PENDAHULUAN

Dalam era Industri 4.0, analisis prediktif dan otomatisasi menjadi kunci dalam meningkatkan efisiensi dan keandalan proses manufaktur. Salah satu metode utama dalam mengidentifikasi dan mengelola risiko kegagalan adalah Failure Mode and Effects Analysis (FMEA). Namun, pendekatan konvensional FMEA sering kali menghadapi tantangan seperti subjektivitas dan kurangnya responsivitas terhadap data real-time.

Paper berjudul Enhancing Failure Mode and Effects Analysis Using Auto Machine Learning: A Case Study of the Agricultural Machinery Industry karya Sami Sader, István Husti, dan Miklós Daróczi membahas bagaimana penerapan Auto Machine Learning (AutoML) dapat mengoptimalkan FMEA. Dengan menggunakan studi kasus di industri mesin pertanian, penelitian ini menunjukkan bahwa AutoML dapat meningkatkan akurasi prediksi serta mempercepat proses evaluasi risiko secara signifikan.

LATAR BELAKANG STUDI

Paper ini berfokus pada CLAAS Hungária Kft, anak perusahaan CLAAS Group yang bergerak di bidang manufaktur peralatan pertanian, seperti combine harvester feeder houses. Kompleksitas proses produksi dan tingginya standar kualitas menjadikan perusahaan ini kandidat ideal untuk penerapan FMEA berbasis AutoML.

Penelitian ini menggunakan dataset yang berisi 1.532 kejadian kegagalan selama satu tahun, yang kemudian dianalisis untuk melatih empat model pembelajaran mesin. Dalam metode FMEA tradisional, tiga parameter utama digunakan untuk menghitung Risk Priority Number (RPN):

• Severity (Keparahan)
• Occurrence (Frekuensi Kejadian)
• Detectability (Kemampuan Deteksi)

Evaluasi parameter-parameter ini sering kali bersifat subjektif karena bergantung pada intuisi dan pengalaman manusia. Oleh karena itu, penelitian ini mengusulkan pendekatan berbasis AutoML untuk meningkatkan akurasi serta konsistensi dalam evaluasi risiko.

METODE PENELITIAN

Penelitian ini menggunakan empat model AutoML untuk:

• Memprediksi nilai Severity.
• Memprediksi nilai Occurrence.
• Memprediksi nilai Detectability.
• Mengklasifikasikan akar penyebab kegagalan berdasarkan kategori proses manufaktur.

Dataset penelitian mencakup deskripsi kegagalan, kategori klaim, serta data numerik terkait biaya perbaikan dan jumlah perangkat yang terdampak. Sebelum diproses, data terlebih dahulu divalidasi secara manual guna memastikan akurasi dalam tahap pelatihan model.

Google AutoML dipilih sebagai platform utama karena kemampuannya dalam menangani data dalam jumlah besar tanpa memerlukan keahlian pemrograman mendalam. Model yang dihasilkan diuji menggunakan metrik evaluasi seperti precision, recall, dan F1 score, yang menunjukkan tingkat akurasi tinggi dalam klasifikasi kegagalan.

HASIL DAN ANALISIS

Hasil penelitian menunjukkan bahwa model yang dikembangkan memiliki tingkat akurasi yang tinggi, dengan precision berkisar antara 86,6% hingga 93,2%. Model ini mampu mengatasi beberapa kelemahan utama metode tradisional, seperti:

1. Mengurangi Bias dan Subjektivitas – AutoML menghilangkan ketergantungan pada evaluasi subjektif manusia dalam menentukan nilai RPN.
2. Meningkatkan Efisiensi – Proses evaluasi dan klasifikasi kegagalan berlangsung lebih cepat dibandingkan metode manual.
3. Responsif terhadap Data Baru – Model dapat diperbarui secara berkala untuk meningkatkan akurasi analisis kegagalan.

Namun, penelitian ini juga menghadapi beberapa tantangan, seperti kebutuhan dataset yang lebih besar untuk meningkatkan akurasi model pada kasus yang jarang terjadi. Selain itu, integrasi dengan sistem Enterprise Resource Planning (ERP) masih perlu disesuaikan agar dapat berjalan optimal dalam lingkungan industri.

