Pabrik komponen interior otomotif di Bekasi mengirim 3,7 juta unit per kuartal dari empat lini injeksi plastik. Laporan produksi Desember terlihat rapi: reject rate internal 1,8%, di bawah batas 2,5% yang ditetapkan kantor pusat. Pada Februari, tiga pelanggan rakitan mengirim nota debit hampir bersamaan. Sebanyak 7.400 unit yang dinyatakan lolos inspeksi ternyata melengkung 0,4 milimeter di sisi tepi, sehingga tidak duduk rapat pada klip bodi kendaraan.
Total kerugian kuartal itu Rp 1,42 miliar. Rinciannya: penalti penghentian lini pelanggan Rp 612 juta (34 jam akumulatif dengan tarif Rp 18 juta per jam), sortir ulang di tiga gudang pelanggan Rp 240 juta, pengiriman ekspres pengganti Rp 145 juta, scrap dan rework Rp 305 juta, serta potongan harga hasil negosiasi Rp 118 juta. Tidak ada satu pun mesin injeksi yang rusak. Semua unit cacat berasal dari stasiun inspeksi akhir yang bekerja sesuai prosedur.
Masalahnya ada pada definisi “sesuai prosedur”. Empat lini berjalan total 54 unit per menit, dan tiap lini dijaga satu inspektur di stasiun akhir. Untuk setiap unit, ia punya sekitar 4,4 detik, dan 2,8 detik di antaranya dipakai untuk pemeriksaan visual di bawah lampu neon 400 lux. Cacat tepi seperti ini hanya muncul ketika cahaya datang dari sudut miring, dan pada sudut pandang orang yang berdiri tegak, permukaan plastik abu-abu memantulkan cahaya justru menutupi gelombang 0,4 mm tersebut.
Tim kualitas kemudian menjalankan uji buta: 500 unit, empat operator, satu unit dinilai dua kali tanpa diketahui. Tingkat kesepakatan antar-inspektur (Cohen’s kappa) hanya 0,41. Artinya dua orang terlatih yang melihat unit yang sama punya peluang cukup besar untuk berbeda pendapat. Angka itu menjelaskan mengapa reject rate internal terlihat sehat sementara keluhan pelanggan tetap naik. Sistem pengukurannya sendiri yang tidak stabil, dan tidak ada laporan produksi yang bisa menangkap ketidakstabilan itu.
Mengapa mata manusia kalah pada 54 unit per menit
Satu inspektur menerima 13 sampai 14 unit per menit dari lini, sekitar 4,4 detik per unit. Dalam pengukuran internal pabrik, akurasi deteksi turun dari 92% pada jam pertama shift menjadi 68% pada jam ketujuh, dengan penurunan paling tajam setelah jam keempat. Penurunan ini terjadi di luar kendali disiplin. Atensi visual manusia melemah saat tugas yang sama diulang ribuan kali tanpa variasi.
Ada tiga sumber kesalahan yang tidak bisa ditutup dengan pelatihan ulang. Pertama, ambang batas subjektif: satu operator menganggap gelombang 0,3 mm masih dalam toleransi, operator lain menolaknya. Kedua, kelelahan mikro di akhir shift dan setelah istirahat makan. Ketiga, pencahayaan yang tidak pernah benar-benar seragam di sepanjang jalur, sehingga cacat yang sama terlihat berbeda tergantung posisi unit di konveyor.
Sistem kamera tidak menghapus ketiga masalah itu dengan sendirinya. Ia hanya memindahkan sumber variasi ke tempat yang bisa diukur, yaitu optik, pencahayaan, dan model. Di situlah sebagian besar proyek inspeksi otomatis gagal: tim membeli kamera dan melatih model, tetapi membiarkan pencahayaan serta geometri pengambilan gambar apa adanya. Model yang bagus di atas meja laboratorium akan runtuh di lantai produksi yang bergetar, berdebu, dan berubah warna cat dindingnya setiap kali ada perbaikan gedung.
Arsitektur yang tahan lantai produksi
Rancangan yang kami pakai untuk kasus seperti ini memisahkan tiga lapisan. Yang paling bawah justru yang paling sering diabaikan.
[Sensor & aktuator] [Edge node per lini] [Sistem pusat]
PLC trigger ──────────► Akuisisi gambar (8 MP)
Fotoelektrik Preprocess & ROI mask
Encoder konveyor Inferensi (TensorRT INT8) ──► MES: hasil per serial
──► Object storage: gambar
Reject actuator ◄──────── Keputusan + skor keyakinan (hash SHA-256)
(jalur kabel fisik) Watchdog & fail-safe
──► Antrean telemetri ──► Dasbor drift model
(batch, tidak realtime)
Optik dan pencahayaan ditentukan lebih dulu
Untuk cacat permukaan, lensa telecentric dan lampu dome lebih menentukan daripada arsitektur jaringan saraf. Lensa telecentric menghilangkan distorsi perspektif sehingga amplitudo gelombang 0,4 mm terbaca konsisten di seluruh bidang pandang. Lampu dome menyebarkan cahaya dari banyak arah, sehingga cacat tepi muncul sebagai perbedaan kecerahan. Bayangan yang berubah-ubah mengikuti posisi operator justru hilang.
