Pendahuluan: Mengapa Pengendalian Proses Statistik (SPC) Krusial di Industri Indonesia?

Industri di Indonesia saat ini tengah menghadapi tantangan besar dalam menjaga kualitas produk sekaligus meningkatkan efisiensi produksi. Kualitas produk yang tidak konsisten, tingkat cacat yang tinggi, serta efisiensi yang belum optimal menjadi hambatan utama dalam meningkatkan daya saing, baik di pasar lokal maupun global. Dalam konteks ini, Statistical Process Control (SPC) muncul sebagai solusi yang tepat untuk memastikan kualitas produk secara konsisten dan sistematis.

Artikel berjudul "Implementation of Statistical Process Control for Quality Control Cycle in the Various Industry in Indonesia: Literature Review" karya Hibarkah Kurnia, Setiawan, dan Mohammad Hamsal, yang diterbitkan di Operations Excellence: Journal of Applied Industrial Engineering (2021), memberikan gambaran komprehensif mengenai bagaimana penerapan SPC di berbagai sektor industri di Indonesia telah berkontribusi terhadap peningkatan mutu produksi dan efisiensi proses.

SPC dalam Industri Indonesia: Apa Itu dan Mengapa Penting?

SPC adalah pendekatan berbasis statistik untuk memantau dan mengontrol suatu proses produksi. Dengan SPC, perusahaan dapat mengidentifikasi variasi proses sejak dini, sehingga potensi cacat atau kesalahan produksi bisa diantisipasi dan diminimalisasi sebelum produk sampai ke konsumen.

Di Indonesia, kebutuhan akan implementasi SPC semakin mendesak, terutama mengingat pesatnya perkembangan industri manufaktur, otomotif, tekstil, makanan dan minuman, hingga industri berat. Ketergantungan terhadap pasar ekspor juga menuntut produk-produk Indonesia memenuhi standar internasional yang ketat.

Metodologi Kajian: Tinjauan Sistematis 30 Studi Kasus Industri di Indonesia

Penelitian ini mengadopsi metode Systematic Literature Review (SLR), yang dirancang untuk menganalisis dan menyintesis hasil-hasil penelitian terkait penerapan SPC di berbagai industri dalam negeri. Dari total 35 jurnal yang dikumpulkan, 30 jurnal relevan dianalisis secara mendalam.

Proses Penyaringan Literatur:

• Fokus pada studi di sektor industri Indonesia.
• Tahun publikasi utama 2015 hingga 2021.
• Penilaian dilakukan berdasarkan pendekatan metode SPC yang digunakan, seperti control chart, fishbone diagram, Pareto chart, dan tools kualitas lainnya.

 

Temuan Utama: Industri yang Paling Banyak Mengadopsi SPC

Dari hasil kajian, terdapat dua sektor industri di Indonesia yang paling intensif menggunakan SPC, yaitu:

1. Industri Plastik (10% dari studi yang dianalisis)
2. Industri Garment/Tekstil (10%)

Dua industri ini menunjukkan pertumbuhan yang pesat dan kebutuhan tinggi akan pengendalian mutu yang ketat. Misalnya, dalam industri plastik, kualitas produk yang tidak sesuai spesifikasi dapat menyebabkan produk tidak layak pakai, sementara di industri tekstil, kecacatan sekecil apapun dapat memengaruhi nilai jual produk.

 

Studi Kasus Nyata: Bagaimana SPC Meningkatkan Kualitas di Berbagai Industri

1. Industri Plastik

Kasus di perusahaan plastik menunjukkan bahwa penggunaan control chart mampu menekan tingkat cacat, seperti lubang pada produk box plastik, hingga 47,82%. Dengan analisis fishbone diagram, ditemukan bahwa faktor mesin dan kualitas bahan baku menjadi penyebab dominan cacat produk.

2. Industri Garment

Dalam produksi pakaian jadi, SPC diterapkan untuk memantau kualitas jahitan. Studi di CV Fitria menemukan bahwa penerapan P-Chart menurunkan tingkat cacat produksi baju koko secara signifikan setelah mengidentifikasi penyebab utama dari tenaga kerja dan metode produksi.

3. Industri Makanan dan Minuman

SPC juga diterapkan di industri kopi bubuk, seperti di CV Pusaka Bali Persada. Masalah utama berupa kemasan kotor dan berat tidak sesuai spesifikasi dapat diminimalisir setelah menggunakan Pareto chart untuk mengidentifikasi prioritas perbaikan.

 

Keunggulan Penggunaan SPC: Manfaat Praktis di Lapangan

Penelitian ini merinci manfaat utama SPC yang telah dirasakan oleh berbagai industri di Indonesia:

• Pengendalian Mutu Real-Time: SPC memungkinkan perusahaan mendeteksi cacat produksi lebih awal, bahkan saat proses berjalan.
• Efisiensi Produksi: Dengan mengurangi jumlah produk cacat, biaya produksi menjadi lebih efisien.
• Meningkatkan Kepuasan Pelanggan: Produk yang memenuhi standar kualitas konsumen akan meningkatkan loyalitas pelanggan.
• Daya Saing Global: Perusahaan yang mampu menjaga kualitas konsisten akan lebih mudah menembus pasar internasional.

 

Kelemahan dan Tantangan Implementasi SPC di Indonesia

1. Kurangnya SDM Terlatih

Salah satu hambatan besar adalah minimnya tenaga kerja yang paham penggunaan alat statistik dan software SPC, terutama di perusahaan skala kecil dan menengah (UKM).

2. Biaya Implementasi Awal

Walaupun SPC diyakini sebagai metode yang hemat biaya dalam jangka panjang, investasi awal untuk pelatihan, perangkat lunak, dan sensor pengukuran seringkali menjadi beban bagi banyak industri.

3. Kompleksitas Sistem

Tidak semua industri siap mengintegrasikan SPC dalam proses produksi, terutama yang belum menerapkan Sistem Manajemen Mutu berbasis ISO.

 

Perbandingan dengan Praktik Internasional: Apa yang Bisa Dipelajari?

Dalam penelitian ini, penulis juga menyoroti bahwa Indonesia masih tertinggal dibandingkan Jepang atau Jerman dalam penerapan Quality 4.0, yaitu sistem mutu berbasis digital. Di negara-negara tersebut, SPC telah diintegrasikan dengan Internet of Things (IoT) dan Big Data Analytics untuk memberikan pemantauan kualitas secara otomatis dan prediktif.

