Surabaya, 23 April 2026 – Masalah klasik industri tekstil Indonesia selama ini adalah inspeksi mutu yang masih mengandalkan mata manusia. Hasilnya? Akurasi hanya 50–70 persen, kecacatan sering luput, dan biaya produksi membengkak. Kini, seorang doktor lulusan Institut Teknologi Sepuluh Nopember (ITS) menghadirkan solusi revolusioner.
Dr Fajar Pitarsi Dharma SST MT, alumnus program doktoral Departemen Teknik Sistem dan Industri (DTSI) ITS, berhasil mengembangkan sistem pengontrolan kualitas tekstil berbasis integrasi machine learning. Dalam Sidang Terbuka Promosi Doktor DTSI 133, ia memaparkan kerangka kerja yang mampu mendeteksi dan mengklasifikasi cacat kain secara real-time dengan akurasi mencapai 94 persen.
Inspeksi Manual Tak Andal, Produksi Terhambat
Fajar menjelaskan bahwa kelemahan inspeksi manual menjadi pangkal masalah. “Hal ini mengakibatkan keterlambatan dalam mendeteksi kecacatan sekaligus menurunkan laju produksi,” ungkapnya. Alumnus S2 Universitas Mercu Buana itu menambahkan bahwa ketidakkonsistenan pengawasan mutu membuat industri tekstil Indonesia sulit bersaing di pasar global.
Integrasi Dua Model AI: CNN + Deteksi Objek
Untuk menjawab tantangan tersebut, Fajar mengusulkan strategi ganda yang menggabungkan dua teknologi canggih. Pertama, convolutional neural network (CNN) untuk mengklasifikasi jenis cacat. Kedua, model deteksi objek untuk melokalisasi secara spasial letak cacat pada kain pertenunan.
“Model ini memungkinkan proses identifikasi cacat secara lebih cepat dan presisi sehingga dapat mendukung pengawasan mutu secara real-time,” jelasnya.
Hasil Uji: Melampaui Metode Terbaik yang Ada
Penelitian yang dilakukan melalui empat tahapan utama—mulai dari analisis literatur, pengembangan model klasifikasi dengan mekanisme perhatian hirarkis, hingga optimasi hyperparameter—menunjukkan hasil yang spektakuler.
- Model klasifikasi mencapai akurasi 94% dalam mengidentifikasi jenis cacat.
- Model deteksi yang teroptimasi mencatat peningkatan mean average precision sebesar 17 persen.
- Kinerjanya melampaui state-of-the-art methods, bahkan unggul hingga 22 poin persentase di atas baseline.
“Hasil ini melampaui baseline hingga 22 poin persentase,” tegas Fajar bangga.
Tak hanya akurat, sistem ini juga telah lolos validasi statistik melalui berbagai pengujian acak, menunjukkan tingkat konsistensi dan stabilitas yang tinggi. Strategi optimasi yang diterapkan juga memprioritaskan konfigurasi model sebelum pengembangan kapasitas arsitektur, sehingga lebih efisien dan sesuai kebutuhan operasional industri.
Jalan Menuju Pabrik Tekstil Cerdas
Fajar berharap penelitiannya bisa langsung diadopsi di lingkungan industri nyata. Ia merancang roadmap mulai dari uji coba skala pilot di satu lini produksi, hingga menjadi sistem inspeksi otomatis terintegrasi penuh.
Yang menarik, pengembangan model yang lebih ringan memungkinkan sistem ini berjalan di perangkat edge computing yang terjangkau. “Pabrik tekstil skala menengah pun turut mengadopsinya tanpa investasi infrastruktur yang besar,” tuturnya penuh harap.
Dukung SDGs: Pekerjaan Layak, Inovasi, Produksi Bertanggung Jawab
Inovasi ini juga selaras dengan pencapaian Sustainable Development Goals (SDGs), terutama poin ke-8 (Pekerjaan Layak dan Pertumbuhan Ekonomi), poin ke-9 (Industri, Inovasi, dan Infrastruktur), serta poin ke-12 (Konsumsi dan Produksi yang Bertanggung Jawab).
“Hadirnya inovasi ini diharapkan menumbuhkan inklusivitas teknologi, keberlangsungan efisiensi industri tekstil, dan proses produksi yang lebih bertanggung jawab,” pungkas Fajar.
Dengan sistem buatan anak bangsa ini, masa depan industri tekstil Indonesia tampak lebih cerah, efisien, dan siap bersaing di era manufaktur 4.0. (*)
