Pendahuluan: Mengapa SPC Masih Relevan di Era Industri 4.0?

Di tengah gempuran teknologi baru seperti Artificial Intelligence (AI), Internet of Things (IoT), dan Big Data, banyak yang bertanya—apakah metode konvensional seperti Statistical Process Control (SPC) masih relevan? Jawabannya justru semakin tegas: YA. Dalam paper berjudul The Usage of Statistical Process Control (SPC) in Industry 4.0 Conditions oleh Radosław Wolniak dan Wies Grebski, dijelaskan bahwa integrasi SPC dalam ekosistem Industri 4.0 bukan hanya mempertahankan relevansinya, melainkan juga memperkuat perannya dalam menjaga kualitas dan efisiensi produksi.

Apa Itu SPC dan Kenapa Masih Digunakan?

Statistical Process Control (SPC) adalah pendekatan berbasis statistik yang digunakan untuk mengontrol proses produksi dan memastikan kualitas tetap stabil. Konsep dasarnya, yang diperkenalkan oleh Walter A. Shewhart pada 1924, menekankan pada deteksi common cause (variasi alami) dan special cause (variasi yang memerlukan intervensi) dalam sebuah proses.

SPC selama ini banyak digunakan di sektor manufaktur tradisional. Namun, kini ia menemukan nafas baru di era Industri 4.0, dengan kemampuan integrasi pada sistem digital yang lebih kompleks. Artinya, SPC yang dulunya bersifat reaktif kini mampu bertransformasi menjadi alat proaktif berkat dukungan teknologi seperti IoT dan AI.

 

Integrasi SPC dalam Ekosistem Industri 4.0 dan Quality 4.0

Apa Itu Industri 4.0 dan Quality 4.0?

• Industri 4.0 merepresentasikan revolusi industri keempat, yang menggabungkan otomatisasi dengan pertukaran data terkini, didukung oleh teknologi siber-fisik, IoT, dan cloud computing.
• Quality 4.0 adalah penerapan prinsip-prinsip kualitas dalam lanskap digital modern. Fokusnya pada pengelolaan kualitas berbasis data real-time dan pembelajaran mesin untuk peningkatan berkelanjutan.

Dalam konteks ini, SPC diadopsi untuk memantau proses produksi secara real-time, mengidentifikasi anomali secara cepat, dan memberikan peringatan dini sebelum cacat produksi terjadi.

 

Cara Kerja SPC di Era Industri 4.0

Real-Time Monitoring dan IoT

SPC tradisional membutuhkan pengambilan data berkala. Di era Industri 4.0, sensor-sensor IoT memungkinkan pengambilan data secara kontinu dan real-time. Hasilnya? Anomali produksi dapat dideteksi detik itu juga, bukan menunggu batch berikutnya.

Contoh nyata: Dalam industri otomotif, sensor IoT di lini perakitan mesin dapat mendeteksi getaran abnormal pada baut mesin. Dengan SPC, data tersebut langsung dianalisis dan memberi sinyal kepada operator sebelum baut benar-benar longgar dan menciptakan produk cacat.

Prediksi Kualitas dengan AI dan Machine Learning

SPC kini memanfaatkan analitik prediktif. Algoritma AI dapat mengenali pola dari data produksi sebelumnya, lalu memprediksi kapan dan di mana potensi kegagalan kualitas akan muncul.

Dalam industri elektronik, misalnya, AI yang dikombinasikan dengan SPC mampu memprediksi waktu optimal perawatan mesin soldering, mencegah solder cacat yang sebelumnya hanya bisa diidentifikasi setelah inspeksi visual.

 

Manfaat Utama SPC dalam Industri 4.0

Wolniak dan Grebski menggarisbawahi berbagai keuntungan yang didapat industri dari integrasi SPC dalam era digital ini, antara lain:

1. Visibilitas Real-Time yang Lebih Baik
   • Proses produksi bisa dipantau secara langsung dari pusat kendali, bahkan lintas lokasi pabrik. Manajer kualitas bisa langsung mengetahui bila ada proses di luar spesifikasi.
2. Manajemen Kualitas Prediktif
   • Bukan hanya deteksi masalah, tetapi prediksi kapan masalah akan terjadi. Ini mengubah pendekatan dari reaktif ke proaktif.
3. Kolaborasi Supply Chain yang Lebih Terintegrasi
   • Dengan integrasi data di seluruh rantai pasok, kualitas produk dari pemasok hingga pelanggan akhir bisa diawasi lebih baik.
4. Efisiensi Produksi yang Meningkat
   • Proses menjadi lebih adaptif, mengurangi downtime, meningkatkan produktivitas, dan meminimalkan limbah produksi.

 

Tantangan dalam Implementasi SPC di Industri 4.0

1. Keamanan Data

Konektivitas digital meningkatkan risiko kebocoran data. Perusahaan harus memperkuat sistem keamanan siber untuk melindungi data produksi yang sensitif.

2. Kompleksitas Teknologi

Integrasi sistem lama dengan teknologi baru membutuhkan biaya besar dan waktu panjang. Banyak perusahaan masih berjuang menyesuaikan legacy system mereka.

3. Kekurangan Tenaga Kerja Terampil

Implementasi SPC berbasis AI dan IoT membutuhkan tenaga kerja yang paham statistik, data science, dan cybersecurity. Gap ini masih menjadi tantangan besar, terutama di negara berkembang.

4. Biaya Awal Tinggi

Sensor, perangkat IoT, software analitik, dan pelatihan SDM membutuhkan investasi awal yang signifikan.

