Drift Model AI Visual: Kenapa Akurasi Inspeksi Turun Setelah Beberapa Bulan

Sistem yang Dulu Akurat, Sekarang Sering Salah

Bulan pertama setelah go-live biasanya menyenangkan: sistem AI visual menangkap cacat yang dulu lolos dan operator percaya. Lalu di bulan keempat keluhan muncul — produk bagus ditolak, cacat tertentu tidak terdeteksi lagi.

Yang terjadi umumnya bukan model rusak, melainkan drift: dunia di depan kamera berubah, sementara model masih memakai gambaran lama. Ini fase normal dalam siklus hidup sistem inspeksi, dan bisa dikelola asal disiapkan sejak awal.

Empat Penyebab Drift yang Paling Sering Ditemui

Kolom terakhir berguna untuk mempersempit dugaan. Bila seluruh produk skornya turun bersamaan, curigai optik lebih dulu — bukan modelnya. Penurunan intensitas lampu LED yang perlahan adalah tersangka nomor satu, dan alasannya diuraikan di panduan pencahayaan camera vision.

Deteksi Sebelum Operator Mengeluh

Drift jarang datang mendadak; ia menggeser hasil sedikit demi sedikit sampai kepercayaan pada sistem hilang. Tiga sinyal berikut bisa dipantau tanpa alat tambahan:

1. Rasio NG harian. Angka yang biasanya 2–3% lalu bertahan di 6% selama seminggu adalah alarm, meski belum ada yang mengeluh.
2. Distribusi skor keyakinan. Bila hasil yang dulu mengelompok di skor tinggi kini menumpuk di sekitar ambang, model sedang ragu — dan keraguan mendahului kesalahan.
3. Audit sampel manual. Ambil 30–50 produk per minggu, bandingkan dengan keputusan sistem. Setengah jam kerja, dan ini satu-satunya cara mengukur escape secara jujur.

Dua sinyal pertama bisa dikirim otomatis ke sistem produksi lewat integrasi ke PLC, MES, dan ERP, sehingga trennya muncul di layar yang memang sudah dilihat tiap hari.

Ritme Pelatihan Ulang yang Realistis

Melatih ulang tiap minggu itu mubazir; menunggu setahun itu terlambat. Yang berkelanjutan di lapangan biasanya begini:

• Mingguan — tinjau kasus berskor dekat ambang, sisihkan gambar yang menarik.
• Bulanan — periksa metrik dan hasil audit; latih ulang hanya bila ada tren yang jelas.
• Saat ada pemicu — produk baru, supplier baru, atau kamera dipindah: jangan tunggu jadwal.

Kuncinya, gambar produksi memang dikumpulkan sejak hari pertama — seluruh gambar NG plus sampel kecil produk OK harian, seperti dibahas di panduan dataset dan anotasi. Karena pelatihan ulang di platform modern tidak menuntut coding, pekerjaan ini bisa dipegang tim QC tanpa menunggu vendor.

Jangan Menutupi Drift dengan Menggeser Ambang

Reaksi tercepat saat false reject melonjak adalah menurunkan ambang keputusan. Tanpa data, yang terjadi hanya memindahkan masalah: penolakan palsu berkurang, cacat yang lolos bertambah, dan barunya ketahuan dari keluhan pelanggan.

Aturan amannya: ambang digeser hanya setelah diuji pada data uji terpisah, dan dampaknya dibaca sebagai pasangan angka — kerangkanya ada di metrik false reject dan escape. Catat setiap perubahan beserta tanggal dan alasannya agar bisa ditelusuri bulan depan.

Checklist Pemantauan Bulanan

1. Bersihkan lensa dan kaca pelindung, pastikan lampu masih pada intensitas semula.
2. Foto ulang produk referensi yang sama tiap bulan, bandingkan dengan foto bulan pertama.
3. Cek posisi kamera dan jig terhadap tanda pemasangan.
4. Bandingkan rasio NG bulan ini dengan tiga bulan sebelumnya.
5. Audit 30–50 sampel manual, hitung escape dan false reject.
6. Tinjau produk atau supplier baru yang masuk bulan ini.

Untuk lini dengan varian yang sering berubah, deteksi anomali yang dilatih dari produk bagus biasanya lebih tahan drift karena tidak bergantung pada katalog cacat yang sudah dikenal.

Ingin sistem inspeksi yang bisa dilatih ulang sendiri oleh tim Anda saat lini berubah? Lihat paket & edisi Nirmana VisionAI.