Pendahuluan
Di era Industry 4.0, dunia manufaktur mengalami transformasi besar melalui digitalisasi. Salah satu inovasi yang mencuri perhatian adalah pemanfaatan machine learning (ML) dan deep learning (DL) untuk predictive quality, yaitu pendekatan prediktif terhadap kualitas produk berbasis data manufaktur. Paper ini mereview secara sistematis perkembangan riset di bidang tersebut selama satu dekade terakhir, yakni 2012 hingga 2021.
Riset ini relevan karena kebutuhan industri untuk memprediksi kualitas secara akurat semakin tinggi. Hal ini didorong oleh peningkatan permintaan konsumen atas produk berkualitas tinggi dan minim cacat. Teknologi ML dan DL diharapkan mampu membantu industri melakukan kontrol kualitas secara real-time, mengurangi cacat produksi, hingga meningkatkan efisiensi operasional.
Ruang Lingkup dan Metodologi Studi
Tercan dan Meisen melakukan telaah atas 81 publikasi ilmiah yang membahas predictive quality dalam ranah manufaktur. Mereka mengklasifikasikan penelitian tersebut berdasarkan:
- Proses manufaktur yang diteliti
- Karakteristik data yang digunakan
- Model ML dan DL yang diterapkan
Mereka merumuskan tiga pertanyaan utama yang menjadi kerangka studi:
- Apa saja proses manufaktur dan kriteria kualitas yang telah dikaji?
- Seperti apa karakteristik data yang digunakan?
- Model supervised learning apa yang paling umum digunakan?
Pendekatan sistematis ini mengisi celah dalam literatur karena hingga saat ini belum banyak ulasan komprehensif yang mengupas prediksi kualitas berbasis ML/DL secara mendalam.
Temuan Utama dan Analisis
1. Ragam Proses Manufaktur yang Diteliti
Berbagai proses manufaktur telah dikaji, mulai dari cutting (pemotongan) hingga additive manufacturing. Dari total publikasi yang direview, mayoritas riset fokus pada proses cutting (32%), seperti turning, drilling, dan milling. Fokus utamanya adalah memprediksi surface roughness (kekasaran permukaan), misalnya dalam proses laser cutting dan turning. Misalnya, penelitian oleh Tercan et al. (2017) yang memanfaatkan ML untuk memprediksi kekasaran permukaan pada laser cutting.
Proses joining, khususnya pengelasan, juga populer. Contohnya, penggunaan CNN untuk mendeteksi cacat las pada proses spot welding (Wang et al., 2021).
Studi Kasus Industri:
Perusahaan otomotif seperti BMW menggunakan sistem berbasis CNN untuk mendeteksi cacat pada bodi mobil selama proses spot welding. Implementasi ini meningkatkan first-pass yield hingga 98%.
2. Karakteristik Data dan Sumbernya
Prediksi kualitas mengandalkan data dari dua sumber utama:
- Data Eksperimental: 65% penelitian mengumpulkan data dari eksperimen terkendali.
- Data Produksi Nyata: 14% penelitian menggunakan data dari proses produksi yang sedang berjalan.
Sebagian kecil lainnya menggunakan simulasi dan dataset benchmark seperti GRIMA X-Ray (Ferguson et al., 2018). Tantangan utama adalah kuantitas dan kualitas data. Banyak dataset eksperimen hanya terdiri dari ratusan sampel, yang membatasi akurasi model.
Tren Industri:
Penggunaan digital twin untuk menghasilkan data simulasi dalam skala besar kian populer. Misalnya, Siemens mengembangkan digital twin untuk simulasi additive manufacturing, memungkinkan mereka mengurangi waktu trial and error hingga 30%.
3. Jenis Data Input
Data input untuk model ML/DL umumnya berupa:
- Parameter proses (misal: kecepatan potong, suhu)
- Data sensor (getaran, akustik)
- Data gambar (kamera inspeksi, X-ray)
Pada proses seperti metal rolling, kamera lini digunakan untuk mendeteksi cacat permukaan secara otomatis melalui CNN.
