Prediksi Cacat Produksi dengan Machine Learning di Pabrik

Di banyak pabrik, cacat produk baru ketahuan di akhir lini atau di laboratorium mutu. Saat itu bahan baku, energi, dan jam mesin sudah terpakai. Kalau hasil uji baru keluar beberapa jam kemudian, satu batch penuh bisa sudah selesai diproduksi dengan masalah yang sama.

Prediksi cacat produksi dengan machine learning memindahkan peringatan itu ke depan. Model belajar dari data proses yang sudah tercatat, seperti suhu, tekanan, kecepatan, dan bahan baku, lalu memperkirakan risiko cacat saat produk masih dibuat. Artikel ini membahas cara kerjanya, data yang dibutuhkan, langkah membangun model, dan batasannya.

Cara kerja prediksi cacat produksi

Mutu produk dipengaruhi kondisi proses saat produk itu dibuat. Bila data proses dan hasil uji mutu dicatat bersama, machine learning bisa mempelajari hubungan keduanya:

1. Kumpulkan data proses dari sensor dan PLC, lengkap dengan waktu atau nomor batch.
2. Hubungkan dengan hasil mutu, misalnya lolos atau gagal inspeksi, atau nilai uji laboratorium untuk batch yang sama.
3. Latih model untuk mengenali kombinasi kondisi proses yang sering berakhir dengan cacat.
4. Jalankan model saat produksi berlangsung, sehingga setiap batch atau periode mendapat skor risiko sebelum hasil ujinya keluar.

Untuk nilai mutu yang biasanya hanya diukur di laboratorium, seperti kadar air atau kekentalan, model juga bisa memperkirakan nilainya secara terus-menerus dari data proses. Pendekatan ini sering disebut soft sensor.

Contoh proses dan data yang dipakai

Tabel berikut adalah contoh umum, bukan studi kasus. Variabel yang berpengaruh selalu perlu dipastikan bersama tim proses di pabrik Anda.

Proses	Data proses	Hasil mutu yang diprediksi
Cetak injeksi plastik	Suhu leleh, tekanan injeksi, waktu tahan, suhu cetakan	Cacat bentuk, misalnya produk tidak terisi penuh
Pengeringan di oven	Suhu, kelembapan, kecepatan konveyor	Kadar air produk
Pencampuran batch	Suhu, lama pengadukan, lot bahan baku	Kekentalan atau hasil uji laboratorium
Pengelasan	Arus, tegangan, waktu las	Hasil uji kekuatan sambungan

Data yang dibutuhkan

• Data proses dengan waktu yang akurat. Jam di sensor, PLC, dan server harus selaras. Selisih beberapa menit saja bisa membuat data proses tertukar dengan batch lain.
• Hasil mutu yang bisa dicocokkan ke batch. Ini hambatan yang paling sering ditemui: hasil uji masih tertulis di kertas atau spreadsheet tanpa nomor batch atau waktu produksi yang jelas. Panduan digitalisasi logsheet produksi membahas cara merapikannya.
• Contoh cacat yang cukup. Model belajar dari kejadian cacat. Kalau cacat sangat jarang, mulailah dengan deteksi anomali pada proses, yang cukup belajar dari kondisi normal.
• Konteks produksi. Jenis produk, lot bahan baku, shift, dan perubahan setting mesin. Tanpa konteks ini, model bisa salah mengira pergantian produk sebagai tanda cacat.

Langkah membangun model

1. Pilih satu jenis cacat yang paling mahal. Lihat data reject beberapa bulan terakhir dan mulai dari cacat dengan kerugian terbesar, bukan semua cacat sekaligus.
2. Kumpulkan dan hubungkan data. Pastikan data proses dan hasil mutu untuk periode yang sama tersedia dan bisa dicocokkan.
3. Latih dan uji terhadap data historis. Uji model pada periode yang tidak dipakai saat pelatihan, supaya hasilnya mendekati kondisi nyata.
4. Jalankan berdampingan dengan QC. Selama beberapa minggu, bandingkan prediksi model dengan hasil inspeksi sebenarnya sebelum operator diminta bertindak berdasarkan skor.
5. Pantau dan latih ulang. Bahan baku baru, mesin yang diservis, atau produk baru bisa mengubah pola. Model perlu dilatih ulang saat akurasinya turun.

Jangan tertipu angka akurasi

Sebagai ilustrasi, misalkan 2 dari 100 produk cacat. Model yang selalu menjawab "tidak cacat" akan benar 98% dari waktu, padahal tidak pernah menangkap satu cacat pun. Karena itu, nilailah model dari dua pertanyaan: dari semua peringatan yang muncul, berapa yang memang cacat (precision), dan dari semua produk cacat, berapa yang berhasil diperingatkan (recall). Keseimbangan keduanya ditentukan oleh biaya: mana yang lebih mahal, menghentikan lini karena alarm palsu atau meloloskan produk cacat.

Batasan yang perlu dipahami

• Model memberi peluang, bukan kepastian. Inspeksi mutu tetap diperlukan, terutama di awal.
• Model hanya membaca penyebab yang tercatat. Kalau cacat dipicu hal yang tidak diukur, misalnya kelembapan gudang bahan baku, prediksinya akan lemah sampai data itu ditambahkan.
• Hasil terbaik datang dari kerja sama dengan tim proses. Variabel yang paling berpengaruh menurut model perlu diperiksa apakah masuk akal secara teknis, bukan diterima begitu saja.

Pertanyaan yang sering diajukan

Apa bedanya dengan SPC (statistical process control)?

SPC umumnya memantau tiap parameter terhadap batas kendalinya satu per satu. Machine learning melihat kombinasi banyak parameter sekaligus dan menghubungkannya langsung dengan hasil mutu. Keduanya saling melengkapi.

Berapa banyak data yang dibutuhkan?

Tergantung proses dan seberapa sering cacat terjadi. Yang menentukan bukan hanya jumlah baris data, tapi jumlah kejadian cacat yang tercatat lengkap dengan data prosesnya. Kecukupan data sebaiknya dinilai sebelum menjanjikan hasil apa pun.

Apakah harus memasang sensor baru?

Belum tentu. Banyak parameter proses sudah tercatat di PLC dan bisa dibaca lewat gateway. Sensor baru dibutuhkan bila parameter penting belum terukur.

Bagaimana dengan inspeksi visual berbasis kamera?

Itu pendekatan yang berbeda: kamera memeriksa tampilan produk yang sudah jadi. Prediksi dari data proses bekerja lebih awal, saat produk masih dibuat. Keduanya bisa dipakai bersama.

Prediksi cacat produksi bersama INCLUDE

Di platform AIoT INCLUDE, data proses dari sensor dan PLC masuk lewat MQTT, HTTP OpenAPI, atau IncludeGateways untuk perangkat Modbus. Data historis bisa diimpor lewat menu Settings, Telemetry, Import Data (paket Pro ke atas) tanpa memicu alarm, sehingga riwayat produksi lama bisa dipakai untuk melatih model.

Modelnya dibangun lewat jasa predictive analytics dan machine learning: mulai dari pertanyaan bisnis dan kajian data, lalu model diuji terhadap data historis Anda dan hasil ujinya dibahas bersama tim. Setelah berjalan, skor risiko tampil di dashboard dan alarm platform yang sama, dan akurasinya terus dipantau. Bila hasil mutu masih dicatat manual, tim jasa pengembangan software IoT & AI bisa membuatkan aplikasi input data mutu yang langsung terhubung ke data proses.