Studi Kasus Implementasi SPC di Industri Modern

Sektor Manufaktur Otomotif di Jepang

Perusahaan seperti Toyota telah mengadopsi SPC berbasis IoT secara masif. Sistem Andon mereka, misalnya, terintegrasi dengan SPC berbasis data real-time untuk mendeteksi cacat produksi di lini perakitan. Hasilnya, defect rate mereka turun hingga kurang dari 1%, sekaligus mempertahankan reputasi sebagai produsen mobil berkualitas tinggi.

 

Industri Farmasi Eropa

Dalam produksi vaksin, kontrol kualitas berbasis SPC memungkinkan pengawasan suhu dan pH reaktor secara real-time. Proses produksi biofarmasi yang dulunya mengandalkan pengujian pasca-produksi kini bisa mengurangi batch rejection sebesar 15% hanya dalam 6 bulan.

 

Bagaimana SPC Membantu Negara Berkembang?

Wolniak dan Grebski menyoroti bahwa SPC berbasis teknologi dapat mendorong efisiensi produksi di negara-negara berkembang. Dengan tenaga kerja murah dan sumber daya alam melimpah, negara-negara seperti Indonesia, India, dan Vietnam dapat mengadopsi SPC berbasis teknologi untuk:

• Meningkatkan kualitas produk ekspor.
• Memenuhi standar kualitas internasional seperti ISO dan FDA.
• Menekan biaya produksi dan meningkatkan profitabilitas.

Di Indonesia sendiri, beberapa perusahaan tekstil di Jawa Barat mulai menerapkan SPC berbasis software untuk mengurangi reject rate produk jadi. Hal ini berdampak langsung pada penurunan biaya produksi hingga 10%.

 

Opini dan Nilai Tambah: Apakah SPC Masa Depan Industri 5.0?

Dari Quality 4.0 Menuju Quality 5.0

Jika Quality 4.0 fokus pada data dan teknologi, maka Quality 5.0 diyakini akan mengedepankan kolaborasi manusia dan mesin. SPC akan tetap relevan, namun akan membutuhkan pendekatan yang lebih personal, dengan mempertimbangkan kecerdasan emosional manusia dalam pengambilan keputusan kualitas.

 

Integrasi Blockchain untuk Traceability

Wolniak dan Grebski menyebutkan potensi blockchain dalam meningkatkan transparansi dan jejak digital pada SPC. Dengan blockchain, informasi kualitas tidak bisa dimanipulasi, memperkuat kepercayaan di seluruh rantai pasok.

 

Rekomendasi Praktis Implementasi SPC di Era Industri 4.0

1. Mulai dari Pilot Project
   • Implementasikan SPC di satu lini produksi terlebih dahulu, ukur dampaknya, lalu skalakan.
2. Investasi di Pelatihan SDM
   • Tanpa tenaga ahli statistik dan data science, SPC berbasis teknologi akan sulit dioperasikan secara maksimal.
3. Gunakan Cloud dan Edge Computing
   • Cloud membantu kolaborasi antar lokasi, sementara edge computing memungkinkan pemrosesan data real-time langsung di pabrik.
4. Fokus pada Keamanan Siber
   • Pastikan sistem SPC berbasis digital memiliki enkripsi dan firewall yang kuat.

 

Kesimpulan: SPC Adalah Pilar Kualitas di Era Digital

Paper Wolniak dan Grebski membuktikan bahwa SPC tetap menjadi pilar utama dalam manajemen kualitas, bahkan di era yang didominasi oleh teknologi canggih. Integrasi SPC dengan Industri 4.0 dan Quality 4.0 menciptakan sistem produksi yang lebih tangkas, efisien, dan mampu memenuhi tuntutan kualitas yang semakin tinggi.

🔧 Kata Kunci Sukses: Real-time monitoring, AI prediction, collaborative quality management, dan data-driven decision making.

 

📖 Sumber paper:
Wolniak, R., & Grebski, W. (2023). The Usage of Statistical Process Control (SPC) in Industry 4.0 Conditions. Scientific Papers of Silesian University of Technology, Organization and Management Series No. 190.
 

Pendahuluan

Industri manufaktur di Indonesia terus berkembang pesat, termasuk industri keramik porselen yang menjadi bagian penting dari rantai pasok domestik maupun global. Namun, pesatnya pertumbuhan industri ini tidak terlepas dari berbagai tantangan, terutama terkait kualitas produk dan efisiensi produksi. Dalam persaingan yang ketat, kualitas menjadi faktor penentu daya saing. Sayangnya, masih banyak perusahaan yang terjebak pada pendekatan tradisional dalam pengendalian kualitas dan kurang melakukan evaluasi menyeluruh atas efektivitas peralatan produksi mereka.

Dalam konteks ini, studi bertajuk “Quality Control Analysis of Porcelain Products Using Overall Equipment Effectiveness and Statistical Quality Control Methods” (Nurprihatin et al., 2023) memberikan kontribusi signifikan dengan menawarkan pendekatan terintegrasi antara Overall Equipment Effectiveness (OEE), Statistical Quality Control (SQC), dan Failure Mode and Effects Analysis (FMEA). Penelitian ini berfokus pada analisis kualitas produk di sebuah perusahaan manufaktur porselen terkemuka di Indonesia, dengan titik berat pada mesin Jigger 01, yang diketahui sebagai sumber gangguan utama dalam proses produksi.

 

Mengapa Mesin Jigger 01?

Mesin Jigger 01 menjadi fokus utama penelitian karena tingkat breakdown yang tinggi, yaitu 421 kali dalam setahun. Ini adalah angka yang luar biasa tinggi, apalagi mesin ini merupakan titik kritis dalam produksi greenware—produk setengah jadi yang akan dibentuk menjadi berbagai jenis peralatan makan porselen.

