Mesin Otomatis VS Pekerja Manusia: Apakah Industri Modern masih membutuhkan Operator Manusia?

Coil atau bahan baku masuk ke area produksi. Robot mengambil material, conveyor memindahkannya, sensor membaca kondisi proses, kamera memeriksa permukaan, sistem kontrol mengatur mesin, dan sebuah dashboard menampilkan hampir semua data yang dibutuhkan.

Tidak banyak orang terlihat di lantai produksi.

Lalu muncul satu pertanyaan yang cukup mengganggu:

Kalau mesin sudah bisa bekerja sendiri, untuk apa masih ada operator?

Pertanyaan ini bukan lagi sekadar bahan film fiksi ilmiah. Automation, robotics, artificial intelligence, computer vision, industrial sensors, programmable logic controller, dan sistem produksi terintegrasi memang sedang mengubah cara pabrik bekerja.

Namun ada satu kesalahpahaman besar ketika membicarakan masa depan manufaktur.

Banyak orang membayangkan otomatisasi sebagai perlombaan sederhana:

Manusia bekerja → mesin datang → manusia hilang.

Kenyataannya jauh lebih rumit.

Dalam banyak pabrik, mesin memang mengambil alih tugas tertentu. Tetapi pada saat yang sama, manusia justru dipindahkan ke pekerjaan yang membutuhkan pengambilan keputusan, troubleshooting, analisis, pengawasan, pemrograman, maintenance, quality improvement, dan pemahaman sistem.

Laporan World Economic Forum Future of Jobs 2025 memperkirakan bahwa sampai 2030, pembagian tugas antara manusia, teknologi, dan kombinasi manusia-mesin akan semakin seimbang. Mereka juga memperkirakan robotics dan autonomous systems menjadi salah satu sumber displacement pekerjaan terbesar, tetapi human-machine collaboration akan tetap memainkan peran penting.

International Labour Organization juga melihat AI di manufaktur bukan semata-mata sebagai teknologi pengganti manusia. Dampaknya dapat berupa automation sekaligus augmentation, yaitu teknologi yang meningkatkan kemampuan pekerja. Pada saat yang sama, kebutuhan skill berubah menuju kemampuan digital, analitis, kognitif, dan kemampuan beradaptasi.

Jadi, apakah operator akan hilang?

Jawabannya kemungkinan bukan “ya” atau “tidak”.

Pertanyaan yang jauh lebih tepat adalah:

Operator seperti apa yang akan tetap dibutuhkan?

DARI OPERATOR MESIN MENJADI PENGENDALI SISTEM

Dulu, operator identik dengan orang yang berdiri dekat mesin.

Ia memasukkan material, menekan tombol, mengatur parameter, memantau suara mesin, melakukan pemeriksaan sederhana, mengambil sampel, dan memberi tahu teknisi ketika terjadi gangguan.

Pekerjaan itu sangat bergantung pada kehadiran fisik.

Tetapi semakin banyak fungsi yang diotomatisasi, posisi operator perlahan bergeser.

Sebuah line produksi modern dapat memiliki sensor, PLC, HMI, sistem monitoring, kamera inspeksi, automatic lubrication, automatic tension control, robotic handling, hingga sistem alarm yang saling terhubung.

Operator tidak lagi harus mengendalikan setiap gerakan mesin secara manual.

Sebaliknya, operator harus memahami apa yang sedang dilakukan sistem.

Perbedaannya terlihat sederhana, tetapi sebenarnya sangat besar.

Operator lama mungkin bertanya:

“Mesinnya jalan atau tidak?”

Operator modern perlu bertanya:

“Apakah proses berjalan dalam kondisi normal?”

“Kenapa temperatur mulai naik?”

“Kenapa tension berubah padahal speed tetap?”

“Apakah perubahan kualitas berasal dari material, parameter, atau kondisi equipment?”

“Apakah trend ini masih normal atau merupakan tanda awal kegagalan?”

Di sinilah pekerjaan manusia mulai bergerak dari menjalankan mesin menuju memahami sistem.

MESIN SANGAT CEPAT, TETAPI TIDAK SELALU PANDAI MEMUTUSKAN

Ada satu hal yang membuat mesin sangat unggul: konsistensi.

Mesin dapat melakukan gerakan yang sama ribuan kali tanpa merasa bosan. Robot tidak membutuhkan kopi pada jam tiga sore. Conveyor tidak kehilangan konsentrasi karena shift malam. Sensor dapat membaca parameter secara terus-menerus.

Untuk pekerjaan repetitif, kemampuan seperti ini luar biasa.

Manusia justru memiliki keterbatasan.

Kecepatan, ketelitian, stamina, dan konsistensi manusia tidak selalu dapat menandingi mesin ketika tugasnya sangat berulang.

Karena itu otomatisasi memang masuk akal.

Tetapi konsistensi tidak sama dengan pemahaman.

Sebuah sistem otomatis dapat mengetahui bahwa temperatur berubah dari 80 menjadi 83 derajat Celsius. Namun angka tersebut belum otomatis menjawab apakah perubahan itu normal.

Jawabannya bergantung pada konteks.

Material apa yang sedang diproses?

Berapa speed line?

Bagaimana kondisi cooling?

Apakah perubahan terjadi hanya selama beberapa detik atau terus meningkat?

Apakah perubahan tersebut pernah terjadi pada grade material yang sama?

Apakah sensor memang akurat?

Manusia yang memahami proses dapat menghubungkan berbagai informasi tersebut.

Inilah alasan mengapa data yang sangat banyak tidak otomatis menghasilkan keputusan yang baik.

Data memberikan informasi.

Pemahaman memberikan konteks.

