Pendahuluan: Menjawab Tantangan Kualitas di Industri Manufaktur Modern

Di era Industri 4.0, manufaktur tidak lagi sekadar berfokus pada produksi massal, tetapi juga mengedepankan kualitas, efisiensi energi, dan keberlanjutan. Salah satu tantangan besar dalam industri injection molding adalah memastikan kualitas produk konsisten tanpa meningkatkan biaya produksi atau menambah beban tenaga kerja. Terlebih lagi, meningkatnya tuntutan untuk menerapkan prinsip keberlanjutan (sustainability) membuat industri perlu beradaptasi.

Paper yang ditulis oleh Hail Jung, Jinsu Jeon, Dahui Choi, dan Jung-Ywn Park (2021) ini mengangkat solusi machine learning (ML) untuk prediksi kualitas di industri injection molding, yang diklaim lebih efektif dibandingkan metode konvensional. Penelitian ini tidak hanya menawarkan pendekatan teknis, tetapi juga memberikan wawasan strategis bagi perusahaan manufaktur yang ingin mempertahankan daya saingnya dalam pasar global yang semakin kompetitif.

📖 Sumber Paper Asli:
Jung, H., Jeon, J., Choi, D., & Park, J.-Y. (2021). Application of Machine Learning Techniques in Injection Molding Quality Prediction: Implications on Sustainable Manufacturing Industry. Sustainability, 13(8), 4120.
DOI: 10.3390/su13084120

 

Latar Belakang Penelitian: Kualitas Produk sebagai Pilar Utama Keberlanjutan

Injection molding merupakan proses krusial dalam produksi komponen plastik untuk berbagai industri seperti otomotif, elektronik, hingga kesehatan. Kegagalan menjaga kualitas pada tahap ini akan merugikan secara ekonomi dan lingkungan. Dalam praktiknya, banyak perusahaan masih bergantung pada inspeksi manual, yang membutuhkan banyak tenaga kerja dan mahal, khususnya di negara dengan tingkat upah tinggi.

Penelitian ini berangkat dari fakta bahwa data real-time dari mesin injection molding memiliki potensi besar jika dimanfaatkan secara optimal menggunakan teknologi machine learning. Dengan kata lain, transformasi digital melalui ML menawarkan solusi prediksi kualitas produk secara otomatis dan presisi.

Tujuan dan Kontribusi Penelitian

Paper ini bertujuan untuk:

• Mengidentifikasi algoritma machine learning yang paling efektif untuk prediksi kualitas produk injection molding.
• Meningkatkan efisiensi produksi sekaligus menurunkan biaya inspeksi kualitas.
• Memperkuat keberlanjutan industri manufaktur dengan mengurangi limbah produksi akibat produk cacat.

Penelitian ini juga mengkaji feature importance, atau variabel kunci dalam proses produksi yang paling berpengaruh terhadap kualitas, seperti suhu cetakan (mold temperature) dan waktu siklus (cycle time).

 

Metodologi Penelitian: Mengolah Data Produksi Nyata Menjadi Model Prediktif

Dataset

Data dikumpulkan dari Hanguk Mold, perusahaan injection molding di Korea Selatan, yang memproduksi komponen otomotif. Dataset mencakup lebih dari 8.000 data siklus produksi, dengan lebih dari 50 variabel real-time seperti:

• Injection Time
• Filling Time
• Cycle Time
• Clamp Close Time
• Mold Temperature
• Injection Pressure
• Screw Speed

Data ini merepresentasikan dinamika nyata di lini produksi, sehingga hasil penelitian dapat langsung diimplementasikan.

Algoritma yang Digunakan

1. Tree-based Algorithms
   • Random Forest
   • Gradient Boost
   • XGBoost
   • LightGBM
   • CatBoost
2. Regression-based Algorithms
   • Logistic Regression
   • Support Vector Machine (SVM)
3. Autoencoder (Deep Learning)

Autoencoder, yang berfokus pada anomaly detection, terbukti menjadi model terbaik karena mampu mendeteksi cacat tanpa membutuhkan data dari produk cacat itu sendiri.

 

Hasil Penelitian: Autoencoder Mengungguli Semua Model Lainnya

Kinerja Model

• Autoencoder meraih akurasi hingga 99,59% dengan F1-score 97,27%.
• Random Forest mengikuti di posisi kedua dengan akurasi 99,18% dan F1-score 72,22%.
• Model regresi seperti Logistic Regression dan SVM mencatat akurasi lebih rendah, karena keterbatasan dalam menangani data non-linear kompleks.

