English :

A few decades ago, the definition of automation was limited to constant rotating gears, clicking relays, or static hard-wired logic circuits [1]. However, with the rapid development of technology, automation has evolved into more than just mechanization [2]. Now, automation is no longer about machines that merely obey instructions, but intelligent systems capable of thinking and adapting. This shift is crucial because modern industrial conditions, which are increasingly complex, often make classical control methods overwhelmed in handling unexpected dynamic variables [3].

Before discussing machines capable of "learning," or what we know as Artificial Intelligence, we need to look back at the era where machines were designed to "obey." This era was dominated by deterministic logic or fixed logic, where automation operated on rigid causality principles [1]. The core of this technology is the concept of the Closed-Loop System, which makes the system "aware" of its own performance through a feedback mechanism [4]. Technically, this system continuously measures actual conditions, compares them with the desired target, calculates the generated error, and performs automatic corrections to minimize that error until it approaches zero [4].

To make it easier to understand, imagine this system working like an air conditioner. When we set the temperature at 24°C, the AC sensor continuously monitors the actual room temperature. If the room temperature rises to 27°C due to hot weather, the system detects an error of 3 degrees and automatically commands the compressor to work harder. Conversely, when the temperature drops, the compressor slows down. This behavior is a classic example of feedback control commonly used in industrial systems [4].

The limitations of rigid systems that rely heavily on physical components became the trigger for the birth of a new era: programmable logic. If previously automation logic was defined by thousands of cables and relays, it is now stored in digital memory. This transition significantly improved industrial flexibility, reliability, and efficiency [5]. With the advent of PLCs (Programmable Logic Controllers) and microcontrollers, system modification and maintenance can be achieved by changing software rather than rewiring hardware [5]. Nevertheless, these digital systems still operate strictly based on predefined instructions and lack the capability to learn from new data [6].

As industrial complexity continued to increase, rigid ‘IF–THEN’ logic became insufficient to handle uncertain and dynamic environments. This marked a fundamental shift from ‘programmed’ systems to ‘trained’ systems, representing the pinnacle of automation development [7]. Unlike PLCs that require engineers to explicitly define all possible rules, AI-based systems construct their logic by learning patterns from large datasets using machine learning and deep learning techniques [7], [8]. This capability enables machines to process unstructured data and handle uncertainty, such as detecting visual defects in manufacturing or predicting machine failures through acoustic anomaly analysis—tasks that are beyond the scope of classical control systems [8], [9]. Consequently, automation has evolved from reactive systems into predictive systems capable of anticipating failures before they occur [9].

Nevertheless, the emergence of AI does not eliminate the role of classical control methods. In practice, future industrial systems are expected to rely on a hybrid approach that combines both paradigms [10]. Classical control ensures fast, stable, and deterministic execution at the lower levels, while AI functions as a higher-level cognitive layer responsible for optimization, decision-making, and adaptation [10]. This hybrid automation paradigm represents the next stage of industrial evolution, where mathematical precision is integrated with cognitive flexibility to create systems that are not only efficient but also intelligent and resilient.

Indonesia :

Beberapa dekade silam, definisi otomasi hanya terbatas pada gear yang berputar konstan, relay yang berbunyi ‘klik’, ataupun rangkaian logika kabel yang statis [1]. Namun, seiring perkembangan teknologi yang begitu cepat, otomasi telah berevolusi lebih dari sekadar mekanisasi [2]. Kini, otomasi bukan lagi tentang mesin yang sekadar patuh pada instruksi, melainkan sistem cerdas yang mampu berpikir dan beradaptasi. Pergeseran ini menjadi krusial karena kondisi industri modern yang semakin kompleks sering kali membuat metode kontrol klasik kewalahan dalam menangani variabel-variabel dinamis yang tak terduga [3].

Sebelum membahas mesin yang mampu “belajar” atau yang kita kenal dengan Artificial Intelligence, kita perlu melihat kembali ke era dimana mesin dirancang untuk “patuh”. Era ini didominasi oleh logika deterministik atau fixed logic, di mana otomasi beroperasi di atas prinsip kausalitas yang kaku [1]. Inti dari teknologi ini adalah konsep Closed-Loop System, yang membuat sistem “sadar” akan kinerjanya sendiri melalui mekanisme feedback [4]. Secara teknis, sistem ini akan terus-menerus mengukur kondisi aktual, membandingkannya dengan target yang diinginkan, menghitung error yang dihasilkan, dan melakukan koreksi otomatis untuk meminimalkan error tersebut hingga mendekati nol [4].

Agar lebih mudah dipahami, bayangkan sistem ini bekerja seperti pendingin ruangan. Saat kita mengatur suhu di angka 24°C, sensor AC akan terus memantau suhu ruangan aktual. Jika suhu ruangan naik menjadi 27°C karena cuaca panas, sistem mendeteksi adanya error sebesar 3 derajat, lalu secara otomatis memerintahkan kompresor bekerja lebih keras untuk mendinginkan ruangan. Begitu juga sebaliknya, jika suhu kembali turun, maka kompresor akan melambat. Perilaku ini merupakan contoh klasik dari sistem kontrol berbasis umpan balik yang banyak diterapkan pada proses industri [4]. Sistem ini bekerja sangat presisi dalam menjaga target, namun tidak memiliki kemampuan untuk memahami penyebab kenaikan suhu atau mengenali konteks lingkungan yang lebih luas; sistem hanya bereaksi terhadap nilai numerik secara mekanis.

