Lompat ke konten

Tinjauan ilmiah

Digitalisasi Otomatis P&ID Berformat Gambar: Pipeline Modular, Transformer, dan Model Bahasa Multimodal

Redaksi ARSTEMA · · 16 menit baca

Abstrak

P&ID (piping and instrumentation diagram) di banyak pabrik masih tersimpan sebagai kertas, hasil pindaian, atau berkas gambar. Akibatnya, informasinya tidak dapat diolah komputer untuk pemeriksaan konsistensi, simulasi, atau kembaran digital, dan konversi manualnya menuntut waktu serta keahlian. Tinjauan ini menilai seberapa akurat metode otomatis mengubah P&ID berformat gambar menjadi data terstruktur berupa simbol, teks, garis, dan hubungan antarkomponen. Tinjauan ini juga memetakan tahap yang paling sering gagal dan menilai sejauh mana hasil antarstudi dapat dibandingkan. Cakupannya lima sumber terbuka terbitan 2022 sampai 2026: satu ulasan deep learning untuk diagram teknik, satu pipeline modular industri, satu perbandingan transformer gambar-ke-graf dengan pendekatan modular pada dataset publik, satu studi kasus jaringan gas, dan satu studi model bahasa multimodal. Pengenalan simbol dan node umumnya tinggi, sedangkan pengenalan sambungan atau edge tertinggal di hampir semua studi. Rekonstruksi topologi berbasis aturan dilaporkan mencapai presisi 99,56% pada lima P&ID privat, tetapi pendekatan modular lain hanya mencapai 45,89% untuk edge pada dataset publik, sementara transformer gambar-ke-graf mencapai 76,79%. Pada model bahasa multimodal, akurasi edge naik dari 55,58% menjadi 80,58% setelah tugas dipecah menjadi dua tahap dan diberi pengetahuan proses. Metrik, kelas simbol, dan data uji yang berbeda membuat angka antarstudi tidak dapat diperbandingkan langsung, dan ukuran data uji umumnya kecil. Digitalisasi otomatis sudah layak sebagai alat bantu, tetapi verifikasi sambungan oleh ahli dan tolok ukur publik bersama masih diperlukan.

Kata kunci: P&ID; digitalisasi diagram teknik; deep learning; rekonstruksi topologi; transformer gambar-ke-graf; model bahasa multimodal

Pendahuluan

Diagram perpipaan dan instrumentasi (piping and instrumentation diagram, P&ID) memetakan peralatan proses, instrumen, elemen kendali, serta jalur fluida dan sinyal yang menghubungkan semuanya. Dokumen ini menjadi data induk sejak desain dasar sampai desain rinci, pengadaan, konstruksi, dan komisioning pabrik (Kim dkk., 2022). Dalam bentuk digital, setiap objek di dalam P&ID tersimpan sebagai data terstruktur yang dapat diolah komputer. Diagram semacam itu dapat dipakai untuk pemeriksaan konsistensi otomatis, pembuatan model simulasi, dan interaksi dengan kembaran digital (digital twin) (Stürmer dkk., 2025; Zhu dkk., 2026).

Kenyataannya, sebagian besar P&ID di pabrik yang sudah lama beroperasi masih berupa gambar. Pada proyek baru pun, P&ID dari perusahaan desain teknik awal (front-end engineering and design, FEED) atau pemasok peralatan kerap diserahkan dalam format gambar karena alasan kekayaan intelektual atau kewajiban kontrak (Kim dkk., 2022). Pertukaran dokumen teknik melalui PDF atau gambar hasil render juga masih lazim (Stürmer dkk., 2025). Selama ini konversi ke format digital dikerjakan dengan menggambar ulang secara manual oleh ahli domain. Cara ini memakan waktu, rawan kesalahan, dan mutunya bergantung pada kecakapan pekerja (Kim dkk., 2022).

