Mengapa Kontrol Kualitas Manual Sudah Tidak Relevan?
Di banyak pabrik, termasuk produsen besar seperti Vista Alegre Group di Portugal, proses pemeriksaan kualitas masih mengandalkan tenaga manusia. Bayangkan ini: dua petugas harus memeriksa sekitar 4.000 hingga 5.000 piring per hari. Ini jelas tidak realistis. Akibatnya, hanya sekitar 200 piring yang bisa diperiksa—tidak sampai 5% dari total produksi. Ini membuka celah besar untuk cacat seperti retakan halus atau goresan kecil lolos ke pasar, merusak citra merek dan menimbulkan kerugian.
Masalahnya bukan hanya kelelahan mata atau ketidaktelitian manusia. Sistem manual juga membatasi kecepatan produksi karena pabrik harus melambat agar petugas bisa memeriksa dengan seksama. Maka, kebutuhan akan sistem otomatis bukan sekadar kemewahan, tetapi urgensi.
Solusi Cerdas: CNN sebagai Mesin Penglihatan Buatan
Dalam tesisnya, Afonso Luís Costa Barbosa da Silva menawarkan pendekatan mutakhir menggunakan CNN (Convolutional Neural Network). Teknologi ini meniru cara kerja otak manusia dalam mengenali objek visual, tetapi dengan kecepatan dan akurasi yang konsisten.
Inti dari sistem yang dikembangkan adalah kemampuan untuk mengklasifikasi gambar piring menjadi dua kategori: cacat atau tidak. Gambar-gambar ini diambil oleh kamera beresolusi tinggi yang dipasang langsung di jalur produksi. Sistem ini dirancang untuk bekerja secara real-time, menghilangkan kebutuhan akan pengawasan manual.
Dari Kendala Pandemi ke Inovasi Dataset Sintetik
Salah satu tantangan terbesar dalam penelitian ini adalah pandemi COVID-19. Ketika proyek dimulai, pabrik menghentikan operasinya, sehingga tidak ada data riil yang bisa dikumpulkan. Afonso kemudian memilih jalan kreatif: membangun dataset sendiri.
Pertama, ia mengambil 10 gambar piring dari situs jual beli daring. Lalu, dengan bantuan perangkat lunak seperti MATLAB, ia menyisipkan cacat buatan—seperti goresan dan retakan—secara manual. Untuk memperluas dataset, ia menggunakan teknik data augmentation seperti rotasi gambar, pergeseran piksel, dan penyesuaian pencahayaan. Dari hanya 20 gambar asli, ia berhasil menghasilkan lebih dari 60.000 gambar baru.
Namun, ia tidak berhenti di situ. Ketika pabrik akhirnya bisa mengirim sampel fisik, tim di INOV INESC Inovação mengembangkan image generator berbasis tekstur nyata dari piring tersebut. Dengan alat ini, mereka berhasil membuat dataset realistis yang meniru kondisi sebenarnya di jalur produksi, lengkap dengan cacat yang lebih menyerupai kenyataan.
Strategi Klasifikasi: Gambar Utuh vs Potongan Gambar
Ada dua pendekatan utama yang digunakan untuk klasifikasi:
- Klasifikasi Gambar Utuh
Gambar piring diubah ukurannya menjadi resolusi rendah dan langsung diklasifikasi. Kelebihannya adalah kecepatan, tapi informasi visual bisa hilang karena proses pengecilan. - Klasifikasi Segmen Gambar
Gambar dipecah menjadi potongan kecil berukuran 100x100 piksel tanpa mengubah resolusi. Setiap segmen diklasifikasi secara terpisah, lalu hasilnya digabung untuk menilai piring secara keseluruhan. Cara ini lebih akurat karena tidak kehilangan detail, tapi memerlukan proses lebih rumit.
Kedua metode diuji secara menyeluruh, dan hasilnya menunjukkan bahwa pendekatan berbasis segmen memberikan akurasi yang lebih stabil terutama saat menggunakan data realistis.
Evaluasi Kinerja: Seberapa Baik Sistem Ini?
