Penulis: Muhammad Ilham Ashiddiq Tresnawan, S.T., B.Sc., M.Sc.
Sumber: huyirfid.com
Penelitian ini merupakan hasil kolaborasi bersama Bapak Haeruddin, S.Kom., M.MSI. selaku Ketua Program Studi Teknologi Informasi Universitas Internasional Batam, Saudara Franklin Winata selaku mahasiswa Program Studi Teknologi Informasi Universitas Internasional Batam, Bapak Gautama Wijaya, serta Bapak Heru Wijayanto Aripradono, S.Kom., M.Kom. selaku dosen Program Studi Teknologi Informasi Universitas Internasional Batam.
Industri elektronik, khususnya manufaktur sel surya, membutuhkan proses produksi yang cepat, akurat, serta didukung oleh integritas data yang tinggi. Salah satu komponen penting yang mendukung proses tersebut adalah chip RFID (Radio Frequency Identification) yang terpasang pada flower basket. Chip ini berfungsi sebagai media penyimpanan dan pengiriman informasi sehingga setiap material yang diproses dapat dipantau secara otomatis selama berada di jalur produksi.
Namun, kerusakan pada chip RFID dapat menimbulkan berbagai permasalahan, mulai dari hilangnya informasi, kegagalan pembacaan tag RFID, hingga terganggunya efisiensi dan keberlangsungan proses produksi. Kondisi ini menunjukkan bahwa pemantauan kondisi chip menjadi hal yang penting agar potensi kerusakan dapat diketahui sebelum memberikan dampak yang lebih besar terhadap operasional perusahaan.
Melalui penelitian ini, dikembangkan sebuah model prediksi untuk mengidentifikasi kondisi chip RFID, apakah berada dalam kondisi normal atau mengalami kerusakan. Model tersebut dibangun menggunakan data historis proses produksi di industri sel surya dengan memanfaatkan berbagai parameter, seperti suhu perendaman (immersion temperature), kelembapan lingkungan (ambient humidity), tekanan proses, getaran mesin, kecepatan pengeringan, durasi pemanasan dan pendinginan, suhu pembakaran (firing temperature), frekuensi penggunaan chip, serta kondisi pembacaan RFID.
Untuk meningkatkan kualitas prediksi, penelitian ini menerapkan Feature Engineering, yaitu teknik yang digunakan untuk membentuk fitur-fitur baru agar data lebih representatif dan mampu menggambarkan hubungan antarparameter proses dengan lebih baik. Selain itu, metode SMOTE (Synthetic Minority Over-sampling Technique) dimanfaatkan untuk mengatasi ketidakseimbangan jumlah data antara chip normal dan chip yang mengalami kerusakan, sehingga model dapat mempelajari kedua kondisi secara lebih optimal.
Selanjutnya, algoritma Random Forest digunakan untuk membangun model prediksi dan mengidentifikasi parameter proses yang paling berpengaruh terhadap risiko kerusakan chip RFID. Berdasarkan hasil penelitian, kombinasi beberapa parameter proses produksi terbukti memberikan kontribusi yang signifikan terhadap potensi kerusakan chip. Model yang dihasilkan juga mampu mengklasifikasikan kondisi chip dengan performa yang baik sehingga dapat dimanfaatkan sebagai dasar dalam mendukung proses pengambilan keputusan.
Penerapan model prediksi ini berpotensi menjadi sistem peringatan dini (early warning system) bagi industri manufaktur sel surya. Dengan mendeteksi potensi kerusakan lebih awal, perusahaan dapat melakukan tindakan preventif untuk menjaga integritas data, mengurangi risiko gangguan operasional, serta meningkatkan efisiensi proses produksi secara keseluruhan.
Pemanfaatan data historis yang dipadukan dengan teknologi Artificial Intelligence menunjukkan bahwa transformasi digital di sektor manufaktur tidak hanya berfokus pada otomatisasi proses, tetapi juga pada kemampuan memanfaatkan data sebagai dasar pengambilan keputusan yang lebih cepat, akurat, dan berkelanjutan. Pendekatan ini diharapkan dapat menjadi salah satu solusi dalam mendukung implementasi Smart Manufacturing pada industri sel surya maupun sektor manufaktur lainnya.
🔍 Tertarik mendalami Teknologi Informasi? Cek Program Studi Teknologi Informasi Universitas Internasional Batam dan pilih peminatanmu: Cloud Engineering, Smart Systems, atau Cyber Intelligence. Segera daftarkan dirimu di Pendaftaran Program Sarjana Teknologi Informasi.
Editor: Ambarwulan, S.T.
Referensi
- Butsianto, S., & Herdiyan, S. (2021). Sistem Inventori Berbasis Internet of Things Menggunakan Radio Frequency Identification (RFID).
- Ferdousmou, J., dkk. (2024). IoT-Enabled RFID in Supply Chain Management: A Comprehensive Survey and Future Directions.
- Hakeem, A. A. A., dkk. (2020). Smart Manufacturing for Industry 4.0 using Radio Frequency Identification (RFID) Technology.
- Erlin, E., dkk. (2022). Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak Seimbang.
- Zermane, H., & Drardja, A. (2022). Development of an Efficient Cement Production Monitoring System Based on the Improved Random Forest Algorithm.
- Meddaoui, A., dkk. (2024). Advanced ML for Predictive Maintenance.
- Herdian, C., dkk. (2021). One-Hot Encoding Feature Engineering untuk Label-Based Data.
