RRI.CO.ID, Surabaya - Sulitnya pemantauan industri tekstil berdampak pada peningkatan biaya produksi. Menjawab hal ini, Dr Fajar Pitarsi Dharma mengembangkan sistem berbasis machine learning.

Ia merupakan lulusan doktoral Departemen Teknik Sistem dan Industri ITS. Sistem yang dibangun berfokus pada pengontrolan kualitas tekstil secara terintegrasi.

Dalam Sidang Terbuka Promosi Doktor DTSI 133, Fajar memaparkan temuan penelitiannya. Ia menilai pengawasan mutu industri tekstil Indonesia masih belum konsisten.

Akurasi inspeksi manual dinilai rendah, hanya berkisar 50 hingga 70 persen. “Hal ini mengakibatkan keterlambatan deteksi cacat dan menurunkan laju produksi,” ujarnya.

Fajar mengusulkan strategi ganda berbasis convolutional neural network. Model ini digunakan untuk klasifikasi dan deteksi objek cacat kain.

Sistem tersebut mampu melokalisasi cacat secara spasial pada produk pertenunan. Hasilnya, identifikasi cacat menjadi lebih cepat dan presisi secara real-time.

Penelitian ini menggunakan empat tahapan utama untuk meningkatkan kinerja model. Tahapan meliputi analisis literatur dan perbandingan arsitektur deteksi pada data publik.

Selain itu, dikembangkan model klasifikasi dengan perhatian hirarkis. Optimasi hyperparameter juga dilakukan untuk meningkatkan kemampuan deteksi.

Hasil penelitian menunjukkan tingkat signifikansi yang tinggi. Model klasifikasi mencapai akurasi hingga 94 persen.

Model deteksi teroptimasi meningkatkan mean average precision sebesar 17 persen. “Hasil ini melampaui baseline hingga 22 poin persentase,” ucapnya.

Kerangka kerja ini tervalidasi secara statistik melalui berbagai pengujian acak. Hasilnya menunjukkan konsistensi dan stabilitas pengontrolan kualitas yang tinggi.

Strategi optimasi memprioritaskan konfigurasi model sebelum pengembangan arsitektur. Pendekatan ini mempertimbangkan aspek teknis dan kebutuhan operasional industri.

Penelitian ini diharapkan dapat diadopsi di industri tekstil nyata. Implementasi awal dapat dimulai melalui skala pilot pada satu lini produksi.

Pengembangan model ringan memungkinkan penerapan pada perangkat edge computing. Hal ini memudahkan industri menengah tanpa investasi besar.

Inovasi ini mendukung pencapaian Sustainable Development Goals. Fokusnya pada pekerjaan layak, inovasi industri, dan produksi bertanggung jawab.