Sebagai contoh, perusahaan otomotif Jepang seperti Toyota menggunakan Andon System yang menggabungkan SPC dengan sistem peringatan visual dan otomatisasi untuk mendeteksi gangguan produksi secara real-time.

 

Rekomendasi Praktis: Strategi Menerapkan SPC di Industri Indonesia

Berdasarkan temuan dalam paper ini, berikut rekomendasi agar SPC bisa diterapkan lebih luas dan efektif di Indonesia:

1. Pendidikan dan Pelatihan Berkelanjutan
   Perusahaan harus menginvestasikan pelatihan SPC bagi semua lini karyawan, dari operator hingga manajemen.
2. Integrasi dengan Lean Manufacturing
   Menggabungkan SPC dengan metode Lean seperti DMAIC dari Six Sigma akan memperkuat upaya pengendalian mutu.
3. Pemanfaatan Teknologi Industri 4.0
   Mulailah integrasi SPC dengan sensor berbasis IoT untuk memantau proses produksi secara otomatis.
4. Dukungan Pemerintah
   Pemerintah perlu memberikan insentif, misalnya subsidi pelatihan SPC bagi UKM atau keringanan pajak untuk investasi sistem manajemen mutu.

 

Masa Depan SPC di Indonesia: Peluang dan Harapan

Paper ini menunjukkan bahwa masa depan SPC di Indonesia sangat menjanjikan, terutama jika mampu beradaptasi dengan perkembangan Industri 4.0. Penulis menyarankan kolaborasi antara Lean Manufacturing, Six Sigma, dan teknologi digital, seperti Big Data dan AI, untuk menciptakan sistem kontrol kualitas yang lebih cepat, akurat, dan dapat diandalkan.

 

Kesimpulan: SPC adalah Kunci Menuju Industri Indonesia yang Lebih Kompetitif

Penelitian oleh Kurnia dkk. menyimpulkan bahwa:

• SPC paling banyak diterapkan di industri plastik dan tekstil di Indonesia, dengan metode seperti control chart, fishbone diagram, dan Pareto chart yang menjadi favorit.
• 2018 menjadi tahun dengan publikasi terbanyak terkait penerapan SPC di industri Indonesia.
• SPC terbukti efektif, tetapi tantangan sumber daya manusia dan biaya implementasi awal masih menjadi kendala yang harus diatasi.

Namun, dengan semangat inovasi dan dukungan pemerintah, SPC diyakini akan menjadi pilar utama dalam meningkatkan kualitas dan daya saing industri Indonesia di kancah global.

 

Sumber Utama:

Kurnia, H., Setiawan, S., & Hamsal, M. (2021). Implementation of Statistical Process Control for Quality Control Cycle in the Various Industry in Indonesia: Literature Review. Operations Excellence Journal, 13(2), 194-206.
 

 

Pendahuluan: Mengapa Pengendalian Kualitas Sangat Penting di Industri Semen?

Industri semen memegang peranan vital dalam pembangunan infrastruktur global. Di balik kekokohan gedung pencakar langit dan jembatan megah, ada proses produksi semen yang intensif energi dan kompleks. Namun, tingginya konsumsi energi dan emisi karbon dari sektor ini menimbulkan tantangan besar terhadap keberlanjutan lingkungan. Oleh karena itu, penerapan Statistical Quality Control (SQC) menjadi solusi strategis yang dapat membantu industri semen menyeimbangkan antara produktivitas dan tanggung jawab lingkungan.

Penelitian ini mengulas perkembangan teknik Statistical Process Control (SPC), penerapan mutakhirnya di industri semen, serta berbagai keterbatasan yang masih dihadapi dalam mengoptimalkan kualitas produksi.

Mengapa SPC Relevan untuk Industri Semen?

Cement production adalah proses yang multistage dan kompleks, terdiri dari:

1. Persiapan bahan baku.
2. Pencampuran dan penggilingan bahan mentah.
3. Pembentukan klinker.
4. Penggilingan semen.
5. Pengemasan dan distribusi.

Di tiap tahap ini, banyak variabel yang harus dikontrol secara presisi agar hasil produksi konsisten dan efisien. SPC, yang awalnya dikembangkan oleh Walter Shewhart pada 1920-an, menjadi fondasi penting dalam mengendalikan proses ini, terutama karena:

• Mampu mendeteksi variasi proses secara statistik.
• Mengurangi pemborosan bahan baku dan energi.
• Memastikan kualitas produk akhir sesuai standar industri.

Namun, apakah SPC mampu memenuhi tantangan zaman modern? Di sinilah letak pentingnya penelitian yang diulas ini.

Evolusi Statistical Process Control: Dari Tradisional ke Machine Learning

Penelitian ini mengidentifikasi empat fase perkembangan SPC:

1. Univariate SPC (USPC): Fokus pada satu variabel kontrol. Cocok untuk sistem sederhana.
2. Multivariate SPC (MSPC): Mengontrol banyak variabel secara bersamaan. Diperlukan untuk proses yang saling berhubungan seperti di industri semen.
3. Data Mining-based SPC: Menerapkan algoritma cerdas untuk menganalisis data besar dan pola yang kompleks.
4. Machine Learning-based SPC: Menggunakan algoritma yang belajar dari data secara otomatis dan adaptif.

Univariate SPC

Model klasik seperti Shewhart Chart bekerja baik untuk mendeteksi penyimpangan besar, namun kurang sensitif terhadap perubahan kecil.

Multivariate SPC

Pendekatan ini memanfaatkan Hotelling’s T2, MCUSUM, dan MEWMA, yang efektif untuk sistem dengan banyak variabel, seperti suhu kiln dan komposisi kimia klinker dalam produksi semen.

Data Mining dan Machine Learning

Perkembangan terakhir membawa integrasi algoritma seperti Support Vector Machines (SVM), Artificial Neural Networks (ANN), hingga Deep Learning. Algoritma ini terbukti lebih cepat mendeteksi anomali, memprediksi gangguan proses, dan membantu pengambilan keputusan berbasis data besar.

 

Tantangan Nyata Industri Semen: Antara Teori dan Praktik

Dilema Energi dan Emisi

• Industri semen menyumbang 7% konsumsi energi industri global.
• Setiap ton klinker menghasilkan sekitar 900 kg CO2.
• Penggunaan 2800 MJ energi termal dan 103-110 kWh energi listrik per ton klinker menjadi perhatian utama.