📌 Insight Lapangan: Dalam industri keramik, mesin jigger memiliki peran penting dalam membentuk material mentah menjadi bentuk dasar produk. Kerusakan atau gangguan pada mesin ini bukan hanya memperlambat produksi, tetapi juga meningkatkan risiko cacat produk akibat ketidakteraturan pada proses pembentukan.

 

Pendekatan Metodologi: Mengintegrasikan OEE, SQC, dan FMEA

1. Overall Equipment Effectiveness (OEE)

OEE digunakan untuk menilai seberapa efektif mesin Jigger 01 beroperasi, dengan mengukur tiga parameter utama:

• Availability (Ketersediaan Mesin)
• Performance Efficiency (Efisiensi Kinerja)
• Quality Rate (Tingkat Kualitas Output)

👉 Temuan Kunci: Nilai OEE mesin Jigger 01 tercatat hanya 70%, jauh di bawah standar kelas dunia yang mengharuskan nilai minimal 85%. Poin kelemahan utama ada di aspek kualitas (quality rate), yang hanya mencapai 82%, di bawah target ideal 99%.

2. Statistical Quality Control (SQC)

SQC diterapkan untuk memantau stabilitas proses produksi. Teknik kontrol statistik yang digunakan termasuk:

• Check Sheet untuk pencatatan cacat.
• Histogram & Pareto Analysis untuk mengetahui prioritas masalah.
• P-Chart (Control Chart) untuk memantau kestabilan cacat produk.
• Fishbone Diagram untuk menemukan akar penyebab masalah.

👉 Data Menarik: Dari 363.917 produk yang diproduksi dalam setahun, 59.259 unit (16,29%) dikategorikan cacat. Angka ini jauh melebihi toleransi perusahaan yang hanya 10%. Jenis cacat terbesar berasal dari ketidakteraturan (unevenness) sebesar 15.102 unit.

3. Failure Mode and Effects Analysis (FMEA)

FMEA membantu prioritas tindakan perbaikan berdasarkan nilai Risk Priority Number (RPN).

• Faktor Manusia dan Mesin menjadi penyumbang terbesar cacat produk, masing-masing dengan RPN 210 dan 175.

 

Analisis Tambahan & Interpretasi

Mengapa Pendekatan OEE dan SQC Menjadi Penting?

Dalam ekosistem manufaktur modern, kehilangan efisiensi produksi dan penurunan kualitas produk dapat berdampak signifikan terhadap profitabilitas dan reputasi merek. Menggunakan OEE sebagai key performance indicator (KPI) memungkinkan perusahaan mengidentifikasi bottleneck pada mesin secara objektif, sementara SQC menawarkan alat diagnostik untuk mengendalikan kualitas secara statistik.

📊 Statistik Tambahan:

• DPMO Tertinggi: 50.224,82 pada periode 26 Juli–6 Agustus 2019.
• Sigma Level Rata-Rata: 3,24. Dalam konteks industri global, ini termasuk di bawah standar Jepang yang sudah mencapai 5 Sigma.

👉 Opini Pribadi: Sigma Level 3,24 menunjukkan bahwa proses produksi perusahaan masih menghadapi variabilitas yang tinggi. Mengingat perusahaan-perusahaan kelas dunia seperti Toyota menargetkan level di atas 5 Sigma, perusahaan porselen ini memiliki ruang perbaikan signifikan, terutama dalam process capability.

 

Studi Kasus: Benchmarking dengan Industri Lain

📌 Industri Otomotif
Toyota, misalnya, secara rutin mencapai 5 Sigma dalam proses manufakturnya. Penerapan Total Productive Maintenance (TPM) di Toyota tidak hanya fokus pada mesin, tetapi juga pelatihan SDM secara berkelanjutan—suatu aspek yang perlu lebih diperhatikan di perusahaan porselen ini.

📌 Industri Farmasi
GlaxoSmithKline (GSK) menerapkan kontrol kualitas yang sangat ketat, bahkan dalam pembuatan kemasan obat. GSK menggabungkan SQC dengan Process Analytical Technology (PAT) untuk memantau kualitas secara real-time, yang bisa menjadi inspirasi penerapan teknologi baru dalam industri keramik.

 

Rekomendasi Praktis

Berdasarkan temuan dan analisis, berikut beberapa saran implementasi yang relevan:

1. Optimalisasi Human Resource (HR)

• Pelatihan operator mesin jigger secara berkala dengan fokus pada Standard Operating Procedure (SOP).
• Implementasi job rotation untuk menghindari kejenuhan kerja dan kelelahan operator.

2. Maintenance Berbasis Kondisi (Condition-Based Maintenance)

• Memanfaatkan sensor IoT untuk memantau kondisi mesin secara real-time.
• Mengimplementasikan prediksi machine learning untuk mencegah downtime tak terduga.

3. Peningkatan Lingkungan Kerja

• Menstabilkan suhu ruangan produksi dan menjaga kebersihan lingkungan guna mengurangi risiko cacat akibat kontaminasi.

 

Dampak Ekonomi & Industri

Jika perusahaan mampu meningkatkan nilai OEE menjadi 85% dan Sigma Level menjadi 4 atau 5, potensi penghematan biaya bisa signifikan:

• Penurunan Cacat 50% → Potensi peningkatan pendapatan hingga 20% dari produk yang tidak perlu dirework atau dibuang.
• Efisiensi Waktu Produksi → Penghematan waktu produksi hingga 15%, memungkinkan peningkatan output harian tanpa penambahan shift kerja.

