Kondisi tersebut menjadi titik berangkat riset doktoral yang digagas Dr Fajar Pitarsi Dharma dari Institut Teknologi Sepuluh Nopember (ITS). Ia menawarkan pendekatan baru melalui integrasi machine learning untuk menciptakan sistem pengontrolan kualitas tekstil yang lebih adaptif, cepat, dan akurat.
Dalam paparannya pada Sidang Terbuka Promosi Doktor, Fajar menilai metode inspeksi manual yang selama ini digunakan industri hanya mampu menghasilkan akurasi sekitar 50 hingga 70 persen.
Angka tersebut dinilai jauh dari ideal, mengingat kesalahan kecil dalam deteksi cacat dapat berdampak besar pada kualitas produk akhir dan biaya produksi.
Berangkat dari persoalan itu, lulusan magister Universitas Mercu Buana ini merancang sistem berbasis strategi ganda.
Ia mengombinasikan convolutional neural network untuk mengklasifikasikan jenis cacat, serta model deteksi objek untuk menentukan lokasi kerusakan secara detail pada permukaan kain.
Pendekatan tersebut memungkinkan proses inspeksi berjalan secara real-time dengan tingkat presisi tinggi. Sistem tidak hanya mengenali jenis cacat, tetapi juga mampu memetakan posisi kerusakan secara spasial. Dengan demikian, proses pengawasan menjadi lebih sistematis dan tidak lagi bergantung pada subjektivitas operator.
Pengembangan model dilakukan melalui tahapan metodologis yang ketat. Mulai dari studi literatur mendalam, perbandingan arsitektur deteksi berbasis data publik, hingga pengembangan model klasifikasi dengan mekanisme perhatian hirarkis yang mencakup seluruh tahapan produksi.
Optimasi hyperparameter turut dilakukan untuk memastikan performa sistem berada pada level optimal.
Hasil pengujian menunjukkan peningkatan signifikan. Model klasifikasi mampu mencapai akurasi hingga 94 persen dalam mengidentifikasi cacat kain. Sementara itu, model deteksi mencatat kenaikan mean average precision sebesar 17 persen dan melampaui metode sebelumnya hingga 22 poin persentase.
Keunggulan sistem ini tidak hanya terletak pada akurasi, tetapi juga konsistensi. Melalui serangkaian pengujian acak, model terbukti stabil dalam berbagai kondisi operasional.
Strategi optimasi yang diterapkan juga menitikberatkan pada efisiensi konfigurasi, sehingga lebih realistis untuk diimplementasikan di lingkungan industri.
Secara praktis, sistem ini membuka peluang baru dalam transformasi digital sektor tekstil. Implementasi dapat dimulai dari skala terbatas sebagai proyek percontohan, sebelum berkembang menjadi sistem inspeksi otomatis yang terintegrasi penuh.
Pengembangan lanjutan juga diarahkan pada model yang lebih ringan agar dapat dijalankan melalui perangkat edge computing dengan biaya lebih terjangkau.
Langkah ini dinilai selaras dengan agenda global Sustainable Development Goals, terutama dalam mendorong industri yang inovatif, efisien, dan berkelanjutan.
Di tengah kebutuhan akan modernisasi sektor manufaktur, inovasi semacam ini menjadi sinyal bahwa transformasi tidak lagi sebatas wacana, melainkan mulai menemukan bentuk konkret di level implementasi. (Nayla).