Keterbatasan dari sistem yang kaku dan sangat bergantung pada komponen-komponen fisik menjadi pemicu lahirnya era baru, yaitu programmable logic. Jika sebelumnya logika otomasi didefinisikan oleh ribuan kabel dan relay, kini logika tersebut disimpan dalam memori digital. Transisi ini memberikan dampak yang sangat besar terhadap fleksibilitas, keandalan, serta efisiensi industri [5]. Pada era sebelumnya, teknisi harus membongkar panel listrik dan menyusun ulang ribuan kabel untuk memperbaiki kerusakan atau sekadar melakukan service routine. Kini, dengan hadirnya PLC (Programmable Logic Controller) dan mikrokontroler, aktivitas perbaikan dan pengecekan cukup dilakukan dengan memodifikasi beberapa baris kode [5]. Meskipun demikian, sistem digital ini tetap bekerja berdasarkan instruksi yang telah didefinisikan sebelumnya dan tidak memiliki kemampuan untuk berimprovisasi atau belajar dari data baru [6].

Pada era selanjutnya, kompleksitas industri meningkat ke tingkat yang lebih tinggi sehingga logika ‘JIKA–MAKA’ yang kaku tidak lagi sanggup menanganinya. Di sinilah terjadi pergeseran fundamental dari paradigma sistem yang ‘diprogram’ menjadi sistem yang ‘dilatih’, yang dapat dianggap sebagai puncak evolusi otomasi sepanjang sejarah manusia [7]. Berbeda dengan PLC yang mengharuskan insinyur merumuskan aturan secara rinci untuk setiap kondisi yang mungkin terjadi, sistem berbasis AI membentuk logikanya sendiri melalui proses pembelajaran dari kumpulan data dalam jumlah besar. Dengan memanfaatkan pendekatan machine learning dan deep learning, sistem ini mampu menemukan pola tanpa harus diberi instruksi eksplisit satu per satu [7], [8]. Kemampuan tersebut memungkinkan mesin menghadapi ketidakpastian dan mengolah data yang tidak terstruktur, seperti mendeteksi cacat produk dari citra kamera atau mengidentifikasi potensi kerusakan mesin melalui perubahan karakteristik suara—sesuatu yang berada di luar jangkauan sistem kontrol klasik [8], [9]. Akibatnya, otomasi tidak lagi hanya bersifat reaktif setelah terjadi penyimpangan, tetapi berkembang menjadi sistem prediktif yang mampu mengenali tanda-tanda awal masalah sebelum kegagalan benar-benar terjadi [9].

Meskipun demikian, kehadiran AI tidak serta-merta menghilangkan peran metode kontrol klasik. Pada kenyataannya, masa depan industri tidak didominasi oleh satu teknologi saja, melainkan merupakan hasil harmonisasi antara keduanya [10]. Sistem kontrol klasik berperan sebagai fondasi yang menjaga proses eksekusi tetap cepat, stabil, dan efisien, sementara AI bertindak sebagai ‘otak’ pada lapisan tingkat tinggi yang menangani optimasi strategi, pengambilan keputusan, serta adaptasi terhadap lingkungan [10]. Oleh karena itu, otomasi saat ini bergerak menuju era sistem hibrida, di mana ketepatan matematis kontrol klasik dipadukan dengan fleksibilitas kognitif AI untuk membentuk sistem yang tidak hanya efektif dan efisien, tetapi juga cerdas dan tangguh.

Reference :

[1] F. Bennett, Industrial Automation: Electrical, Electronic and Computer Engineering, 2nd ed. Oxford, UK: Butterworth-Heinemann, 2001.

[2] S. Bennett, A History of Control Engineering 1930–1955. London, UK: Peter Peregrinus Ltd., 1993.

[3] K. J. Åström and R. M. Murray, Feedback Systems: An Introduction for Scientists and Engineers. Princeton, NJ, USA: Princeton University Press, 2008.

[4] N. S. Nise, Control Systems Engineering, 8th ed. Hoboken, NJ, USA: Wiley, 2019.

[5] F. Petruzella, Programmable Logic Controllers, 5th ed. New York, NY, USA: McGraw-Hill Education, 2017.

[6] R. Zurawski, Industrial Communication Technology Handbook, 2nd ed. Boca Raton, FL, USA: CRC Press, 2014.

[7] S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Upper Saddle River, NJ, USA: Pearson, 2021.

[8] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.

[9] R. K. Mobley, An Introduction to Predictive Maintenance, 2nd ed. Oxford, UK: Butterworth-Heinemann, 2002.

[10] J. Lee, H. Davari, J. Singh, and V. Pandhare, “Industrial artificial intelligence for industry 4.0-based manufacturing systems,” Manufacturing Letters, vol. 18, pp. 20–23, Oct. 2018.