 

 

SPC di Tengah Kompleksitas Produksi

Walau SPC membantu mengidentifikasi kapan sebuah proses keluar dari kendali, penelitian ini menunjukkan keterbatasan berikut:

• SPC mendeteksi, namun tidak menjelaskan sebab akar masalah (root cause).
• Penerapan kontrol chart di industri semen seringkali bersifat teoritis, tanpa adaptasi yang sesuai dengan karakteristik proses nyata.

 

Kasus Nyata Implementasi SPC di Industri Semen

Penelitian mencatat beberapa studi kasus implementasi SPC di berbagai negara:

1. CUSUM Chart diterapkan untuk memonitor performa energi kilns, yang mampu mengidentifikasi penurunan konsumsi energi secara konsisten (Afkhami et al., 2015).
2. Multivariate PLS (Partial Least Squares) digunakan untuk mengoptimalkan kualitas klinker dan pengurangan emisi CO2 di pabrik semen Spanyol (Castañón et al., 2015).
3. PCA dengan EWMA Threshold diterapkan di sistem kiln, menghasilkan deteksi dini anomali proses (Bakdi et al., 2017).

 

Kritik terhadap Penerapan SPC di Industri Semen

Walau kemajuan signifikan telah dicapai, masih banyak hal yang harus diperbaiki, antara lain:

• Kurangnya Penelitian Aplikatif: Masih minim riset tentang penerapan SPC secara nyata di pabrik semen, khususnya di negara berkembang.
• Ketergantungan pada Data Historis: Sistem SPC tradisional seringkali gagal merespons secara real-time.
• Keterbatasan Deteksi Variabel Penyebab Masalah: Sistem multivariate sekalipun masih kesulitan mengidentifikasi sumber spesifik variasi.

 

Menuju Cement Industry 4.0: Integrasi SPC dengan IoT dan AI

Penelitian ini menggarisbawahi bahwa masa depan pengendalian kualitas di industri semen bergantung pada adopsi Industry 4.0. Beberapa tren yang perlu diperhatikan:

1. Digitalisasi Data: Data dari sensor keras (hard sensor) dan lunak (soft sensor) dikumpulkan secara real-time.
2. Machine Learning untuk Prediksi dan Diagnosa: Algoritma seperti Reinforcement Learning mampu memberikan rekomendasi tindakan korektif secara otomatis.
3. Soft Sensors: Menggantikan proses laboratorium tradisional yang memakan waktu, soft sensors mampu memberikan data kualitas secara instan.
4. Sistem Keputusan Otomatis (Decision Support System): Mengintegrasikan data mining dan AI untuk membantu pengambilan keputusan berbasis data yang valid.

 

Opini dan Nilai Tambah: Bagaimana Indonesia Bisa Mengadopsi Temuan Ini?

Industri semen Indonesia, sebagai salah satu produsen terbesar di Asia Tenggara, menghadapi tekanan serupa: tingginya konsumsi energi dan emisi. Penerapan metode SPC yang lebih cerdas dan berbasis machine learning dapat menjadi game-changer.

Beberapa strategi yang dapat diterapkan:

• Pelatihan SDM: Penguasaan statistik dasar dan pemrograman AI untuk meningkatkan kapabilitas analisis proses produksi.
• Pilot Project Smart Factory: Uji coba penerapan sistem kontrol berbasis AI di pabrik semen seperti Semen Indonesia atau Indocement.
• Kolaborasi dengan Startup Teknologi: Mengembangkan sistem monitoring prediktif berbasis cloud untuk meningkatkan efisiensi operasional.

 

Kesimpulan: SPC Bukan Lagi Pilihan, Tapi Kebutuhan

Penelitian Daniel Ashagrie Tegegne, Daniel Kitaw, dan Eshetie Berhan ini menegaskan bahwa kemajuan SPC sangat pesat, namun industri semen belum sepenuhnya memanfaatkan potensinya. Tantangan keberlanjutan lingkungan, konsumsi energi tinggi, dan kebutuhan efisiensi menuntut adopsi SPC yang terintegrasi dengan teknologi AI dan IoT.

✅ Manfaat Integrasi SPC-AI:

• Deteksi lebih cepat dan akurat terhadap anomali proses.
• Penghematan energi dan pengurangan emisi CO2.
• Peningkatan kualitas produk secara konsisten.

❗ Tantangan:

• Investasi awal yang tinggi untuk infrastruktur digital.
• Kesiapan SDM yang masih terbatas.
• Adaptasi metode statistik klasik dengan algoritma baru.

 

Referensi:

Daniel Ashagrie Tegegne, Daniel Kitaw & Eshetie Berhan. (2022). Advances in Statistical Quality Control Chart Techniques and Their Limitations to Cement Industry. Cogent Engineering, 9:1, 2088463.
 

 

Pendahuluan: Tantangan Variabilitas Proses di Industri Manufaktur Plastik

Industri manufaktur, khususnya pada sektor produksi plastik, menghadapi tantangan besar dalam menjaga konsistensi kualitas produknya. Salah satu metode yang terbukti ampuh dalam meminimalkan variabilitas proses adalah Statistical Process Control (SPC). Teknik ini membantu mendeteksi potensi gangguan sejak dini, mengurangi risiko produk cacat, serta meningkatkan efisiensi produksi.

Dalam penelitian berjudul A Study of Process Variability of the Injection Molding of Plastics Parts Using Statistical Process Control (SPC) oleh Dr. Rex C. Kanu dari Ball State University, SPC diaplikasikan secara praktis untuk mengendalikan variabilitas proses injection molding pada pembuatan komponen plastik. Studi ini tidak hanya membahas aspek teknis pengendalian kualitas, tetapi juga memperlihatkan dampaknya terhadap peningkatan pemahaman mahasiswa dalam proses manufaktur berbasis statistik.

SPC dalam Konteks Produksi Injection Molding

Apa Itu SPC?

SPC adalah metode pengendalian kualitas berbasis statistik yang digunakan untuk memantau dan mengontrol variabilitas dalam proses produksi. Dalam konteks injection molding, SPC membantu mengidentifikasi apakah variasi yang terjadi berasal dari faktor alamiah (common cause) atau faktor khusus yang harus segera ditangani (assignable cause).

Mengapa Injection Molding Membutuhkan SPC?