MANUSIA MEMILIKI SATU KEUNGGULAN BESAR: KONTEKS

Bayangkan sebuah sensor membaca kenaikan tekanan.

Bagi mesin, itu adalah angka.

Bagi engineer atau operator berpengalaman, angka tersebut bisa berarti banyak hal.

Mungkin material berubah.

Mungkin filter mulai tersumbat.

Mungkin temperatur berubah.

Mungkin pompa mulai mengalami penurunan performa.

Mungkin sensor bermasalah.

Mungkin perubahan tersebut memang normal karena produk yang sedang diproses berbeda.

Konteks membuat satu angka memiliki arti.

Hal serupa terjadi pada quality control.

Kamera vision system dapat menemukan goresan pada permukaan dengan kecepatan yang sangat tinggi. Tetapi ketika defect meningkat secara tiba-tiba, pertanyaan berikutnya bukan lagi sekadar “ada defect atau tidak”.

Pertanyaannya adalah:

Mengapa defect muncul?

Apakah berasal dari incoming material?

Apakah ada perubahan parameter?

Apakah roller mulai kotor?

Apakah lubrication berubah?

Apakah defect hanya muncul pada bagian head dan tail?

Apakah defect berkaitan dengan coil sebelumnya?

Apakah perubahan terjadi setelah maintenance?

Itu sudah menjadi persoalan investigasi.

Dan investigasi adalah wilayah di mana manusia masih memiliki peran yang sangat besar.

KETIKA AUTOMATION GAGAL

Ada paradoks menarik dalam otomatisasi.

Semakin banyak proses yang diotomatisasi, semakin sedikit manusia yang diperlukan untuk kondisi normal.

Tetapi ketika sesuatu berjalan tidak normal, manusia dengan kemampuan yang tepat justru menjadi sangat penting.

Sensor dapat gagal.

Encoder dapat error.

PLC dapat kehilangan komunikasi.

Robot dapat berhenti karena interlock.

Vision system dapat salah membaca.

Actuator dapat macet.

Jaringan industri dapat terganggu.

Sistem kontrol dapat menerima input yang salah.

Bahkan ketika seluruh equipment sehat, material yang masuk dapat memiliki variasi yang tidak sesuai dengan kondisi yang biasa dihadapi sistem.

Dalam kondisi normal, automation bekerja sangat baik.

Dalam kondisi abnormal, pertanyaan berubah menjadi:

“Siapa yang memahami kenapa sistem berhenti?”

Pabrik yang sangat otomatis tetap membutuhkan orang yang mampu membaca alarm, memahami sequence, memeriksa interlock, mengetahui batas aman, melakukan diagnosis, dan menentukan kapan sistem boleh dijalankan kembali.

Ini menghasilkan sebuah paradoks:

Semakin otomatis pabrik, semakin penting sebagian jenis kemampuan manusia.

PABRIK MODERN MEMBUTUHKAN MANUSIA PADA SAAT YANG PALING SULIT

Bayangkan sebuah line berjalan sempurna selama 30 hari.

Hari ke-31, output mulai turun.

Reject meningkat.

Satu sensor menunjukkan perubahan kecil.

Tetapi tidak ada alarm besar.

Operator melihat dashboard.

Semua parameter masih terlihat “hijau”.

Apa yang harus dilakukan?

Operator yang hanya mengandalkan alarm mungkin mengatakan:

“Tidak ada alarm, berarti aman.”

Operator yang memahami proses akan mulai mencari hubungan.

Apakah trend berubah?

Apakah material berbeda?

Apakah shift sebelumnya melakukan adjustment?

Apakah ada pekerjaan maintenance?

Apakah temperatur lingkungan berubah?

Apakah parameter memang berada dalam batas spesifikasi tetapi sudah bergerak menuju batas?

Di pabrik yang matang, kemampuan seperti ini sangat bernilai.

Karena tujuan produksi bukan hanya membuat mesin terus berjalan.

Tujuannya adalah menghasilkan produk yang sesuai kualitas, aman, stabil, tepat waktu, dan ekonomis.

OPERATOR MASA DEPAN BUKAN BERARTI HARUS MENJADI PROGRAMMER

Ketika berbicara tentang Industry 4.0, sering muncul anggapan bahwa semua operator harus belajar coding.

Tidak sesederhana itu.

Tidak semua operator harus menjadi software engineer.

Tetapi operator masa depan membutuhkan digital literacy yang lebih tinggi.

Ia perlu memahami sensor dasar, parameter proses, alarm, trend, data produksi, sistem kontrol, dan hubungan antarparameter.

Ia mungkin tidak menulis program PLC dari nol, tetapi sebaiknya memahami apa fungsi PLC dan bagaimana sebuah interlock dapat menghentikan mesin.

Ia mungkin tidak membuat model AI, tetapi perlu memahami apa yang dapat dan tidak dapat dilakukan sistem AI.

Ia mungkin tidak membangun vision system, tetapi perlu tahu bahwa hasil inspeksi kamera tetap harus divalidasi terhadap kondisi aktual.

Laporan ILO mengenai perkembangan skill di era AI menekankan meningkatnya kebutuhan terhadap kemampuan kognitif, digital, socioemotional, AI literacy, adaptability, dan human agency.

Artinya, masa depan operator tidak hanya membutuhkan “tangan yang terampil”.

Mereka juga membutuhkan “kepala yang terlatih”.

DARI “MENJALANKAN MESIN” MENJADI “MEMAHAMI PROSES”

Ada perubahan besar dalam cara seseorang dinilai.

Dulu, operator yang bagus mungkin dikenal karena dapat menjalankan mesin dengan cepat dan jarang membuat kesalahan.