Kamera dipasang pada braket yang terisolasi dari getaran konveyor, dengan trigger dari sensor fotoelektrik dan encoder yang membaca posisi konveyor. Pada kecepatan 54 unit per menit, selisih 5 milidetik berarti pergeseran posisi beberapa milimeter, cukup untuk membuat ROI meleset dari tepi produk.
Anggaran latensi 100 milidetik, dan apa yang terjadi setelahnya
Siklus total satu unit 1.100 milidetik. Anggaran yang ditetapkan: 30 milidetik untuk akuisisi dan prapemrosesan, 50 milidetik untuk inferensi, 20 milidetik untuk aktuasi dan konfirmasi PLC. Model dikonversi ke ONNX lalu dikompilasi dengan TensorRT dalam presisi INT8, dengan kalibrasi pada 800 gambar dari lini yang bersangkutan. Pada perangkat edge kelas menengah, model segmentasi anomali berjalan 22 milidetik per gambar. Sisanya menjadi ruang cadangan untuk lonjakan beban.
Anggaran ini harus disertai jalur kegagalan yang jelas. Jika inferensi melewati 150 milidetik, atau skor keyakinan jatuh di pita abu-abu, unit tidak diteruskan ke jalur baik secara default. Konveyor pengalih membuangnya ke buffer, lampu indikator menyala, dan operator memutuskan secara manual. Prinsipnya sederhana dan tidak bisa ditawar: sistem yang tidak yakin harus memilih menahan, bukan meloloskan.
Dua model untuk dua jenis cacat
Cacat yang sudah dikenal ditangani detektor terawasi dengan enam kelas: gelombang tepi, short shot, silver streak, burn mark, kontaminasi, dan deformasi klip. Enam kelas ini mencakup sekitar 87% reject historis. Sisanya adalah cacat yang belum pernah tercatat, dan di sinilah model terawasi buta.
Untuk kelompok kedua, dipakai model deteksi anomali tanpa label yang belajar distribusi penampakan unit baik, lalu menandai penyimpangan. Model ini menghasilkan banyak positif palsu di awal, dan itu wajar. Gunanya menangkap pola baru sebelum pelanggan yang menemukannya, sementara detektor utama tetap menangani enam kelas yang sudah dikenal. Setiap temuan anomali masuk ke antrean tinjauan quality engineer, dan yang terkonfirmasi menjadi kelas baru di dataset.
Model sebagai artefak yang bisa direproduksi
Satu kebiasaan yang mahal: model terbaik hanya ada di folder seorang engineer, tanpa catatan data latih, tanpa versi, tanpa cara mengulang hasilnya. Enam bulan kemudian, ketika ada keluhan pelanggan atas unit yang lolos, tidak ada yang bisa menjelaskan model mana yang mengambil keputusan saat itu.
Karena itu setiap model diberi versi, hash dataset, konfigurasi pelatihan, dan metrik validasi yang disimpan bersama. Dataset dipecah berdasarkan lot produksi. Pemecahan acak terdengar benar secara statistik, tetapi membuat model tampak hebat di validasi karena gambar dari unit yang hampir identik muncul di data latih dan data uji sekaligus.
Uji sebelum percaya: shadow mode empat minggu
Model tidak langsung mengendalikan aktuator. Selama empat minggu pertama, ia hanya menilai secara paralel sementara keputusan tetap di tangan operator. Metrik yang dipakai: recall per kelas cacat dan false reject rate. Akurasi keseluruhan terlalu mudah terlihat bagus pada data yang didominasi unit baik.
Ambang penerimaan yang kami pakai: recall minimal 0,92 pada kelas cacat kritis, false reject di bawah 0,5%. Ambang kedua sering dilupakan, padahal dampak finansialnya nyata. Pada volume 1,24 juta unit per bulan, false reject 1% berarti 12.400 unit baik dibuang atau dikerjakan ulang. Dengan biaya material dan tenaga kerja Rp 4.000 per unit, itu Rp 49,6 juta per bulan, atau hampir Rp 600 juta setahun, hanya dari kesalahan yang arahnya berlawanan.
Setelah shadow mode lolos, penerapan dilakukan per lini, satu per satu. Lini pertama menjadi acuan selama dua minggu sebelum tiga lini lain menyusul. Jika ada penyimpangan, hanya satu lini yang perlu diperiksa.
Regulasi yang mengikat di lantai produksi
Tiga payung hukum perlu masuk ke dokumen desain, tidak berhenti di lampiran legal.
Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi relevan karena kamera di stasiun akhir ikut merekam wajah operator, seragam, dan kadang lencana nama. Pasal 16 mewajibkan pengendali membatasi pengumpulan data pribadi sesuai tujuan, dan tujuan di sini adalah memeriksa produk, bukan memantau orang. Konsekuensi teknisnya konkret: area wajah dan lencana disamarkan di edge sebelum gambar disimpan, video mentah tidak pernah dikirim ke pusat data, dan masa simpan gambar dibatasi 24 bulan. Sanksi administratif atas pelanggaran UU PDP dapat mencapai 2% dari pendapatan tahunan, angka yang untuk produsen komponen dengan pendapatan Rp 900 miliar berarti Rp 18 miliar.
Undang-Undang Nomor 8 Tahun 1999 tentang Perlindungan Konsumen Pasal 19 mewajibkan pelaku usaha memberi ganti rugi atas kerusakan akibat barang yang dihasilkan. Dalam rantai B2B otomotif, kewajiban ini turun ke pemasok lewat kontrak dan nota debit. Klaim Rp 1,42 miliar tadi adalah bentuk nyatanya. Rekaman keputusan inspeksi per nomor seri menjadi alat pembelaan ketika klaim datang, sekaligus alat untuk mengakui kesalahan dengan cepat ketika memang bersalah.
Undang-Undang Nomor 3 Tahun 2014 tentang Perindustrian mendorong penerapan standardisasi dan teknologi industri. Di tingkat operasional, ia bertemu dengan ISO 9001:2015 klausul 8.6 tentang pelepasan produk, yang menuntut bukti bahwa kriteria penerimaan telah dipenuhi sebelum barang dikirim. Screenshot dasbor tidak cukup sebagai bukti. Yang dibutuhkan adalah catatan yang bisa ditelusuri: unit mana, model versi berapa, skor apa, diputuskan kapan.
Jika telemetri model dikirim ke cloud di luar negeri, Peraturan Pemerintah Nomor 71 Tahun 2019 tentang Penyelenggaraan Sistem dan Transaksi Elektronik ikut berlaku, termasuk kewajiban pendaftaran penyelenggara dan pengelolaan data yang patuh pada penempatan data lokal untuk data tertentu.
Tata kelola: siapa yang menandatangani ketika model salah
Pertanyaan yang paling sering tidak terjawab dalam proyek inspeksi otomatis jarang berhenti di level teknis. Ujungnya selalu soal akuntabilitas. Ketika model meloloskan unit cacat, siapa yang bertanggung jawab?
Jawaban yang kami sarankan: quality engineer, bukan tim data. Model adalah alat ukur, dan alat ukur tunduk pada kalibrasi serta evaluasi berkala. Tim data merawat model, tetapi keputusan menerima atau menolak sebuah kelas cacat tetap milik fungsi kualitas yang menandatangani kriteria penerimaan.
Konsekuensi operasionalnya: setiap perubahan ambang batas harus melalui persetujuan tertulis, setiap penambahan kelas cacat butuh sampel acuan yang disepakati, dan setiap penurunan performa model memicu tinjauan dalam 24 jam. Tinjauan performa dilakukan per shift. Pergeseran material antar-batch pemasok resin bisa mengubah penampakan unit baik dalam hitungan hari.
Satu hal lagi yang jarang masuk pembicaraan: operator perlu tahu persis kapan sistem ragu dan apa yang harus mereka lakukan. Dasbor dengan grafik metrik tidak berguna di lantai produksi. Yang berguna adalah lampu tiga warna, satu tombol eskalasi, dan prosedur satu halaman yang ditempel di samping stasiun.
Kegagalan yang paling sering saya temui bukan model yang tidak akurat, melainkan alarm yang diabaikan. False reject terlalu sering, operator menutup lampu indikator dengan lakban supaya tidak mengganggu, dan enam minggu kemudian sistemnya hanya berfungsi sebagai pencatat hasil tanpa pernah menghentikan satu unit pun. Perbaikan teknis untuk masalah seperti ini biasanya kecil. Yang mahal adalah waktu yang habis sebelum ada yang menyadarinya.
Hitungan pulang pokok
Investasi untuk empat lini pada kasus ini sekitar Rp 832 juta: kamera industri dan lensa telecentric Rp 168 juta, edge node Rp 128 juta, pencahayaan Rp 72 juta, braket dan enclosure Rp 36 juta, integrasi PLC dan aktuator Rp 95 juta, pengembangan dataset serta model Rp 285 juta, dan validasi termasuk uji kesepakatan antar-inspektur Rp 48 juta. Biaya operasional tahunan, termasuk lisensi perangkat lunak dan retraining, sekitar Rp 96 juta.
