Pendahuluan: Kenapa Prediksi Kualitas Jadi Prioritas di Industri Plastik?

Di tengah tekanan global untuk menghasilkan produk berkualitas tinggi secara konsisten dan efisien, industri plastik, khususnya injection molding, menghadapi tantangan besar. Produk plastik sering kali memiliki margin toleransi sempit dan tingkat cacat produksi yang, meskipun kecil secara persentase, bisa berdampak besar secara ekonomi.

Menurut laporan Grand View Research, nilai pasar global plastik mencapai 579,7 miliar USD pada 2020, dengan prediksi pertumbuhan tahunan sebesar 3,4% hingga 2028. Industri otomotif, konstruksi, dan elektronik menjadi pendorong utama. Dalam ekosistem sebesar ini, kegagalan kualitas di lini produksi plastik bukan sekadar masalah teknis, melainkan ancaman langsung bagi keberlanjutan bisnis.

Makalah yang ditulis oleh Bruno Silva dkk., dipresentasikan pada International Conference on Electrical, Computer and Energy Technologies (ICECET) 2021, menyoroti solusi berbasis machine learning (ML), khususnya Artificial Neural Networks (ANN) dan Support Vector Machines (SVM), untuk prediksi kualitas produk di proses injeksi termoplastik. Penelitian ini berfokus pada deteksi cacat secara online, yang mampu mengubah paradigma industri dari reaktif menjadi proaktif.

 

Latar Belakang: Masalah Kualitas di Dunia Injection Molding

Injection molding adalah proses dominan dalam produksi komponen plastik karena kemampuannya memproduksi part dengan volume tinggi secara cepat. Namun, proses ini sangat sensitif terhadap parameter proses, seperti:

• Waktu siklus (Cycle Time)
• Waktu injeksi (Injection Time)
• Waktu plastifikasi (Plasticization Time)
• Cushion
• Tekanan injeksi maksimum

Ketidakkonsistenan di salah satu parameter ini dapat menyebabkan cacat seperti short shot, burr, burn marks, warpage, atau flow lines. Dalam skala industri, bahkan 1% cacat dalam produksi jutaan unit per tahun bisa menghasilkan kerugian signifikan, baik dari segi biaya produksi maupun reputasi merek.

 

Tujuan Penelitian: Dari Deteksi Manual ke Prediksi Otomatis

Penelitian ini bertujuan membangun sistem prediksi kualitas otomatis berbasis ML yang mampu:

1. Mendeteksi part cacat sebelum mereka diproses lebih lanjut.
2. Mengurangi keterlibatan manusia dalam inspeksi kualitas.
3. Meningkatkan efisiensi proses produksi dengan pengurangan waste material dan downtime.

Sistem ini mengandalkan Artificial Neural Networks (ANN) dan Support Vector Machines (SVM), termasuk pendekatan ensemble method, yang memadukan kedua model untuk mencapai akurasi prediksi lebih tinggi.

 

Metodologi Penelitian: Pendekatan Data-Driven dari Lantai Produksi

Data dan Proses Produksi

Data dikumpulkan dari lini produksi Vipex, perusahaan injection molding di Portugal. Mereka menggunakan mesin Negri Bossi 220 Ton, memproses LLDPE (Linear Low-Density Polyethylene) selama 5 hari kerja, menghasilkan 39.827 siklus injeksi.

Dari total produksi, 892 part dikategorikan tidak memenuhi syarat (NOK), terdiri atas:

• 499 cacat Filling (kurang isi)
• 393 cacat Burr (kelebihan material)

Variabel yang Dikumpulkan

• Waktu injeksi
• Waktu plastifikasi
• Waktu siklus
• Cushion
• Tekanan maksimum injeksi

Model Machine Learning

1. Artificial Neural Networks (ANN)
   • Menggunakan arsitektur satu hidden layer berisi 200 neuron
   • Fungsi aktivasi: Logistic
   • Solver: L-BFGS
2. Support Vector Machines (SVM)
   • Kernel: Linear
   • Cost Function: 1000
   • Gamma: 0.01

80% data digunakan untuk training, sisanya untuk testing.

 

Hasil dan Temuan Penting

Akurasi Model Dasar

Baik ANN maupun SVM secara mandiri mencapai akurasi 99%. Namun, hal ini masih menyisakan 1% kegagalan, yang bila dikonversi dalam jumlah produksi tahunan (1.600.000 unit), berarti 16.000 part cacat lolos dari deteksi.

Windowed Approach

Untuk mengatasi masalah klasifikasi di zona transisi antara OK dan NOK, peneliti mengembangkan windowed approach, yang mengikutsertakan data dari tiga siklus sebelumnya. Teknik ini berhasil meningkatkan performa prediksi, terutama dalam deteksi dini cacat Filling.

