Bagaimana AI Mengubah Pengendalian Mutu Otomotif

Kegagalan mutu menimbulkan biaya besar. Pada 2025, produsen kendaraan di AS membayar klaim garansi senilai $20,81 miliar, dan menurut National Highway Traffic Safety Administration, lebih dari 29 juta kendaraan ditarik dari peredaran. Semua angka ini berawal dari komponen cacat yang luput dari perhatian atau tidak diperiksa dengan benar—baik karena kesalahan dalam proses desain dan/atau inspeksi maupun karena sesuatu terjadi pada kendaraan setelah dikirim kepada pelanggan.

Semakin banyak variabel yang kian kompleks memengaruhi upaya menemukan cacat di lini produksi. Fungsi yang dahulu bekerja secara mekanis kini dikendalikan perangkat lunak, sementara toleransi pada komponen mekanis dan baterai kendaraan listrik semakin ketat, sehingga ruang untuk kesalahan semakin kecil. Selain itu, rantai pasok global menambah variabilitas yang tidak dapat sepenuhnya dikendalikan oleh satu pabrik. Semua hal ini semakin menegaskan pentingnya memiliki proses yang tepat untuk menemukan cacat di lini produksi.

Kecerdasan buatan memberi tim mutu seperangkat alat yang berbeda. Alih-alih memeriksa sampel komponen setelah produksi dan berharap tidak ada masalah yang terlewat, kini produsen dapat memantau setiap komponen secara waktu nyata serta menemukan tren atau penyimpangan sebelum berkembang menjadi cacat. Setelah bertahun-tahun bekerja sama dengan produsen otomotif, ban, dan baterai untuk mengatasi masalah ini, saya ingin menguraikan apa yang sebenarnya berubah dan apa yang diperlukan agar program-program ini berhasil.

Menemukan Masalah Sebelum Dampaknya Membesar

Perubahan terbesar yang dibawa AI ke bidang mutu adalah skala pemeriksaan. Dengan memeriksa semua produk di lini produksi, Anda dapat mendeteksi anomali sebelum berkembang menjadi cacat. Manusia bisa keliru, jadi jika Anda hanya memeriksa sampel dari lini produksi dan mengandalkan pemeriksaan visual oleh manusia, anomali bisa saja luput. Penyebabnya bisa berupa kesalahan manusia karena tidak mampu mengenali cacat secara visual atau kelelahan yang membuat karyawan kurang teliti dibandingkan saat awal giliran kerja.

Perkembangan dan perpaduan teknologi kamera dengan AI dapat sangat bermanfaat bagi sektor otomotif. Anda bukan hanya dapat mulai menemukan lebih banyak cacat di lini produksi, tetapi yang lebih penting, mendeteksi masalah sebelum terjadi. Dengan menggunakan AI untuk menemukan cacat dalam pengujian virtual, produsen mulai memanfaatkannya bukan hanya untuk memprediksi kemungkinan kegagalan, tetapi juga untuk membuat pengujian baru pada produk mereka. Selain itu, penggunaan AI di lini produksi dapat membantu Anda menemukan lebih banyak cacat daripada yang sebelumnya mungkin ditemukan. Riset dari McKinsey menunjukkan bahwa produsen mampu mendeteksi 90% lebih banyak cacat dengan menggunakan AI di lini produksi mereka.

Inspeksi yang Terus Meningkatkan Kinerjanya

Menemukan lebih banyak cacat hanyalah sebagian dari ceritanya. Perubahan kedua adalah inspeksi berbasis AI semakin baik seiring waktu, alih-alih tetap statis. Sistem bertenaga AI tidak hanya menemukan lebih banyak cacat, tetapi juga menganalisis seluruh data yang dimasukkan dan belajar darinya. Penggunaan AI untuk memprediksi keluaran mesin memungkinkan Anda mendeteksi saat mesin tidak bekerja sesuai spesifikasi. Jika kinerja mesin mulai melampaui batas toleransi, Anda dapat memberi tahu sistem dan membuatnya menyesuaikan nilai mesin agar hasil produksi kembali berada dalam batas toleransi dan produk kembali memenuhi spesifikasi.