Ke depan, operator yang lebih bernilai adalah orang yang memahami mengapa mesin harus dijalankan dengan cara tertentu.

Ia memahami hubungan antara speed, tension, temperature, pressure, lubrication, material properties, quality, dan output.

Ia dapat membaca trend.

Ia mengetahui kondisi normal.

Ia mengenali gejala abnormal sebelum menjadi breakdown.

Ia dapat berkomunikasi dengan maintenance.

Ia mampu menjelaskan masalah kepada QC.

Ia memahami dampak adjustment terhadap kualitas.

Dengan kata lain, operator berubah menjadi process technician.

Ini bukan berarti pekerjaan menjadi lebih mudah.

Justru sebaliknya.

Pekerjaan fisik mungkin berkurang, tetapi tuntutan berpikir dapat meningkat.

ROBOT TIDAK SELALU DATANG UNTUK MENGGANTIKAN OPERATOR

Robot sangat cocok untuk pekerjaan yang berat, berulang, berbahaya, presisi, dan dapat diprediksi.

Misalnya material handling.

Bayangkan sebuah pabrik harus memindahkan benda berat ratusan kali setiap shift.

Secara ekonomi dan keselamatan, robot dapat menjadi pilihan yang masuk akal.

Robot juga dapat digunakan untuk welding, palletizing, packaging, picking, inspection, dan berbagai pekerjaan berulang lainnya.

Tetapi setelah robot dipasang, masalah tidak otomatis selesai.

Siapa yang melakukan commissioning?

Siapa yang menangani error?

Siapa yang memeriksa gripper?

Siapa yang memastikan robot tidak merusak produk?

Siapa yang melakukan preventive maintenance?

Siapa yang mengubah program ketika layout produksi berubah?

Siapa yang memastikan keselamatan manusia di sekitar robot?

Jawabannya tetap manusia.

ILO dalam kajiannya mengenai sektor elektronik Indonesia juga menunjukkan bahwa otomatisasi dapat berfungsi sebagai labour augmentation, bukan sekadar displacement, sekaligus menciptakan kebutuhan skill baru seperti PLC, programming, dan mechatronics.

Jadi robot tidak hanya menghilangkan pekerjaan.

Ia juga mengubah jenis pekerjaan.

MASALAHNYA BUKAN MESIN, TETAPI PERUBAHAN SKILL

Inilah bagian yang sering terlupakan.

Ketika perusahaan membeli mesin baru, perusahaan membeli teknologi.

Tetapi perusahaan tidak otomatis membeli kemampuan manusia untuk menggunakannya.

Sebuah mesin canggih dapat dipasang dalam beberapa bulan.

Membangun orang yang mampu memahami mesin tersebut bisa membutuhkan waktu bertahun-tahun.

Karena itu transformasi digital sering gagal bukan karena teknologinya buruk.

Masalahnya bisa berupa skill gap.

Seorang teknisi mekanik yang sebelumnya fokus pada bearing, shaft, coupling, dan lubrication kini mungkin harus memahami sensor, inverter, servo, dan condition monitoring.

Seorang QC yang sebelumnya fokus pada visual inspection kini mungkin perlu memahami SPC, database, vision inspection, dan analytics.

Operator produksi mungkin perlu membaca trend dan melakukan basic troubleshooting sebelum memanggil maintenance.

Bukan berarti semua orang harus menguasai semuanya.

Yang dibutuhkan adalah kemampuan lintas bidang yang cukup untuk memahami hubungan antarsistem.

ORANG YANG PALING TERANCAM BUKAN SELALU OPERATOR

Jika ingin mengetahui pekerjaan mana yang paling mudah terdampak otomatisasi, jangan hanya melihat nama jabatannya.

Lihat tugasnya.

Pekerjaan yang sangat repetitif, dapat diprediksi, berbasis aturan, mudah didigitalkan, dan memiliki output yang mudah diukur cenderung lebih mudah diotomatisasi.

Sebaliknya, tugas yang membutuhkan troubleshooting, komunikasi, judgement, kreativitas, koordinasi, dan respons terhadap kondisi tidak terduga cenderung lebih sulit diotomatisasi sepenuhnya.

Satu jabatan dapat berisi kedua jenis tugas tersebut.

Seorang operator mungkin menghabiskan 60 persen waktunya melakukan pekerjaan rutin dan 40 persen menangani kondisi yang membutuhkan judgement.

Teknologi mungkin mengambil 60 persen pertama.

Tetapi 40 persen sisanya justru menjadi bagian paling penting dari pekerjaan tersebut.

World Economic Forum Future of Jobs Report 2025 memperkirakan hingga 2030 sekitar 170 juta pekerjaan dapat tercipta sementara sekitar 92 juta dapat terdorong keluar atau tergantikan secara global. Angka ini bukan ramalan untuk satu pabrik atau satu negara, tetapi menunjukkan besarnya perubahan struktur pekerjaan yang diperkirakan terjadi.

Artinya, diskusinya tidak cukup berhenti pada “berapa pekerjaan yang hilang?”

Pertanyaan yang lebih penting adalah:

“Skill apa yang menggantikan skill lama?”

AUTOMATION TIDAK GRATIS

Ada satu kesalahan lain dalam membayangkan otomatisasi.

Robot sering terlihat seperti solusi sederhana:

“Ganti dua operator dengan satu robot.”

Padahal biaya otomatisasi bukan hanya harga robot.

Ada sensor.

Ada PLC.

Ada safety system.

Ada integration.

Ada software.

Ada electrical infrastructure.

Ada programming.

Ada commissioning.

Ada training.

Ada spare part.

Ada maintenance.

