Di era industri 4.0, kualitas produk bukan lagi hanya bergantung pada ketelitian manusia atau kekuatan mesin, melainkan juga pada kecerdasan digital yang mampu menganalisis setiap detail proses secara real time. Mulia Steel, sebagai salah satu produsen billet baja yang terus berinovasi di Indonesia, telah mengambil langkah besar dengan menerapkan teknologi Artificial Intelligence (AI) dan Machine Learning (ML) dalam sistem pengawasan kualitas produksinya.

Implementasi ini tidak hanya meningkatkan presisi dan konsistensi kualitas billet, tetapi juga mengurangi risiko kesalahan, mempercepat proses evaluasi, dan menciptakan standar baru dalam industri baja nasional.

Berikut penjelasan lengkap mengenai bagaimana AI dan ML bekerja di lingkungan produksi Mulia Steel.

1. Transformasi Sistem Quality Control Konvensional ke Berbasis AI

Sebelumnya, inspeksi billet dilakukan secara manual oleh operator menggunakan alat ukur dan inspeksi visual. Metode ini cukup efektif, tetapi memiliki beberapa keterbatasan:

• risiko human error yang tinggi,
• waktu inspeksi lebih lama,
• tidak setiap cacat mikro dapat terdeteksi,
• sulit memastikan konsistensi antara batch satu dengan lainnya.

Dengan teknologi AI, Mulia Steel kini menggunakan sistem inspeksi otomatis yang memanfaatkan kamera resolusi tinggi dan algoritma pengenal permukaan untuk mendeteksi cacat secara instan dan akurat.

     2. Vision AI untuk Deteksi Cacat Permukaan Billet

• Kamera Industri Beresolusi TinggiDiposisikan di sepanjang jalur produksi billet, kamera ini menangkap gambar permukaan billet dari berbagai sisi — mencakup sisi atas, bawah, dan samping.
• Algoritma Pengenalan Cacat Berbasis Deep LearningAI kemudian menganalisis gambar secara otomatis untuk mengidentifikasi berbagai cacat, seperti:
  • retakan (cracks),
  • porositas (porosity),
  • lipatan (laps),
  • inklusi non-logam,
  • ketidaksempurnaan bentuk.

  Sistem AI dapat mengenali pola cacat yang bahkan tidak terlihat oleh mata manusia, terutama pada permukaan billet yang panas dan sulit diinspeksi secara manual.

3. Machine Learning untuk Prediksi Kualitas dan Pencegahan Cacat

Salah satu keunggulan utama ML adalah kemampuannya belajar dari data historis produksi.

• Analisis Data ProsesML menganalisis parameter seperti:
  • temperatur tungku,
  • kecepatan casting,
  • tekanan hidrolik,
  • komposisi kimia cairan baja,
  • getaran mesin,
  • aliran coolant,

  untuk memprediksi potensi cacat yang mungkin muncul.

• Sistem Early WarningJika algoritma mendeteksi anomali yang mengarah pada cacat, sistem memberikan peringatan kepada operator untuk melakukan penyesuaian proses sebelum cacat terjadi.

  Hasilnya: berkurangnya defect rate dan meningkatnya yield production.

4. Digital Twin untuk Simulasi Produksi Billet

Mulia Steel menerapkan konsep Digital Twin, yaitu replika digital dari proses produksi billet yang digunakan untuk:

• Mensimulasikan kondisi produksi secara real time
• Menganalisis potensi kegagalan pada mesin
• Memprediksi hasil kualitas berdasarkan parameter tertentu

5. Pengukuran Dimensi Otomatis Menggunakan Sensor AI

Untuk memastikan setiap billet memiliki ukuran standar (penampang, panjang, dan toleransi dimensi), Mulia Steel menggunakan:

• Laser Measurement SystemYang terhubung dengan AI untuk mengukur dimensi billet secara otomatis dan kontinu.
• Machine Learning CalibrationML mempelajari perubahan pola dimensi berdasarkan kondisi mesin sehingga mampu memberikan rekomendasi penyetelan otomatis untuk menjaga dimensi tetap konsisten.

6. Integrasi AI dalam Pengecekan Komposisi Kimia

• Memantau hasil pengujian spektrometri
• Mengidentifikasi deviasi komposisi secara cepat
• Memberikan rekomendasi penyesuaian bahan baku atau aditif

7. Dashboard Quality Control Berbasis AI untuk Manajemen

Semua data dikumpulkan pada satu platform dashboard cerdas yang menampilkan:

• tren cacat harian dan bulanan,
• grafik performa mesin,
• tingkat keberhasilan prediksi ML,
• analisis penyebab cacat (root-cause analysis),
• laporan otomatis untuk tim QA dan produksi.

Dashboard ini mempercepat pengambilan keputusan dan memperkuat kolaborasi lintas divisi.