👉 Studi Deloitte (2022) menunjukkan bahwa perusahaan manufaktur yang menerapkan predictive maintenance dapat mengurangi biaya pemeliharaan hingga 25% dan meningkatkan uptime mesin sebesar 10-20%.

 

Kesimpulan: Membangun Kultur Kualitas di Industri Porselen

Studi yang dilakukan Nurprihatin et al. (2023) berhasil menunjukkan bahwa integrasi OEE, SQC, dan FMEA secara sistematis dapat menghasilkan peningkatan nyata dalam pengendalian kualitas produksi. Namun, implementasi harus bersifat jangka panjang, didukung budaya kerja yang menekankan pada continuous improvement.

🌟 Visi Masa Depan:
Industri porselen di Indonesia harus mulai beralih dari pendekatan corrective menjadi preventive, dengan memanfaatkan teknologi digital untuk meningkatkan produktivitas dan kualitas secara berkelanjutan.

 

👉 Sumber Asli Paper:
Nurprihatin, F., et al. (2023). Quality Control Analysis of Porcelain Products Using Overall Equipment Effectiveness and Statistical Quality Control Methods. Management and Production Engineering Review, 14(3), 134–147. DOI:10.24425/mper.2023.147195

 

Konteks: Tradisi yang Terancam Teknologi

Di tengah laju teknologi modern, industri tenun tangan—khususnya kain sutra—masih menjadi wajah dari budaya dan warisan India. Sayangnya, sektor ini menghadapi tekanan dari berbagai sisi: penurunan jumlah penenun, harga benang yang terus naik, dan persaingan dari mesin-mesin power loom. Akibatnya, kualitas produk kerap tidak konsisten, sementara inspeksi manual sangat terbatas efektivitasnya.

Menurut data yang dikutip dalam penelitian ini, hanya sekitar 70% cacat kain yang bisa terdeteksi oleh inspektor manusia. Sisanya lolos dan berakhir di tangan konsumen. Di sinilah riset oleh Sabeenian dkk. mengambil peran penting—menghadirkan pendekatan teknologi untuk menjaga kualitas produk tanpa menghilangkan nilai tradisional dari proses pembuatannya.

 

Permasalahan Klasik: Cacat pada Kain Tenun Sutra

Berdasarkan survei industri lokal di Tamil Nadu, cacat kain diklasifikasikan dalam dua kelompok utama:

1. Cacat Produksi atau Tenun

Beberapa contoh umum meliputi:

• Chira (Missing Ends): Benang hilang di bagian tertentu kain, mencapai 10–50% dari seluruh cacat yang ditemukan di pabrik tenun.
• Jala (Float): Ketidakseimbangan antar benang lusi dan pakan karena simpul longgar atau putus.
• Shuttle Smash: Kerusakan akibat perangkap pada shuttle saat penenunan.
• Stains: Noda karena pelumas atau oli mesin.
• Selvedge Defects: Cacat di bagian tepi kain, mulai dari sobekan, keenduran, hingga kerutan tidak rata.

2. Cacat Penanganan

Biasanya terjadi karena kesalahan saat penyimpanan atau penanganan oleh petugas toko. Ini bersifat irreversible dan sulit diperbaiki.

 

Solusi yang Ditawarkan: Sistem Deteksi Cerdas Berbasis Komputer

Penelitian ini merancang sistem berbasis pengolahan citra digital untuk mendeteksi dan mengidentifikasi cacat pada kain sutra tenun tangan secara otomatis. Inti dari sistem ini meliputi:

• Ekstraksi ciri (feature extraction) berbasis statistik,
• Analisis tekstur menggunakan metode frekuensi spasial dan multi-resolusi,
• Klasifikasi menggunakan algoritma tetangga terdekat (nearest neighbor) untuk menentukan jenis dan lokasi cacat.

Sistem ini didesain menggunakan perangkat lunak MATLAB dengan fitur GUI, serta dapat terhubung ke kamera digital dan sistem mikrokontroler untuk pengambilan citra real-time.

 

Metodologi: Kombinasi Teknik Statistik dan Spasial

Sistem dibangun melalui empat tahap utama:

1. Ekstraksi Fitur dari Kain Referensi

25 gambar kain referensi bebas cacat diambil sebagai dasar. Setiap gambar berukuran 512x512 piksel, dan diolah menggunakan transformasi wavelet untuk melokalisasi informasi dalam domain waktu dan frekuensi. Fitur yang diambil meliputi:

• Mean, variansi, energi, entropi (statistik orde pertama),
• Markov Random Field Matrix (MRFM),
• Gray Level Co-occurrence Matrix (GLCM),
• Spatial frequency,
• Gray Level Weighted Matrix (GLWM).

2. Pengambilan dan Ekstraksi Fitur dari Sampel Uji

Sampel kain cacat diambil menggunakan kamera yang dikontrol secara otomatis oleh poros bermotor, memastikan pemindaian seluruh permukaan. Fitur diekstrak dengan cara sama seperti referensi.

3. Perbandingan Ciri

Fitur dari sampel uji dibandingkan dengan database menggunakan algoritma tetangga terdekat. Jika perbedaan cukup signifikan, sistem menandainya sebagai cacat.

4. Penentuan Jenis dan Lokasi Cacat

Sistem tidak hanya mengidentifikasi adanya cacat, tetapi juga mengklasifikasikan jenisnya dan menampilkan lokasinya di layar untuk ditindaklanjuti lebih lanjut.

 

Teknologi Inti: Apa Saja yang Digunakan?