Selain itu, AutoML dapat membantu perusahaan dalam melakukan prediksi lebih akurat terhadap kegagalan yang belum pernah terjadi sebelumnya. Dengan pendekatan ini, perusahaan tidak hanya dapat menghindari kegagalan yang sudah teridentifikasi tetapi juga dapat memperkirakan potensi kegagalan baru berdasarkan pola yang ditemukan dalam data historis.

Keunggulan lain dari pendekatan ini adalah kemampuannya untuk memberikan rekomendasi tindakan korektif secara otomatis berdasarkan pola kegagalan yang ditemukan. Hal ini dapat mengurangi waktu respons terhadap masalah produksi dan memungkinkan perbaikan dilakukan secara lebih proaktif, dibandingkan dengan metode tradisional yang sering kali bersifat reaktif.

IMPLIKASI DAN PENERAPAN DI DUNIA NYATA

Penelitian ini memiliki potensi luas dalam berbagai industri yang mengandalkan sistem manufaktur kompleks, seperti:

• Industri Otomotif – AutoML dapat membantu mendeteksi potensi cacat produksi lebih dini.
• Industri Kedirgantaraan – Meminimalkan risiko kegagalan komponen kritis.
• Sektor Kesehatan – Meningkatkan prediksi kegagalan perangkat medis untuk menjamin keselamatan pasien.

Dengan semakin berkembangnya penerapan kecerdasan buatan dalam industri, implementasi AutoML untuk optimasi FMEA menjadi langkah strategis dalam meningkatkan efisiensi manufaktur.

Selain itu, dalam jangka panjang, penerapan teknologi ini dapat mengurangi biaya perawatan dan produksi dengan meningkatkan ketahanan produk terhadap kegagalan. Dengan sistem berbasis AutoML, manufaktur dapat lebih fleksibel dalam menyesuaikan metode evaluasi risiko mereka sesuai dengan perkembangan teknologi dan pasar.

KESIMPULAN DAN KRITIK

Paper ini memberikan kontribusi signifikan dalam pengembangan FMEA yang lebih akurat dan efisien melalui pemanfaatan AutoML. Studi kasus yang disajikan menunjukkan bahwa pendekatan ini dapat meningkatkan kualitas evaluasi risiko serta mempercepat pengambilan keputusan dalam manajemen kegagalan.

Namun, ada beberapa aspek yang dapat diperbaiki dalam penelitian ini, seperti:

• Perluasan Variabel Input – Menambahkan faktor lingkungan dan operasional guna meningkatkan akurasi model.
• Pengujian dengan Dataset Lebih Besar – Menggunakan data dari berbagai industri untuk meningkatkan generalisasi model.
• Integrasi dengan Sistem IoT – Menghubungkan model dengan sensor real-time agar prediksi kegagalan lebih akurat dan berbasis data langsung dari lapangan.

Secara keseluruhan, penelitian ini menunjukkan bahwa penerapan AutoML dalam FMEA merupakan inovasi yang dapat meningkatkan efisiensi dan efektivitas manajemen risiko dalam industri manufaktur. Dengan adopsi teknologi ini, perusahaan dapat lebih proaktif dalam mengidentifikasi dan mengatasi potensi kegagalan sebelum menyebabkan dampak signifikan.

SUMBER

Sader, S., Husti, I., & Daróczi, M. (2020). Enhancing Failure Mode and Effects Analysis Using Auto Machine Learning: A Case Study of the Agricultural Machinery Industry. Processes, 8(2), 224. https://doi.org/10.3390/pr8020224

Pendahuluan: Urgensi Pengelolaan Keamanan Pangan di Dunia Modern

Keamanan pangan bukan lagi isu sektoral, melainkan global. Seiring dengan meningkatnya kompleksitas rantai pasok pangan internasional, tantangan dalam mengelola keamanan dan kualitas produk makanan menjadi semakin mendesak. Editorial Jer-An Lin dalam Processes (2024) secara ringkas namun komprehensif memperkenalkan berbagai pendekatan mutakhir dalam manajemen keamanan pangan dan teknik pengendalian kualitas, dengan menyoroti penggunaan teknologi canggih seperti kecerdasan buatan (AI), biosensor, serta teknik analisis modern.