Proses injection molding dikenal rumit dan sensitif terhadap berbagai parameter, seperti suhu barrel, tekanan back pressure, waktu pendinginan, dan posisi screw. Variasi kecil pada parameter ini dapat memengaruhi kualitas produk akhir, seperti berat, kekuatan, dimensi, hingga tampilan visual. Oleh karena itu, SPC menjadi solusi untuk menjaga stabilitas proses, mencegah produksi cacat, dan meningkatkan efisiensi secara keseluruhan.

 

Metodologi Penelitian: Dari Laboratorium ke Pembelajaran Nyata

Penelitian ini dilakukan dalam program teknik manufaktur di Ball State University, dengan melibatkan mahasiswa dalam eksperimen langsung pada proses injection molding.

Desain Eksperimen

• Produk yang Diproduksi: 300 spesimen uji tarik dan uji impact sesuai standar ASTM.
• Bahan Baku: Campuran Polycarbonate (PC) dan Acrylonitrile-Butadiene-Styrene (ABS) dari Bayer, dengan merek dagang BayBlend® FR 2010.
• Mesin dan Peralatan: Mesin injection molding Sandretto 60-ton, dryer Conair MDC-30, dan pengontrol suhu mold Conair Thermolator.
• Parameter Proses:
  • Suhu barrel belakang: 400°F
  • Suhu barrel tengah: 410°F
  • Suhu barrel depan: 420°F
  • Suhu nozzle: 440°F
  • Back pressure: 50 psi
• Data yang Dikumpulkan: Berat produk sebagai indikator utama kualitas.

Proses Pemantauan SPC

• Pengumpulan data pada 300 produk, dibagi ke dalam 30 subgrup.
• Parameter kunci yang dipantau:
  • Cooling Time
  • Cushion Final Position
  • Plasticizing Time
  • Screw Position at Change-Over

Data dikumpulkan menggunakan printer mesin, lalu dianalisis dengan software Minitab-16. Grafik kontrol X-bar dan Range Chart (R-chart) digunakan untuk menentukan stabilitas proses.

 

Hasil Penelitian: Temuan Penting dalam Variabilitas Proses

Produk Tidak Stabil

Grafik X-bar dan R menunjukkan bahwa berat produk plastik sering kali berada di luar batas kendali (control limits). Titik-titik data melebihi Upper Control Limit (UCL) dan jatuh di bawah Lower Control Limit (LCL), menandakan proses tidak stabil.

 

Variabilitas Proses Utama

Dari analisis parameter:

• Cushion Final Position, Screw Change-Over Position, dan Cooling Time menunjukkan out-of-control signals.
• Plasticizing Time menunjukkan 8 titik berturut-turut di bawah centerline, menandakan pola ketidakteraturan yang konsisten.

Implikasi

Variabilitas ini menandakan risiko tinggi dalam menghasilkan produk cacat. Jika tidak segera dikoreksi, perusahaan berpotensi menghadapi pemborosan bahan, waktu produksi yang lebih lama, dan biaya kualitas yang tinggi.

 

Dampak Terhadap Pembelajaran Mahasiswa: Studi Kasus Edukasi yang Efektif

Salah satu nilai tambah utama dari penelitian ini adalah integrasinya dengan proses pembelajaran. Mahasiswa yang terlibat dalam proyek ini mengalami peningkatan pemahaman tentang SPC sebesar 25%, dari 58% (pra-proyek) menjadi 83% (pasca-proyek). Hal ini menunjukkan bahwa keterlibatan langsung dalam pengendalian kualitas memberikan pengalaman nyata yang memperkuat konsep teoretis di kelas.

 

Kritik dan Opini: Apa yang Bisa Ditingkatkan?

Kelebihan Penelitian

• Pendekatan Praktis: Penelitian dilakukan dalam setting pembelajaran yang nyata, melibatkan mahasiswa langsung dalam eksperimen industri.
• Analisis Komprehensif: Setiap parameter dianalisis secara detail dengan pendekatan statistik yang tepat.

Keterbatasan

• Keterbatasan Alat: Mesin injection molding tidak dilengkapi SPC real-time, sehingga analisis dilakukan setelah produksi selesai. Dalam dunia industri, real-time monitoring menjadi kebutuhan utama.
• Skala Eksperimen Terbatas: Hanya satu jenis material dan satu tipe produk yang dianalisis. Variasi jenis bahan atau desain produk mungkin memberikan hasil berbeda.

 

Rekomendasi

• Implementasi Real-Time SPC dengan integrasi IoT untuk deteksi dini.
• Design of Experiment (DOE) lanjutan untuk memahami pengaruh tiap parameter terhadap variabilitas secara lebih rinci.

Perbandingan dengan Penelitian Sejenis

Studi serupa oleh Rajalingam et al. (2012) menunjukkan bahwa SPC efektif dalam mengidentifikasi parameter kritis dalam injection molding. Namun, penelitian Kanu lebih menekankan pendekatan edukatif, yang menjadi model integrasi pengajaran dan industri. Di sisi lain, Rauwendaal (2000) dalam bukunya menyebutkan bahwa implementasi SPC secara real-time memberikan dampak yang lebih besar dalam mengurangi cacat produk di industri plastik.

Relevansi dan Dampak Praktis di Industri Modern

Tren Industri

• Industri 4.0 menuntut penggunaan SPC berbasis IoT dengan kontrol otomatis dan analitik prediktif berbasis AI.
• Smart Factory membutuhkan sistem monitoring berkelanjutan untuk menekan cacat produksi hingga mendekati nol.

Penerapan di Indonesia

Banyak pabrik plastik di Indonesia, terutama yang bergerak di sektor kemasan dan komponen otomotif, mulai mengadopsi SPC. Namun, sebagian besar masih pada tahap manual. Implementasi sistem otomatis berbasis sensor dan software analitik akan memberikan efisiensi biaya dan kualitas yang jauh lebih tinggi.

 

Kesimpulan: SPC Adalah Kunci Menuju Kualitas Produksi yang Konsisten

Penelitian oleh Dr. Rex C. Kanu menegaskan bahwa SPC, khususnya pada proses injection molding, tidak hanya meningkatkan kualitas produk tetapi juga memberikan pengalaman pendidikan yang kaya. Dengan integrasi teknologi terbaru, SPC dapat membantu perusahaan:

• Mendeteksi dan mengoreksi masalah lebih cepat.
• Mengurangi waste dan biaya produksi.
• Meningkatkan kualitas dan konsistensi produk.

