Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) semakin membuka peluang baru dalam meningkatkan efisiensi dan kualitas produksi di industri manufaktur. Salah satu penerapannya terlihat dalam penelitian yang dilakukan oleh tim peneliti dari Bina Nusantara University (BINUS) yang mengembangkan sistem inspeksi otomatis berbasis AI untuk memeriksa kelengkapan komponen mesin kendaraan. Teknologi ini dirancang untuk membantu proses pemeriksaan mesin secara lebih cepat, konsisten, dan akurat sebelum kendaraan keluar dari jalur produksi.

Penelitian tersebut berfokus pada pemanfaatan algoritma deep learning untuk mendeteksi berbagai komponen mesin melalui analisis citra digital. Sistem yang dikembangkan memanfaatkan kamera yang terintegrasi dengan algoritma pendeteksi objek sehingga mampu mengidentifikasi apakah setiap komponen mesin telah terpasang dengan benar. Hasil pengujian menunjukkan bahwa sistem ini mampu mencapai tingkat akurasi yang sangat tinggi, bahkan mencapai 100% pada beberapa kondisi pengujian, sehingga berpotensi menjadi solusi yang efektif dalam proses pengendalian kualitas di industri otomotif [1].

Gambar 1. Ilustrasi sistem inspeksi mesin kendaraan berbasis AI pada lini produksi otomotif (Ilustrasi dibuat menggunakan AI (ChatGPT).

Dalam industri otomotif modern, pemeriksaan mesin merupakan tahap penting dalam proses quality control. Mesin kendaraan terdiri dari banyak komponen yang harus dipasang dengan konfigurasi yang tepat agar kendaraan dapat beroperasi dengan aman dan optimal. Namun, pada banyak lini produksi, proses pemeriksaan ini masih dilakukan secara manual oleh operator. Metode tersebut memiliki sejumlah keterbatasan, terutama karena bergantung pada ketelitian manusia yang dapat dipengaruhi oleh kelelahan, beban kerja, maupun kondisi lingkungan kerja yang tidak selalu ideal [1]. Selain itu, kondisi pencahayaan yang berubah, bayangan yang tajam, serta pantulan cahaya dari permukaan logam sering kali menjadi tantangan tambahan dalam proses inspeksi visual.

Untuk mengatasi permasalahan tersebut, tim peneliti mengembangkan sistem inspeksi berbasis algoritma deteksi objek YOLOv8 yang dikenal memiliki kemampuan identifikasi objek secara cepat dan akurat. Dalam sistem ini, kamera dipasang pada lengan robot yang bergerak mengelilingi mesin untuk mengambil gambar dari berbagai sudut pandang. Setiap citra yang diambil kemudian diproses oleh model AI yang telah dilatih untuk mengenali berbagai komponen mesin. Sistem ini selanjutnya membandingkan komponen yang terdeteksi dengan daftar komponen yang seharusnya ada pada mesin tersebut. Apabila seluruh komponen teridentifikasi dengan benar, sistem akan memberikan status pemeriksaan yang sesuai. Sebaliknya, jika terdapat komponen yang tidak terdeteksi atau tidak sesuai, sistem akan memberikan peringatan sehingga operator dapat melakukan pemeriksaan lanjutan [1].

Agar sistem AI mampu bekerja dengan baik di lingkungan industri yang dinamis, para peneliti juga melakukan pengembangan pada tahap persiapan data pelatihan. Model dilatih menggunakan dataset yang telah dimodifikasi melalui beberapa teknik pemrosesan citra. Teknik tersebut meliputi konversi gambar menjadi grayscale, penyesuaian tingkat kecerahan, serta penambahan efek blur ringan untuk mensimulasikan kondisi gambar yang kurang sempurna. Pendekatan ini memungkinkan model AI untuk tetap mampu mengenali komponen mesin meskipun gambar yang diperoleh memiliki gangguan visual akibat variasi pencahayaan atau getaran kamera [1].

Dalam proses pelatihan model, digunakan sebanyak 1.281 sampel objek yang mewakili 52 jenis komponen mesin. Setelah proses pelatihan selesai, sistem kemudian diuji menggunakan ratusan gambar mesin dari berbagai sudut pandang dan kondisi visual yang berbeda. Hasil evaluasi menunjukkan performa model yang sangat baik dengan nilai precision sebesar 0.971, recall sebesar 0.990, serta nilai mean Average Precision pada ambang IoU 0.5 (mAP@50) sebesar 0.991. Pada beberapa skenario pengujian, sistem bahkan mampu mencapai tingkat akurasi deteksi hingga 100% tanpa kesalahan klasifikasi [1]. Temuan ini menunjukkan bahwa teknik modifikasi dataset yang diterapkan mampu meningkatkan ketahanan model terhadap variasi kondisi visual yang sering ditemui di lingkungan produksi.

Penelitian ini dilakukan oleh tim peneliti dari Bina Nusantara University yang terdiri dari mahasiswa sarjana, dosen, dan mahasiswa pascasarjana dari berbagai bidang keilmuan. Tim tersebut melibatkan Steven Salim dan Sandy Wiratama sebagai mahasiswa dari Program Studi Automotive and Robotic Engineering, Department of Computer Engineering, Binus Aso School of Engineering yang dibimbing oleh Alfan Sarifudin, dosen pada program studi yang sama. Penelitian ini juga juga melibatkan Eka Prita Yuliatin, mahasiswa pascasarjana dari Department of Industrial Engineering, Fakultas Teknik. Kolaborasi lintas jenjang pendidikan ini menunjukkan bagaimana lingkungan akademik dapat mendorong lahirnya inovasi teknologi yang relevan dengan kebutuhan industri.

Hasil penelitian tersebut telah dipublikasikan dalam jurnal ilmiah Automotive Experiences, yang merupakan jurnal bidang teknik otomotif yang memuat berbagai penelitian terkait teknologi kendaraan, sistem manufaktur, serta inovasi industri otomotif [1]. Publikasi ini menjadi salah satu kontribusi akademik yang menunjukkan peran perguruan tinggi dalam mengembangkan teknologi berbasis kecerdasan buatan untuk mendukung transformasi industri menuju sistem produksi yang lebih cerdas.

Secara lebih luas, teknologi inspeksi otomatis berbasis AI seperti yang dikembangkan dalam penelitian ini memiliki potensi besar untuk diterapkan pada berbagai sektor manufaktur. Dengan memanfaatkan kombinasi kamera, robotika, dan algoritma pembelajaran mesin, proses pemeriksaan produk dapat dilakukan dengan lebih cepat, konsisten, dan akurat dibandingkan metode manual. Ke depan, sistem semacam ini diharapkan dapat menjadi bagian penting dalam pengembangan konsep smart factory dan industri berbasis otomatisasi, di mana mesin dan sistem digital bekerja secara terintegrasi untuk memastikan kualitas produk yang optimal.

SDG: 9 “Industry, Innovation and Infrastructure”

Referensi

[1] S. Salim, S. Wiratama, A. Sarifudin, dan E. P. Yuliatin, “Visual Inspection Improvement of Engine Components Using Deep Learning with Pre-processed Dataset Augmentation: Case Study,” Automotive Experiences, vol. 8, no. 3, pp. 191–206, 2025, doi: 10.31603/ae.14207.