Penjelasan AI untuk pemantauan gaya krimp: bukti ketepatan dan pemahaman

Alarm “serabut hilang” muncul, dan layar menyorot sebagian kurva gaya krimp dengan warna merah. Tampilan ini dapat membantu engineer menentukan titik awal pemeriksaan. Namun, dua pertanyaan belum terjawab: apakah produk tersebut benar-benar kehilangan serabut, dan apakah area merah membantu seseorang mengambil tindakan yang tepat?

Kajian ini ditujukan bagi engineer mutu dan proses yang mengevaluasi pemantauan gaya krimp berbasis AI. Dengan menggunakan studi terbuka oleh Hofmann dan rekan-rekannya, kami menelaah hasil klasifikasi, penjelasan model, dan dampaknya terhadap pengguna secara terpisah. Kami mengidentifikasi penyebut dan kondisi perbandingan yang dapat langsung digunakan dalam tinjauan teknis. Makalah tersebut diterbitkan pada 31 Maret 2026; versi publikasi resminya bertanggal 10 April. Artikel ini merupakan kajian terfokus atas studi yang sudah ada. Makalah asli

Pisahkan tiga hal yang perlu dievaluasi

Hubungan antara ketiganya dapat dibangun secara bertahap, tetapi tidak satu pun dapat menggantikan yang lain. Untuk melakukan tinjauan, kami menyarankan agar arah kesalahan diperiksa terlebih dahulu, kemudian cara penjelasan diuji, dan terakhir tugas praktis yang telah diselesaikan pengguna. Bagian berikut menelaah bukti yang tersedia dalam makalah menurut urutan tersebut.

Dari satu kurva menjadi empat fase berwarna: apa yang dilakukan model

Studi ini menggunakan random forest untuk mengklasifikasikan kurva gaya krimp yang telah dipraproses ke dalam tiga kategori: normal, serabut hilang, dan isolasi yang terjepit di dalam krimp konduktor. Random forest terdiri atas beberapa pohon keputusan. Setiap pohon membuat penilaian berdasarkan fitur masukan, lalu penilaian tersebut digabungkan menjadi keluaran model. Dalam studi ini, masukannya berupa titik-titik sampel berurutan sepanjang kurva, bukan satu puncak yang dipilih oleh seseorang. TreeExplainer dari SHAP kemudian menghitung kontribusi setiap titik sampel terhadap keluaran untuk kelas tertentu. Makalah, Bagian 3; Dokumentasi resmi random forest

Rangkaian pemrosesan dapat dibaca sebagai berikut:

1. Akuisisi dan prapemrosesan→
2. Random forest menghasilkan kelas→
3. TreeSHAP menjelaskan keluaran untuk kelas tersebut→
4. Kontribusi digabungkan menurut fase proses→
5. Warna ditampilkan pada kurva asli

Ini adalah skema hubungan dalam metode tersebut. Klasifikasi berlangsung sebelum warna ditampilkan; warna tidak menambahkan pemeriksaan mutu independen.

Pemantauan gaya krimp yang sudah ada tidak boleh dianggap selalu terbatas pada perbandingan satu puncak. Deskripsi BB07i4 dari produsen yang dikutip dalam makalah mencakup perbandingan dengan kurva acuan, penanganan pergeseran, dan beberapa pengaturan acuan. Kontribusi yang ditelaah di sini menghubungkan klasifikasi hasil pembelajaran dengan penjelasan per fase. Makalah tidak menyediakan pembandingan dengan dasar yang sama yang memadai untuk mengukur klaim “lebih baik daripada semua pemantauan konvensional”. Deskripsi BB07i4 dari produsen

