribusi besar bagi perekonomian nasional,” tuturnya

Menurut Doddy, permintaan produk makanan dan minuman halal yang terus meningkat, seiring meningkatnya juga pemahaman masyarakat akan jaminan produk yang halal. Untuk menghasilkan produk halal, banyak aspek yang menjadi perhatian, seperti bahan baku, teknologi penunjang, fasilitas pendukung dan sumber daya manusia (SDM) industri.

“Seiring dengan peningkatan permintaan tersebut, kebutuhan akan industri penunjang makanan dan minuman juga mengalami peningkatan,” imbuhnya.

Industri kemasan makanan dan minuman merupakan salah satu sektor penunjangnya, yang memiliki peranan sangat penting. Makanan dan minuman yang telah terjamin kehalalannya juga harus dikemas didalam kemasan yang sudah terjamin kehalalannya sesuai dengan peraturan perundangan yang berlaku.

Kemasan kaleng berbahan baku baja lapis timah elektrolisa (tinplate) merupakan salah satu kemasan yang dipakai mayoritas oleh industri makanan dan minuman dalam negeri. PT Latinusa sebagai satu-satunya produsen bahan baku kemasan kaleng tinplate di Indonesia, berkomitmen untuk turut menyukseskan program halal yang digaungkan oleh pemerintah.

Pada tahun 2015, PT Latinusa telah berhasil mendapatkan sertifikat halal yang dikeluarkan oleh LPPOM MUI untuk tinplate yang diproduksi. Hal ini menjadikan PT Latinusa sebagai satu satunya industri baja nasional yang memiliki sertifikat halal.

Pada tahun 2021, sesuai dengan perubahan pengelolaan sertifikasi jaminan produk halal yang sebelumnya berada di MUI menjadi ke Badan Penyelenggara Jaminan Produk Halal (BPJPH), PT Latinusa telah sesuai dengan ketentuan yang berlaku tersebut. “Kebutuhan akan tinplate yang halal ini sebagai perwujudan keinginan pelanggan latinusa khususnya di sektor makanan dan minuman,” ungkap Direktur Komersial PT Latinusa, Yulia Heryati.

Menurut Yulia, saat ini masih sangat sedikit perusahaan tinplate yang memiliki sertifikat halal. “Sehingga harus menjadi kewajiban oleh industri makanan dan minuman menggunakan kemasan dengan bahan baku yang terjamin kehalalannya,” tandasnya.

Oleh karena itu perlu menjadi perhatian pemerintah dan peran serta masyarakat untuk ikut secara aktif menjamin dan mengawasi penerapan jaminan produk halal pada industri. “Kehadiran UPT pelayanan standardisasi dan jasa industri di bidang jaminan produk halal merupakan salah satu komitmen Kemenperin dalam mewujudkan amanah perundang-undangan untuk memperkuat ekonomi nasional melalui pemberdayaan yang berfokus pada fasilitasi pembinaan serta pengawasan industri halal,” papar Doddy.

Fasilitas sertifikasi halal, lanjutnya, menjadi sangat penting bagi pelaku industri kita dalam meningkatkan daya saingnya, khususnya dalam pengembangan produk halal dalam ekosistem halal nasional. Balai Besar Kimia dan Kemasan (BBKK) selaku unit kerja di bawah BSKJI, memiliki peran strategis dalam menumbuhan ekosistem halal nasional.

“Sebab, kemasan merupakah salah satu faktor yang perlu diperhatikan bagi industri halal,” ujar Doddy. Kemasan dalam sebuah produk memiliki peranan yang penting, karena bukan hanya berfungsi untuk membungkus, tetapi kemasan juga harus melindungi isi produk tersebut agar tetap terjaga kualitas dan mutunya.

“Seluruh sektor yang wajib halal membutuhkan kemasan halal sebagai salah satu prosedur wajib dalam Sistem Jaminan Produk Halal (SJPH). Selain itu, industri kimia merupakan bagian dari sektor dasar dalam ekosistem halal nasional,” pungkasnya.

Demikian Siaran Pers ini untuk disebarluaskan.

Sumber: kemenperin.go.id