MRCSF (Multi Resolution Combined Statistical and Spatial Frequency)

Menggabungkan fitur statistik dari berbagai resolusi untuk mendeteksi ketidakteraturan pola tekstur.

MRFM (Markov Random Field Matrix)

Menganalisis hubungan spasial antar piksel menggunakan teori medan acak, menghasilkan 9 parameter yang mencerminkan konfigurasi tekstur lokal.

GLCM (Gray Level Co-occurrence Matrix)

Menilai kemunculan pasangan piksel dengan nilai intensitas tertentu dalam arah dan jarak yang ditentukan. Sangat berguna untuk mendeteksi pola seperti goresan atau ketidakteraturan.

Spatial Frequency

Mengukur tingkat detail atau aktivitas pada gambar. Citra buram cenderung memiliki frekuensi spasial rendah, sedangkan gambar dengan tekstur jelas menunjukkan nilai tinggi.

GLWM (Gray Level Weighted Matrix)

Menghasilkan spektrum tekstur global berdasarkan unit tekstur lokal, memberikan pandangan menyeluruh terhadap variasi tekstur dalam satu gambar.

 

Hasil dan Evaluasi: Akurasi Tinggi di Dunia Nyata

Dalam pengujian terhadap berbagai gambar kain cacat, sistem mampu mengklasifikasikan jenis cacat dan menentukan lokasi dengan akurasi tinggi. Untuk 25 sampel, sistem mencapai tingkat klasifikasi sebesar 96,6%, menjadikannya sangat menjanjikan untuk aplikasi di industri skala kecil hingga menengah.

Gambar snapshot GUI menunjukkan antarmuka yang mudah digunakan, lengkap dengan hasil identifikasi jenis cacat dan posisinya pada layar, siap untuk tindak lanjut operator.

 

Kekuatan Sistem Ini:

✅ Presisi Tinggi: Kombinasi MRCSF, GLCM, dan MRFM memberikan hasil yang stabil bahkan untuk pola tekstur kompleks.

✅ Ramah Industri: Sistem dapat diintegrasikan dengan mikrokontroler sederhana untuk inspeksi kain secara otomatis.

✅ Konservasi Budaya: Menjadi solusi teknologi untuk mempertahankan kualitas tenun tangan tanpa menggantikan proses produksinya.

 

Kritik dan Ruang Pengembangan

Meskipun performanya menjanjikan, ada beberapa area yang bisa dikembangkan lebih lanjut:

• Ukuran Dataset: Hanya 25 gambar referensi digunakan. Dataset yang lebih besar akan memberikan hasil pelatihan yang lebih kuat.
• Citra Berwarna vs Grayscale: Semua proses dilakukan pada citra grayscale. Penggunaan citra berwarna bisa membantu dalam mendeteksi noda dan variasi warna.
• Waktu Komputasi: Proses pelatihan dan klasifikasi masih tergolong intensif. Optimalisasi menggunakan FPGA atau DSP processor dapat mempercepat sistem.

 

Implikasi untuk Industri Tekstil dan UMKM

Teknologi ini sangat relevan untuk negara-negara dengan sektor tenun tangan yang masih dominan, seperti India, Bangladesh, atau bahkan Indonesia. UMKM tekstil yang biasanya tidak memiliki akses ke alat deteksi mahal kini punya alternatif berbasis software terbuka dan perangkat murah.

Dalam konteks Industri 4.0, pendekatan ini menjadi langkah kecil namun penting untuk mengintegrasikan digitalisasi ke dalam sektor tradisional—tanpa mencabut akar budaya yang melekat di dalamnya.

 

Kesimpulan: Tradisi Bertemu Teknologi

Penelitian ini memperlihatkan bahwa computer vision dapat berperan sebagai “mata digital” untuk menyelamatkan industri tradisional dari krisis kualitas dan efisiensi. Dengan akurasi mendekati 97%, sistem ini tidak hanya dapat menggantikan inspeksi manual yang rawan kesalahan, tetapi juga mendukung produktivitas tanpa mengorbankan nilai budaya dari kain tenun tangan.

Solusi semacam ini bukan hanya tentang teknologi, tapi tentang menjaga warisan sambil menjawab tantangan zaman.

 

Sumber:

Sabeenian, R. S., Paramasivam, M. E., & Dinesh, P. M. (2012). Computer Vision Based Defect Detection and Identification in Handloom Silk Fabrics. International Journal of Computer Applications, 42(17), 41–48.

Mengapa Kualitas Tidak Bisa Ditawar di Era Industri 4.0?

Dalam lanskap manufaktur modern, kualitas bukan lagi sekadar parameter teknis—ia adalah kunci reputasi, efisiensi, dan daya saing global. Namun, metode inspeksi konvensional masih terlalu banyak bergantung pada manusia. Menurut penelitian, akurasi rata-rata inspeksi visual oleh operator hanya sekitar 80%, bahkan menurun seiring meningkatnya kompleksitas produk.

Sarvesh Sundaram dan Abe Zeid menjawab tantangan ini dengan merancang pendekatan berbasis kecerdasan buatan yang disebut Smart Quality Inspection (SQI). Pendekatan ini tidak hanya menargetkan akurasi deteksi, tetapi juga mengintegrasikan deep learning, antarmuka pengguna ramah-pabrik, dan dokumentasi otomatis. Hasilnya adalah sistem inspeksi kualitas menyeluruh yang siap menggantikan metode manual.