Ikhtisar Umum: Fokus Penelitian dan Kontribusi Utama

Editorial ini menyajikan ringkasan dari sepuluh artikel yang diterbitkan dalam edisi khusus Food Safety Management and Quality Control Techniques. Artikel-artikel tersebut mencakup:

• Dua artikel tinjauan literatur yang membahas teknologi sensor berbasis nanomaterial dan inspeksi inline berbasis gelombang mikro/terahertz.
• Delapan artikel penelitian orisinal yang mengkaji teknologi seperti nanoenkapsulasi, model sel in-vitro, dan aplikasi AI untuk verifikasi kualitas makanan.

Kontribusi utama editorial ini adalah merangkum inovasi terbaru dalam kontrol kualitas pangan yang relevan bagi industri makanan, dengan mempertimbangkan pergeseran menuju digitalisasi dan otomatisasi.

Analisis dan Nilai Tambah dari Editorial

1. Tren Teknologi Baru dalam Manajemen Keamanan Pangan

Lin secara eksplisit menyoroti bahwa teknologi Artificial Intelligence (AI) menjadi kunci dalam meningkatkan efisiensi metode pengendalian kualitas pangan. Studi seperti penggunaan electronic nose (Karami et al., 2023) dan IOTA Tangle-based intelligent platform untuk bubble tea (Ku et al., 2021) menunjukkan bagaimana sensor pintar dapat mendeteksi pemalsuan produk dengan akurasi tinggi.

➡️ Analisis Tambahan: AI di sektor pangan semakin menjadi kebutuhan, terutama di pasar yang mengutamakan traceability dan transparansi produksi, seperti Uni Eropa dan Jepang. Contohnya, platform blockchain untuk verifikasi rantai pasok madu di Selandia Baru meningkatkan kepercayaan konsumen global.

2. Pendekatan Interdisipliner: Dari Sel ke Sensor

Beberapa studi yang dibahas dalam editorial menggunakan pendekatan biologis, seperti model sel C2C12 untuk pengujian nutraceuticals (Huang et al., 2021). Ini menunjukkan adanya peningkatan sinergi antara ilmu biologi dan teknik dalam pengawasan kualitas pangan.

➡️ Nilai Tambah: Model in-vitro seperti ini sangat bermanfaat bagi pengembangan produk fungsional yang sedang naik daun, misalnya dalam industri plant-based protein, yang membutuhkan validasi efek terhadap kesehatan manusia sebelum dipasarkan.

3. Fokus pada Keamanan Bahan Mentah

Hellany et al. (2024) mengkaji tingkat kontaminasi aflatoksin B1 di Lebanon, menemukan kontaminasi pada 43,8% sampel kacang-kacangan, yang sebagian besar melebihi batas aman nasional. Penelitian ini mencerminkan tantangan regulasi keamanan pangan di negara berkembang, yang menghadapi kendala implementasi standar internasional.

➡️ Studi Kasus: Insiden aflatoksin di Kenya yang menyebabkan lebih dari 100 kematian pada 2004 menjadi contoh nyata mengapa pengawasan kontaminan biologis sangat krusial.

Aplikasi Praktis di Industri: Apa yang Bisa Dipelajari?

1. Nanoenkapsulasi untuk Stabilitas Produk

Teknik nanoencapsulation yang diterapkan oleh Ting et al. (2021) untuk meningkatkan bioavailabilitas pterostilbene dapat diterapkan di industri farmasi dan nutraceutical. Ini membuka peluang untuk produk functional food yang lebih efektif, seperti suplemen probiotik dengan peningkatan daya tahan terhadap kondisi pencernaan.

2. Electronic Nose untuk Deteksi Pemalsuan

Electronic nose berbasis support vector machine (SVM) menawarkan metode non-destruktif untuk verifikasi keaslian lemon juice, yang dapat dikembangkan untuk deteksi pemalsuan madu, kopi, hingga minyak zaitun—komoditas dengan nilai ekonomi tinggi dan rentan pemalsuan.