Ada cybersecurity.

Ada downtime saat implementasi.

Dan tentu saja ada biaya perubahan proses.

Perusahaan harus menghitung apakah investasi tersebut benar-benar menghasilkan peningkatan produktivitas, keselamatan, kualitas, dan total cost yang lebih baik.

Karena itu tidak semua proses harus diotomatisasi.

Kadang-kadang manusia masih lebih fleksibel dan lebih murah.

Terutama pada produksi dengan volume rendah, variasi produk tinggi, atau proses yang sering berubah.

MENGAPA PABRIK TIDAK BISA SEKADAR MEMBELI ROBOT?

Ada prinsip sederhana dalam engineering:

Automate a good process, not a bad process.

Jika proses dasarnya tidak stabil, otomatisasi hanya membuat ketidakstabilan tersebut berjalan lebih cepat.

Bayangkan sebuah proses menghasilkan defect karena parameter tidak konsisten.

Jika perusahaan memasang robot tanpa menyelesaikan akar masalahnya, robot akan tetap menghasilkan produk dengan defect.

Bedanya, sekarang prosesnya mungkin lebih cepat.

Karena itu sebelum otomatisasi, perusahaan perlu memahami proses.

Apakah parameter stabil?

Apakah material konsisten?

Apakah equipment reliable?

Apakah quality requirement jelas?

Apakah failure mode sudah diketahui?

Apakah operator sudah memahami proses?

Apakah data tersedia?

Otomatisasi terbaik biasanya lahir dari proses yang sudah dipahami dengan baik.

KETIKA MANUSIA DAN MESIN BEKERJA BERSAMA

Masa depan manufaktur kemungkinan besar bukan manusia melawan mesin.

Model yang lebih realistis adalah manusia bersama mesin.

Mesin unggul dalam kecepatan, pengulangan, presisi, dan pengumpulan data.

Manusia unggul dalam konteks, judgement, komunikasi, kreativitas, adaptasi, dan penanganan kondisi yang belum diprediksi.

Bayangkan sistem inspection otomatis.

Kamera bekerja 24 jam dan menemukan anomali.

Sistem AI mengelompokkan pola.

Dashboard menunjukkan lokasi dan frekuensi defect.

Tetapi manusia tetap menentukan apakah pola tersebut merupakan masalah proses, variasi material, atau false positive.

Teknologi memperbesar kemampuan manusia.

Manusia memberikan arah dan keputusan.

Inilah konsep human-in-the-loop yang kemungkinan akan tetap relevan di banyak lingkungan industri.

DAN INI MENGUBAH DEFINISI “OPERATOR”

Kata “operator” sendiri mungkin akan berubah makna.

Operator masa depan dapat bekerja lebih dekat dengan konsep process controller, production technician, automation operator, digital operator, machine monitoring specialist, atau quality process specialist.

Pekerja tersebut mungkin tidak berdiri sepanjang waktu di depan mesin.

Ia bisa berada di control room.

Ia membaca beberapa dashboard sekaligus.

Ia memantau kondisi line.

Ia berkomunikasi dengan maintenance melalui sistem digital.

Ia menerima notifikasi abnormality.

Ia melakukan first-level diagnosis.

Ia memastikan tindakan koreksi tidak menciptakan masalah baru.

Secara fisik, pekerjaannya mungkin lebih ringan.

Secara kognitif, pekerjaannya bisa jauh lebih kompleks.

BAGAIMANA DENGAN QUALITY CONTROL?

QC juga mengalami perubahan yang menarik.

Pada masa lalu, pemeriksaan kualitas sangat bergantung pada manusia yang melihat, mengukur, mencatat, lalu memutuskan OK atau NG.

Kini banyak proses dapat dibantu sensor dan vision system.

Kamera dapat memeriksa permukaan.

Sensor dapat memantau dimensi.

Sistem dapat mencatat parameter secara otomatis.

SPC dapat menunjukkan trend.

AI dapat membantu menemukan pola.

Tetapi fungsi QC tidak hilang.

Justru fokusnya dapat bergeser.

Dari:

“Apakah produk ini cacat?”

menjadi:

“Apakah proses sedang bergerak menuju kondisi yang akan menghasilkan cacat?”

Ini adalah perubahan dari detection menuju prevention.

Misalnya hasil inspeksi menunjukkan defect meningkat perlahan.

QC yang hanya melihat produk akhir mungkin mengetahui masalah setelah defect terjadi.

QC yang membaca trend dapat memberi peringatan lebih awal.

Dengan demikian, data membuat QC semakin dekat dengan process engineering.

MAINTENANCE JUGA BERUBAH

Maintenance mengalami transformasi yang sama.

Dulu banyak pekerjaan dilakukan setelah mesin rusak.

Breakdown terjadi.

Teknisi dipanggil.

Masalah dicari.

Part diganti.

Mesin kembali berjalan.

Kemudian berkembang preventive maintenance.

Komponen diperiksa atau diganti berdasarkan jadwal.

Kini berkembang pula condition monitoring dan predictive maintenance.

Sensor dapat memantau vibration, temperature, current, pressure, lubrication condition, dan parameter lain.

Perubahan kecil dapat menjadi sinyal awal kerusakan.

Tetapi sekali lagi, data bukan keputusan.

Sensor dapat berkata bahwa vibration meningkat.

Teknisi harus menentukan:

Apakah kenaikan tersebut serius?

Apa sumbernya?

Bearing?

Misalignment?

Unbalance?

Looseness?

Apakah sensor valid?

Apakah kondisi tersebut berbahaya?

Apa tindakan paling tepat?

Teknologi mempercepat diagnosis.

Pengetahuan manusia menentukan tindakan.