 

Latar Belakang: Dua Arah Pemantauan Kesehatan dalam Produksi

Penulis mengawali argumennya dengan menggarisbawahi pentingnya health monitoring dalam dua arah: pemantauan sistem (mesin, perangkat) dan produk. Untuk sistem, pendekatan PHM (Prognostics and Health Management) digunakan guna memprediksi usia pakai komponen dan mencegah kerusakan mendadak. Di sisi produk, kontrol kualitas dilakukan untuk menjamin spesifikasi terpenuhi sepanjang siklus produksi.

Dengan berkembangnya sensor IoT dan microcontroller murah seperti Arduino dan Raspberry Pi, penerapan PHM dan QC kini menjadi mungkin bahkan bagi perusahaan manufaktur skala kecil dan menengah.

 

Kelemahan Inspeksi Manual: Masihkah Bisa Diandalkan?

Inspeksi visual tradisional memang terstruktur: operator menilai produk berdasarkan standar visual, memutuskan kelayakan, dan mencatat hasil. Namun, keandalan metode ini sangat rentan terhadap:

• Faktor tugas: kompleksitas bentuk atau posisi cacat menyulitkan deteksi,
• Faktor lingkungan: pencahayaan buruk atau shift malam menurunkan akurasi,
• Faktor manusia: bias, kelelahan, konsentrasi rendah sangat mempengaruhi hasil,
• Faktor organisasi: minimnya pelatihan atau tekanan target produksi,
• Faktor sosial: komunikasi buruk antar tim inspeksi.

Dengan begitu banyak variabel yang bisa mengganggu objektivitas, kebutuhan akan sistem berbasis AI jadi tak terelakkan.

 

Tantangan dalam Proses Casting: Kompleks tapi Umum

Fokus utama riset ini adalah inspeksi pada produk hasil proses casting, terutama impeller dari pompa submersible berbahan baja tahan karat. Proses casting sangat lazim di industri logam, tetapi menyimpan tantangan unik: mulai dari cacat permukaan hingga struktur dalam akibat desain cetakan yang buruk, komposisi logam yang tidak tepat, hingga kesalahan saat penuangan.

 

Smart Quality Inspection: Pendekatan Inovatif yang Holistik

Apa itu SQI?

Smart Quality Inspection adalah metodologi lengkap berbasis AI yang mengintegrasikan:

1. Model CNN kustom untuk klasifikasi citra produk,
2. Aplikasi desktop berbasis GUI untuk digunakan langsung di lantai produksi,
3. Log inspeksi otomatis untuk dokumentasi hasil.

Alur SQI dalam 6 Langkah:

1. Produk tiba di area inspeksi, ditempatkan pada posisi tetap.
2. Gambar produk diambil oleh kamera dengan kondisi pencahayaan terkendali.
3. Gambar diproses, termasuk resizing dan augmentasi ringan.
4. Model CNN menganalisis gambar dan mendeteksi cacat.
5. Keputusan diterima secara otomatis, produk diterima atau ditolak.
6. Hasil inspeksi dicatat otomatis ke dalam log berbentuk spreadsheet.

 

Dataset Nyata dari Industri: Studi Kasus di India

Dataset yang digunakan berasal dari Pilot Technocast, sebuah perusahaan manufaktur casting di Gujarat, India. Dataset ini tersedia publik melalui Kaggle dan mencakup:

• 7.348 citra produk (impeller pompa),
• Diambil dari atas (top view),
• Dua label: “ok_front” (layak) dan “def_front” (cacat),
• Ukuran gambar: 300x300 piksel,
• Format warna: RGB.

Setiap gambar telah ditinjau dan dilabeli oleh operator ahli, memberikan dasar kuat bagi pelatihan model AI.

 

Arsitektur CNN Kustom: Sederhana tapi Akurat

Model CNN yang dibangun terdiri dari:

• 3 layer konvolusi dengan kernel 3x3,
• Max pooling di setiap tahap untuk reduksi dimensi,
• Flatten layer untuk mengubah data 3D menjadi 1D,
• 2 dense layer untuk klasifikasi akhir (ReLU + Softmax).

Model dilatih menggunakan fungsi loss sparse categorical crossentropy dan optimizer Adam, dengan teknik early stopping untuk mencegah overfitting. Dengan hanya 13 epoch, model mencapai hasil optimal.

 

Hasil yang Mengesankan: Akurasi Hampir Sempurna

Data Pengujian:

• 715 gambar digunakan untuk uji performa akhir,
• Model mencapai akurasi 99,86%,
• Hanya 1 kesalahan klasifikasi terjadi—dan itu False Positive (produk layak ditandai cacat),
• Tidak ada False Negative (tidak ada produk cacat yang lolos).

Ini penting, karena dalam industri, False Negative—yakni menerima produk cacat—merupakan risiko konsumen yang harus dihindari. Sementara False Positive hanya risiko produsen dan lebih bisa ditoleransi.

 

Aplikasi Lantai Produksi: Inspeksi Sekali Klik

Selain model AI, riset ini juga menyertakan pengembangan aplikasi inspeksi yang siap digunakan oleh operator di lantai produksi. Fitur-fiturnya meliputi:

• Unggah citra produk secara manual,
• Hasil klasifikasi langsung muncul, lengkap dengan visual deteksi,
• Log inspeksi otomatis terisi, termasuk ID produk, ID mesin, dan catatan tambahan.

Antarmuka ini dirancang agar mudah digunakan oleh operator tanpa latar belakang teknis.

