Perpustakaan Digital ITB

Industri Kecil Menengah (IKM) pemesinan Computer Numerical Control (CNC) yang beroperasi dengan sistem produksi job shop menghadapi keterbatasan pengelolaan pengetahuan proses manufaktur karena rute proses yang unik pada setiap komponen jarang didukung oleh penyimpanan data historis yang terstruktur. Kondisi ini mendorong operator ahli menyusun rute dan strategi pemesinan pesanan baru dari tahap awal menggunakan intuisi subjektif, sehingga estimasi waktu penyelesaian pesanan berpotensi meleset dari realisasi aktual di lantai produksi. Ketiadaan tahap Computer-Aided Process Planning (CAPP) formal mendorong pemanfaatan data Computer-Aided Manufacturing (CAM) sebagai sumber informasi proses, karena data CAM merekam fitur tingkat makro dari simulator CAM dan fitur tingkat mikro dari kode Numerical Control (NC) yang mencerminkan keputusan strategis operator sekaligus dinamika lintasan pahat aktual. Penelitian terdahulu telah memanfaatkan pendekatan pengelompokan untuk membangun kelompok pengetahuan proses manufaktur, namun integrasi fitur CAM bertingkat, yang menggabungkan tingkat makro dan mikro sekaligus, sebagai data input pengelompokan pada konteks IKM pemesinan CNC masih belum banyak dikaji. Sehingga metode rekayasa fitur dan pendekatan pengelompokan yang sistematis untuk mengakomodasi perbedaan karakteristik tersebut juga belum banyak dievaluasi. Penelitian ini bertujuan membangun kelompok pengetahuan proses manufaktur pada IKM pemesinan CNC melalui evaluasi metode rekayasa fitur dan pendekatan pengelompokan yang sistematis terhadap parameter operasi CAM bertingkat, serta mengidentifikasi karakteristik dan profil tiap kelompok sebagai acuan strategi operasi pemesinan pada pesanan baru. Penelitian menggunakan dataset 608 operasi pemesinan dari 17 pesanan produksi pada IKM pemesinan CNC di Cimahi, dengan 59 fitur yang terdiri atas 54 fitur numerik dan 5 fitur kategorik. Fitur mikro diekstraksi melalui penguraian kode G pada file NC, sedangkan fitur makro diekstraksi langsung dari keluaran simulator CAM. Rekayasa fitur dilakukan dengan membandingkan reduksi dimensi Principal Component Analysis (PCA) dan deep autoencoder pada rentang dimensi 1 hingga 20 melalui validasi silang 5-fold. Titik temu kesalahan rekonstruksi kedua metode ditemukan pada dimensi 16, dengan PCA menjelaskan 94,35% variansi kumulatif melampaui deep autoencoder (R²=93,45%). PCA dipilih sebagai representasi fitur final karena secara konsisten menghasilkan indeks validitas internal yang lebih baik dan jumlah kelompok optimal yang lebih stabil dibandingkan deep autoencoder pada seluruh dimensi yang diuji. Model pengelompokan dikembangkan melalui perbandingan enam algoritma (Hierarki Aglomeratif, K-Means, DBSCAN, Fuzzy C-Means, Gaussian Mixture Model, dan Partitioning Around Medoids) menggunakan fitur input PCA berdimensi 16, dengan seluruh algoritma pada fitur numerik konsisten menghasilkan jumlah kelompok optimal K=3. K-Means terpilih sebagai algoritma model final dengan Silhouette Index sebesar 0,3741, Davies-Bouldin Index sebesar 1,2448, Calinski-Harabasz Index sebesar 320,62, dan rata-rata bootstrap ARI sebesar 0,994, karena tidak memerlukan parameter tambahan yang bersifat subjektif dan menghasilkan label kelompok tegas secara langsung. Penyertaan fitur kategorikal yang diuji dengan algoritma PAM menunjukkan stabilitas yang jauh lebih rendah (ARI=0,719), sehingga fitur kategorikal tidak disertakan pada model final. Model ini menghasilkan tiga kelompok operasi pemesinan: Kelompok 0 (Operasi Pemotongan Kompleks, n=266, 43,8%) dengan rentang karakteristik paling lebar mencakup operasi finishing area kecil berkecepatan tinggi dan operasi roughing area luas berkecepatan lebih rendah; Kelompok 1 (Operasi Pembuatan Lubang, n=158, 26,0%) yang dibedakan oleh kedalaman lubang; dan Kelompok 2 (Operasi Pemeriksaan dan Kontur Detail, n=184, 30,3%) dengan jumlah segmen potong yang seragam. Validasi eksternal melalui pengujian penamaan label secara buta kepada operator ahli dan pemilik IKM mengonfirmasi kesesuaian mayoritas label ini dengan pengetahuan lapangan. Analisis sensitivitas terhadap empat parameter keputusan metodologis menunjukkan struktur tiga kelompok kokoh terhadap perubahan metode penanganan nilai kosong dan komposisi fitur pada tingkat signifikansi besar (ARI 0,989–1,000), namun mulai menurun ketahanannya terhadap perubahan komposisi dataset (ARI=0,916), dengan 44 titik ambigu terkonsentrasi pada wilayah perbatasan antara Kelompok 0 dan Kelompok 2. Operasionalisasi model pada operasi baru dilakukan melalui fungsi diskriminan jarak terdekat yang diturunkan langsung dari centroid K-Means, tanpa memerlukan proses pelatihan supervised baru. Dibandingkan penelitian sejenis yang umumnya memanfaatkan salah satu tingkat fitur saja, baik fitur geometri dari data historis CAD maupun fitur operasi dari data CAM secara terpisah, penelitian ini menawarkan kebaruan berupa integrasi fitur makro dan mikro dari data CAM sebagai data input pembentukan kelompok pengetahuan proses manufaktur melalui pendekatan pengelompokan yang divalidasi secara internal, relatif, stabilitas, dan eksternal. Kelompok pengetahuan proses manufaktur yang terbentuk memberikan sumbangan bagi khazanah ilmu pengetahuan berupa metode pemilihan representasi fitur dan algoritma pengelompokan secara sistematis pada konteks data CAM bertingkat yang heterogen, sekaligus memberikan kontribusi praktis bagi IKM pemesinan CNC dengan menyediakan acuan standardisasi strategi operasi pemesinan berdasarkan kemiripan parameter CAM antar pesanan, sehingga keputusan perencanaan proses tidak lagi bertumpu sepenuhnya pada penilaian subjektif operator ahli.