INDUSTRY 4.0 BUKAN TENTANG MEMBUAT MANUSIA TIDAK BERGUNA

Industry 4.0 sering disederhanakan menjadi robot.

Padahal konsepnya jauh lebih luas.

Ada connectivity.

Ada sensor.

Ada automation.

Ada data analytics.

Ada cloud atau edge computing.

Ada artificial intelligence.

Ada cyber-physical systems.

Ada digital integration.

Tujuannya bukan sekadar membuat mesin bergerak sendiri.

Tujuannya membuat sistem produksi mampu melihat kondisi, bertukar informasi, menganalisis, dan merespons dengan lebih cepat.

Dalam konteks tersebut, manusia tidak selalu dikeluarkan dari sistem.

Manusia justru dapat memperoleh informasi yang sebelumnya sulit didapat.

Dulu operator mungkin hanya mengetahui bahwa mesin terasa “aneh”.

Sekarang dashboard dapat menunjukkan bahwa motor mengalami kenaikan current 8 persen selama tiga jam terakhir.

Dulu QC mungkin hanya mengetahui defect setelah produk selesai.

Sekarang sistem dapat menunjukkan hubungan antara defect dengan perubahan parameter proses.

Informasi seperti ini membuat manusia lebih kuat.

MASALAH TERBESAR ADALAH SKILL GAP

World Economic Forum memperkirakan sektor advanced manufacturing akan meningkatkan penggunaan AI dan robotics secara signifikan. Mereka juga melihat meningkatnya kebutuhan terhadap AI and big data, creative thinking, cybersecurity, systems thinking, dan resource management.

Ini menunjukkan bahwa industri tidak hanya membutuhkan orang yang bisa mengoperasikan teknologi.

Industri membutuhkan orang yang memahami sistem.

Dan di sinilah pendidikan serta training menjadi sangat penting.

Perusahaan tidak bisa mengatakan:

“Kita sudah membeli mesin Industry 4.0.”

lalu berharap operator secara otomatis menjadi operator Industry 4.0.

Training harus menjadi bagian dari investasi.

Orang perlu memahami teknologi yang digunakan.

Mereka perlu memahami batasannya.

Mereka perlu belajar membaca data.

Mereka perlu belajar troubleshooting.

Dan yang tidak kalah penting, mereka perlu belajar bagaimana mengambil keputusan ketika teknologi memberikan informasi yang tidak sempurna.

OPERATOR YANG MAU BELAJAR MEMILIKI POSISI YANG BERBEDA

Tidak semua orang harus belajar dengan kecepatan yang sama.

Namun pekerja yang bersedia memahami teknologi baru memiliki peluang lebih besar untuk beradaptasi.

Skill yang menarik untuk operator manufaktur antara lain:

Pemahaman dasar sensor dan instrumentation.

Dasar PLC dan industrial control.

HMI dan alarm management.

Data logging dan trend analysis.

SPC dan basic statistics.

Condition monitoring.

Machine vision.

Robotics awareness.

Basic cybersecurity.

Basic AI literacy.

Problem solving dan root cause analysis.

Yang menarik, sebagian skill tersebut sebenarnya tidak terlalu jauh dari pekerjaan operator saat ini.

Bedanya adalah kedalaman pemahamannya.

Operator tidak lagi hanya bertanya:

“Bagaimana menjalankan mesin?”

Tetapi:

“Bagaimana sistem ini bekerja?”

MASA DEPAN PABRIK MUNGKIN BUKAN FULLY AUTONOMOUS

Istilah “lights-out factory” terdengar keren.

Pabrik berjalan tanpa manusia.

Lampu bahkan tidak perlu menyala.

Tetapi apakah semua pabrik akan menjadi seperti itu?

Belum tentu.

Tingkat otomatisasi akan berbeda berdasarkan jenis produk, volume produksi, variasi material, biaya tenaga kerja, biaya investasi, regulasi keselamatan, tingkat kompleksitas proses, dan kebutuhan fleksibilitas.

Produksi massal dengan produk sangat standar lebih mudah diotomatisasi.

Produksi dengan banyak variasi mungkin tetap membutuhkan manusia.

Pabrik dengan material yang sangat konsisten mungkin lebih mudah mencapai autonomous operation.

Pabrik yang menangani banyak kondisi tidak terduga akan lebih sulit.

Karena itu masa depan kemungkinan tidak berbentuk satu model pabrik.

Akan ada banyak tingkat otomatisasi.

Ada proses yang tetap manual.

Ada proses semi-otomatis.

Ada proses otomatis.

Ada proses yang terhubung secara digital.

Dan mungkin ada sebagian proses yang benar-benar hampir autonomous.

Perubahannya bertahap.

DARI MANUAL MENUJU SEMAKIN OTONOM

Jika melihat sejarah manufaktur, perubahan sebenarnya sudah terjadi berkali-kali.

Tahap awal:

Manusia melakukan hampir semuanya.

Kemudian datang mekanisasi.

Tenaga manusia digantikan atau diperkuat oleh mesin.

Kemudian automation.

Mesin mulai menjalankan sequence secara otomatis.

Kemudian computerization.

Sistem kontrol menjadi lebih kompleks.

Kemudian connectivity.

Mesin mulai berbagi data.

Kemudian analytics.

Data digunakan untuk menemukan pola.

Kemudian AI.

Sistem mulai membantu prediksi, klasifikasi, dan keputusan.

Tahap berikutnya dapat menuju autonomous operation dalam sebagian proses.

Tetapi pada setiap tahap, pekerjaan manusia tidak selalu menghilang secara total.

Pekerjaannya berubah.

