IMPLEMENTASI MACHINE LEARNING UNTUK KLASIFIKASI PRODUK GOOD DAN NOT GOOD PADA PROSES QUALITY CONTROL INDUSTRI SPAREPART OTOMOTIF
Keywords:
Klasifikasi, Machine Learning, Quality Control, Random Forest, Sparepart OtomotifAbstract
Proses quality control (QC) pada industri sparepart otomotif umumnya masih mengandalkan inspeksi visual manual untuk memutuskan status Good atau Not Good (NG) suatu produk, sehingga rentan terhadap subjektivitas dan kelelahan inspektor. Penelitian ini bertujuan menerapkan machine learning untuk mengklasifikasikan produk Good dan Not Good pada proses QC line brazing di PT. Cipta Nissin Industries, pemasok komponen pipe dan hose module heater serta vacuum untuk kendaraan bermotor. Data inspeksi QC periode Februari 2026 dianalisis untuk memetakan jenis dan frekuensi cacat, kemudian digunakan sebagai dasar penyusunan fitur klasifikasi yang merepresentasikan kriteria visual baku perusahaan (Limit Sample). Empat algoritma classical machine learning—Decision Tree, Random Forest, Naive Bayes, dan Support Vector Machine—dilatih dan dibandingkan kinerjanya menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan Random Forest memberikan kinerja terbaik dengan akurasi 97,33% dan F1-score 85,96%, mengungguli Decision Tree, SVM, dan Naive Bayes. Analisis feature importance mengidentifikasi deviasi aplikasi pasta dan indeks kekuatan spot weld sebagai prediktor paling berpengaruh, konsisten dengan temuan bahwa cacat dent dan spot weld lepas merupakan jenis cacat paling sering terjadi pada data produksi aktual.
References
Breiman, L., (2001), Random Forests, Machine Learning, 45(1), pp. 5–32.
Chen, M., Wei, Z., Li, L., dan Zhang, K., (2024), Edge Computing-Based Proactive Control Method for Industrial Product Manufacturing Quality Prediction, Scientific Reports, 14, 1274.
Cortes, C. dan Vapnik, V., (1995), Support-Vector Networks, Machine Learning, 20(3), pp. 273–297.
Escobar, C.A. dan Morales-Menendez, R., (2018), Machine Learning Techniques for Quality Control in High Conformance Manufacturing Environment, Advances in Mechanical Engineering, 10(2), pp. 1–15.
Han, J., Kamber, M., dan Pei, J., (2012), Data Mining: Concepts and Techniques, 3rd Ed., Morgan Kaufmann, Waltham.
Ilani, M.A. dan Banad, Y.M., (2025), AM-DefectNet: Additive Manufacturing Defect Classification Using Machine Learning – A Comparative Study, arXiv preprint, arXiv:2509.01769.
Indarti, (2023), Pengendalian Kualitas Produksi Lembaran Baja Melalui Klasifikasi Jenis Cacat Permukaan Menggunakan CNN, Jurnal Rekayasa Sistem Industri, 12(2), pp. 165–172.
Kausik, A.K., Rashid, A.B., Baki, R.F., dan Maktum, M.M.J., (2025), Machine Learning Algorithms for Manufacturing Quality Assurance: A Systematic Review of Performance Metrics and Applications, Array, 26, 100393.
Listanto, F., Fatchan, M., dan Hadikristanto, W., (2023), Prediksi Defect Produk Casting dengan Algoritma SVM Berbasis RBF dan Linier, Jurnal Ilmiah Intech: Information Technology Journal of UMUS, 5(2), pp. 109–119.
Montgomery, D.C., (2020), Introduction to Statistical Quality Control, 8th Ed., John Wiley & Sons, Hoboken.
Novianti, T. dan Santosa, I., (2025), Implementasi Machine Learning pada Industri PLN untuk Klasifikasi Gangguan Listrik Berdasarkan Data DFR, Journal of Manufacturing in Industrial Engineering & Technology, 4(2).
Powers, D.M.W., (2011), Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation, Journal of Machine Learning Technologies, 2(1), pp. 37–63.
Quinlan, J.R., (1986), Induction of Decision Trees, Machine Learning, 1(1), pp. 81–106.
Ramlan, N., Fauzia, F., Hesti, L., Ramlan, N., dan Sensuse, D.I., (2025), Developing a Big Data Strategy: A Public Sector Perspective from the Ministry of Tourism and Creative Economy, Digital Government: Research and Practice, 6(4), pp. 1–26.
Saefulloh, N., Indra, J., Rahmat, R., dan Juwita, A., (2024), Implementasi Algoritma Convolutional Neural Network (CNN) untuk Klasifikasi Kecacatan pada Proses Welding di Perusahaan Manufacturing, Building of Informatics, Technology and Science (BITS), 6(1), pp. 387–394.
Suharman, H.W., (2019), Kajian Industri 4.0 untuk Penerapannya di Indonesia, Jurnal Manajemen Industri dan Logistik, 3(1), pp. 1–13.
Sundaram, S. dan Zeid, A., (2023), Artificial Intelligence-Based Smart Quality Inspection for Manufacturing, Micromachines, 14(3), 570.
Supriyadi, R., Gata, W., Maulidah, N., dan Fauzi, A., (2020), Penerapan Algoritma Random Forest untuk Menentukan Kualitas Anggur Merah, E-Bisnis: Jurnal Ilmiah Ekonomi dan Bisnis, 13(2), pp. 67–75.
Venkatalakshmi, S., Gopalsamy, M., Deepika, S., Manjula, V., Dheepthi, M., Sasikumar, R., Ramya, S., dan Gupta, P.P., (2025), Machine Learning Algorithms for Industrial Defect Detection: Enhancing Product Quality Control, International Journal for Research in Applied Science and Engineering Technology (IJRASET), 13(V).
Wickramasinghe, I. dan Kalutarage, H., (2021), Naive Bayes: Applications, Variations and Vulnerabilities: A Review of Literature with Code Snippets for Implementation, Soft Computing, 25(3), pp. 2277–2293.
Published
Issue
Section
License
Copyright (c) 2026 Rochmat Firdous, Dimas Hadi Prasetyo, Dr. Nurcholis Ramlan, Dr. Mesra Betty Yel (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
