AI Deteksi Anomali Las: Kunci Adopsi Ada di Kepercayaan Operator

Deteksi anomali berbasis kecerdasan buatan (artificial intelligence/AI) di lini pengelasan pabrik Stellantis di Goiana, Pernambuco, Brasil, menunjukkan hasil yang terukur. Dalam enam bulan, sistem ini membantu tim pemeliharaan mengidentifikasi potensi kegagalan peralatan las sebelum mengganggu produksi. Angka yang dilaporkan mencakup 14 kegagalan peralatan yang berhasil dicegah, 15 jam produksi yang dipulihkan dalam satu bulan, serta dukungan terhadap perkiraan kenaikan kapasitas produksi tahunan sebesar 810 kendaraan.

Namun mendeteksi potensi kegagalan ternyata hanya separuh persoalan. Tantangan berikutnya adalah membangun kepercayaan terhadap prediksi sistem, sehingga engineer pemeliharaan punya cara untuk memahami apa yang sedang ditandai AI dan menentukan kapan tindakan benar-benar diperlukan.

Pengalaman itu dibagikan dalam sesi bertajuk “From Months to Days: Accelerate Industrial AI with a Modern Data Architecture” pada Industrial AI Summit 2026. Sesi ini menghadirkan Aron Semle dari HighByte dan Denis Leite dari Mekatronik, dimoderatori Hamish Mackenzie dari IIoT World, dan disponsori HighByte. Pembahasan mereka bergerak dari penyiapan data industri untuk pemodelan AI hingga pemberian bukti yang dibutuhkan engineer agar bisa mengambil keputusan secara informed.

Menyusun Data Las agar Bisa Dibaca Model AI

Untuk membangun model deteksi anomali, tim di Stellantis harus menyatukan data pengelasan dari beberapa sumber sekaligus. Sumbernya beragam: berkas TXT, basis data SQL, dan sistem operasional yang selama ini berjalan terpisah.

Alih-alih mengirim data mentah itu langsung ke data lake (repositori penyimpanan data dalam skala besar), tim memilih mengorganisasi dan memberi konteks data di sekitar masing-masing operasi pengelasan. Pendekatan ini memudahkan analisis aktivitas produksi, pengenalan pola, dan penemuan perilaku tidak biasa yang bisa menjadi indikasi masalah peralatan.

Pilihan tersebut penting secara praktis. Data las yang tercerai dari konteks operasinya sulit dipakai untuk menilai apakah suatu pembacaan benar-benar menyimpang atau hanya variasi normal. Dengan menautkan data ke operasi las tertentu, model AI mendapat dasar pembanding yang lebih jelas, sementara engineer mendapat titik acuan ketika harus menelusuri kembali sebuah peringatan.

Bagi pabrik yang ingin menempuh jalur serupa, urutan kerjanya menjadi gambaran umum yang masuk akal: identifikasi sumber data, satukan, lalu beri konteks sebelum masuk ke pemodelan. Tanpa langkah kontekstualisasi, sekumpulan besar data historis cenderung berhenti sebagai arsip, bukan sebagai bahan bakar model yang bisa diandalkan di lantai produksi.

Dirancang untuk Produksi Sejak Hari Pertama

Salah satu keputusan yang membedakan proyek ini adalah pendekatannya. Tim Stellantis tidak memulai dari pilot berskala kecil, melainkan merancang solusi untuk produksi sejak hari pertama.

Denis Leite menyoroti perbedaan mendasarnya: membuktikan sebuah solusi berfungsi adalah satu hal, memastikan solusi itu berjalan andal di lingkungan manufaktur adalah hal lain. Karena itu, perencanaan mencakup aspek keandalan, pemeliharaan, dan skalabilitas sejak awal.

Stellantis juga memastikan engineer internalnya terlibat sepanjang proyek. Mengamankan pendanaan dan dukungan untuk inisiatif AI industri memang menantang, tetapi menyediakan waktu bagi tim internal untuk ikut serta bisa sama sulitnya. Di Goiana, prioritas diberikan pada keterlibatan itu sehingga tim memiliki pengetahuan produksi langsung yang dibutuhkan untuk membangun dan menyebarkan solusi.