Makalah membagi kurva menjadi empat fase: penyelarasan, penggulungan, pemampatan, dan pemulihan elastis. Fase-fase ini masing-masing sesuai dengan sayap terminal yang mulai menyentuh dan menyelaraskan diri dengan penekan krimp, sayap yang menggulung ke arah konduktor, pemadatan konduktor dan terminal, serta pemulihan elastis setelah penekan bergerak kembali. Studi menggunakan indeks batas 75, 150, 345, dan 500. Angka-angka ini adalah posisi dalam metode pemrosesan data tersebut. Angka tersebut tidak dapat langsung digunakan sebagai waktu, jarak langkah, atau parameter segmentasi universal untuk mesin lain. Makalah, Bagian 2.1 dan 3.5, Persamaan 4

Penggabungan per fase memiliki detail yang mudah terlewat: Persamaan 6 dalam makalah mengambil rata-rata nilai SHAP dalam setiap fase, lalu menormalisasi hasilnya untuk membentuk pita warna. Proses ini tidak mengubah masing-masing dari empat fase menjadi “probabilitas kegagalan”, dan juga bukan sekadar menjumlahkan seluruh kontribusi absolut dalam setiap fase.

Pertimbangkan contoh aritmetika murni. Dua titik dalam fase yang sama memiliki kontribusi +0,02 dan -0,02. Rata-rata dengan mempertahankan tandanya adalah 0; rata-rata nilai absolutnya adalah 0,02. Yang pertama mempertahankan hubungan antara kontribusi yang mendorong keluaran dan yang saling meniadakan, sedangkan yang kedua menggambarkan besarnya kontribusi. Kedua cara penggabungan ini menjawab pertanyaan yang berbeda. Angka ini bukan hasil pengukuran dalam makalah. Saat membaca atau mereproduksi peta warna, pertahankan bersama-sama kelas yang dijelaskan, tanda, metode penggabungan, dan aturan normalisasi warna. Jika tidak, makna “area paling merah” akan berubah.

TreeSHAP menjelaskan perbedaan keluaran model terhadap nilai dasarnya. Metode ini juga memerlukan pilihan cara menangani fitur masukan yang saling bergantung. Titik kurva yang berurutan saling berkorelasi, sehingga versi perangkat lunak, data latar belakang, dan opsi penanganan ketergantungan fitur juga menjadi kondisi penjelasan. Menyimpan peta warna saja tidak menjadikan warna yang sama sebagai indikator yang tetap sama lintas versi. Dokumentasi resmi TreeExplainer

Kesalahan apa yang terdapat di balik hasil 95,9%?

Studi mencatat 1.617 kurva dari dua pasangan kabel–terminal yang menggunakan kabel 0,50 mm² dan 0,35 mm². Para peneliti sengaja menyiapkan sampel dengan serabut hilang dan isolasi terjepit dalam krimp. Mereka membagi data secara acak menjadi 1.293 sampel pelatihan dan 324 sampel uji. Ini bukan kumpulan catatan pengiriman yang diambil sampelnya sesuai dengan prevalensi cacat pada lini produksi nyata. Makalah, Bagian 3.2

Penulis melaporkan akurasi tiga kelas sebesar 95,9%. Benar atau salah di sini dinilai relatif terhadap label penulis. Label untuk cacat yang sengaja dibuat tetap perlu dibedakan dari ketidaksesuaian yang ditentukan berdasarkan persyaratan produk. Mulailah dengan memisahkan arah kesalahan:

Persentase dalam tabel merupakan nilai deskriptif yang dihitung dari jumlah dalam makalah lalu dibulatkan. Penyebutnya masing-masing adalah jumlah sampel berlabel normal dan jumlah sampel berlabel cacat. Nilai tersebut bukan tingkat kesalahan keseluruhan dan bukan pula proporsi cacat di antara sampel yang diklasifikasikan model sebagai normal. Matriks konfusi harus menunjukkan dengan jelas sumbu yang mewakili label acuan dan sumbu yang mewakili kelas prediksi. Jika tidak, sel yang sama mudah dibaca seolah menjawab pertanyaan yang berbeda. Makalah, Bagian 4.1; Definisi matriks konfusi

Ada pula sedikit perbedaan antara nilai yang dilaporkan dan jumlah yang disebutkan dalam teks. Jumlah tersebut menghasilkan 6 + 4 + 3 = 13 kesalahan klasifikasi. Perhitungan ulang dengan total 324 menghasilkan akurasi tiga kelas sekitar 96,0%, yang tidak sama persis dengan 95,9% yang ditulis penulis. Karena itu, kami mempertahankan nilai yang dilaporkan penulis dan mencantumkan jumlah kesalahan beserta penyebutnya secara terpisah, tanpa menyatakan bahwa perhitungan ulangnya menghasilkan angka yang persis sama.

