Pendahuluan: Tantangan Kualitas dalam Dunia Manufaktur Modern
Industri manufaktur masa kini semakin diwarnai dengan kebutuhan akan varian produk yang beragam. Fleksibilitas produk ini datang dengan tantangan besar dalam pengendalian mutu, terutama di lini produksi cepat seperti industri pengemasan makanan. Ketika jumlah varian produk meningkat, sistem inspeksi kualitas tradisional—terutama berbasis manusia—semakin sulit diandalkan. Variasi desain, warna, bahan, hingga pola cacat membuat proses inspeksi manual rawan human error, lelah, dan tidak konsisten.
Dalam konteks ini, paper karya Fredrik Vuoluterä menawarkan pendekatan baru dengan memanfaatkan Modular Neural Networks (MNNs) sebagai solusi untuk inspeksi kualitas produk varian banyak. Fokusnya adalah membandingkan keunggulan MNNs dibandingkan monolithic neural networks (MNN) yang lebih umum digunakan.
Latar Belakang Penelitian: Masalah Kompleksitas Produk di AR Packaging
Studi ini dilakukan di AR Packaging, perusahaan yang memproduksi wadah makanan berbahan karton, plastik, dan aluminium. Produk yang digunakan mencakup tray makanan cepat saji hingga kemasan microwave. Kompleksitas desain mereka menjadi tantangan: bentuk berbeda, warna beragam, dan material variatif.
Mereka sebelumnya mengandalkan inspeksi manual, tetapi metode tersebut lambat, tidak konsisten, dan tidak cukup scalable untuk mengikuti variasi produk yang tinggi. Di sinilah sistem inspeksi berbasis AI muncul sebagai kebutuhan mutlak.
Modular Neural Network: Solusi yang Lebih Adaptif
Apa Itu Modular Neural Network?
MNN adalah pendekatan AI yang memecah kompleksitas dalam sistem neural network menjadi beberapa modul yang lebih sederhana. Setiap modul bertugas mengelola satu bagian dari masalah besar, misalnya satu varian produk atau satu jenis cacat.
Sebagai perbandingan, monolithic neural networks menangani semua jenis produk dalam satu arsitektur yang besar dan kompleks. Ini bisa menyebabkan pelatihan lambat dan rentan terhadap penurunan performa ketika varian produk baru ditambahkan.
Desain Modular dalam Studi Ini
Vuoluterä mengembangkan arsitektur routing module yang menentukan varian produk, lalu expert module yang bertugas menganalisis kualitas spesifik varian tersebut. Modul-modul ini bersifat independen sehingga:
- Dapat dilatih secara terpisah.
- Lebih mudah di-upgrade ketika ada varian produk baru.
- Menjaga akurasi tanpa mengorbankan modul yang sudah ada.
Metodologi Penelitian: Studi Kasus AR Packaging
Pengumpulan Data
Dataset dikumpulkan secara on-site di pabrik AR Packaging. Penulis memanfaatkan Logitech Brio 4K webcam untuk mengambil gambar 3840x2160 piksel dari berbagai sudut. Setiap produk difoto dari 8 rotasi berbeda untuk menciptakan variasi posisi yang realistis.
Dari 14.577 gambar awal, setelah filtering, didapat 11.733 gambar mencakup enam varian produk. Setiap gambar diberi label OK (tanpa cacat) atau NOK (cacat) sesuai inspeksi manual dari tenaga ahli di pabrik.
Tipe Cacat yang Ditemukan
- Deformasi: dari penyok ringan hingga kerusakan parah.
- Double-pressing: produk dengan dua lapisan akibat kesalahan mesin.
- Misaligned Print: cetakan gambar atau teks yang melenceng.
- Tearing: robekan pada sudut atau sisi produk.
- Surface Damage: kotoran, cat bocor, dan bekas pita perekat.
