Yield Improvement Melalui Penggunaan Machine Learning untuk Menurunkan Defects
(Sumber: Wikipedia Commons)
Proses pemeriksaan kualitas merupakan suatu hal yang penting dalam proses manufaktur. Produk yang sampai ke pasar harus sesuai dengan standar agar dapat dibeli oleh konsumen. Defects atau produk cacat tidak bisa dikeluarkan ke pasar sehingga menurunkan hasil produksi total. Mengurangi jumlah defects yang dihasilkan pada proses produksi akan meningkatkan hasil serta keuntungan yang didapatkan. Beberapa industri dengan proses pengecekan kualitas yang rumit dan lama, menemukan defects memerlukan waktu yang lama dan ketika defects ditemukan, sudah menurunkan hasil produksi. Jika proses penemuan defects serta pengecekan kualitas dapat dilakukan dengan lebih cepat, atau lebih baik lagi diprediksi, maka jumlah defects dapat dikurangi sebelum menyebabkan kerugian yang besar.
Penggunaan machine learning dan Artificial Intelligence (AI) sudah menjadi tren yang terjadi di berbagai industri. Machine learning menggunakan komputer untuk belajar dari sebuah kumpulan data dan melatih algoritma untuk memecahkan sebuah masalah. Perusahaan dapat menggunakan IoT (Internet of Things) untuk mengumpulkan data proses produksi menggunakan berbagai sensor. Data-data yang dikumpulkan ini dapat diberikan kepada algoritma machine learning untuk mencari atau mengidentifikasi pola yang berupa produk defects. Penggunaan sederhana dari machine learning untuk menemukan defects adalah dengan menggunakan kamera yang diarahkan kepada sebuah conveyor. Produk defects dapat diidentifikasi secara visual dengan cepat dan akurat, meningkatkan efisiensi dari proses produksi.
Penerapan lebih lanjut dapat dilakukan di industri dengan permasalahan yang lebih khusus dan rumit. Pada proses manufaktur continuous manufacturing process, melakukan pengecekan kualitas mahal dan memerlukan waktu yang lama. Hal ini menimbulkan masalah karena pada continuous manufacturing process seperti dalam proses plastic extrusion process, adanya defect pada bagian tengah produk dapat menurunkan hasil produksi total. Menggunakan machine learning, bagian defect dapat diprediksi sebelum dihasilkan sehingga produk akhir dapat diproduksi setelah menghilangkan bagian defect, sehingga lebih banyak produk dapat dihasilkan dengan bahan baku yang sama.
Penerapan lain dapat dilakukan di industri manufaktur baterai. Proses produksi baterai lithium-ion merupakan proses yang rumit dan memerlukan pemeriksaan kualitas yang tinggi. Tantangan terbesar yang dihadapi adalah pemeriksaan kualitas akhir baterai terproduksi memerlukan waktu yang sangat panjang. End-of-line testing dapat memerlukan hingga tiga minggu untuk dilakukan dan hanya setelah pemeriksaan produk dapat ditentukan memenuhi standar kualitas yang diinginkan. Standar kualitas pada produksi baterai sangat tinggi dengan rata-rata first-time-yield (FYD) global hanya 15%, yaitu jika 100 produk diproduksi pertama kali maka hanya 15 yang dianggap sebagai ‘baik’. Hal ini terutama bermasalah karena kurangnya opsi daur ulang yang murah sehingga sebagian besar menjadi limbah. Penggunaan algoritma machine learning dapat diterapkan dengan tujuan yang sama yaitu memprediksi dan menemukan defect serta menentukan akar masalah untuk meningkatkan kualitas produksi.
Sumber:
1. Jun, Ji-hye & Chang, Tai-Woo & Jun, Sungbum. (2020). Quality Prediction and Yield Improvement in Process Manufacturing Based on Data Analytics. Processes. 8. 1068. 10.3390/pr8091068.
2. Augury (2023, March 2). Machine Learning And AI In Manufacturing: A Quick Guide To The Fundamentals. Retrieved July 14, 2023, dari https://www.augury.com/blog/production-health/machine-learning-and-ai-in-manufacturing-a-quick-guide-to-the-fundamentals/#:~:text=Some%20of%20the%20direct%20benefits,to%20a%20more%20optimized%20process
3. Elisa Industriq (2019, October 8). HOW PREDICTIVE QUALITY ANALYTICS INCREASED BATTERY CELL MANUFACTURING YIELD BY 16%. Retrieved July 14, 2023, dari https://elisaindustriq.com/blog-how-predictive-quality-analytics-increased-battery-cell-manufacturing-yield-by-16-percent/