Pengendalian Kualitas
Berbasis AI
Mengeksplorasi konsep Decision Tree dalam klasifikasi Quality Control. Pelajari bagaimana algoritma mesin mengambil keputusan logis untuk memprediksi produk cacat vs. produk baik di lantai produksi.
Mulai SimulasiTantangan Pengendalian Kualitas di Industri
Skenario Lini Produksi: Sebuah pabrik memproduksi 1.000 komponen per hari. Pemeriksaan kualitas dilakukan berdasarkan tiga variabel: ukuran, berat, dan suhu proses. Sebagian produk tidak memenuhi standar, tetapi tidak mungkin bagi operator untuk memeriksa seluruh 1.000 produk secara mendalam secara manual tanpa menghentikan kelancaran produksi.
Pertanyaan Pemantik:
-
Bagaimana sistem mengetahui bahwa suatu produk berpotensi cacat tanpa harus dibongkar?
-
Apakah setiap produk di lini produksi perlu diperiksa dengan cara dan durasi yang sama?
-
Apa akibat fatalnya jika produk cacat justru dinyatakan lolos inspeksi ke tangan pelanggan?
Komponen #402 tiba. Berdasarkan data sensor, apa keputusan Anda?
Konsep Quality Control
Pengendalian kualitas bertujuan memastikan produk memenuhi standar desain, mencegah cacat, dan menjaga konsistensi mutu.
Konvensional vs AI
Inspeksi manual rentan bias dan kelelahan. Klasifikasi AI (seperti Decision Tree) memetakan pola data (suhu, berat) untuk prediksi instan & konsisten.
AI sebagai Decision Support
AI bukan pengganti QC engineer, melainkan alat bantu (Decision Support System) untuk menyeleksi mana yang prioritas untuk diinspeksi fisik.
Dampak Kesalahan (Cost of Poor Quality)
Salah prediksi berdampak besar: Scrap (barang terbuang), Rework (kerja ulang), pembengkakan biaya, hingga hilangnya kepercayaan pelanggan.
Konsep Klasifikasi untuk Quality Control
Sebelum membedah Decision Tree, mari pahami perbedaan mendasar target prediksi hari ini dibandingkan pertemuan sebelumnya.
Memprediksi Angka / Nilai Kontinu
Memprediksi Kelas / Kategori
Kilas Balik Pertemuan 4: Supervised Learning
Penerapan QC berbasis AI ini adalah bentuk konkret dari Supervised Learning (Pembelajaran Terawasi). Algoritma model (seperti Decision Tree) tidak menebak asal-asalan, melainkan dilatih menggunakan data contoh produk yang sudah memiliki label (hasil inspeksi fisik di masa lalu).
5 Konsep Inti Klasifikasi AI di Lantai Produksi
Feature
Variabel masukan yang diamati untuk membuat prediksi.
Label / Target
Kategori akhir yang ingin diprediksi oleh sistem.
Training Data
Kumpulan data historis yang digunakan mesin untuk mempelajari pola.
Classification Model
Algoritma yang memetakan pola dari Feature untuk menebak Label.
Prediction
Keputusan atau kelas yang diperkirakan oleh model untuk data baru.
Memahami Algoritma Decision Tree
Decision Tree adalah algoritma klasifikasi yang menyusun keputusan dalam bentuk struktur pohon. Model membagi data (splitting) berdasarkan kondisi tertentu pada fitur hingga menghasilkan prediksi kelas yang final.
Root Node
Titik keputusan awal di puncak pohon tempat seluruh data mulai dievaluasi.
Branch (Cabang)
Jalur yang menunjukkan hasil dari kondisi pengujian (misal: "Ya" atau "Tidak").
Decision Node
Titik persimpangan (sub-node) untuk menguji kondisi fitur berikutnya.
Leaf Node
Hasil akhir di ujung cabang yang berisi keputusan atau kelas prediksi.
Analogi Sederhana (Bahasa Awam)
Agar lebih mudah dipahami, bayangkan algoritma ini seperti sedang bermain "Tebak Tokoh" atau mengambil keputusan sehari-hari:
Contoh Pohon Keputusan: Inspeksi Produk
Arahkan kursor pada aturan logika (IF-THEN) di sebelah kanan untuk melihat jalur di diagram pohon.
IF diameter berada di luar toleransi,
THEN klasifikasikan sebagai cacat.
IF diameter sesuai standar AND berat sesuai standar,
THEN klasifikasikan sebagai baik.
IF diameter sesuai standar AND berat di luar standar,
THEN klasifikasikan sebagai cacat.