Analisis:
Dalam praktik industri, penggabungan data multi-modal—gabungan antara sensor dan citra visual—semakin banyak diadopsi. Hal ini mencerminkan kebutuhan akan sistem prediksi yang lebih akurat dan fleksibel.
Model Machine Learning dan Deep Learning yang Digunakan
Mayoritas publikasi (74%) menggunakan model Multilayer Perceptron (MLP) karena kemudahannya dalam menangani berbagai jenis data numerik. Sementara itu, Convolutional Neural Networks (CNN) digunakan untuk analisis data gambar, seperti dalam inspeksi otomatis pada additive manufacturing.
Perbandingan Model:
- MLP unggul pada dataset kecil dengan fitur numerik sederhana.
- CNN sangat efektif pada tugas klasifikasi berbasis gambar.
- LSTM dan Transformers mulai digunakan untuk data time-series, terutama pada proses manufaktur berbasis aliran kontinu.
Kritik:
Meski CNN mendominasi riset terkini, pendekatan ini kerap membutuhkan data dalam jumlah besar serta komputasi tinggi, yang belum tentu feasible bagi industri skala kecil-menengah.
Tantangan dan Kesenjangan Penelitian
- Kurangnya Generalisasi Model: Banyak model hanya diterapkan pada satu proses atau domain. Belum ada pendekatan transfer learning yang kuat untuk lintas proses manufaktur.
- Keterbatasan Data Nyata: Ketersediaan dataset industri yang lengkap dan akurat masih minim karena isu privasi dan keamanan data.
- Keterbatasan Interpretabilitas: Model DL, terutama CNN dan LSTM, sering disebut sebagai black-box. Industri membutuhkan sistem yang explainable agar keputusannya bisa diverifikasi.
Rekomendasi dan Arah Riset Masa Depan
- Adopsi Explainable AI (XAI)
Penelitian masa depan perlu fokus pada transparansi model ML/DL. Implementasi XAI dapat membantu operator produksi memahami alasan prediksi cacat produk. - Transfer Learning dan Federated Learning
Transfer learning memungkinkan model yang dilatih pada satu domain diterapkan ke domain lain dengan data terbatas. Federated learning memungkinkan pelatihan model tanpa harus memindahkan data industri, menjaga privasi sekaligus memperkaya kualitas model. - Pengembangan Dataset Terstandarisasi
Komunitas akademik dan industri perlu berkolaborasi menciptakan dataset benchmark terbuka, mirip ImageNet, yang khusus untuk industri manufaktur.
Dampak Praktis Bagi Industri
Efisiensi Produksi
Dengan prediksi kualitas berbasis ML/DL, perusahaan manufaktur dapat mengurangi scrap rate hingga 40% dan meningkatkan efisiensi first-time-right production.
Pengurangan Biaya Inspeksi Manual
Prediksi otomatis memungkinkan pengurangan kebutuhan inspeksi manual hingga 50%, seperti yang dialami pabrik otomotif yang menerapkan CNN untuk deteksi cacat bodi mobil.
Kesimpulan
Tercan dan Meisen memberikan tinjauan yang komprehensif mengenai penerapan machine learning dan deep learning dalam prediksi kualitas manufaktur. Meski perkembangan pesat terlihat dalam dekade terakhir, masih ada tantangan signifikan yang harus diatasi. Ke depan, integrasi teknologi seperti XAI dan transfer learning menjadi kunci untuk memperluas adopsi sistem prediktif ini di industri manufaktur secara global.
📖 Referensi Utama
Tercan, H., & Meisen, T. (2022). Machine learning and deep learning based predictive quality in manufacturing: a systematic review. Journal of Intelligent Manufacturing, 33, 1879–1905.