Untuk tinjauan mutu, pembedaan yang lebih penting adalah antara tertukarnya dua kelas cacat dan klasifikasi sampel cacat sebagai normal. Yang pertama memengaruhi arah diagnosis; yang kedua berkaitan dengan kemampuan model mendeteksi cacat. Jika tugas dipersempit menjadi dua kelas, normal dan cacat, 3 kesalahan antarjenis cacat tidak lagi dihitung sebagai kesalahan sehingga metriknya berubah. Ini juga menunjukkan mengapa akurasi dari tugas klasifikasi yang berbeda tidak dapat dibandingkan secara langsung.

Apa yang didukung oleh pengujian perturbasi

Untuk memeriksa kegunaan penjelasan per fase, peneliti mengubah fase tertentu menjadi nol, menggantinya dengan nilai acak, atau menghapusnya, lalu melatih ulang model menggunakan metode pelatihan yang sama. Kombinasi satu, dua, dan tiga fase menghasilkan 42 model dengan perturbasi, yang dibandingkan dengan acuan tanpa perturbasi. Perbandingan ini menilai apa yang masih dapat dicapai model yang dilatih ulang tanpa informasi dari area tertentu. Ini bukan sekadar menutupi masukan model asli sekali saja. Makalah, Bagian 3.7 dan 4.2

Dalam Tabel 4, perturbasi pada fase pemampatan saja menghasilkan akurasi 0,861 untuk masing-masing dari tiga perlakuan, lebih rendah daripada acuan 0,959 yang dilaporkan penulis. Perturbasi pada fase penggulungan saja atau pemulihan elastis saja menghasilkan nilai 0,954 dalam setiap kasus. Hal ini mendukung temuan khusus: dengan data dan metode perbandingan ini, fase pemampatan memuat informasi klasifikasi yang kehilangan informasinya lebih sulit dikompensasi oleh area lain.

Pengujian ini tidak secara langsung membuktikan bahwa area merah merupakan penyebab fisik cacat. Penurunan kinerja setelah pelatihan ulang dipengaruhi oleh banyaknya informasi yang dihapus, kemampuan fase lain untuk mengompensasi, model, dan metode pembagian data. Makalah juga mengakui bahwa setiap fase memiliki jumlah titik sampel yang berbeda. Menghapus fase yang lebih panjang dapat menyebabkan kehilangan yang lebih besar; besarnya kehilangan itu saja tidak membuktikan bahwa setiap titik lebih penting.

Jika langkah berikutnya adalah membandingkan dua metode penjelasan, pengujian tambahan yang lebih terarah dapat diusulkan. Minta masing-masing metode memilih jumlah titik yang sama atau interval dengan panjang yang sama, lalu bandingkan menggunakan metode penggantian, pengaturan pelatihan, dan kumpulan uji yang sama. Saran ini bertujuan mengurangi faktor perancu akibat “menghapus lebih banyak”. Ini bukan hasil yang sudah diperoleh dalam makalah.

