Injection molding (IM) adalah salah satu proses manufaktur kompleks yang
dicirikan oleh perilaku nonlinier. Berbeda dengan teknik pemodelan linier klasik
seperti regresi sederhana, banyak model pembelajaran mesin memiliki kemampuan
untuk menyesuaikan diri dengan perilaku nonlinier dan interaksi antara parameter
input dan output. Jaringan Saraf Tiruan (JST), secara khusus, telah menunjukkan
kinerja luar biasa dalam masalah yang melibatkan pemodelan nonlinier.
Implementasi JST untuk pemodelan prediktif dalam injection molding menghadapi
kendala yang signifikan karena volume data pelatihan yang besar diperlukan.
Transfer learning (TL) memberikan jawaban yang layak dengan memanfaatkan
pengetahuan dari satu dataset untuk meningkatkan kinerja model pada dataset lain.
Tujuan dari studi ini adalah memanfaatkan TL untuk meramalkan konsumsi energi
dan berat produk dalam injection molding dengan menggunakan JST. Untuk
memperoleh statistik konsumsi energi, diperlukan eksperimen langsung. Oleh
karena itu, penelitian ini akan menggunakan Desain Eksperimen (DoE) faktorial
lengkap untuk memperoleh dataset yang tahan lama dan cocok untuk keperluan
pelatihan, validasi, dan pengujian. Dalam hal estimasi berat dan konsumsi energi
untuk berbagai material, penelitian telah menunjukkan bahwa penggunaan
pendekatan transfer learning secara signifikan mempercepat proses pembelajaran.
Bukti empiris telah menunjukkan bahwa penggunaan teknik transfer learning secara
signifikan meningkatkan koefisien determinasi (R2) dari model JST, mencapai nilai
98,51% dalam memprediksi berat produk dan 98,87% dalam konsumsi energi.
Pembekuan lapisan yang disengaja tampaknya memiliki peran yang lebih penting
dalam meningkatkan efisiensi dan akurasi model.