 

Kritik & Ruang untuk Perbaikan

Walaupun hasil sangat menjanjikan, beberapa aspek masih bisa dikembangkan:

• Klasifikasi jenis cacat: Saat ini hanya deteksi biner (cacat/tidak). Padahal informasi jenis cacat bisa membantu perbaikan proses produksi.
• Deteksi lokal (lokalisasi): Menunjukkan lokasi cacat dalam gambar masih belum akurat.
• Variasi data nyata terbatas: Sebagian besar data diambil dalam kondisi pencahayaan tetap dan kamera yang sama.

 

Perbandingan dengan Penelitian Lain

Dalam benchmarking terhadap model populer lain di bidang inspeksi casting:

• SQI unggul dalam akurasi dan F1-score,
• Model seperti VGG-16, EfficientNetB0, bahkan Transformer-based vision masih sedikit di bawah performa SQI,
• Sistem seperti YOLO cocok untuk deteksi waktu nyata, tapi SQI unggul dalam dokumentasi dan kontrol kualitas menyeluruh.

 

Implikasi Industri: Menuju Zero-Defect Manufacturing

SQI bukan sekadar proyek akademik, tapi peta jalan menuju produksi bebas cacat yang sepenuhnya terdokumentasi. Beberapa implikasi langsung bagi industri:

• SME-friendly: Model ringan dan dapat diterapkan tanpa perangkat mahal,
• Skalabel: Mudah diadaptasi untuk produk lain—plastik, otomotif, elektronik,
• Compliance-ready: Log inspeksi membantu dalam audit ISO dan sistem mutu lain.

 

Kesimpulan: Masa Depan Inspeksi Telah Hadir

Paper ini menunjukkan bahwa teknologi AI, jika dirancang dengan baik dan diterapkan secara kontekstual, mampu menyelesaikan salah satu tantangan terbesar di lini produksi—inspeksi kualitas.

Dengan akurasi mendekati 100%, integrasi ke sistem kerja nyata, dan kemampuan dokumentasi otomatis, Smart Quality Inspection adalah wujud nyata dari Industry 4.0 in action. Ia membuktikan bahwa AI bukan sekadar alat bantu—tetapi tulang punggung baru bagi kualitas industri modern.

 

Sumber:

Sundaram, S., & Zeid, A. (2023). Artificial Intelligence-Based Smart Quality Inspection for Manufacturing. Micromachines, 14(3), 570

 

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

1. Adaptif: Mudah menambahkan varian produk baru tanpa mengganggu sistem yang ada.
2. Efisiensi Training: Waktu training lebih cepat dan tidak butuh dataset besar untuk semua varian.
3. Kompak: Ukuran model lebih kecil, mengurangi kebutuhan sumber daya komputasi.

Kekurangan

1. Akumulasi Modul: Jika jumlah varian produk bertambah banyak, jumlah modul juga bertambah, yang bisa mempersulit manajemen sistem.
2. 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

1. Integrasi Multi-view Memory Networks: Menggabungkan data dari beberapa kamera untuk meningkatkan akurasi.
2. Explainable AI (XAI): Memungkinkan audit keputusan AI, penting untuk industri dengan regulasi ketat.
3. 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

Vuoluterä, F. (2022). Quality inspection of multiple product variants using neural network modules (Master's thesis, University of Skövde). University of Skövde Digital Archive.

Pendahuluan: Krisis Polusi Udara dan Pentingnya Prediksi AQI

Polusi udara telah menjadi ancaman kesehatan global yang signifikan. Menurut WHO, polusi udara menyebabkan lebih dari 7 juta kematian dini setiap tahun di seluruh dunia. Dampaknya meliputi berbagai penyakit pernapasan seperti asma, kanker paru-paru, hingga penyakit jantung. Oleh karena itu, kebutuhan akan sistem monitoring dan prediksi kualitas udara yang andal semakin mendesak.

Penelitian yang dilakukan Gogineni dan Murukonda ini berupaya memberikan solusi berbasis teknologi cerdas untuk mendeteksi dan memprediksi kualitas udara secara lebih akurat. Fokus utamanya adalah penggunaan algoritma supervised machine learning untuk memprediksi Air Quality Index (AQI) di India, sebagai salah satu negara dengan tingkat polusi tertinggi di dunia.

 

Tujuan Penelitian dan Konteks Global

Tujuan Utama:

1. Mengembangkan model machine learning yang mampu memprediksi nilai AQI secara akurat.
2. Menentukan algoritma prediksi AQI yang paling efektif dari empat model yang diuji.
3. Menyediakan dasar bagi sistem peringatan dini dan pengambilan keputusan di bidang kesehatan lingkungan.

Latar Belakang:

• AQI adalah ukuran standar yang menunjukkan seberapa bersih atau tercemarnya udara pada suatu lokasi.
• Nilai AQI dihitung dari konsentrasi beberapa polutan utama, seperti PM2.5, PM10, NO2, CO, dan lainnya.
• Dalam konteks industri dan urbanisasi, prediksi AQI menjadi alat strategis untuk perencanaan kebijakan lingkungan dan kesehatan masyarakat.

Metode Penelitian: Kolaborasi Literatur dan Eksperimen Data Nyata

Penelitian ini menggabungkan studi pustaka dan eksperimen praktis. Peneliti mengkaji berbagai metode prediksi AQI dari penelitian sebelumnya, lalu mengimplementasikan dan membandingkan empat algoritma machine learning pada dataset yang diperoleh dari Central Pollution Control Board (CPCB) India.

Dataset:

• Data diambil dari pengamatan polusi udara di India selama 2015-2020.
• Dataset mencakup 29.531 entri dari berbagai kota di India.
• Fitur yang dianalisis: PM2.5, PM10, dan NO2.

