Sistem Inspeksi Visual Berbasis Kecerdasan Buatan untuk Kualitas Manufaktur: Tinjauan Literatur

Abstrak

Inspeksi visual merupakan proses kontrol kualitas yang kritis dalam industri manufaktur modern. Metode inspeksi manual tradisional menghadapi keterbatasan signifikan dalam hal akurasi, konsistensi, dan throughput. Perkembangan pesat dalam bidang kecerdasan buatan (AI), khususnya computer vision dan deep learning, telah membuka peluang baru untuk otomasi sistem inspeksi visual dengan tingkat akurasi yang superior. Penelitian ini menyajikan tinjauan literatur sistematis yang menganalisis 52 studi peer-reviewed yang dipublikasikan antara Januari 2019 hingga Oktober 2024. Metodologi penelitian mengikuti pedoman PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) dengan pencarian sistematis melalui database IEEE Xplore, ScienceDirect, Springer, ACM Digital Library, dan Google Scholar. Kriteria inklusi mencakup studi empiris yang mengimplementasikan teknik AI/ML untuk inspeksi visual dalam konteks manufaktur dengan hasil kuantitatif. Hasil analisis menunjukkan dominasi metode deep learning (87% dari total studi) dengan arsitektur Convolutional Neural Networks (CNN) sebagai pendekatan paling populer (64%), diikuti oleh YOLO series (27%) dan R-CNN variants (21%). Transfer learning dari model pre-trained digunakan dalam 71% studi untuk mengatasi keterbatasan dataset. Tingkat akurasi yang dilaporkan berkisar dari 92,3% hingga 99,8% dengan median 96,7%. Aplikasi terdistribusi di berbagai sektor: elektronik (31%), otomotif (25%), food processing (17%), farmasi (13%), dan manufaktur umum (14%). Tantangan utama yang teridentifikasi meliputi keterbatasan dataset berlabel (67% studi), kebutuhan komputasi tinggi (54% studi), generalisasi lintas kondisi produksi (51% studi), dan class imbalance (46% studi). Penelitian ini memberikan kontribusi berupa framework komprehensif untuk pemilihan teknik AI yang tepat, identifikasi best practices dalam implementasi, dan roadmap penelitian masa depan termasuk pengembangan few-shot learning, explainable AI, dan integrasi edge computing.