BERITABANGSA.ID, SURABAYA – Tantangan klasik industri tekstil Indonesia kembali disorot dari ruang akademik. Ketergantungan pada inspeksi manual yang minim akurasi terbukti menjadi titik lemah serius dalam menjaga kualitas produksi. Di tengah tuntutan efisiensi dan kecepatan, pendekatan konvensional tak lagi memadai.
Dari panggung Sidang Terbuka Promosi Doktor di Institut Teknologi Sepuluh Nopember, Fajar Pitarsi Dharma menawarkan terobosan berbasis teknologi.
Ia mengembangkan sistem pengontrolan kualitas tekstil melalui integrasi machine learning, yang dirancang untuk menjawab problem laten dalam pengawasan mutu industri kain.
Menurut Fajar, praktik inspeksi manual di banyak pabrik tekstil masih menghasilkan tingkat akurasi rendah, berkisar antara 50 hingga 70 persen. Kondisi tersebut bukan hanya berisiko terhadap kualitas produk, tetapi juga memperlambat proses produksi secara keseluruhan.
Keterlambatan dalam mendeteksi cacat berimplikasi langsung pada biaya operasional yang membengkak.
Berangkat dari persoalan itu, alumnus Universitas Mercu Buana tersebut merancang kerangka kerja berbasis strategi ganda.
Sistem yang dibangun menggabungkan convolutional neural network untuk klasifikasi jenis cacat serta model deteksi objek guna melokalisasi posisi kerusakan pada kain secara presisi.
Pendekatan ini memungkinkan identifikasi cacat dilakukan secara real-time. Proses pengawasan tidak lagi bergantung pada subjektivitas manusia, melainkan pada sistem komputasi yang konsisten dan terukur.
Dalam konteks industri, hal ini membuka peluang besar untuk meningkatkan efisiensi tanpa mengorbankan kualitas.
Riset tersebut dikembangkan melalui empat tahapan utama. Dimulai dari analisis literatur komprehensif dan komparasi berbagai arsitektur deteksi berbasis data publik.
Tahap berikutnya mencakup pengembangan model klasifikasi dengan mekanisme perhatian hirarkis yang mencakup seluruh lini produksi.
Optimasi hyperparameter kemudian dilakukan untuk memastikan performa sistem mencapai titik maksimal.
Hasilnya menunjukkan lonjakan performa yang signifikan. Model klasifikasi yang dikembangkan mampu mencapai tingkat akurasi hingga 94 persen dalam mengidentifikasi jenis cacat kain.
Sementara itu, model deteksi mengalami peningkatan mean average precision sebesar 17 persen dan melampaui metode mutakhir yang ada hingga 22 poin persentase.
Tak berhenti pada capaian teknis, sistem ini juga diuji melalui berbagai skenario acak untuk memastikan stabilitas dan konsistensi.
Validasi statistik menunjukkan bahwa pendekatan tersebut tidak hanya unggul secara performa, tetapi juga andal dalam implementasi berulang.
Fajar menekankan bahwa strategi optimasi difokuskan pada konfigurasi model sebelum ekspansi arsitektur, sehingga lebih adaptif terhadap kebutuhan industri.
Dalam praktiknya, kerangka kerja ini dirancang untuk dapat diadopsi secara bertahap. Dimulai dari skala pilot di satu lini produksi hingga berkembang menjadi sistem inspeksi otomatis yang terintegrasi penuh.
Pengembangan lanjutan juga diarahkan pada model yang lebih ringan agar dapat berjalan di perangkat edge computing, membuka peluang bagi industri tekstil skala menengah untuk ikut bertransformasi tanpa beban investasi besar.
Inovasi ini turut sejalan dengan agenda pembangunan global dalam Sustainable Development Goals. Khususnya pada aspek pertumbuhan ekonomi inklusif, penguatan industri berbasis inovasi, serta praktik produksi yang berkelanjutan.
Fajar berharap teknologi yang dikembangkannya tidak hanya meningkatkan daya saing industri, tetapi juga mendorong pemerataan adopsi teknologi di sektor manufaktur nasional.