Catatan Penting: Aturan Manusia vs Machine Learning
Contoh di atas merupakan pohon keputusan berbasis aturan (rule-based) yang sengaja disederhanakan untuk mempermudah pemahaman logika algoritma.
Pada Decision Tree aktual yang dilatih dari sekumpulan data (Training Data), algoritma secara matematis memilih fitur mana yang menjadi Root dan di titik mana pemisahan (Splitting) harus dilakukan berdasarkan perhitungan statistik—bukan semata-mata mengikuti aturan insting yang ditentukan secara manual oleh manusia.
Bagaimana Decision Tree Mempelajari Pola?
Mesin tidak sekadar menebak. Algoritma melakukan Pemisahan Data (Splitting) berulang kali secara matematis untuk mencari kondisi yang paling sempurna memisahkan produk "Baik" dan "Cacat" ke dalam kelompok yang murni.
1. Gini Impurity (Ketidakmurnian)
Mengukur seberapa "campur aduk" kelas dalam satu simpul. Nilai yang lebih rendah berarti kelompok data lebih murni (didominasi satu kelas).
Sebuah simpul berisi 10 produk: 8 Baik dan 2 Cacat.
Proporsi Baik (p1) = 0.8 | Proporsi Cacat (p2) = 0.2
Gini = 1 - (0.64 + 0.04)
Gini = 0.32
2. Entropy & Information Gain
Alternatif dari Gini. Entropy mengukur ketidakpastian. Information Gain mengukur seberapa banyak ketidakpastian itu berkurang setelah data dipisah.
- Mesin menghitung Entropy sebelum pemisahan.
- Mesin mensimulasikan pemisahan (misal: "Berat > 50g").
- Mesin menghitung Entropy setelah pemisahan.
- Information Gain = Sebelum - Setelah. Mesin akan memilih kondisi yang menghasilkan Gain terbesar!
Simulasi Visual: Tujuan Utama Splitting
Awas Jebakan Overfitting!
Jika kita membiarkan Decision Tree melakukan pemisahan terus-menerus hingga Gini 0.00 di semua cabang, pohon akan menjadi sangat kompleks. Model akan sekadar menghafal data pelatihan, namun gagal total saat memprediksi produk baru di masa depan.
Maximum Depth
Membatasi kedalaman maksimal pohon agar tidak tumbuh tanpa batas.
Min. Samples per Leaf
Menetapkan jumlah minimal produk dalam satu simpul akhir agar mesin tidak membuat aturan khusus untuk 1-2 barang anomali.
Data Validation
Selalu uji pohon yang terbentuk menggunakan data baru (Testing Data) yang belum pernah dilihat algoritma.
Evaluasi Model Klasifikasi: Confusion Matrix
Sebuah model AI yang selalu memberikan prediksi belum tentu dapat dipercaya. Di lantai pabrik, kita harus mengukur seberapa akurat model tersebut dan memahami jenis kesalahan apa yang paling berbahaya (berisiko lolos ke pelanggan vs pemborosan biaya).
Tabel Hasil Pengujian (100 Produk)
Asumsi: Kelas "Positif" adalah Produk Cacat.
Anatomi Kesalahan
True Negative (TN) - Benar Baik
Produk baik yang berhasil diprediksi sebagai produk baik.
True Positive (TP) - Benar Cacat
Produk cacat yang sukses dideteksi oleh sensor/AI sebagai cacat.
False Negative (FN) - Cacat Lolos 🚨
Produk cacat yang salah diprediksi baik. Ini masalah serius karena produk rusak akan sampai ke tangan pelanggan.
False Positive (FP) - Baik Ditolak 💸
Produk baik yang salah diprediksi cacat. Menyebabkan pemeriksaan ulang (rework) dan pemborosan biaya inspeksi.
Perhitungan Metrik Kinerja Model
Model mengklasifikasikan 87 dari 100 produk dengan benar. (Akurasi umum).
Dari seluruh produk yang diprediksi cacat oleh mesin, sekitar 65.22% benar-benar cacat.
Model berhasil mendeteksi dan "menyelamatkan" 75% dari keseluruhan produk yang benar-benar cacat.
Prioritas Industri: Recall vs Precision
Dalam Quality Control industri, Recall seringkali lebih diprioritaskan dibandingkan metrik lainnya. Mengapa? Karena angka False Negative (produk cacat lolos ke pelanggan) dapat menghancurkan reputasi perusahaan dan memicu recall massal yang memakan biaya miliaran.
Namun, Precision juga tidak boleh diabaikan. Jika terlalu rendah, berarti pabrik menolak terlalu banyak barang bagus (False Positive tinggi), sehingga kapasitas produksi terhambat dan biaya rework membengkak.