Ensemble Method

Menggabungkan prediksi dari ANN dan SVM dalam metode Voting-Based Ensemble memberikan hasil terbaik, mengurangi kesalahan klasifikasi lebih lanjut. Ensemble ini efektif dalam mendeteksi dua tipe cacat utama:

• Filling
• Burr

Gaussian Process Latent Variable Model (GPLVM)

Untuk visualisasi dan analisis zona transisi, peneliti menggunakan GPLVM untuk mereduksi dimensi dataset dari 5D menjadi 2D. Hasilnya, klaster part OK dan NOK lebih mudah dibedakan, meskipun tantangan klasifikasi di batas zona masih ada.

 

Studi Kasus Nyata: Mengapa Ini Relevan?

Dampak Finansial

Asumsikan perusahaan memproduksi 1,6 juta unit per tahun dengan 20 detik waktu siklus. Tanpa sistem prediksi, 16.000 part cacat dapat lolos inspeksi, menyebabkan:

• Biaya rework tinggi
• Potensi klaim pelanggan
• Risiko reputasi merek

Penghematan

Dengan prediksi kualitas real-time, perusahaan bisa menghentikan produksi sebelum cacat bertambah parah, mengurangi downtime dan limbah produksi.

Sustainability

Pengurangan cacat otomatis berarti lebih sedikit material yang terbuang, mendukung target ramah lingkungan industri manufaktur.

 

Kritik dan Analisis Tambahan

Kelebihan Penelitian

• Validasi Lapangan: Data berasal dari produksi nyata, bukan simulasi.
• Pendekatan Praktis: ANN dan SVM terbukti efisien tanpa kebutuhan high-end hardware.
• Ensemble Method Adaptif: Mengintegrasikan kekuatan dua metode untuk klasifikasi lebih akurat.

Kekurangan dan Tantangan

• Generalitas Terbatas: Dataset hanya dari satu jenis material (LLDPE) dan satu mesin. Perlu diuji pada material lain seperti ABS, POM, atau PC.
• Zona Transisi Sulit Dikelola: Meskipun ensemble meningkatkan akurasi, masalah pada zona transisi OK/NOK belum sepenuhnya terselesaikan.
• Ketergantungan pada Sensor Presisi: Data akurat tergantung kualitas sensor di lantai produksi, yang bisa jadi kendala pada mesin lama (legacy machines).

 

Implikasi Praktis dan Arah Pengembangan di Industri

1. Integrasi IoT untuk Monitoring Real-Time
   Sistem ini bisa diperkuat dengan Industrial IoT (IIoT) dan dashboard real-time, memungkinkan pengambilan keputusan cepat oleh operator.
2. Prediksi Proaktif dalam Smart Factory
   Dipadukan dengan MES (Manufacturing Execution Systems), data prediksi kualitas bisa diintegrasikan ke alur produksi cerdas.
3. Penerapan pada Sektor Lain
   Prinsip yang sama dapat diterapkan pada:
   • Industri Otomotif: Komponen interior plastik
   • Elektronik Konsumen: Casing gadget
   • Kesehatan: Alat medis berbahan plastik presisi tinggi

 

Kesimpulan: Menuju Produksi Nol Cacat dengan Machine Learning

Studi ini menunjukkan bahwa pendekatan berbasis Artificial Neural Networks, Support Vector Machines, dan Ensemble Methods merupakan solusi realistis dan efisien untuk prediksi kualitas produksi injeksi termoplastik. Transformasi dari deteksi cacat manual ke prediksi otomatis tak hanya meningkatkan efisiensi produksi, tetapi juga mendorong keberlanjutan industri.

Meski tantangan masih ada, terutama pada zona transisi, potensi integrasi machine learning dalam sistem kontrol kualitas injection molding sangat besar. Penelitian lanjutan perlu difokuskan pada generalitas model, implementasi real-time, dan pemanfaatan deep learning untuk lebih memahami dinamika proses injeksi.

Teknik biologi atau bioteknologi adalah penerapan prinsip-prinsip biologi dan alat-alat teknik untuk menciptakan produk yang dapat digunakan, nyata, dan layak secara ekonomi. Teknik biologi menggunakan pengetahuan dan keahlian dari sejumlah ilmu murni dan terapan, seperti perpindahan massa dan panas, kinetika, biokatalis, biomekanik, bioinformatika, proses pemisahan dan pemurnian, desain bioreaktor, ilmu permukaan, mekanika fluida, termodinamika, dan ilmu polimer. Bidang ini digunakan dalam desain perangkat medis, peralatan diagnostik, bahan biokompatibel, energi terbarukan, teknik ekologi, teknik pertanian, teknik proses dan katalisis, dan bidang lain yang meningkatkan standar hidup masyarakat.