Persetujuan engineer terhadap penjelasan fase belum membuktikan peningkatan pelaksanaan tugas

Untuk bagian faktor manusia dalam makalah, dua ahli proses menilai pengaruh setiap fase pada kurva yang kelas mutunya sudah ditunjukkan. Penilaian mereka kemudian dibandingkan secara kualitatif dengan visualisasi. Cara ini dapat memeriksa apakah penjelasan secara umum selaras dengan pengetahuan profesional. Cara ini tidak menyediakan akurasi uji buta untuk operator dari beberapa sif, waktu respons terhadap alarm, atau perubahan tindakan yang salah sebelum dan setelah penambahan pita warna. Makalah, Bagian 4.3

Kedua pertanyaan dapat diuji secara terpisah:

• Untuk memeriksa apakah penjelasan fase masuk akal, tanyakan kepada engineer area kurva mana yang diperkirakan terpengaruh oleh cacat tertentu, lalu bandingkan dengan area yang disorot model.
• Untuk memeriksa apakah antarmuka membantu orang merespons, minta pengguna menangani catatan yang jawabannya belum mereka ketahui. Amati penilaian mereka ketika melihat kurva asli, kemudian petunjuk kelas, lalu penjelasan fase. Mencatat “tidak dapat memutuskan” juga bermakna; pengguna tidak boleh dipaksa menyebutkan penyebab setiap kali.

Perbandingan kedua idealnya mempertahankan tingkat kesulitan sampel dan informasi yang tersedia, serta memperhitungkan efek pembelajaran akibat urutan penyajian. Jika tidak, respons kedua yang lebih cepat mungkin hanya berarti orang tersebut sudah pernah melihat kurva yang sama. Simpan pula tampilan penjelasan untuk sampel yang terlewat atau salah diklasifikasikan. Penjelasan yang jelas tetap mungkin menjelaskan prediksi yang salah.

Apa yang tersedia sekarang, dan apa yang masih kurang untuk penerapan pada kondisi lain?

Makalah menyediakan teks lengkap terbuka serta tautan ke Crimp Force Curve Dataset di Harvard Dataverse dan makalah Scientific Data yang menjelaskan akuisisi, pelabelan, dan validasi teknis. Rilis dataset saat ini adalah V3.0. Dataset lengkap berisi 2.439 kurva, berbeda dari subset 1.617 kurva yang digunakan dalam studi ini. Data menyimpan label manual dan keputusan CFM, termasuk catatan ketika keduanya tidak sesuai. Sebelum evaluasi, tentukan label acuan yang akan digunakan dan nilai kesesuaian aktual dengan metode yang berlaku untuk proyek. Materi publik ini mendukung evaluasi metode secara luring; titik akses dataset bukan perangkat lunak pemantauan daring yang telah divalidasi. DOI dataset; Makalah deskripsi data

Penulis juga menyediakan repositori kode cfc-analysis yang terbuka. Tautan di sini ditetapkan pada commit cf20535 tanggal 22 Agustus 2025, yang berisi berkas prapemrosesan, validasi, dan pembuatan grafik data. Repositori tersebut memberikan titik awal untuk memahami data. Namun, hal itu tidak membuktikan bahwa seluruh kode random forest, TreeSHAP, dan antarmuka untuk studi tahun 2026 ini telah dirilis.

Untuk kajian ini, kami tidak mengunduh dan menjalankan dataset lengkap, maupun memperoleh dan menjalankan paket kode lengkap untuk pelatihan, pembagian data, dan visualisasi studi SHAP. Untuk menyatakan reproduksi yang persis sama, hal-hal berikut masih perlu diperiksa secara bersamaan:

• versi data dan ID sampel yang benar-benar digunakan;
• prapemrosesan dan rentang penskalaan;
• pembagian sampel pelatihan/uji dan seed acak;
• versi dependensi dan opsi SHAP;
• batas fase dan aturan tampilan.

Satu kali pelatihan berdasarkan parameter dalam makalah tidak dapat diasumsikan menghasilkan hasil yang sama.

Jika evaluasi beralih ke terminal, kabel, atau peralatan baru, bukti dapat disiapkan menurut urutan berikut. Ini adalah saran evaluasi, bukan kriteria pelepasan produksi.