Keterlibatan ini punya konsekuensi teknis. Engineer yang memahami perilaku mesin las sehari-hari dapat menilai apakah data latih dan logika model sudah mencerminkan kondisi nyata, sekaligus menjadi pengguna pertama yang menguji apakah peringatan sistem masuk akal di lapangan.

Visualisasi sebagai Bukti, Bukan Sekadar Tampilan

Identifikasi anomali oleh AI hanya berguna bila engineer bisa memahami mengapa sebuah kasus ditandai dan menentukan apakah perlu tindakan. Di Stellantis, tim memakai dasbor, data time-series (deret waktu), dan diagram distribusi untuk membantu engineer membandingkan operasi las normal dengan anomali yang terdeteksi model.

Versi awal visualisasi belum menunjukkan perbedaan antara perilaku normal dan anomali secara jelas. Tim kemudian memperbaiki tampilan tersebut agar selisihnya lebih mudah dikenali, sehingga engineer memperoleh konteks yang diperlukan untuk memvalidasi prediksi dan mengambil keputusan pemeliharaan.

Dalam praktiknya, seorang engineer bisa melihat data lalu menyimpulkan: inilah yang biasanya terjadi, inilah yang terjadi pada kasus yang ditandai model, dan ada perbedaan nyata yang layak diselidiki. Pola penalaran semacam itu mengubah keluaran AI dari kotak hitam menjadi bahan pertimbangan yang bisa diperiksa.

Seiring engineer menindaklanjuti kasus yang ditandai dan mengonfirmasi adanya masalah nyata, kepercayaan mereka terhadap sistem tumbuh. Setiap prediksi yang tervalidasi memperkuat bukti bahwa model mampu mengenali potensi kegagalan peralatan, hingga akhirnya sistem menjadi alat yang bisa diandalkan untuk operasi 24/7.

Relevansi untuk Indonesia

Pola yang muncul di Goiana relevan bagi banyak pabrik di Indonesia, terutama yang bergerak di otomotif, komponen, dan logam fabrikasi dengan lini pengelasan berjalan hampir tanpa henti. Persoalan yang dihadapi biasanya bukan kekurangan data, melainkan data yang tersebar di berbagai format dan sistem.

Berkas teks dari mesin, basis data produksi, dan sistem operasional lain adalah pemandangan umum di lantai pabrik. Menyatukan dan memberi konteks pada data tersebut sebelum dipakai untuk pemodelan adalah pekerjaan yang tidak terlihat glamor, tetapi menentukan apakah model AI bisa dipakai sehari-hari atau berhenti sebagai proyek percontohan.

Pelajaran kedua berkaitan dengan manusia. Nilai dasbor dan grafik bukan pada kerapian tampilannya, tetapi pada kemampuannya menjawab pertanyaan engineer: apa yang berbeda dari biasanya, dan mengapa itu penting. Investasi pada visualisasi yang jelas sering kali lebih menentukan tingkat adopsi dibanding penambahan kompleksitas model.

Pelajaran ketiga adalah soal keterlibatan tim internal. Engineer yang tahu seluk-beluk mesin adalah aset paling berharga dalam proyek AI industri, dan memberi mereka ruang untuk terlibat sejak awal membantu memastikan solusi dirancang untuk kondisi nyata, bukan untuk lingkungan uji yang steril.

Langkah Berikutnya

Setelah keberhasilan sistem deteksi anomali pada pengelasan, Stellantis mulai menjajaki peluang memperluas pendekatan ini ke pabrik dan aplikasi lain. Tim juga menyampaikan bahwa hasilnya terus membaik dibandingkan capaian awal yang dilaporkan.

Langkah berikutnya kini lebih banyak soal keputusan: menentukan di mana pendekatan ini akan diterapkan lebih dulu. Bagi pabrik yang sedang mempertimbangkan AI untuk pemeliharaan, urutan yang terbukti di Goiana bisa menjadi kerangka kerja yang layak diuji, mulai dari perapian data, perancangan untuk produksi, hingga pembangunan kepercayaan lewat validasi di lapangan.