Contoh penelitian bioteknologi meliputi bakteri yang direkayasa untuk menghasilkan bahan kimia, teknologi pencitraan medis baru, perangkat diagnostik penyakit yang portabel dan cepat, prostetik, biofarmasi, dan organ hasil rekayasa jaringan. Bioteknologi secara substansial tumpang tindih dengan bioteknologi dan ilmu biomedis dengan cara yang serupa dengan bagaimana berbagai bentuk rekayasa dan teknologi lainnya berhubungan dengan berbagai ilmu lain (seperti teknik kedirgantaraan dan teknologi luar angkasa lainnya hingga kinetika dan astrofisika).

Secara umum, insinyur biologi berupaya meniru sistem biologis untuk menciptakan produk, atau memodifikasi dan mengendalikan sistem biologis. Bekerja sama dengan dokter, dokter, dan peneliti, bioteknisi menggunakan prinsip dan teknik teknik tradisional untuk menangani proses biologis, termasuk cara-cara untuk mengganti, menambah, mempertahankan, atau memprediksi proses kimia dan mekanik.

Sejarah

Teknik biologi adalah disiplin berbasis sains yang didasarkan pada ilmu biologi dengan cara yang sama seperti teknik kimia, teknik elektro, dan teknik mesin yang dapat didasarkan pada kimia, listrik dan magnet, dan mekanika klasik.

Sebelum Perang Dunia II, teknik biologi telah mulai dikenal sebagai cabang teknik dan merupakan konsep baru bagi masyarakat. Pasca-Perang Dunia II, istilah bioteknologi berkembang lebih pesat, dan istilah "bioteknologi" diciptakan oleh ilmuwan dan penyiar Inggris Heinz Wolff pada tahun 1954 di National Institute for Medical Research. Wolff lulus pada tahun itu dan menjadi direktur Divisi Teknik Biologi di universitas tersebut. Ini adalah pertama kalinya Teknik Bioteknologi diakui sebagai cabang sendiri di universitas. Teknik elektro merupakan fokus awal dari disiplin ilmu ini, karena pada saat itu banyak bekerja dengan peralatan medis dan mesin..

Ketika para insinyur dan ilmuwan biologi mulai bekerja sama, mereka menyadari bahwa para insinyur tidak cukup mengetahui tentang biologi yang sebenarnya di balik pekerjaan mereka. Untuk mengatasi masalah ini, para insinyur yang ingin masuk ke teknik biologi mencurahkan lebih banyak waktu untuk mempelajari proses biologi, psikologi, dan kedokteran.

Baru-baru ini, istilah teknik biologi telah diterapkan pada modifikasi lingkungan seperti perlindungan tanah permukaan, stabilisasi lereng, perlindungan aliran air dan garis pantai, penahan angin, penghalang vegetasi termasuk penghalang kebisingan dan layar visual, dan peningkatan ekologi suatu daerah. Karena disiplin ilmu teknik lainnya juga membahas organisme hidup, istilah teknik biologi dapat diterapkan secara lebih luas untuk mencakup teknik pertanian.

Program teknik biologi pertama di Amerika Serikat dimulai di University of California, San Diego pada tahun 1966. Program-program yang lebih baru telah diluncurkan di MIT dan Utah State University. Banyak departemen teknik pertanian lama di universitas-universitas di seluruh dunia telah mengubah nama mereka menjadi teknik pertanian dan biologi atau teknik pertanian dan biosistem. Menurut Profesor Doug Lauffenburger dari MIT, teknik biologi memiliki dasar yang luas yang menerapkan prinsip-prinsip teknik pada berbagai macam ukuran dan kompleksitas sistem, mulai dari tingkat molekuler (biologi molekuler, biokimia, mikrobiologi, farmakologi, kimia protein, sitologi, imunologi, neurobiologi, dan neurosains) hingga sistem berbasis sel dan jaringan (termasuk perangkat dan sensor), hingga organisme makroskopis secara keseluruhan (tanaman, hewan), dan bahkan bioma dan ekosistem.

Pendidikan

Lama studi rata-rata adalah tiga hingga lima tahun, dan gelar yang diperoleh ditandai sebagai sarjana teknik (B.S. dalam bidang teknik). Mata kuliah dasar meliputi termodinamika, biomekanika, biologi, rekayasa genetika, dinamika fluida dan mekanik, kinetika kimia dan enzim, elektronika, dan sifat material.