3. Inspeksi Inline Berbasis Gelombang Mikro/Terahertz

Jelali dan Papadopoulos (2024) membahas inspeksi inline menggunakan sensor microwave/terahertz untuk deteksi cacat pada makanan kemasan seperti cokelat dan kue. Teknologi ini memungkinkan deteksi otomatis cacat produk dalam lini produksi tanpa perlu intervensi manual.

➡️ Dampak Industri: Penghematan waktu inspeksi dan peningkatan keandalan kualitas produk, terutama di sektor makanan ringan kemasan dan produk bakery industri besar.

Kritik dan Batasan yang Perlu Diperhatikan

1. Minimnya Pembahasan Risiko Implementasi AI

Editorial menyoroti AI sebagai solusi masa depan, namun tidak mendalami risiko keamanan data, bias algoritma, atau keterbatasan adopsi AI di UMKM.

➡️ Opini: AI memerlukan regulasi etika, terutama dalam penggunaan data konsumen untuk personalisasi layanan pangan (contoh: personal diet apps berbasis AI).

2. Fokus Regional yang Terbatas

Banyak penelitian yang dibahas berbasis data Asia (Taiwan, Lebanon). Meskipun valid, cakupan ini membatasi generalisasi ke pasar global, khususnya Amerika Utara atau Eropa, yang memiliki regulasi dan ekspektasi konsumen berbeda.

Rekomendasi Praktis dari Editorial untuk Pemain Industri

1. Adopsi Sensor AI untuk UMKM
   Penggunaan sensor portable berbasis smartphone dapat membantu usaha kecil melakukan kontrol kualitas tanpa investasi mahal.

2. Integrasi Blockchain untuk Rantai Pasok Aman
   Industri produk premium seperti kopi spesialti dapat meningkatkan kepercayaan pasar internasional dengan transparansi asal produk berbasis blockchain.

3. Pengembangan Nutraceuticals Berbasis Validasi Ilmiah
   Investasi dalam uji laboratorium dan model sel penting untuk menghindari klaim kesehatan yang tidak terbukti secara ilmiah.

Kesimpulan: Masa Depan Keamanan dan Mutu Pangan Ada di Tangan Teknologi Terintegrasi

Editorial Jer-An Lin dalam Processes (2024) memberikan gambaran kuat tentang bagaimana kemajuan teknologi menjadi kunci untuk meningkatkan keamanan dan kualitas pangan secara global. Dengan integrasi sensor cerdas, AI, dan pendekatan biologis, kontrol mutu makanan kini lebih presisi dan efisien.

✅ Keunggulan Editorial Ini:

• Merangkum teknologi terbaru dalam food safety.
• Memberikan insight praktis berbasis studi kasus nyata.

❗ Tantangan yang Tersisa:

• Kebutuhan adaptasi teknologi untuk berbagai skala industri.
• Perlunya regulasi dan edukasi pasar tentang adopsi teknologi baru.

Referensi:

Jer-An Lin. (2024). Special Issue: Food Safety Management and Quality Control Techniques. Processes, 12(2553).
 

KONTAN.CO.ID - JAKARTA. Badan Pengkajian dan Pengembangan Perdagangan (BPPP) Kementerian Perdagangan memperkirakan kontribusi Ekonomi Digital Indonesia (EDI) di tahun 2030 akan mencapai 18 persen dari produk domestik bruto (PDB) atau sekitar Rp. 4.531 triliun. Itu artinya kurun waktu 8 tahun kedepan, ekonomi digital tumbuh 4,5 kali dibandingkan sekarang ini yang sekitar 4%.

Pakar bisnis dan ekonomi digital dari Inventure Yuswohady menyampaikan, besarnya potensi ekonomi digital itu menjadi peluang kepada pelaku usaha digital untuk kian meningkatkan pertumbuhan bisnisnya. Oleh sebab itu, banyak perusahaan berbasis digital sebagaimana GoTo, Grab, Blibli dan lainnya sangat agresif untuk menjaring patner bisnis dan melayani target konsumennya.

“Apabila dilihat sekarang ini perilaku konsumen kita telah mengarah kepada digitalisasi, mulai dari belanja online, pembayaran online, hingga transportasi online. Saat ini tinggal bagaimana pelaku usaha di bidang ini menangkap peluang tersebut,” ungkap Yuswohady dalam keterangannya, Jumat (17/06).