Faktor Utama Penentu Kualitas

Melalui analisis feature importance, ditemukan bahwa variabel berikut paling mempengaruhi kualitas produk:

• Mold Temperature
• Hopper Temperature
• Injection Time
• Cycle Time

Hasil ini sejalan dengan studi sebelumnya yang menekankan pentingnya kontrol suhu dalam injection molding, seperti penelitian oleh Qi et al. (2019) dan Lee et al. (2020).

 

Studi Kasus: Efisiensi Produksi Injection Molding di Hanguk Mold

Sebelum implementasi ML, Hanguk Mold mengandalkan 200 inspektur kualitas untuk memeriksa produk dari 100 mesin injection molding. Setelah penerapan Autoencoder, kebutuhan tenaga kerja untuk pemeriksaan kualitas menurun drastis, sehingga perusahaan menghemat biaya operasional hingga 30%.

Selain itu, prediksi kualitas yang akurat memungkinkan pengurangan limbah produksi hingga 25%, mendukung target keberlanjutan perusahaan dan mengurangi jejak karbon.

 

 

Analisis Kritis dan Perbandingan dengan Penelitian Sebelumnya

Kelebihan Penelitian Ini

✅ Data Real-World: Dataset berasal dari produksi nyata, bukan simulasi.
✅ Pendekatan Komprehensif: Perbandingan antara berbagai model ML memberikan gambaran menyeluruh.
✅ Efisiensi Biaya: Implementasi Autoencoder mengurangi ketergantungan pada inspeksi manual.

Kekurangan dan Tantangan

❌ Generalisasi Terbatas: Dataset spesifik dari satu perusahaan di Korea.
❌ Penjelasan Sebab-Akibat Minim: Fokus penelitian lebih pada akurasi prediksi, bukan pemahaman mendalam terhadap akar penyebab cacat.
❌ Belum Integrasi IoT Secara Penuh: Implementasi real-time membutuhkan integrasi dengan sensor IoT yang lebih kompleks.

Komparasi dengan Studi Lain

• Ribeiro (2005): Menggunakan SVM untuk monitoring kualitas injection molding, namun akurasinya lebih rendah dibanding Autoencoder.
• Nagorny et al. (2017): Menerapkan LSTM berbasis gambar produk, sedangkan penelitian ini berbasis data proses mesin, yang lebih praktis untuk implementasi pabrik.

 

Implikasi Praktis untuk Industri Manufaktur

1. Efisiensi Operasional
   Mengurangi biaya kualitas (quality cost) dengan prediksi otomatis berbasis data, tanpa perlu banyak tenaga kerja.
2. Sustainability & Lingkungan
   Mengurangi produk cacat berarti mengurangi limbah dan konsumsi energi yang tidak perlu, mendukung Net Zero Emission.
3. Kesiapan Industri 4.0
   Memungkinkan integrasi dengan IoT dan MES (Manufacturing Execution System) untuk produksi yang lebih adaptif dan otomatis.

 

Rekomendasi dan Arah Pengembangan Masa Depan

✅ Integrasi Sensor IoT & Big Data untuk meningkatkan akurasi prediksi real-time.
✅ Explainable AI (XAI) agar alasan di balik keputusan model lebih transparan bagi insinyur produksi.
✅ Transfer Learning untuk memudahkan adopsi di perusahaan injection molding lain dengan parameter produksi berbeda.
✅ Mobile & Cloud-Based Monitoring agar manajemen kualitas dapat dilakukan secara remote.

 

Kesimpulan: Menuju Masa Depan Manufaktur Tanpa Cacat

Penelitian ini menunjukkan bahwa machine learning, khususnya Autoencoder, dapat merevolusi cara industri injection molding menjaga kualitas produk. Dengan meningkatkan efisiensi, mengurangi limbah, dan mendukung prinsip keberlanjutan, teknologi ini memberikan nilai tambah yang nyata.

Di era Industri 4.0, perusahaan manufaktur yang tidak mengadopsi teknologi seperti ML akan tertinggal. Penelitian ini memberikan bukti bahwa dengan strategi data yang tepat, perusahaan bisa mengurangi biaya, meningkatkan kualitas, dan memenuhi standar keberlanjutan global.

 

Referensi

• Jung, H., Jeon, J., Choi, D., & Park, J.-Y. (2021). Application of Machine Learning Techniques in Injection Molding Quality Prediction: Implications on Sustainable Manufacturing Industry. Sustainability, 13(8), 4120. DOI: 10.3390/su13084120
• Qi, X. et al. (2019). Neural Network Applications in Additive Manufacturing.
• Ribeiro, B. (2005). Support Vector Machines for Quality Monitoring in Plastic Injection Molding.