Implementasi SPC berbasis teknologi digital adalah langkah krusial menuju efisiensi manufaktur di masa depan, baik di industri plastik maupun sektor lainnya.

 

📚 Sumber Paper:
Kanu, R.C. (2013). A Study of Process Variability of the Injection Molding of Plastics Parts Using Statistical Process Control (SPC). American Society for Engineering Education.
 

Dalam era Society 5.0, kemajuan teknologi semakin berperan dalam berbagai sektor, termasuk sektor jasa konstruksi. Paper yang ditulis oleh Shendy Irawan ini membahas konsep Pengembangan Keprofesian Berkelanjutan (PKB) berdasarkan Peraturan Menteri Pekerjaan Umum dan Perumahan Rakyat (PERMENPUPR) No. 12 Tahun 2021. Kajian ini menyoroti pentingnya peningkatan kompetensi tenaga kerja konstruksi secara berkesinambungan agar tetap relevan dengan perkembangan industri dan tuntutan zaman.

Dengan adanya PKB, tenaga ahli konstruksi tidak hanya memperoleh sertifikat keahlian (SKA) secara legal, tetapi juga didorong untuk terus meningkatkan kompetensi mereka sesuai bidang masing-masing. Artikel ini memberikan gambaran tentang strategi pengembangan profesi yang dapat diterapkan oleh tenaga kerja di sektor konstruksi untuk menghadapi tantangan di era digital.

Era Society 5.0 pertama kali diperkenalkan oleh Jepang pada tahun 2019 sebagai respons terhadap dampak revolusi industri 4.0 yang berpotensi menggerus nilai-nilai kemanusiaan. Dalam konteks sektor konstruksi, pengembangan keprofesian menjadi sangat penting karena berbagai faktor, seperti:

• Kompleksitas proyek konstruksi yang semakin meningkat
• Perubahan regulasi dan standar industri
• Perkembangan teknologi, seperti Building Information Modeling (BIM) dan Internet of Things (IoT)
• Tantangan global, termasuk dampak pandemi COVID-19 terhadap industri konstruksi

Untuk menghadapi tantangan ini, tenaga ahli konstruksi harus terus mengembangkan diri melalui program pendidikan, pelatihan, dan partisipasi dalam berbagai kegiatan profesional.

Kajian ini menggunakan metode studi literatur dengan mengacu pada PERMENPUPR No. 12 Tahun 2021. Paper ini juga menganalisis berbagai jenis kegiatan PKB yang dapat dilakukan oleh tenaga kerja konstruksi, termasuk:

• Pendidikan dan pelatihan formal
• Pendidikan non-formal
• Partisipasi dalam pertemuan profesi
• Sayembara, kompetisi, dan karya tulis
• Kegiatan utama lainnya yang mendukung peningkatan kompetensi

Analisis dilakukan dengan membandingkan efektivitas program PKB dalam meningkatkan kompetensi tenaga kerja berdasarkan data yang tersedia.

Implementasi PKB dalam Sektor Konstruksi

Menurut kajian ini, penerapan PKB telah dilakukan oleh berbagai lembaga, seperti:

• Kementerian PUPR dan lembaga pemerintah daerah
• Asosiasi profesi dan asosiasi badan usaha
• Lembaga pendidikan dan pelatihan kerja
• Konsultan konstruksi dan kontraktor pekerjaan konstruksi

Data dari penelitian ini menunjukkan bahwa sekitar 75% tenaga ahli konstruksi yang mengikuti program PKB mengalami peningkatan kompetensi yang signifikan dalam bidangnya. Selain itu:

• 60% tenaga kerja yang mengikuti pelatihan formal berhasil mendapatkan promosi jabatan dalam waktu dua tahun setelah pelatihan.
• 80% tenaga kerja yang mengikuti pendidikan non-formal menyatakan bahwa keterampilan mereka meningkat dan lebih siap menghadapi tantangan industri.
• 50% perusahaan konstruksi yang menerapkan program PKB melaporkan peningkatan efisiensi proyek dan pengurangan risiko kesalahan teknis.

Studi Kasus: Implementasi PKB di Proyek Infrastruktur Nasional

Salah satu contoh penerapan PKB yang berhasil adalah pada proyek pembangunan jalan tol di Indonesia. Dalam proyek ini:

• Tenaga ahli yang telah mengikuti pelatihan BIM mampu meningkatkan efisiensi desain dan perencanaan proyek hingga 30%.
• Penerapan teknologi IoT dalam pemantauan proyek oleh tenaga kerja yang telah mendapatkan sertifikasi tambahan mampu mengurangi kesalahan konstruksi hingga 40%.

Hasil studi ini menunjukkan bahwa tenaga kerja yang terus mengembangkan kompetensinya memiliki daya saing lebih tinggi dan mampu menghadapi perubahan industri dengan lebih baik.

Analisis dan Evaluasi

Keunggulan PKB dalam Sektor Konstruksi

1. Meningkatkan daya saing tenaga kerja – Tenaga kerja yang memiliki keahlian lebih baik cenderung memiliki peluang karir yang lebih tinggi.
2. Meningkatkan kualitas proyek – Dengan tenaga kerja yang lebih kompeten, kualitas infrastruktur yang dibangun dapat lebih terjamin.
3. Mendorong adopsi teknologi baru – Program PKB membantu tenaga kerja memahami dan menerapkan teknologi modern dalam proyek konstruksi.
4. Memperkuat kepatuhan terhadap regulasi – Tenaga kerja yang mengikuti PKB lebih memahami standar industri dan regulasi terbaru.

Tantangan dalam Implementasi PKB

1. Kurangnya kesadaran tenaga kerja – Tidak semua tenaga kerja memahami pentingnya PKB untuk perkembangan karir mereka.
2. Terbatasnya akses terhadap pelatihan berkualitas – Beberapa daerah masih memiliki keterbatasan dalam menyediakan pelatihan yang sesuai dengan kebutuhan industri.
3. Biaya pelatihan yang relatif tinggi – Tidak semua tenaga kerja atau perusahaan mampu membiayai program PKB secara mandiri.
4. Kurangnya pengawasan dan evaluasi – Masih diperlukan mekanisme yang lebih baik untuk menilai efektivitas program PKB secara menyeluruh.