1. Tentukan terlebih dahulu cara memperoleh label acuan. Catat bagaimana serabut hilang dan isolasi terjepit dalam krimp disiapkan serta dikonfirmasi, dan bagaimana anomali ringan dibedakan dari kondisi yang dapat diterima. Simpan informasi ini bersama ID sampel. Jika label membingungkan, meningkatkan skor model tidak menyelesaikan persoalan definisi mutu.
2. Sisihkan kondisi baru untuk pengujian eksternal yang sesungguhnya. Untuk membuktikan penggunaan lintas batch, sisihkan seluruh batch. Untuk membuktikan penggunaan setelah penggantian peralatan atau terminal, sisihkan kondisi yang bersangkutan. Membagi data dari sumber yang sama secara acak hanya menjawab sebagian pertanyaan tersebut. Cacat yang belum dikenal juga tidak otomatis tercakup oleh hasil tiga kelas.
3. Bandingkan dengan pemantauan yang ada pada kumpulan sampel yang sama. Hitung alarm palsu pada sampel normal, cacat yang terlewat, dan petunjuk jenis cacat yang salah secara terpisah terhadap label acuan, dengan mempertahankan penyebut sebenarnya. Jangan membandingkan akurasi makalah dengan tingkat alarm pada kumpulan benda kerja lain. Ketika prevalensi cacat produk berubah, periksa pula kelompok yang diprediksi cacat dan normal secara terpisah untuk menentukan berapa banyak anomali di masing-masing kelompok yang dikonfirmasi oleh metode proyek.
4. Terakhir, nilai apakah penjelasan mengubah tindakan. Dalam prosedur penanganan yang ada, periksa apakah pita warna mengurangi pemeriksaan ke arah yang salah atau membantu engineer mengenali kapan model tidak dapat diandalkan. Jika satu-satunya temuan adalah bahwa penjelasan fase terasa lebih intuitif, batasi kesimpulan pada kewajaran penjelasan dan tetap pertahankan kebutuhan untuk memvalidasi respons orang.

Halaman pertama yang paling berguna untuk tinjauan teknis mungkin hanya berisi tiga baris: arah kesalahan dan penyebut pada kondisi baru; perbandingan perturbasi yang digunakan untuk menguji penjelasan; serta tugas penilaian yang benar-benar telah diselesaikan pengguna. Random forest, TreeSHAP, dan pita warna per fase dalam studi ini menawarkan kombinasi yang layak diteliti untuk dua baris pertama. Baris ketiga masih memerlukan bukti dari lingkungan kerja yang dituju.

Untuk melanjutkan persiapan tinjauan mutu krimp, baca apa yang masing-masing dapat ditunjukkan oleh tinggi krimp, gaya tarik, dan penampang agar penggunaan kurva proses dapat dibedakan dari pemeriksaan produk jadi. Temukan kajian riset dan panduan praktis lainnya di pustaka sumber daya.

Sumber dan catatan pembacaan

Studi utama: Hofmann, B., Bründl, P., Nguyen, H. G. dan Franke, J., Transparent machine learning for crimp force monitoring using phase-based SHAP explanations, Industrial Artificial Intelligence 4, 2 (2026), DOI: 10.1007/s44244-026-00028-6. Kajian berbahasa Mandarin dan saran evaluasinya ditulis secara independen berdasarkan teks lengkap yang tersedia untuk umum; tidak ada gambar asli yang direproduksi. Makalah asli dilisensikan dengan CC BY 4.0. Contoh aritmetika dan pengujian tambahan yang diusulkan dalam kajian ini bukan hasil pengukuran penulis, dan tidak mewakili reproduksi atau validasi lini produksi oleh MTTJ.

Sumber diakses pada 7 Oktober 2026. Jika kemudian penulis merilis kode, merevisi hasil, atau tersedia validasi independen lintas peralatan, kondisi implementasi dan penilaian penerapan pada kondisi lain harus diperbarui terlebih dahulu.

AI membantu pengorganisasian sumber dan penulisan artikel ini.