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:
- Mengurangi Bias dan Subjektivitas – AutoML menghilangkan ketergantungan pada evaluasi subjektif manusia dalam menentukan nilai RPN.
- Meningkatkan Efisiensi – Proses evaluasi dan klasifikasi kegagalan berlangsung lebih cepat dibandingkan metode manual.
- 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