Penghematan konservatif: klaim pelanggan turun dari baseline Rp 1,1 miliar per tahun menjadi Rp 280 juta, sortir dan pengiriman ekspres turun Rp 210 juta, scrap turun Rp 180 juta karena cacat terdeteksi lebih awal di lini, dan waktu operator yang dibebaskan setara Rp 240 juta per tahun. Total sekitar Rp 1,45 miliar per tahun. Setelah dikurangi biaya operasional, payback sekitar tujuh bulan, dan itu belum menghitung nilai yang lebih sulit diuangkan: berkurangnya audit pelanggan yang berulang dan risiko kehilangan status pemasok.
Hitungan ini berasal dari satu kasus dan tidak berlaku umum. Pada lini dengan variasi produk tinggi dan volume rendah, biaya pengembangan model per varian bisa membengkak, dan payback melewati dua tahun. Kelayakan ekonomi sangat bergantung pada seberapa stabil desain produk dan seberapa mahal konsekuensi satu unit cacat yang lolos.
Roadmap 90 hari
| Fase | Fokus | Keluaran |
|---|---|---|
| Hari 1-14 | Baseline pengukuran | Uji kappa antar-inspektur, pemetaan biaya klaim 12 bulan terakhir, inventaris enam kelas cacat teratas beserta fotonya |
| Hari 15-30 | Optik dan mekanik | Uji coba kamera dan pencahayaan di satu stasiun, pengukuran getaran, penetapan bidang pandang dan trigger |
| Hari 31-60 | Dataset dan model | 15.000 sampai 20.000 gambar berlabel, pemecahan per lot, pelatihan detektor terawasi dan model anomali, validasi silang |
| Hari 61-75 | Shadow mode | Empat minggu evaluasi paralel, penghitungan recall dan false reject, penyesuaian ambang, persetujuan quality engineer |
| Hari 76-90 | Rollout bertahap dan audit | Aktuator aktif di lini pertama, perluasan ke tiga lini lain, dokumentasi versi model, tinjauan privasi dan masa simpan gambar |
Urutannya sengaja begitu. Membangun model sebelum optik dan pencahayaan terbukti stabil hanya menghasilkan model yang bagus di ruang rapat. Mengaktifkan aktuator sebelum pengukuran baseline selesai juga membuat tim tidak punya pembanding untuk membuktikan bahwa investasinya bekerja.
Lima pertanyaan audit untuk inspeksi visual
- Berapa tingkat kesepakatan antar-inspektur di stasiun akhir hari ini, dan kapan terakhir kali diuji dengan unit yang sama dinilai dua orang?
- Apakah sinyal reject dieksekusi lewat jalur yang tidak bisa dilewati perangkat lunak, dan apa yang terjadi jika inferensi timeout?
- Berapa latensi p99 dari trigger kamera sampai aktuator bergerak, diukur di lantai produksi, bukan di laboratorium?
- Bisakah tim menarik kembali gambar, versi model, dan skor keputusan untuk satu nomor seri yang diproduksi 18 bulan lalu dalam waktu kurang dari satu jam?
- Apakah wajah operator dalam bidang pandang sudah disamarkan di perangkat edge, dan berapa lama gambar disimpan sebelum dihapus?
Jika pertanyaan pertama belum punya angka, artinya pabrik belum tahu seberapa baik inspeksinya bekerja. Selama itu, laporan reject rate hanya mencatat keputusan, bukan kualitas.
Inspeksi visual adalah titik di mana kualitas fisik bertemu keputusan bisnis, dan di sanalah uang paling mudah bocor tanpa terlihat di laporan. Cacat yang lolos tidak muncul sebagai baris kerugian di hari kejadian. Ia muncul tiga bulan kemudian sebagai nota debit, rapat darurat, dan permintaan maaf kepada pelanggan.
Platform Ergonia menyatukan data produksi, persediaan, dan operasional dalam satu alur, dari modul manajemen stok sampai modul POS untuk tim yang juga menangani distribusi. Gambaran modul dan cara datanya saling terhubung bisa dilihat di halaman demo.
Tim arsitek PT Ergonia Inovasi Digital, dengan legalitas KBLI 62021 untuk konsultasi keamanan informasi dan KBLI 62019 untuk pengembangan perangkat lunak, membantu pabrik dan distributor merancang inspeksi otomatis yang bisa diaudit, mulai dari pemilihan optik, arsitektur edge, sampai tata kelola data pribadi yang patuh UU PDP. Untuk audit sistem kualitas 30 hari atau diskusi arsitektur, mulai dari halaman kontak kami.
Ingin Menerapkan Arsitektur Ini di Perusahaan Anda?
Diskusikan kebutuhan sistem kasir POS, HRIS terpadu, multi-gudang, atau aplikasi kustom Anda bersama tim arsitek perangkat lunak Ergonia.
Jadwalkan Diskusi Teknis →