DAN PERUBAHAN ITU TIDAK SELALU MUDAH

Bagi perusahaan, transformasi adalah investasi.

Bagi pekerja, transformasi bisa terasa seperti ancaman.

Seorang operator yang telah bekerja selama 15 tahun mungkin sangat mahir menjalankan mesin lama.

Kemudian perusahaan memasang sistem baru.

Tiba-tiba pengalaman bertahun-tahun tersebut terasa kurang relevan.

Di sinilah manajemen memiliki tanggung jawab.

Jika teknologi diterapkan tanpa reskilling, perusahaan memang mungkin mendapatkan mesin baru.

Tetapi perusahaan juga dapat kehilangan pengalaman manusia yang sangat berharga.

Sebaliknya, jika pekerja dilibatkan dalam proses transformasi, pengalaman lapangan dapat menjadi bagian dari desain sistem.

Operator lama dapat membantu engineer memahami failure mode.

Teknisi dapat membantu menentukan sensor yang paling berguna.

QC dapat membantu menentukan parameter yang harus dipantau.

Orang produksi dapat menjelaskan kondisi nyata yang tidak terlihat dalam drawing atau manual.

Ini membuat transformasi jauh lebih kuat.

MASALAHNYA BUKAN “MANUSIA ATAU MESIN”

Pertanyaan “manusia atau mesin?” sebenarnya terlalu sederhana.

Pertanyaan yang lebih tepat:

“Tugas mana yang lebih baik dilakukan mesin?”

“Tugas mana yang lebih baik dilakukan manusia?”

“Bagaimana keduanya bekerja bersama?”

Mesin sebaiknya mengambil pekerjaan yang berbahaya, repetitif, sangat berat, atau membutuhkan konsistensi tinggi.

Manusia sebaiknya tetap memiliki ruang untuk mengambil keputusan, menangani kondisi abnormal, melakukan improvement, dan mengarahkan sistem.

Dengan pembagian seperti ini, otomatisasi tidak harus menjadi perang.

Ia menjadi desain ulang pekerjaan.

APA YANG AKAN TERJADI PADA OPERATOR 10–20 TAHUN KE DEPAN?

Kemungkinan besar jumlah pekerjaan manual tertentu akan turun.

Ini kenyataan yang tidak perlu ditutup-tutupi.

Tetapi itu tidak berarti seluruh operator akan hilang.

Sebagian akan berubah menjadi technician.

Sebagian menjadi automation specialist.

Sebagian masuk ke process control.

Sebagian fokus pada quality system.

Sebagian menangani data.

Sebagian berpindah ke maintenance.

Sebagian menjadi supervisor atau improvement specialist.

Sebagian pekerjaan baru yang saat ini belum populer juga dapat muncul.

Sejarah teknologi menunjukkan bahwa perubahan pekerjaan sering terjadi secara bersamaan: sebagian tugas hilang, sebagian tugas berubah, dan sebagian pekerjaan baru muncul.

Yang menjadi masalah adalah kecepatannya.

Jika mesin berubah dalam dua tahun sementara skill manusia berubah dalam sepuluh tahun, maka akan muncul kesenjangan.

Itulah mengapa reskilling dan upskilling bukan sekadar istilah HR.

Ia menjadi bagian dari strategi manufaktur.

AUTOMATION JUGA MERUPAKAN MASALAH SOSIAL

Pabrik tidak berdiri di ruang kosong.

Di belakang setiap pekerja terdapat keluarga.

Ketika otomatisasi mengubah pekerjaan, dampaknya bukan hanya terhadap grafik productivity.

Ada pendapatan.

Ada karier.

Ada pendidikan.

Ada stabilitas keluarga.

Ada daerah yang bergantung pada industri.

Karena itu transformasi teknologi perlu dipikirkan sebagai just transition.

ILO menekankan pentingnya pekerjaan layak, perlindungan sosial, pengembangan skill, dan dialog dalam menghadapi perubahan teknologi.

Perusahaan tentu membutuhkan produktivitas.

Pekerja membutuhkan masa depan.

Teknologi membutuhkan investasi.

Masyarakat membutuhkan stabilitas.

Transformasi yang baik harus mencoba mempertemukan semuanya.

APAKAH AI AKAN MENGAMBIL ALIH OPERATOR?

AI mungkin akan mengambil alih sebagian tugas operator.

Tetapi “tugas” dan “pekerjaan” bukan hal yang sama.

Satu pekerjaan terdiri dari banyak tugas.

Seorang operator dapat membaca parameter, memeriksa material, melakukan adjustment, mencatat data, berkomunikasi dengan QC, menangani abnormality, melakukan handover, dan berkoordinasi dengan maintenance.

AI mungkin membantu membaca data.

Vision system dapat membantu inspeksi.

Sistem otomatis dapat melakukan adjustment tertentu.

Predictive model dapat memberikan peringatan.

Tetapi keseluruhan pekerjaan masih melibatkan lingkungan fisik, keselamatan, koordinasi manusia, tanggung jawab, dan keputusan.

Karena itu dampak AI sering lebih tepat dilihat sebagai perubahan komposisi pekerjaan daripada sekadar penghapusan pekerjaan.

ILO juga menemukan bahwa dalam banyak kasus AI lebih mungkin mengubah atau meningkatkan kemampuan pekerja daripada mengotomatisasi seluruh pekerjaannya.

KESALAHAN TERBESAR ADALAH MENGANGGAP TEKNOLOGI SEBAGAI TUJUAN

Ada perusahaan yang membeli robot karena pesaing memiliki robot.

Ada yang membeli AI karena semua orang berbicara tentang AI.

