Dalam Ujian Tesis yang diadakan pada Rabu (23/07), Rifqi Restu Hamidi, mahasiswa Program Magister Teknik Industri, Departemen Teknik Mesin dan Industri (DTMI) UGM dinyatakan lulus ujian setelah mempertahankan tesisnya yang berjudul “Optimasi Model YOLO untuk Deteksi Cacat Proses Klowong pada Mesin Batik Tulis (CNC) Secara Real-Time (Studi Kasus: Batik Butimo Yogyakarta)”. Presentasi tesis ini dilaksanakan di hadapan tim penguji beranggotakan Prof. Dr. Eng. Ir. Herianto, S.T., M.Eng., IPU., ASEAN Eng., Ir. Andi Sudiarso, S.T., M.T., M.Sc., Ph.D., IPM., ASEAN Eng., Dr.Eng. Ir. Muh Arif Wibisono, S.T., M.T., IPM., ASEAN Eng..
Tesis Rifqi menyatakan bahwa produksi batik tradisional, khususnya pada tahap klowong, memerlukan ketelitian tinggi dan waktu yang cukup lama, sehingga meningkatkan risiko kegagalan produksi. Seiring kemajuan teknologi, sejumlah industri batik mulai mengadopsi mesin CNC untuk mempercepat proses klowong, seperti yang dilakukan oleh Batik Butimo di Yogyakarta. Namun demikian, inspeksi hasil klowong masih dilakukan secara manual, yang berisiko menimbulkan bias dan ketidakefisienan dalam deteksi cacat.
”Hal ini disebabkan oleh ketergantungan pada pengamatan manusia yang bersifat subjektif, rentan terhadap kelelahan, serta dipengaruhi oleh kondisi lingkungan dan konsentrasi operator, sehingga akurasi dan konsistensi inspeksi sulit dipertahankan,” papar Rifqi.
Menanggapi tantangan tersebut, penelitian ini bertujuan mengembangkan sistem deteksi cacat otomatis menggunakan arsitektur YOLO (You Only Look Once). Teknologi ini memungkinkan deteksi cacat secara real-time dengan akurasi tinggi melalui pendekatan YOLO yang mampu mengenali fitur visual secara mendalam dalam satu proses inference. Sistem ini dapat mengidentifikasi jenis dan lokasi cacat tanpa intervensi manusia.
Sistem juga diintegrasikan dengan mesin CNC dan dilengkapi dengan Graphical User Interface (GUI) untuk memantau produksi secara langsung dan memberikan umpan balik instan kepada operator.
Hasil pengujian menunjukkan bahwa sistem deteksi cacat ini bekerja sangat baik, dengan tingkat recall mencapai 100% untuk hampir semua jenis cacat. ”Tingkat precision juga tinggi, dengan sebagian besar jenis cacat mencapai 100%, meskipun terdapat penurunan pada beberapa jenis seperti Defect 1 (91%) dan Defect 9 (90%),” lanjut Rifqi.
Temuan ini menunjukkan bahwa sistem mampu melakukan deteksi dengan sensitivitas dan akurasi yang baik. Penelitian ini berkontribusi dalam mendukung keberlanjutan industri batik tradisional melalui penerapan teknologi modern tanpa menghilangkan nilai artistik dari batik itu sendiri.
Kontributor: Maryanti, A.Md.
Penyusun: Gusti Purbo Darpitojati, S.I.Kom.