Contohnya di industri ban adalah proses penyambungan. Dengan menggunakan AI dan teknologi visi pada proses penyambungan, Anda dapat mengurangi sambungan yang berada di luar toleransi sekaligus meningkatkan kinerja. Contoh lain di industri otomotif adalah peningkatan keseragaman celah dan kerataan permukaan di bagian bodi atau area pengelasan. Karena sistem telah belajar dari data saat ini dan data historis, sistem dapat mengenali karakteristik sambungan yang baik serta toleransi geometris yang tepat, lalu mulai menyesuaikan variabel proses mesin dan robotika secara waktu nyata agar tetap berada dalam batas toleransi. Siklus pembelajaran inilah yang membedakan inspeksi AI modern dari otomasi sebelumnya. Standar tetap konsisten di berbagai giliran kerja, lini produksi, bahkan pabrik di berbagai wilayah—hal yang penting bagi produsen ban dan otomotif yang menggunakan sistem dan model yang sama di sejumlah fasilitas di seluruh dunia.

Dari Perlindungan Menjadi Keunggulan Strategis

Selama ini, pengendalian mutu dipandang sebagai perlindungan, yakni pemeriksaan akhir untuk mencegah komponen cacat sampai ke tangan pelanggan. AI mengubahnya menjadi sesuatu yang lebih menyerupai alat strategis.

Anda bukan hanya dapat mendeteksi lebih banyak cacat, tetapi juga mulai memahami di mana cacat itu terjadi. Pemahaman yang lebih baik tentang proses memungkinkan Anda mengenali tren dan memperbaiki masalah sebelum berkembang. Setelah mengetahui di mana cacat terjadi, Anda dapat meningkatkan tingkat kelulusan pada pemeriksaan pertama dan menurunkan tingkat produk afkir serta pengerjaan ulang. Dengan menurunkan tingkat produk afkir dan pengerjaan ulang, Anda juga dapat mulai meningkatkan kapasitas produksi.

Metrik yang penting di sini bukanlah sesuatu yang rumit. Tingkat kelulusan pada pemeriksaan pertama, tingkat produk afkir dan pengerjaan ulang, keluhan pelanggan, serta akurasi inspeksi sudah ada sebelum AI. Yang berubah adalah seberapa cepat dan konsisten produsen dapat mengukur metrik tersebut dan mengambil tindakan berdasarkan hasilnya. Cacat yang ditemukan di lini produksi jauh lebih murah daripada cacat yang ditemukan setelah perakitan, dan cacat yang ditemukan setelah perakitan jauh lebih murah daripada cacat yang sampai ke pelanggan dan berujung pada klaim garansi atau penarikan produk.

Mengapa Begitu Banyak Program AI Mandek

Tentu saja, semua ini tidak terjadi secara otomatis. Membeli kamera dan perangkat lunak AI bukan berarti Anda akan mendeteksi lebih banyak cacat. Ada beberapa faktor penting yang dilakukan secara berbeda oleh produsen yang berhasil menerapkan proses ini. Mereka mengidentifikasi titik masalah di lini produksi, lalu berupaya mengatasinya dengan AI, alih-alih langsung menggunakan AI dan mencari-cari kegunaannya. Mereka juga memastikan memiliki sasaran terukur sebagai tolok ukur untuk membandingkan hasil. Setelah mengetahui bahwa uji coba Anda berhasil, Anda dapat mempertimbangkan untuk menerapkan proses tersebut di area lain pada lini produksi.

Hal lain yang perlu dipastikan adalah tim Anda memiliki keterampilan yang tepat. Tim kendali mutu Anda mungkin memahami seluruh proses, tetapi belum pernah menggunakan pembelajaran mesin. Atau, tim ilmu data Anda mungkin sangat memahami pembelajaran mesin, tetapi tidak mengetahui apa yang terjadi di lini produksi. Memastikan tim memiliki keterampilan lintas fungsi ini, serta pengalaman dalam memperluas penerapan, akan memungkinkan Anda menerapkan proses tersebut di lini produksi dan di seluruh operasi.

Ke Mana Arah Perkembangannya

Mutu selalu menjadi penentu reputasi di industri otomotif. Satu anomali saja yang sampai ke pasar dapat memicu penarikan produk dengan biaya ratusan juta dolar dan mengikis kepercayaan pelanggan yang telah dibangun selama bertahun-tahun. AI menawarkan cara untuk mendeteksi anomali itu lebih awal, memahami penyebabnya, dan mencegahnya terulang, di setiap lini produksi dan setiap pabrik sekaligus, bukan satu per satu.

Produsen yang saat ini memperoleh manfaat nyata dari AI belum tentu merupakan mereka yang memiliki teknologi paling canggih. Mereka adalah produsen yang memandang mutu sebagai sebuah sistem yang perlu dipahami dan terus ditingkatkan, dengan AI sebagai salah satu bagian dari sistem tersebut, bukan keseluruhannya. Seiring arsitektur kendaraan terus berkembang dan volume produksi terus meningkat, disiplin ini akan semakin penting.