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:
- Mendeteksi part cacat sebelum mereka diproses lebih lanjut.
- Mengurangi keterlibatan manusia dalam inspeksi kualitas.
- 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
- Artificial Neural Networks (ANN)
- Menggunakan arsitektur satu hidden layer berisi 200 neuron
- Fungsi aktivasi: Logistic
- Solver: L-BFGS
- 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
- Integrasi IoT untuk Monitoring Real-Time
Sistem ini bisa diperkuat dengan Industrial IoT (IIoT) dan dashboard real-time, memungkinkan pengambilan keputusan cepat oleh operator. - Prediksi Proaktif dalam Smart Factory
Dipadukan dengan MES (Manufacturing Execution Systems), data prediksi kualitas bisa diintegrasikan ke alur produksi cerdas. - 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.