Laporan e-Conomy SEA 2021 dari Google, Temasek, and Bain & Company menuturkan, ada sekitar 21 juta konsumen digital baru di Indonesia semenjak awal pandemi Covid 19 sampai kuartal pertama 2021. Dengan jumlah penduduk yang mencapai 270 juta dan pendapatan per kapita yang dipoyeksi akan kian meningkat, potensi pasar Indonesia sangat besar.

Walaupun pasarnya besar, kompetisi di industri digitalpun kian ketat. Menurut Yuswohady, selain harus menjaring user baru, perusahaan digital dituntut pula untuk mengembangkan beragam strategi untuk menjaga loyalitas konsumen dan selalu aktif bertransaksi walaupun tanpa harus bakar uang melalui promo.

Sebagai contoh keberhasilan GoTo dalam meningkatkan transaksi konsumen di ekosistemnya. Perusahaan hasil kombinasi bisnis antara Gojek dan Tokopedia ini bisa mendorong konsumen yang bergabung di tahun 2018 untuk bertransaksi 6,8 kali lebih banyak selama tahun 2021.

Dengan strategi yang berbeda, pada periode sama Grab dapat menjaga konsumen mereka tetap berbelanja 3 kali lebih banyak.

Untuk menjaga loyalitas konsumen, GoTo memilih strategi dengan mengembangkan GoPay Coins. Apabila sebelumnya hanya bisa dipergunakan untuk belanja di Tokopedia, saat ini GoPay Coins  bisa digunakan untuk berbagai pembayaran layanan di ekosistem GoTo tanpa mengurangi saldo GoPay.

Chief Marketing Officer GoPay Fibriyani Elastria menyampaikan, kehadiran GoPay Coints semenjak bulan Mei untuk beragam layanan di aplikasi Gojek memperoleh sambutan positif dari user. Semenjak perluasan itu, GoPay mencatat peningkatan sebesar 20% pada jumlah pengguna yang bertransaksi memakai GoPay Coins.  

GoPay Coins merupakan sistem poin loyalitas universal pada ekosistem GoTo dalam bentuk saldo cashback yang diberikan sebagai reward kepada user sesudah menuntaskan transaksi.

“GoPay Coins menjadi salah satu inovasi kita guna memaksimalkan keuntungan cashback dan mencegah penyalahgunaan tanpa mengurangi apresiasi terhadap pengguna setia layanan di ekosistem GoTo. Kami berharap, user bisa bertransaksi dengan lebih aman dan efisien dan dapat memaksimalkan keuntungan yang disediakan oleh beragam layanan di ekosistem GoTo, ” ungkap Fibriyani.

Selain reward bagi konsumen, lanjut Yuswohady, ekosistem digital harus memperhatikan kebutuhan penjual (seller) agar produknya cepat terjual. “Layanan kepada merekapun perlu menjadi perhatian. Sebab para seller inipun akan sangat menentukan transaksi yang terdapat di ekosistem digital itu sendiri,” tuturnya.

Disadur dari sumber industri.kontan.co.id

VIVA – Kementerian Pendidikan dan Kebudayaan, Riset dan Teknologi (Kemendikbudristek) mengumumkan pada tahun ajaran baru 2022/2023 sekolah dapat mulai menerapkan Kurikulum Merdeka. Tak hanya menitikberatkan pada kebebasan dalam merancang kurikulum dan menetapkan perangkat ajar, kurikulum inipun memberikan ruang bagi guru dan sekolah untuk mengembangkan kegiatan belajar mengajar berdasarkan karakteristik, minat, dan bakat siswa.

Perusahaan rintisan berbasis teknologi pendidikan (startup edutech) Quipper men-support pengembangan sumber daya manusia (SDM) ramah teknologi melalui kolaborasi dengan Kemendikbudristek.

Direktur Quipper Indonesia Yuki Naotori secara tegas bersedia mendukung sekolah dan pemerintah guna mengubah aktifitas belajar-mengajar (KBM) dengan teknologi dan konten terbaru.

