Model Prediksi Cacat Produk sebagai Early Detection System pada Quality Control Manufaktur

Abstract

Dalam sistem manufaktur modern, produk cacat merupakan salah satu bentuk pemborosan yang berdampak langsung pada efisiensi produksi, biaya, dan kualitas produk. Pada sistem produksi massal, keterlambatan dalam mendeteksi cacat berpotensi menghasilkan produk tidak sesuai spesifikasi dalam jumlah besar. Namun, pemanfaatan model prediksi berbasis data produksi untuk mendeteksi potensi cacat secara dini masih relatif terbatas dan belum banyak dikaji secara komparatif. Penelitian ini bertujuan untuk mengembangkan model awal prediksi tingkat cacat produk manufaktur menggunakan pendekatan machine learning. Metode yang digunakan adalah Random Forest (RF) dan Multi-Layer Perceptron (MLP) dengan memanfaatkan dataset manufaktur terbuka, serta dilakukan analisis feature engineering dan hyperparameter tuning. Kinerja model dievaluasi menggunakan train accuracy dan test accuracy serta selisihnya sebagai indikator overfitting. Hasil menunjukkan bahwa RF menghasilkan akurasi prediksi yang lebih tinggi, terutama setelah hyperparameter tuning, dengan penurunan overfitting yang signifikan. Sementara itu, MLP menunjukkan stabilitas yang lebih baik tetapi dengan akurasi yang lebih rendah. Penelitian ini menunjukkan bahwa model prediksi berbasis data produksi berpotensi menjadi alat bantu awal bagi Quality Control dalam mendeteksi risiko cacat secara dini di lingkungan manufaktur.