Hasil Penelitian: Modular vs Monolithic Neural Network
Akurasi Klasifikasi
- Monolithic Network: Akurasi tinggi di awal, tetapi fluktuatif saat varian produk baru ditambahkan. Adaptasi terhadap produk baru membuat performa pada produk lama turun.
- Modular Network: Akurasi awal lebih rendah, tetapi stabil. Penambahan varian baru tidak memengaruhi modul lain, mempertahankan konsistensi klasifikasi.
Kecepatan Training dan Ukuran Model
- Modular Network:
- Ukuran total 6 kali lebih kecil dibanding monolithic.
- Waktu training awal lebih cepat karena data dibagi per modul.
- Waktu retraining setara, tetapi lebih efisien dalam update modul spesifik.
Efisiensi dan Pemeliharaan
MNN memungkinkan pembaruan modul tanpa retraining keseluruhan sistem, yang sangat cocok untuk perusahaan dengan frekuensi perubahan desain tinggi, seperti AR Packaging.
Studi Kasus Industri: Tren Modular AI dalam Manufaktur
Penerapan Modular Neural Networks di Sektor Lain
- Industri Otomotif: Modular AI digunakan untuk inspeksi berbagai komponen kendaraan, seperti dashboard, kaca, dan pintu, dengan akurasi tinggi tanpa mengorbankan waktu inspeksi.
- Healthcare Imaging: MNN memungkinkan segmentasi gambar medis yang lebih cepat, seperti pada retinal scan yang diadopsi Kauer-Bonin et al. (2022).
Hubungan dengan Industri 4.0
Modular AI menjadi bagian penting dalam ekosistem Smart Factory, karena memungkinkan:
- Fleksibilitas tinggi dalam lini produksi.
- Skalabilitas dengan penambahan varian produk.
- Efisiensi biaya, khususnya pada pemeliharaan model AI.
Analisis Tambahan: Kelebihan dan Kekurangan Modular Neural Network
Kelebihan
- Adaptif: Mudah menambahkan varian produk baru tanpa mengganggu sistem yang ada.
- Efisiensi Training: Waktu training lebih cepat dan tidak butuh dataset besar untuk semua varian.
- Kompak: Ukuran model lebih kecil, mengurangi kebutuhan sumber daya komputasi.
Kekurangan
- Akumulasi Modul: Jika jumlah varian produk bertambah banyak, jumlah modul juga bertambah, yang bisa mempersulit manajemen sistem.
- Kebutuhan Routing Module yang Akurat: Modul routing menjadi kunci, jika salah memilih expert module, maka klasifikasi bisa gagal.
Kritik dan Saran Pengembangan Ke Depan
Kritik
- Studi ini belum mengadopsi multi-view inspection, padahal banyak produk membutuhkan evaluasi dari berbagai sudut secara simultan.
- Jenis cacat belum diklasifikasikan lebih rinci, seperti pemisahan antara cacat bentuk, warna, atau tekstur.
Rekomendasi
- Integrasi Multi-view Memory Networks: Menggabungkan data dari beberapa kamera untuk meningkatkan akurasi.
- Explainable AI (XAI): Memungkinkan audit keputusan AI, penting untuk industri dengan regulasi ketat.
- Federated Learning: Berbagi model antar pabrik tanpa berbagi data sensitif.
Kesimpulan: Modular Neural Network Sebagai Masa Depan Inspeksi Kualitas Fleksibel
Penelitian Fredrik Vuoluterä memberikan bukti kuat bahwa Modular Neural Networks merupakan solusi yang lebih fleksibel dan efisien untuk inspeksi kualitas produk dengan varian tinggi. Studi di AR Packaging menunjukkan bahwa modularitas memungkinkan sistem AI lebih mudah beradaptasi terhadap perubahan produk, sekaligus mengurangi kompleksitas dan biaya.
Di era Industri 4.0, fleksibilitas dan kemampuan adaptasi menjadi kunci. Modular Neural Network menawarkan potensi besar untuk perusahaan manufaktur yang ingin meningkatkan kualitas produk sekaligus mengurangi biaya operasional.
Sumber