"Kita akan selalu bersedia mendukung sekolah dan pemerintah dalam mentransformasi pendidikan Indonesia," ungkapnya, Rabu, (27/7/2022). Quipper mengaku mempunyai misi meningkatkan mutu pendidikan melalui teknologi digital. Tak hanya itu, layanan Quipper seperti tes minat bakat dan Try Out UTBK online dinilai bisa melengkapi program Smart School. Pada pelaksanaanya, para siswa akan mempergunakan aplikasi Smart School untuk melaksanakan tes. Kemudian, mereka diarahkan untuk membuat akun di aplikasi atau website Quipper kemudian mengerjakan tes secara online.

Sesudah selesai, laporan tes dikirimkan ke email masing-masing siswa dan pihak sekolah. Program Quipper ini telah diterapkan di Provinsi Sulawesi Selatan. Startup edutech asal London, Inggris ini sukses mengadakan tes minat bakat bagi 100.000 siswa kelas 10 pada 18-20 Juli 2022, baik SMA dan SMK, se-Sulawesi Selatan.

"Kita begitu terkesan atas inisiatif Pemerintah Provinsi Sulawesi Selatan dalam memanfaatkan teknologi digital untuk aktifitas belajar-mengajar serta percepatan peralihan dari offline ke hybrid learning. Kita percaya akan memberikan dampak positif untuk siswa-siswi di Sulawesi Selatan," ungkap Yuki.

Kepala Dinas Pendidikan Provinsi Sulawesi Selatan Setiawan Aswad mengungkapkan bahwa tes minat bakat ini adalah salah satu langkah awal dalam penerapan Kurikulum Merdeka. Kelas 10 disasar agar siswa bisa mengetahui bakat dan minat lebih awal untuk mempermudah penentuan bidang ilmu yang ingin mereka dalami, serta karier yang ingin mereka capai. "Dengan diselenggarakannya tes minat bakat ini, kita berharap siswa-siswi dapat mengetahui potensi dirinya. Sehingga, mereka semakin yakin dalam mengikuti UTBK dan lulus PTN di jurusan yang tepat sesuai dengan bakat dan minat masing-masing," ujar Setiawan.

Try Out UTBK rencananya akan diadakan pada September 2022, November 2022, dan Maret 2023. Sementara Quipper Championship, yaitu kompetisi cerdas cermat bagi siswa kelas 10 sampai 12 dan sekolah se-Indonesia akan diadakan pada Oktober 2022.

Disadur dari sumber viva.co.id

Jakarta, CNBC Indonesia - Google Alphabet Inc, perusahaan induk raksasa teknologi AS mengaku sudah memecat seorang insinyur senior mereka yang menyebut chatbot kecerdasan buatan LaMDA sebagai makhluk yang mempunyai kesadaran penuh.

Di bulan lalu, perusahaan sudah memberikan status cuti kepada Blake Lemoine, insinyur perangkat lunak mereka. Tetapi, keputusan akhir perusahaan menganggap Lemoine sudah melanggar aturan dan menyebut klaim LaMDA merupakan sesuatu yang tak berdasar.

"Sangat disesalkan bahwa terlepas keterlibatan panjang pada topik ini, Blake memilih untuk terus menerus melanggar kebijakan ketenagakerjaan dan keamanan data yang jelas mencakupi kebutuhan untuk melindungi informasi produk," ungkap Juru Bicara Google, seperti dilansir dari CNBC International, Minggu(24/7/2022).

Google sudah mengembangkan kecerdasan buatan LaMDA atau Language Model for Dialogue Application yang dilatih dengan percakapan untuk dapat berbicara megenai apapun.

Google dan banyak ilmuwan terkemuka lainnya membantah pandangan Lemoine dan menyebutnya salah arah dengan mengatakan LaMDA hanyalah algoritma kompleks yang dirancang untuk dapat berbahasa manusia dengan baik.

Disadur dari sumber cnbcindonesia.com

Kementerian Perindustrian (Kemenperin) selalu berusaha memajukan pendayagunaan inovasi teknologi guna mengembangkan daya saing industri nasional. Salah satu usahanya yaitu dengan mengembangkan mesin untuk pemanfaatan limbah Tandan Kosong Kelapa Sawit (TKKS) yang dipergunakan menjadi bahan baku alternatif industri kertas. Langkah strategis itu harapannya bisa menanggulangi persoalan bahan baku kertas daur ulang yang masih impor.

