Sebuah panduan langkah demi langkah untuk menerapkan AI pada lini surface-mount technology (SMT) telah dipublikasikan, menunjukkan kepada produsen cara mengubah satu masalah produksi menjadi peningkatan hasil (yield) yang terukur.

Mengapa proyek AI terhenti di pabrik elektronik

Produsen elektronik telah mengejar tren machine learning selama bertahun-tahun, sering kali melatih model pada data yang tidak pernah berhubungan dengan masalah biaya atau kualitas yang nyata. Hasilnya adalah tumpukan proof of concept yang hanya tersimpan di server, sementara lantai produksi masih bergelut dengan first-pass yield (FPY) yang rendah dan tingkat scrap yang tinggi. Panduan baru ini mengubah skenario tersebut: ia dimulai dengan keputusan yang jelas—“Identifikasi unit untuk peninjauan lebih lanjut setelah AOI tetapi sebelum ICT”—dan membangun model yang dapat dinilai berdasarkan metrik kinerja yang ada.

Risiko bagi produsen

Setiap papan sirkuit cacat yang lolos dari inspeksi berarti pemborosan komponen, tenaga kerja pengerjaan ulang (rework) tambahan, dan penundaan peluncuran produk. Sebaliknya, model yang mengalami pergeseran (drift) setelah perubahan pemasok atau pemindahan pabrik dapat menurunkan kinerja. Memperlakukan algoritma seperti peralatan lainnya—dikalibrasi, dipantau, dan dirawat—membantu menjaga keseimbangan agar tetap memberikan keuntungan.

Delapan langkah yang diuraikan dalam panduan

  1. Tentukan keputusan dalam satu kalimat – Tentukan tindakan tepat yang akan dipicu oleh model, misal, “Identifikasi unit untuk peninjauan lebih lanjut setelah AOI tetapi sebelum ICT.”
  2. Catat baseline Anda – Tangkap data FPY saat ini, biaya scrap, dan waktu rework. Angka-angka ini menjadi tolok ukur bagi setiap peningkatan yang diberikan oleh AI.
  3. Gabungkan data Anda – Hubungkan nomor seri di seluruh aliran data SMT dan hasil pengujian. Masukkan data placement offset, volume pasta, dan suhu reflow agar model dapat melihat gambaran proses secara lengkap.
  4. Sertakan riwayat BOM – Perubahan ukuran komponen atau pergantian pemasok memengaruhi perilaku komponen. Menandai setiap papan dengan versi bill-of-materials-nya memungkinkan model mempelajari kehalusan tersebut.
  5. Rancang fitur proses – Jangan melihat satu mesin secara terisolasi. Gabungkan volume pasta yang rendah dengan placement offset, atau pergeseran profil reflow, untuk memunculkan faktor risiko yang nyata.
  6. Bagi data berdasarkan waktu, bukan secara acak – Pembagian acak dapat membocorkan informasi masa depan ke dalam pelatihan, sehingga menggelembungkan skor keberhasilan. Pembagian kronologis meniru penerapan di dunia nyata.
  7. Uji dengan kondisi nyata – Validasi model di berbagai keluarga produk, pengaturan mesin, dan lot material untuk memastikan ketangguhan (robustness).
  8. Gunakan mode bayangan (shadow mode) – Jalankan prediksi bersamaan dengan lini produksi aktif tanpa memengaruhinya. Bandingkan peringatan AI dengan hasil pengujian aktual sebelum berkomitmen pada perubahan proses apa pun.

Bagaimana AI seharusnya menambah, bukan menggantikan, inspeksi yang sudah ada

Panduan tersebut menekankan bahwa AI adalah mitra bagi para insinyur, bukan pengganti pemeriksaan yang sudah mapan seperti SPI (solder paste inspection) atau AOI (automated optical inspection). Dengan menggabungkan sinyal dari berbagai sumber, algoritma dapat mengungkap pola—seperti interaksi halus antara volume pasta dan placement offset—yang mungkin terlewatkan oleh manusia. Agen berbasis AI juga dapat mengotomatiskan pengumpulan data dan mengarahkan peringatan ke teknisi yang bertanggung jawab, tetapi ia tidak boleh mengubah batas pengujian atau resep SMT secara mandiri.

Memantau dan menjaga kesehatan model

Kinerja model menurun ketika variabel hulu bergeser, seperti vendor komponen baru atau relokasi produksi ke pabrik yang berbeda. Perlakukan AI sebagai peralatan pabrik lainnya yang membutuhkan log kalibrasi, pemeliharaan preventif, dan rencana penonaktifan (decommissioning) yang jelas.

Sudut pandang lain: risiko otomatisasi berlebih

Kritikus berpendapat bahwa AI dapat menjadi kotak hitam (black box), yang menyebabkan pabrik mempercayai prediksi yang tidak mereka pahami. Penekanan panduan pada shadow mode dan pembagian data berbasis waktu secara langsung menjawab kekhawatiran tersebut, memaksa adanya pemeriksaan realitas sebelum otomatisasi diterapkan. Meskipun demikian, perusahaan harus berinvestasi pada staf yang dapat menginterpretasikan hasil model dan melakukan intervensi saat anomali muncul.

Apa yang perlu diperhatikan selanjutnya

Kesimpulan: Pendekatan terfokus dan berbasis data yang dimulai dengan satu masalah produksi yang terukur dapat mengubah AI dari proyek spekulatif menjadi alat peningkatan hasil (yield) yang nyata di lantai SMT. Panduan baru ini memberikan cetak biru praktis; ujian sebenarnya terletak pada eksekusi yang disiplin dan pengelolaan berkelanjutan terhadap model-model yang diciptakannya.

Sumber: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0