Algoritma Machine Learning yang Digunakan

1. Linear Regression
   Metode sederhana yang mencoba menemukan hubungan linier antara polutan dan AQI.
   ➡️ Kelemahan: Kurang tangguh terhadap data yang tidak linier dan multikolinearitas antar variabel.
2. LASSO Regression
   Mengurangi kompleksitas model dengan regularisasi dan menghilangkan fitur yang kurang relevan.
   ➡️ Kelebihan: Mengurangi risiko overfitting, cocok untuk dataset dengan banyak variabel.
3. Ridge Regression
   Memperbaiki kelemahan Linear Regression dalam menangani multikolinearitas tanpa menghilangkan fitur.
   ➡️ Menjadi model terbaik dalam penelitian ini dengan akurasi tinggi dan konsistensi prediksi.
4. Support Vector Regression (SVR)
   Umumnya unggul dalam data non-linear, tetapi di penelitian ini hasilnya kurang memuaskan.
   ➡️ Tantangan: Membutuhkan waktu komputasi lebih lama dan dataset yang lebih besar untuk performa optimal.

 

Hasil dan Analisis Eksperimen

Peneliti mengevaluasi model dengan tiga metrik utama:

• Mean Absolute Error (MAE)
• Root Mean Square Error (RMSE)
• R-squared (R²)

 

Temuan Utama:

• Ridge Regression dan LASSO Regression memiliki kinerja terbaik dengan nilai R² di atas 0,80, menunjukkan kemampuan prediksi yang sangat baik.
• Linear Regression memberikan hasil yang moderat dengan R² sebesar 0,74, namun masih layak digunakan.
• SVR menunjukkan performa terendah, dengan R² hanya 0,68, serta nilai MAE dan RMSE tertinggi di antara model lainnya.

Interpretasi:

Hasil ini menegaskan bahwa regresi berbasis regularisasi (LASSO dan Ridge) memberikan keseimbangan yang baik antara kompleksitas dan akurasi model, menjadikannya pilihan yang tepat untuk prediksi AQI di lingkungan dengan dataset terbatas.

 

Studi Kasus dan Implikasi Praktis

India: Penerapan di Kota Besar

• Di kota seperti Delhi, dengan AQI sering mencapai level Berbahaya (Maroon: 300+), penggunaan model prediksi AQI dapat membantu pemerintah menetapkan peringatan dini dan pembatasan aktivitas luar ruangan.

Indonesia: Potensi Implementasi

• Kota besar seperti Jakarta yang menghadapi polusi udara tinggi dapat memanfaatkan model serupa untuk mengatur jadwal lalu lintas berbasis kualitas udara dan pelaporan AQI real-time kepada masyarakat.

 

Perbandingan dengan Penelitian Terkait

Penelitian ini sejalan dengan studi Mauro Castelli et al. (2020) yang menggunakan SVR untuk prediksi AQI di California. Namun, pendekatan Gogineni dan Murukonda lebih fokus pada regresi berbasis regularisasi dibandingkan model kompleks berbasis SVR.

Penelitian lain, seperti yang dilakukan oleh Jasleen Kaur Sethi dan Mamta Mittal (2021), menggunakan Adaptive LASSO Regression, menunjukkan akurasi sekitar 70%. Penelitian Gogineni lebih unggul dengan akurasi di atas 80%, meskipun ruang pengembangan lebih lanjut tetap terbuka.

 

Kritik dan Analisis Tambahan

Kelebihan:

✅ Pendekatan sistematis dalam eksperimen dan evaluasi.
✅ Dataset real-world yang relevan dengan kondisi polusi saat ini di India.
✅ Penggunaan metrik evaluasi yang komprehensif untuk penilaian performa model.

Kelemahan:

❌ Data yang digunakan bersifat statis; tidak mencerminkan kondisi real-time.
❌ Tidak mengeksplorasi model Ensemble Learning seperti Random Forest atau XGBoost yang berpotensi meningkatkan akurasi.
❌ SVR menunjukkan performa buruk, kemungkinan karena ukuran dataset yang terbatas, yang bisa diatasi dengan data augmentation atau transfer learning.

 

Implikasi Praktis dan Arah Pengembangan di Masa Depan

1. Integrasi dengan IoT dan Sensor Real-Time
   Model prediksi AQI dapat dikombinasikan dengan Internet of Things (IoT) untuk sistem monitoring real-time.
   ➡️ Contoh: Stasiun sensor AQI berbasis IoT di area padat lalu lintas.
2. Prediksi Multivariat dengan Ensemble Learning
   Penggunaan model ensemble seperti Random Forest dan XGBoost dapat memperbaiki prediksi di daerah urban dengan variasi polusi yang kompleks.
3. Cloud-Based Real-Time Analytics
   Penyediaan layanan prediksi AQI berbasis cloud yang mampu menangani data streaming untuk integrasi dengan aplikasi mobile bagi masyarakat.

 

Kesimpulan: Ridge Regression sebagai Jawaban Masa Depan Prediksi AQI

Studi ini menyoroti kekuatan model Ridge Regression dalam memberikan prediksi AQI yang akurat, konsisten, dan andal. Bagi pemerintah, lembaga kesehatan, maupun masyarakat, solusi seperti ini bukan hanya soal teknologi, melainkan penyelamatan nyawa.

Jika diterapkan secara luas, sistem prediksi berbasis machine learning dapat mengurangi dampak polusi udara dan meningkatkan kualitas hidup masyarakat di kota-kota besar yang rawan polusi.

 

Sumber Referensi
Prediction of Air Quality Index Using Supervised Machine Learning oleh Avan Chowdary Gogineni dan Vamsi Sri Naga Manikanta Murukonda, Mei 2022.