Ada yang memasang dashboard besar tetapi tidak ada orang yang benar-benar menggunakannya untuk mengambil keputusan.

Ini adalah jebakan teknologi.

Teknologi seharusnya menjawab masalah.

Jika masalahnya adalah safety, otomatisasi mungkin membantu.

Jika masalahnya adalah repeatability, robot mungkin membantu.

Jika masalahnya adalah defect detection, vision system mungkin membantu.

Jika masalahnya adalah breakdown, condition monitoring mungkin membantu.

Jika masalahnya adalah keputusan lambat karena data tersebar, integration mungkin membantu.

Tetapi jika masalahnya adalah proses yang tidak stabil, membeli teknologi tanpa memperbaiki proses hanya memindahkan masalah.

Pabrik yang pintar bukan pabrik yang memiliki teknologi paling banyak.

Pabrik yang pintar adalah pabrik yang menggunakan teknologi untuk menyelesaikan masalah yang tepat.

PABRIK MASA DEPAN AKAN MEMILIKI LEBIH BANYAK DATA

Salah satu perubahan terbesar bukan jumlah robot.

Melainkan jumlah informasi.

Bayangkan satu line menghasilkan ribuan data point setiap menit.

Temperature.

Pressure.

Speed.

Tension.

Current.

Vibration.

Thickness.

Width.

Surface inspection.

Energy consumption.

Downtime.

Alarm.

Production rate.

Quality result.

Semua data tersebut dapat disimpan.

Masalah berikutnya adalah:

Apa yang dilakukan terhadap data tersebut?

Data tanpa analisis hanya menjadi gudang angka.

Data yang dianalisis menghasilkan informasi.

Informasi yang dipahami menghasilkan keputusan.

Keputusan yang dilakukan dengan benar menghasilkan improvement.

Dan manusia tetap menjadi bagian penting dari rantai tersebut.

DARI REAKTIF MENJADI PREDIKTIF

Salah satu perubahan terbesar dalam industri modern adalah kemampuan untuk bergerak dari reaktif menjadi prediktif.

Model lama:

Mesin rusak → perbaiki.

Model berikutnya:

Mesin dijadwalkan maintenance → periksa.

Model yang lebih maju:

Data menunjukkan gejala kerusakan → lakukan tindakan sebelum breakdown.

Konsep ini terdengar sederhana.

Tetapi penerapannya membutuhkan kombinasi teknologi dan manusia.

Sensor harus benar.

Data harus berkualitas.

Model harus relevan.

Batas alarm harus tepat.

Dan teknisi harus memahami apa yang harus dilakukan ketika indikator berubah.

Tanpa manusia yang memahami proses, predictive maintenance bisa berubah menjadi predictive confusion.

MENGAPA PENGALAMAN OPERATOR TETAP BERHARGA?

Dalam banyak pabrik, ada operator yang bisa mendengar suara mesin dan langsung mengatakan:

“Ini tidak normal.”

Jika ditanya bagaimana ia tahu, jawabannya mungkin:

“Sudah sering dengar.”

Pengalaman seperti ini kadang sulit ditulis dalam SOP.

Ia merupakan tacit knowledge.

Masalahnya, jika orang tersebut pensiun atau pindah, pengetahuan itu bisa hilang.

Teknologi dapat membantu menangkap sebagian pengetahuan tersebut.

Misalnya suara mesin direkam.

Vibration diukur.

Trend dibuat.

Kondisi normal dibandingkan dengan kondisi abnormal.

Dengan begitu pengalaman manusia dapat diterjemahkan menjadi data.

Inilah salah satu bentuk kolaborasi paling menarik antara manusia dan teknologi.

Bukan mengganti pengalaman.

Melainkan membuat pengalaman dapat diwariskan kepada sistem.

APA YANG HARUS DIPERSIAPKAN PEKERJA INDUSTRI?

Jika tren otomatisasi semakin kuat, pekerja tidak harus panik.

Tetapi juga tidak sebaiknya pasif.

Ada beberapa kemampuan yang semakin relevan.

Pertama, pahami proses.

Jangan hanya tahu tombol mana yang harus ditekan.

Pahami mengapa parameter tersebut digunakan.

Kedua, belajar membaca data.

Tidak harus menjadi data scientist.

Mulailah dari trend, average, variation, correlation, dan basic statistics.

Ketiga, pahami teknologi di sekitar pekerjaan.

Sensor, PLC, HMI, inverter, servo, robot, vision system, dan network industri bukan lagi wilayah yang sepenuhnya terpisah dari operator.

Keempat, kuasai problem solving.

5 Why, fishbone, Pareto, SPC, FMEA, dan root cause analysis tetap berguna meskipun pabrik semakin digital.

Kelima, tingkatkan kemampuan komunikasi.

Semakin kompleks sistem, semakin penting kemampuan menjelaskan masalah secara jelas kepada bagian lain.

Keenam, belajar terus.

Bukan karena manusia harus mengalahkan mesin.

Tetapi karena manusia harus mampu bekerja dengan mesin yang semakin pintar.

MASA DEPAN OPERATOR SEBENARNYA SUDAH DIMULAI

Perubahan ini bukan sesuatu yang baru akan terjadi 20 tahun lagi.

Di banyak pabrik, operator sudah bekerja dengan HMI.

Sudah ada sensor.

Sudah ada automatic control.

Sudah ada barcode atau RFID.

Sudah ada vision inspection.

Sudah ada dashboard.

Sudah ada predictive maintenance.

Sudah ada robot.

Yang berubah sekarang adalah tingkat integrasinya.

Mesin tidak lagi berdiri sendiri.

Data bergerak dari satu sistem ke sistem lain.

Keputusan menjadi lebih cepat.