Saat sistem diuji pada dataset buatan awal, model CNN sederhana mampu mencapai akurasi di atas 91%. Bahkan dengan data yang sepenuhnya sintetis, sistem ini menunjukkan potensi luar biasa dalam mengenali pola cacat. Ketika menggunakan dataset realistis, kinerjanya meningkat secara signifikan.
Teknik transfer learning dengan arsitektur seperti VGG16 juga dicoba. Meskipun model ini lebih lambat karena kompleksitasnya, akurasinya lebih tinggi dibanding CNN yang dibangun dari awal. Namun, VGG16 hanya melatih lapisan akhir (fully connected layers), sementara bagian awal tetap dari model aslinya, yang membuatnya kurang fleksibel jika kondisi data berubah.
Uji Lapangan: Penerapan Sistem di Pabrik Nyata
Dalam simulasi dunia nyata, sistem ini bekerja dalam dua fase:
- Penandaan Cacat Otomatis
Piring yang terdeteksi cacat oleh CNN ditandai dengan tinta tak terlihat. Di akhir jalur produksi, pekerja memverifikasi keakuratan sistem tanpa mengganggu kecepatan produksi. - Penyortiran Otomatis (Tahap Lanjutan)
Di masa depan, sistem ini bisa disambungkan dengan lengan robot atau sistem ejector otomatis untuk mengeluarkan piring cacat secara langsung dari jalur produksi.
Dengan pendekatan ini, kontrol kualitas bisa dilakukan untuk 100% produk, bukan hanya sampel kecil.
Kritik dan Ruang Pengembangan
Meskipun tesis ini menghadirkan sistem yang kuat, ada beberapa hal yang bisa diperbaiki:
- Realitas Data: Cacat sintetis tidak sepenuhnya mencerminkan kompleksitas cacat nyata. Untuk pelatihan yang lebih akurat, perlu dataset besar dari produksi riil.
- Ukuran Gambar: Gambar beresolusi tinggi membutuhkan pemrosesan berat. Butuh sistem komputasi yang efisien agar bisa diterapkan dalam skala industri.
- Multiklasifikasi: Saat ini, sistem hanya membedakan antara "cacat" dan "tidak cacat". Dalam dunia nyata, mengenali jenis cacat bisa membantu memperbaiki proses produksi itu sendiri.
Mengapa Ini Penting bagi Industri 4.0?
Tren industri saat ini menuntut otomatisasi penuh, dan sistem ini merupakan langkah konkret menuju smart factory. Dengan integrasi AI seperti CNN, pabrik dapat:
- Mengurangi ketergantungan pada manusia dalam proses repetitif,
- Meningkatkan konsistensi dan akurasi kontrol kualitas,
- Memotong biaya jangka panjang untuk inspeksi manual,
- Memberikan data real-time untuk perbaikan proses produksi.
Di masa depan, teknologi seperti ini dapat dikombinasikan dengan IoT, edge computing, bahkan augmented reality untuk menciptakan sistem inspeksi yang otonom dan cerdas.
Kesimpulan: Dari Tantangan Menjadi Peluang
Tesis Afonso da Silva menunjukkan bagaimana kendala besar seperti pandemi bisa menjadi katalis inovasi. Dengan kreativitas, pengetahuan teknis, dan pendekatan bertahap, ia berhasil membangun fondasi kuat untuk sistem kontrol kualitas otomatis berbasis deep learning di industri manufaktur piring keramik.
Hasil penelitiannya relevan tidak hanya untuk satu pabrik, tapi untuk seluruh sektor industri yang bergelut dengan inspeksi visual dan kontrol kualitas. Teknologi ini membuka pintu bagi produksi yang lebih efisien, akurat, dan tahan terhadap kesalahan manusia—sebuah langkah pasti menuju masa depan manufaktur yang cerdas.
Sumber:
Barbosa da Silva, A. L. C. (2020). Detection of Dish Manufacturing Defects Using a Deep Learning-Based Approach. Master's Thesis, ISCTE-IUL.