{"id":5758,"date":"2023-09-12T22:24:54","date_gmt":"2023-09-12T15:24:54","guid":{"rendered":"https:\/\/student-activity.binus.ac.id\/himtri\/?p=5758"},"modified":"2023-09-12T22:24:54","modified_gmt":"2023-09-12T15:24:54","slug":"yield-improvement-melalui-penggunaan-machine-learning-untuk-menurunkan-defects","status":"publish","type":"post","link":"https:\/\/student-activity.binus.ac.id\/himtri\/2023\/09\/12\/yield-improvement-melalui-penggunaan-machine-learning-untuk-menurunkan-defects\/","title":{"rendered":"Yield Improvement Melalui Penggunaan Machine Learning untuk Menurunkan Defects"},"content":{"rendered":"

\"\"(Sumber:<\/span> Wikipedia Commons)<\/span><\/p>\n

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. <\/span>Defects <\/span><\/i>atau produk cacat tidak bisa dikeluarkan ke pasar sehingga menurunkan hasil produksi total. Mengurangi jumlah <\/span>defects <\/span><\/i>yang dihasilkan pada proses produksi akan meningkatkan hasil serta keuntungan yang didapatkan. Beberapa industri dengan proses pengecekan kualitas yang rumit dan lama, menemukan <\/span>defects <\/span><\/i>memerlukan waktu yang lama dan ketika <\/span>defects<\/span><\/i> ditemukan, sudah menurunkan hasil produksi. Jika proses penemuan <\/span>defects <\/span><\/i>serta pengecekan kualitas dapat dilakukan dengan lebih cepat, atau lebih baik lagi diprediksi, maka jumlah <\/span>defects <\/span><\/i>dapat dikurangi sebelum menyebabkan kerugian yang besar.<\/span><\/p>\n

Penggunaan <\/span>machine learning <\/span><\/i>dan <\/span>Artificial Intelligence <\/span><\/i>(AI)<\/span> sudah menjadi tren yang terjadi di berbagai industri. <\/span>Machine learning <\/span><\/i>menggunakan komputer untuk belajar dari sebuah kumpulan data dan melatih algoritma untuk memecahkan sebuah masalah. Perusahaan dapat menggunakan IoT (<\/span>Internet of Things) <\/span><\/i>untuk mengumpulkan data proses produksi menggunakan berbagai sensor. Data-data yang dikumpulkan ini dapat diberikan kepada algoritma <\/span>machine learning <\/span><\/i>untuk mencari atau mengidentifikasi pola yang berupa produk <\/span>defects. <\/span><\/i>Penggunaan sederhana dari <\/span>machine learning <\/span><\/i>untuk menemukan <\/span>defects <\/span><\/i>adalah dengan menggunakan kamera yang diarahkan kepada sebuah <\/span>conveyor. <\/span><\/i>Produk <\/span>defects <\/span><\/i>dapat diidentifikasi secara visual dengan cepat dan akurat, meningkatkan efisiensi dari proses produksi.<\/span><\/p>\n

Penerapan lebih lanjut dapat dilakukan di industri dengan permasalahan yang lebih khusus dan rumit. Pada proses manufaktur <\/span>continuous manufacturing process, <\/span><\/i>melakukan pengecekan kualitas mahal dan memerlukan waktu yang lama.<\/span> Hal ini menimbulkan masalah karena pada <\/span>continuous manufacturing process <\/span><\/i>seperti dalam proses <\/span>plastic extrusion process, <\/span><\/i>adanya <\/span>defect <\/span><\/i>pada bagian tengah produk dapat menurunkan hasil produksi total. Menggunakan <\/span>machine learning, <\/span><\/i>bagian <\/span>defect <\/span><\/i>dapat diprediksi sebelum dihasilkan sehingga produk akhir dapat diproduksi setelah menghilangkan bagian <\/span>defect, <\/span><\/i>sehingga lebih banyak produk dapat dihasilkan dengan bahan baku yang sama.\u00a0<\/span><\/p>\n

Penerapan lain dapat dilakukan di industri manufaktur baterai. Proses produksi baterai <\/span>lithium-ion<\/span><\/i> 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. <\/span>End-of-line testing <\/span><\/i>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 <\/span>first-time-yield <\/span><\/i>(FYD) global hanya 15%, yaitu jika 100 produk diproduksi pertama kali maka hanya 15 yang dianggap sebagai \u2018baik\u2019. Hal ini terutama bermasalah karena kurangnya opsi daur ulang yang murah sehingga sebagian besar menjadi limbah. Penggunaan algoritma <\/span>machine learning <\/span><\/i>dapat diterapkan dengan tujuan yang sama yaitu memprediksi dan menemukan <\/span>defect <\/span><\/i>serta menentukan akar masalah untuk meningkatkan kualitas produksi.<\/span><\/p>\n

Sumber:<\/p>\n

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.\u00a0\u00a0<\/span><\/p>\n

2. Augury (2023, March 2). <\/span>Machine Learning And AI In Manufacturing: A Quick Guide To The Fundamentals<\/span><\/i>. Retrieved July 14, 2023, dari <\/span>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<\/span><\/a>\u00a0<\/span><\/p>\n

3. Elisa Industriq (2019, October 8). <\/span>HOW PREDICTIVE QUALITY ANALYTICS INCREASED BATTERY CELL MANUFACTURING YIELD BY 16%<\/span><\/i>. Retrieved July 14, 2023, dari <\/span>https:\/\/elisaindustriq.com\/blog-how-predictive-quality-analytics-increased-battery-cell-manufacturing-yield-by-16-percent\/<\/span><\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

(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 […]<\/p>\n","protected":false},"author":7,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[10],"tags":[],"class_list":["post-5758","post","type-post","status-publish","format-standard","hentry","category-articles-2"],"_links":{"self":[{"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/posts\/5758","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/comments?post=5758"}],"version-history":[{"count":1,"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/posts\/5758\/revisions"}],"predecessor-version":[{"id":5764,"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/posts\/5758\/revisions\/5764"}],"wp:attachment":[{"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/media?parent=5758"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/categories?post=5758"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himtri\/wp-json\/wp\/v2\/tags?post=5758"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}