Di tahun 2021, industri pulp dan kertas mempunyai surplus neraca perdagangan, tetapi masih terdapat bahan baku yang asalnya dari impor, padahal Indonesia mempunyai sumber serat yang sangat melimpah yakni TKKS yang di tahun 2022 diproyeksikan totalnya mencapai 51 juta ton. “Oleh sebab itu kita melaksanakan inovasi teknologi guna memanfaatkan TKKS menjadi bahan baku produk pulp dan kertas,” ungkap Kepala Badan Standardisasi dan Kebijakan Jasa Industri (BSKJI) Kemenperin, Doddy Rahadi di Bandung, Kamis(14/7).

Doddy menyampaikan, Kemenperin menyosialisasikan inovasi teknologi yang dikembangkan oleh Balai Besar Standardisasi dan Pelayanan Jasa Industri Selulosa (BBSPJI Selulosa) Kemenperin itu kepada perusahaan industri kertas. “Kita harapannya bahwa teknologi pengolahan TKKS sebagai bahan baku produk pulp dan kertas bisa diimplementasikan di industri guna menunjang pendayagunaan limbah TKKS yang melimpah,” ungkapnya.

Doddy menyampaikan, BBSPJI Selulosa sudah memanfaatkan TKKS menjadi pulp mekanis dengan keunggulan biaya produksi yang lebih rendah, bisa mengurangi dampak terhadap lingkungan dengan penggunaan bahan kimia yang minimum. Dengan teknologi ini, rendemen pulp yang dihasilkan sekitar 70 persen, lebih tinggi dibandingkan rendemen pulp kimia.

Karakteristik pulp mekanis TKKS ini memenuhi persyaratan sebagai bahan baku pembuatan kertas kemas. Harapannya, pendayagunaan bahan baku TKKS dapa mengurangi impor bahan baku kertas daur ulang. “Kolaborasi sangat dibutuhkan untuk menciptakan serta menumbuhkan industri pulp dan kertas yang kuat, terutama dalam ketahanan bahan baku dan peningkatan substitusi impor,” ungkap Kepala BSKJI.

Kepala BBSPJI Selulosa Sri Bimo Pratomo menyampaikan, instansi yang dipimpinnya telah mempunyai pengalaman dalam penggunaan TKKS sebagai bahan baku pulp dan kertas, antara lain sudah melaksanakan kerja sama dengan Japan International Cooperation Agency (JICA) dan Konsorsium PIC Co.,Ltd - TAIZEN Co.,Ltd. Di tahun 2018-2022, BBSPJI Selulosa sudah menghasilkan pulp mekanis dari TKKS memakai Teknologi E. Gimmick.

Dia mengungkapkan, secara teknis pendayagunaan limbah tandan kosong kelapa sawit sebagai bahan baku alternatif industri kertas terdiri dari mesin crusher untuk perlakuan awal bahan baku TKKS sebelum dibuat pulp. Kemudian mesin masher untuk menggiling TKKS dan membersihkan TKKS dari lumpur serta pengotor. Terakhir memakai mesin gimmick untuk pembuatan pulp mekanis melalui mekanisme kneading untuk menciptakan panas dari pergerakan mekanis dan gesekan antar serat TKKS dalam mesin.

“Kapasitas mesin ini ialah 100 kg/jam. Dalam rangka pemanfaatan TKKS, pilot plant mesin ini bisa didayagunakan, baik secara langsung ataupun dengan reverse engineering, untuk menciptakan mesin berskala produksi massal,” ungkapnya.

“Dari sisi teknoekonomi, tandan kosong sawit yang sudah diolah menjadi pulp mekanis dengan teknologi kneading memakai mesin masher dan gimmick bisa meningkatkan nilai tambah dari tandan kosong sawit menjadi pulp dengan perkiraan harga jual sekitar USD250/ton. Nilai jual pulp tersebut akan mencapai payback period sekitar 8,2 tahun dengan kapasitas 50 Ton pulp kering/hari. Waktu payback period tersebut akan lebih singkat jika tandan kosong sawit tak dikenakan biaya sebab dianggap sebagai limbah”, ungkap Kepala BBSPJISelulosa.

Disadur dari sumber kemenperin.go.id