Sub-disiplin ilmu

Bergantung pada institusi dan batasan definisi tertentu yang digunakan, beberapa cabang utama bioteknologi dapat dikategorikan sebagai (harap diperhatikan bahwa ini mungkin tumpang tindih):

• Rekayasa biomedis: penerapan prinsip-prinsip rekayasa dan konsep desain pada kedokteran dan biologi untuk tujuan perawatan kesehatan.

  • Rekayasa jaringan

  • Rekayasa saraf

  • Teknik farmasi

  • Rekayasa klinis

• Biomekanika

• Rekayasa biokimia: rekayasa fermentasi, penerapan prinsip-prinsip rekayasa pada sistem biologi mikroskopis yang digunakan untuk menciptakan produk baru melalui sintesis, termasuk produksi protein dari bahan baku yang sesuai.

• Rekayasa sistem biologi: penerapan prinsip-prinsip rekayasa dan konsep desain pada pertanian, ilmu pangan, dan ekosistem.

• Rekayasa bioproses: mengembangkan teknologi untuk memantau kondisi di mana proses tertentu berlangsung, (Contoh: desain bioproses, biokatalisis, bioseparasi, bioenergi)

• Rekayasa kesehatan lingkungan: penerapan prinsip-prinsip rekayasa untuk mengendalikan lingkungan demi kesehatan, kenyamanan, dan keselamatan manusia. Ini mencakup bidang sistem pendukung kehidupan untuk eksplorasi luar angkasa dan lautan.

• Faktor manusia dan teknik ergonomi: penerapan teknik, fisiologi, dan psikologi untuk optimalisasi hubungan manusia dan mesin. (Contoh: ergonomi fisik, ergonomi kognitif, interaksi manusia dan komputer)

• Bioteknologi: penggunaan sistem dan organisme hidup untuk mengembangkan atau membuat produk. (Contoh: farmasi, Bioinformatika, Rekayasa genetika.

• Biomimetik: peniruan model, sistem, dan elemen alam untuk tujuan memecahkan masalah manusia yang kompleks. (Contoh: velcro, yang dirancang setelah George de Mestral memperhatikan betapa mudahnya duri menempel pada bulu anjing.

• Rekayasa bioelektrik

• Teknik biomekanik: adalah penerapan prinsip-prinsip teknik mesin dan biologi untuk menentukan bagaimana bidang-bidang ini berhubungan dan bagaimana mereka dapat diintegrasikan untuk meningkatkan kesehatan manusia secara potensial.

• Bionik: integrasi dari Biomedis, lebih berfokus pada robotika dan teknologi berbantuan. (Contoh: prostetik)

• Bioprinting: memanfaatkan biomaterial untuk mencetak organ dan jaringan baru.

• Biorobotika: (Contoh: prostetik elektrik)

• Biologi sistem: Molekul, sel, organ, dan organisme semuanya diselidiki dalam hal interaksi dan perilakunya.

Organisasi

• Accreditation Board for Engineering and Technology (ABET), badan akreditasi yang berbasis di Amerika Serikat untuk program B.S. teknik, membuat perbedaan antara teknik biomedis dan teknik biologi, meskipun ada banyak tumpang tindih (lihat di atas).

• American Institute for Medical and Biological Engineering (AIMBE) terdiri dari 1.500 anggota. Tujuan utama mereka adalah untuk mendidik masyarakat tentang nilai yang dimiliki oleh teknik biologi di dunia kita, serta berinvestasi dalam penelitian dan program lain untuk memajukan bidang ini. Mereka memberikan penghargaan kepada mereka yang berdedikasi pada inovasi di bidang ini, dan penghargaan atas pencapaian di bidang ini. (Mereka tidak memiliki kontribusi langsung pada teknik biologi, mereka lebih mengakui mereka yang melakukannya dan mendorong masyarakat untuk melanjutkan gerakan maju tersebut).

• Institute of Biological Engineering (IBE) adalah organisasi nirlaba, mereka berjalan dengan donasi saja. Mereka bertujuan untuk mendorong masyarakat untuk belajar dan melanjutkan kemajuan dalam bidang teknik biologi. (Seperti AIMBE, mereka tidak melakukan penelitian secara langsung; namun, mereka menawarkan beasiswa kepada siswa yang menunjukkan prestasi di bidang ini).

• Society for Biological Engineering (SBE) adalah komunitas teknologi yang terkait dengan American Institute of Chemical Engineers (AIChE). SBE menyelenggarakan konferensi internasional, dan merupakan organisasi global yang terdiri dari para insinyur dan ilmuwan terkemuka yang berdedikasi untuk memajukan integrasi biologi dengan teknik.

• MediUnite Journal adalah kampanye kesadaran medis dan surat kabar yang sering menerbitkan temuan biomedis dan telah mengutip biomedis dalam berbagai makalah penelitian.

Disadur dari: en.wikipedia.org