Kesimpulan dan Rekomendasi

Kajian ini menegaskan bahwa PKB merupakan elemen kunci dalam meningkatkan kompetensi tenaga kerja konstruksi di era Society 5.0. Dengan adanya program ini, tenaga ahli konstruksi dapat terus berkembang sesuai dengan tuntutan industri yang semakin kompleks.

Rekomendasi

1. Meningkatkan kesadaran akan pentingnya PKB – Pemerintah dan asosiasi profesi perlu lebih aktif dalam mensosialisasikan manfaat PKB kepada tenaga kerja konstruksi.
2. Meningkatkan akses terhadap program pelatihan berkualitas – Perlu ada lebih banyak inisiatif untuk menyediakan pelatihan yang mudah diakses oleh tenaga kerja di berbagai daerah.
3. Mendorong kebijakan insentif bagi tenaga kerja yang mengikuti PKB – Pemerintah dapat memberikan insentif, seperti subsidi pelatihan atau pengakuan tambahan dalam sertifikasi keahlian.
4. Meningkatkan mekanisme evaluasi dan pengawasan – Diperlukan sistem pemantauan yang lebih baik untuk memastikan bahwa program PKB berjalan efektif dan memberikan dampak nyata bagi industri konstruksi.

Dengan implementasi strategi yang tepat, PKB dapat menjadi alat yang efektif untuk meningkatkan kualitas tenaga kerja konstruksi dan mendukung keberlanjutan industri di era digital.

Sumber Artikel dalam Bahasa Asli

Shendy Irawan. (2023). "Pengembangan Keprofesian Berkelanjutan Berdasarkan PERMENPUPR No. 12 Tahun 2021." Pengembangan Keprofesian Berkelanjutan Era Society 5.0, Universitas Faletehan.

 

Pendahuluan: Kenapa Industri Tekstil Butuh Inspeksi Otomatis?

Industri tekstil adalah tulang punggung ekonomi di banyak negara, termasuk India, di mana Tamil Nadu menjadi salah satu penghasil utama kain tenun. Namun, persaingan ketat di pasar global menuntut kualitas produk yang konsisten dan bebas cacat. Cacat pada kain, sekecil apapun, bisa mengurangi nilai jual produk secara signifikan, bahkan hingga 45% sampai 65%. Itu sebabnya, inspeksi kualitas menjadi prioritas utama.

Masalahnya, proses inspeksi manual yang mengandalkan tenaga manusia memiliki keterbatasan yang serius. Inspektur manusia rentan terhadap kelelahan, konsistensinya bervariasi, dan tingkat deteksi cacatnya hanya sekitar 70%. Selain itu, proses ini lambat dan mahal karena ketergantungan pada keterampilan individu. Kondisi ini mendorong peneliti dan praktisi industri untuk mencari solusi otomatis yang lebih handal.

Di sinilah peran penelitian yang dilakukan oleh Dr. G. M. Nasira dan P. Banumathi menjadi sangat relevan. Dalam paper mereka yang berjudul "Automatic Defect Detection Algorithm for Woven Fabric using Artificial Neural Network Techniques", mereka mengembangkan sebuah sistem deteksi otomatis berbasis jaringan saraf tiruan (Artificial Neural Network/ANN) yang mampu mendeteksi berbagai cacat kain dengan akurasi tinggi.

 

Mengupas Permasalahan Inspeksi Kain Tenun

Inspeksi kain tenun adalah proses yang kompleks. Cacat yang muncul di kain bisa berupa lubang, noda, jahitan yang terlepas, goresan, hingga ketidaksesuaian warna akibat proses pencelupan. Kerumitan ini semakin bertambah jika kain memiliki motif yang rumit, karena perbedaan antara desain asli dan cacat bisa sangat halus.

Dalam praktik industri, pemeriksaan 100% kain di jalur produksi sangat sulit dicapai secara manual. Kecepatan produksi yang tinggi membuat inspeksi manusia menjadi tidak efektif. Akibatnya, banyak cacat baru terdeteksi pada tahap akhir produksi, bahkan setelah produk sudah dikemas, sehingga meningkatkan biaya rework atau scrap.

 

Solusi yang Ditawarkan Penelitian Ini

Dalam penelitian ini, Nasira dan Banumathi merancang sebuah sistem berbasis Artificial Neural Network (ANN) yang secara otomatis mendeteksi cacat pada kain tenun. Sistem ini diawali dengan proses akuisisi gambar kain menggunakan pemindai datar (flatbed scanner) dengan resolusi minimal 300 dpi. Tujuannya adalah menangkap detail tekstur kain dengan tingkat akurasi visual yang tinggi, setara dengan penglihatan manusia.

Gambar yang diambil kemudian diproses menggunakan teknik adaptive median filtering untuk mengurangi noise tanpa menghilangkan detail penting pada tekstur kain. Setelah itu, gambar dikonversi menjadi citra biner agar lebih mudah dianalisis.

Selanjutnya, sistem menghitung area pada gambar biner untuk menilai ada atau tidaknya cacat. Ciri-ciri utama dari area cacat, seperti ukuran dan bentuk, diekstraksi untuk menjadi input ke jaringan saraf tiruan.

 

Artificial Neural Network: Otak di Balik Sistem Deteksi

Jaringan saraf tiruan yang digunakan dalam penelitian ini adalah tipe Backpropagation Neural Network (BPN), yang dilatih menggunakan algoritma gradient descent. Dalam proses pelatihannya, bobot dan bias jaringan diperbarui secara iteratif untuk meminimalkan error dalam mendeteksi cacat.

Jaringan ini diuji pada dataset yang terdiri dari 30 gambar kain, dengan komposisi 20 gambar bebas cacat dan 10 gambar dengan berbagai jenis cacat. Ukuran gambar adalah 256x256 piksel dalam format grayscale 8-bit. Setelah dilatih, sistem diuji kembali pada 15 gambar tambahan untuk mengukur akurasi deteksi.

Hasilnya cukup menjanjikan. Sistem ini berhasil mendeteksi kain bebas cacat dengan tingkat akurasi hingga 95%, dan kain dengan cacat lubang terdeteksi dengan akurasi sekitar 80%. Jenis cacat lain, seperti jahitan yang terlepas dan goresan, memiliki tingkat deteksi masing-masing 65% dan 75%. Secara keseluruhan, sistem mencapai tingkat keberhasilan rata-rata sekitar 93%.

 

Analisis Tambahan: Apa yang Bisa Kita Pelajari?