Dan batas antara operator, maintenance, QC, engineering, dan IT semakin tipis.

Pekerjaan industri menjadi semakin interdisipliner.

DULU TANGAN YANG MENJALANKAN MESIN, BESOK OTAK YANG MENGARAHKAN SISTEM

Mungkin inilah cara paling sederhana untuk melihat perubahan tersebut.

Operator masa lalu banyak menggunakan tangan.

Operator masa depan akan lebih banyak menggunakan mata, otak, dan data.

Ia mengawasi.

Menganalisis.

Memverifikasi.

Mengambil keputusan.

Mengoptimalkan.

Berkoordinasi.

Dan sesekali tetap turun langsung ketika sistem mengalami masalah.

Mesin akan terus menjadi lebih cepat.

Robot akan semakin presisi.

AI akan semakin pintar.

Sensor akan semakin murah.

Data akan semakin banyak.

Tetapi kondisi nyata di lantai produksi akan tetap penuh variasi.

Material tidak selalu sama.

Equipment tidak selalu sempurna.

Manusia tidak selalu sempurna.

Dan sistem otomatis juga tidak selalu sempurna.

Karena itu manusia belum selesai dari manufaktur.

Justru definisinya sedang berubah.

JADI, APAKAH INDUSTRI MODERN MASIH MEMBUTUHKAN OPERATOR?

Ya.

Tetapi bukan operator dalam pengertian lama.

Industri modern mungkin membutuhkan lebih sedikit orang untuk melakukan pekerjaan yang sangat repetitif.

Namun industri juga membutuhkan lebih banyak orang yang mampu memahami teknologi, membaca data, mengendalikan proses, melakukan troubleshooting, menjaga kualitas, menangani kondisi abnormal, dan memperbaiki sistem.

Mesin akan mengerjakan apa yang paling cocok dilakukan mesin.

Manusia akan mengerjakan apa yang membutuhkan pemahaman manusia.

Dan area paling menarik justru berada di antara keduanya.

Di situlah human-machine collaboration muncul.

Mesin memberi kecepatan.

Manusia memberi konteks.

Mesin memberi data.

Manusia memberi interpretasi.

Mesin memberikan konsistensi.

Manusia memberikan adaptasi.

Mesin dapat mengikuti aturan.

Manusia dapat mempertanyakan apakah aturan tersebut masih tepat.

Itulah sebabnya masa depan manufaktur kemungkinan bukan “manusia versus mesin”.

Melainkan:

MANUSIA DENGAN MESIN.

KESIMPULAN: PABRIK TANPA MANUSIA BUKAN SATU-SATUNYA MASA DEPAN

Otomatisasi memang akan menghilangkan sebagian tugas manusia.

Itu nyata.

Robot akan menggantikan sebagian pekerjaan berulang.

AI akan mengambil sebagian pekerjaan berbasis informasi.

Sistem otomatis akan mengurangi kebutuhan terhadap pekerjaan manual tertentu.

Tetapi dari sana tidak otomatis muncul kesimpulan bahwa operator akan menghilang.

Yang berubah adalah bentuk pekerjaannya.

Operator masa depan akan semakin dekat dengan teknologi.

Ia harus memahami data.

Ia harus mampu membaca kondisi proses.

Ia harus mengerti basic automation.

Ia harus mampu mengenali abnormality.

Ia harus bisa bekerja bersama robot dan sistem digital.

Dan ketika sesuatu berjalan di luar kondisi normal, ia harus mampu berpikir.

Ini adalah perubahan besar.

Pekerjaan yang membutuhkan tenaga fisik mungkin berkurang.

Tetapi pekerjaan yang membutuhkan pemahaman sistem dapat menjadi semakin penting.

Tantangan terbesar industri sebenarnya bukan membuat mesin menjadi semakin pintar.

Mesin akan terus berkembang.

Tantangannya adalah memastikan manusia juga berkembang cukup cepat untuk bekerja bersama mesin tersebut.

Karena pada akhirnya, pabrik masa depan tidak selalu membutuhkan manusia yang lebih banyak.

Pabrik masa depan membutuhkan manusia yang berbeda.

Manusia yang mampu memahami teknologi.

Manusia yang mampu membaca data.

Manusia yang mampu memecahkan masalah.

Manusia yang mampu mengambil keputusan ketika sistem menghadapi sesuatu yang tidak ada di dalam program.

Dan mungkin inilah pertanyaan yang jauh lebih menarik daripada:

“Apakah robot akan menggantikan manusia?”

Pertanyaannya adalah:

“Apakah manusia mau berkembang secepat mesin?”

REFERENSI

1. International Labour Organization (ILO). 2026. AI in manufacturing: Challenges and opportunities for promoting decent work, productivity and a just transition. 2. World Economic Forum (WEF). 2025. The Future of Jobs Report 2025. 3. International Labour Organization (ILO). 2026. Changing landscape of skills in the age of AI. 4. International Labour Organization (ILO). 2025. Artificial intelligence adoption and its impact on jobs. 5. International Labour Organization (ILO). 2025. Generative AI and jobs: A 2025 update. 6. International Labour Organization (ILO). Skills development and employment situation in Indonesia’s electronics sector.

Catatan: Angka dan proyeksi mengenai pekerjaan, otomatisasi, AI, dan kebutuhan skill dalam artikel ini merupakan temuan atau proyeksi dari sumber yang tercantum dan tidak boleh dianggap sebagai kepastian untuk setiap perusahaan atau negara. Kecepatan otomatisasi sangat bergantung pada jenis industri, volume produksi, kompleksitas proses, biaya investasi, regulasi, teknologi, dan kesiapan tenaga kerja.