Keberhasilan sistem deteksi berbasis ANN ini menunjukkan bahwa pendekatan berbasis kecerdasan buatan memang layak diterapkan dalam industri tekstil. Namun, terdapat beberapa catatan penting yang perlu diperhatikan.

Pertama, meskipun sistem ini menunjukkan akurasi tinggi untuk kain polos atau sederhana, kemampuannya dalam mendeteksi cacat pada kain bermotif rumit masih terbatas. Ini karena metode ekstraksi fitur yang digunakan belum cukup kompleks untuk membedakan antara motif asli dan cacat halus.

Kedua, kebutuhan akan data training yang berkualitas sangat krusial. Sistem ANN bergantung sepenuhnya pada kualitas dan variasi data latih. Semakin beragam jenis kain dan cacat yang digunakan dalam pelatihan, semakin baik kemampuan generalisasi sistem ini.

Ketiga, meskipun sistem ini mempercepat proses inspeksi dibandingkan metode manual, proses pengolahan gambar dan pelatihan model masih membutuhkan waktu dan sumber daya komputasi yang cukup besar, terutama jika resolusi gambar tinggi digunakan.

 

Perbandingan dengan Penelitian dan Teknologi Lain

Jika dibandingkan dengan penelitian sejenis, sistem yang dikembangkan oleh Nasira dan Banumathi terbilang sederhana namun efektif. Beberapa pendekatan lain yang lebih kompleks menggunakan teknik seperti Fourier Transform, Gabor Wavelet, hingga Convolutional Neural Network (CNN).

Sebagai contoh, penelitian oleh YH Zhang dan WK Wong pada tahun 2011 menggabungkan genetic algorithm dengan Elman neural network untuk mendeteksi cacat pada kain bertekstur warna, memberikan tingkat fleksibilitas lebih tinggi dalam mengenali pola yang kompleks. Di sisi lain, metode CNN seperti yang digunakan dalam industri semikonduktor menawarkan kemampuan belajar fitur secara otomatis tanpa harus melalui proses ekstraksi fitur manual.

Namun, metode ANN sederhana yang digunakan dalam paper ini memiliki keunggulan dalam hal kemudahan implementasi dan kebutuhan komputasi yang lebih rendah, sehingga cocok untuk pabrik kecil hingga menengah yang baru beralih ke otomatisasi.

 

Relevansi di Industri Tekstil Saat Ini

Dalam konteks Industri 4.0, adopsi sistem inspeksi otomatis berbasis AI sudah menjadi bagian dari smart manufacturing. Beberapa pabrik tekstil terkemuka sudah mulai menerapkan sistem serupa, baik untuk kontrol kualitas internal maupun dalam kerjasama dengan mitra bisnis.

Misalnya, beberapa pemasok H&M dan Zara di Asia Tenggara telah menerapkan teknologi inspeksi visual berbasis deep learning untuk mempercepat proses QC tanpa mengurangi akurasi. Hal ini memungkinkan mereka mengurangi biaya operasional dan meningkatkan efisiensi produksi.

Implementasi sistem berbasis ANN, seperti yang dijelaskan dalam paper ini, bisa menjadi batu loncatan menuju otomatisasi penuh. Dengan tambahan teknologi seperti Edge AI dan sensor IoT, pabrik dapat mencapai deteksi cacat secara real-time di jalur produksi, bukan hanya pada tahap akhir.

 

Kritik dan Saran untuk Penelitian Selanjutnya

Meskipun sistem yang dikembangkan sudah menunjukkan hasil memuaskan, beberapa hal bisa menjadi fokus pengembangan ke depan:

1. Peningkatan Dataset: Menambah variasi kain dan cacat untuk memperkuat kemampuan deteksi.
2. Integrasi dengan CNN: Memanfaatkan kekuatan deep learning untuk meningkatkan akurasi, terutama pada kain bermotif rumit.
3. Implementasi Edge Computing: Mengurangi latensi dan memungkinkan analisis langsung di mesin produksi.
4. Explainable AI (XAI): Memberikan alasan mengapa sistem mengklasifikasikan suatu gambar sebagai cacat atau tidak, untuk meningkatkan kepercayaan pengguna.

 

Kesimpulan: Deteksi Cacat Otomatis, Masa Depan Industri Tekstil

Penelitian yang dilakukan oleh Dr. G. M. Nasira dan P. Banumathi memberikan kontribusi nyata dalam pengembangan sistem inspeksi otomatis kain tenun berbasis ANN. Dengan tingkat keberhasilan hingga 93%, sistem ini terbukti efektif dan ekonomis untuk meningkatkan kualitas produk tekstil.

Meskipun ada tantangan yang harus diatasi, terutama dalam mendeteksi cacat pada kain bermotif rumit, sistem ini sudah menjadi langkah awal yang penting menuju otomatisasi inspeksi kain secara penuh. Industri tekstil yang ingin tetap kompetitif di era Industri 4.0 sudah saatnya mempertimbangkan adopsi teknologi serupa.

 

Sumber:

Nasira, G. M., & Banumathi, P. (2014). Automatic defect detection algorithm for woven fabric using artificial neural network techniques. International Journal of Innovative Research in Computer and Communication Engineering, 2(1), 2620–2624.

Pendahuluan

Di era industri tekstil modern, kualitas kain menjadi penentu utama nilai jual. Bahkan, cacat kecil dapat menurunkan harga jual kain hingga 45–65%. Masalah semakin kompleks ketika kecepatan produksi meningkat, sementara kemampuan manusia untuk mendeteksi cacat tetap terbatas. Di sinilah teknologi Automated Visual Inspection (AVI) berbasis pengolahan citra menjadi solusi yang mendesak.

Penelitian oleh Tajeripour et al. memperkenalkan metode deteksi cacat kain yang berbasis Modified Local Binary Patterns (LBP). Tujuannya adalah menyederhanakan proses deteksi cacat namun tetap efisien, akurat, dan mampu diimplementasikan secara online dalam proses produksi.

 

Apa itu Local Binary Patterns (LBP)?

LBP adalah metode pengolahan citra untuk analisis tekstur yang dikembangkan oleh Ojala et al. pada tahun 1990-an. Secara sederhana, LBP bekerja dengan membandingkan intensitas piksel pusat dengan piksel-piksel tetangganya dalam suatu jendela kecil, kemudian mengubah hasil perbandingan itu menjadi representasi biner.

Dalam konteks deteksi cacat kain, metode ini sangat cocok karena tekstur kain bersifat berulang dan memiliki pola periodik yang konsisten. Cacat adalah bentuk gangguan yang mengacaukan pola tersebut. LBP yang dimodifikasi dalam penelitian ini memungkinkan pendeteksian berbagai cacat, baik pada kain berpola sederhana maupun kompleks.

 

Permasalahan yang Dihadapi Industri Tekstil

Industri tekstil menghadapi tantangan besar dalam hal:

• Kecepatan produksi tinggi, hingga 200 m/menit.
• Ketergantungan pada operator manusia, yang hanya mampu mendeteksi 60% cacat jika kecepatan produksi melebihi 30 m/menit.
• Variasi pola kain yang semakin rumit, seperti Jacquard dengan motif bunga atau desain kompleks lainnya.

Teknologi AVI harus mampu:

• Menangani berbagai jenis kain, baik patterned maupun unpatterned.
• Bekerja secara real-time dengan akurasi tinggi.

 

Kontribusi Utama Penelitian

1. Penggunaan Modified LBP untuk Deteksi Cacat

LBP klasik digunakan untuk klasifikasi tekstur, namun penelitian ini memodifikasi algoritma tersebut untuk fokus pada deteksi cacat:

• Rotasi tidak relevan: Karena posisi gulungan kain tetap, rotasi diabaikan, sehingga digunakan jendela persegi bukan lingkaran.
• Probabilitas kemunculan label LBP digunakan sebagai fitur utama dalam klasifikasi daerah cacat dan tidak cacat.
• Pendekatan Multiresolusi: Menggunakan jendela dengan berbagai ukuran untuk menangkap cacat dari berbagai skala.

2. Deteksi pada Kain Berpola dan Tidak Berpola

• Untuk kain tidak berpola, LBP diterapkan langsung pada jendela non-overlapping.
• Pada kain berpola, digunakan jendela overlapping untuk mempertahankan konteks pola berulang.

 

Metodologi dan Implementasi

Dataset

• Kain unpatterned seperti Twill dan Plain.
• Kain patterned seperti Jacquard dengan pola titik, kotak, dan bintang.
• Cacat yang diuji termasuk: double yarn, missing yarn, broken fabric, hole, oil stain, knot, netting multiple.

Langkah Kerja Algoritma

1. Training Stage:
   • Mengambil gambar kain bebas cacat.
   • Membagi gambar menjadi jendela untuk menghitung reference feature vector.
   • Menentukan ambang batas (threshold) berdasarkan distribusi probabilitas label LBP.
2. Testing Stage:
   • Menerapkan LBP pada jendela gambar kain yang diuji.
   • Menghitung log-likelihood ratio untuk membandingkan fitur jendela dengan reference feature vector.
   • Jika nilai lebih besar dari threshold, maka jendela dianggap cacat.

 

Hasil dan Diskusi

Akurasi Deteksi

• Unpatterned Fabrics: Deteksi rata-rata 97% untuk cacat seperti missing yarn dan broken fabric.
• Patterned Fabrics: Deteksi rata-rata 95% pada berbagai jenis cacat.
• Kombinasi LBP8,3 + LBP16,5 mencapai deteksi >95% di berbagai jenis cacat.

Kecepatan dan Kompleksitas

• Lebih cepat dibanding metode Gabor filter yang butuh banyak komputasi.
• Implementasi online memungkinkan: Simpel, tanpa perlu transformasi kompleks seperti Fourier atau Wavelet.

 

Nilai Tambah & Opini

Kelebihan Metode

• Efisien dan ringan secara komputasi, cocok untuk sistem online pada jalur produksi.
• Multiresolusi meningkatkan akurasi dalam mendeteksi cacat kecil maupun besar.
• Gray-scale invariant, tidak terpengaruh perubahan pencahayaan.

Kritik & Batasan

• Keterbatasan pada pola non-periodik: Sistem sangat bergantung pada pola berulang.
• Resolusi pola cacat rendah: Walaupun cacat terdeteksi, pola yang dihasilkan kurang detail dibanding metode seperti Gabor.

Perbandingan dengan Penelitian Lain

• Ngan et al. (2005): Menggunakan Wavelet untuk kain berpola, namun lebih berat secara komputasi.
• Kumar & Pang (2002): Gabor filters akurat, tetapi lambat.
• Tajeripour et al. menghadirkan solusi di tengah—cukup akurat, lebih cepat, mudah diimplementasikan.

 

Implikasi Praktis di Industri

Manfaat Langsung

• Hemat biaya: Tidak perlu tenaga kerja manusia dalam jumlah besar untuk inspeksi.
• Meningkatkan kualitas produksi: Deteksi lebih akurat dan konsisten.
• Fleksibel diterapkan di berbagai lini produksi tekstil.

Tren Industri

• Integrasi dengan sistem IoT: Data dari deteksi cacat dapat langsung masuk ke sistem monitoring produksi.
• Edge Computing: Algoritma ringan LBP cocok diimplementasikan pada perangkat edge, mengurangi kebutuhan pengolahan di server pusat.

 

Studi Kasus Industri Nyata

Di industri tekstil India dan China, penerapan inspeksi visual otomatis menjadi tren yang tak terhindarkan. Dengan ribuan meter kain diproduksi tiap jam, penerapan sistem berbasis Modified LBP seperti ini bisa menghemat jutaan rupiah setiap harinya karena mengurangi tingkat produk cacat yang lolos inspeksi.

 

Rekomendasi Penelitian Selanjutnya

• Kombinasi dengan Deep Learning: Menggabungkan keunggulan LBP dalam ekstraksi fitur dengan klasifikasi CNN untuk meningkatkan akurasi.
• Penerapan pada bahan non-tekstil: Kayu, plastik, bahkan kulit sintetis yang juga memiliki tekstur berulang.

 

Kesimpulan

Penelitian Tajeripour et al. berhasil menunjukkan bahwa Modified LBP adalah metode sederhana namun efektif untuk deteksi cacat kain secara otomatis. Pendekatan ini menawarkan solusi praktis dengan akurasi tinggi dan komputasi rendah, ideal untuk industri manufaktur tekstil modern yang membutuhkan sistem inspeksi real-time.

 

Sumber Artikel

Tajeripour, F., Kabir, E., & Soroushmehr, S. M. R. (2008). A novel method for fabric defect detection using modified local binary patterns. EURASIP Journal on Advances in Signal Processing, 2008(1), 783898.