Skala persoalannya besar. Operator transmisi gas di Italia mengelola sekitar 11.000 stasiun pengatur dan meter (ReMi). Dokumentasi stasiun tersebut selama ini dianalisis dan dimasukkan ke sistem internal secara manual oleh para ahli (Bailo dkk., 2025). Setiap diagram juga padat isi: sebuah studi yang diulas mencatat rata-rata 180 simbol per P&ID. Teks dapat muncul di mana saja dengan huruf, skala, dan orientasi yang beragam (Jamieson dkk., 2024). Konvensi penggambaran berbeda antarperusahaan dan antarkontraktor, sehingga sistem otomatis harus bekerja pada representasi grafis yang tidak konsisten dan sering ambigu (Zhu dkk., 2026).

Tinjauan ini menelaah tiga keluarga pendekatan. Yang pertama adalah pipeline modular berbasis deep learning, yaitu rangkaian model terpisah untuk simbol, teks, dan garis yang hasilnya digabungkan dengan aturan. Yang kedua adalah model transformer gambar-ke-graf yang mengekstraksi objek dan hubungannya sekaligus. Yang ketiga adalah model bahasa besar multimodal (multimodal large language model, MLLM), yaitu model bahasa yang juga mampu membaca gambar. Tinjauan ini berupaya menjawab tiga pertanyaan: seberapa akurat metode yang ada, di tahap mana kegagalan paling sering terjadi, dan sejauh mana angka antarstudi dapat dibandingkan.

Sumber yang ditelaah berjumlah lima dokumen terbuka yang terbit antara 2022 dan 2026. Kelimanya adalah satu ulasan kritis tentang deep learning untuk diagram teknik, satu pipeline modular ujung ke ujung untuk P&ID industri, satu perbandingan langsung transformer dengan pendekatan modular yang disertai dataset publik, satu studi kasus jaringan gas, dan satu studi MLLM. Satu artikel lain yang tampak relevan tidak dapat dibuka teks lengkapnya, sehingga klaim di dalamnya tidak dipakai.

Dari gambar ke graf: unsur, keluaran, dan metrik

Diagram teknik tersusun atas tiga unsur: simbol, teks, dan konektor. Konektor menghubungkan simbol dan dapat berupa garis utuh maupun putus-putus (Jamieson dkk., 2024). Pada P&ID, simbol mewakili peralatan, perpipaan, dan instrumentasi, sedangkan garis dibedakan menjadi garis pipa dan garis sinyal. Panah aliran biasanya disisipkan di sepanjang garis atau di ujungnya untuk menunjukkan arah fluida atau sinyal (Kim dkk., 2022). Hubungan antarunsur paling alami dinyatakan sebagai graf: simbol menjadi node (simpul) dan sambungan menjadi edge (sisi) yang memiliki kelas (Stürmer dkk., 2025).

Tujuan digitalisasi berbeda antarstudi. Kim dkk. (2022) menargetkan P&ID digital lengkap yang kompatibel dengan DEXPI, format pertukaran data P&ID yang berlaku sebagai standar de facto. Zhu dkk. (2026) memilih rumusan yang berpusat pada proses: yang dicari hanya tag peralatan dan instrumen sebagai node serta sambungan material, sinyal, atau kendali sebagai edge, bukan reproduksi detail grafis. Studi kasus jaringan gas bahkan menargetkan struktur hierarkis pabrik, dari karakteristik perangkat, komponen, dan seksi sampai jalur regulasi atau pengukuran (Bailo dkk., 2025). Perbedaan tujuan ini ikut menentukan apa yang dianggap benar dan salah.

Metrik yang dipakai juga beragam. Presisi adalah proporsi deteksi yang benar di antara seluruh deteksi, sedangkan recall adalah proporsi objek sebenarnya yang berhasil ditemukan. Mean average precision (mAP) merata-ratakan presisi lintas kelas dan tingkat kepercayaan. Sebuah deteksi dihitung benar bila tumpang-tindih kotak prediksi dengan kotak acuan, yang diukur sebagai intersection over union (IoU), melampaui ambang tertentu. Metrik recall@K berasal dari bidang pembangkitan scene graph dan hanya menghitung K relasi dengan kepercayaan tertinggi (Stürmer dkk., 2025). Zhu dkk. (2026) memakai akurasi node, akurasi edge, dan simple distance, yaitu jumlah seluruh ketidaksesuaian antara graf prediksi dan graf acuan: node hilang, node berlebih, edge hilang, edge berlebih, dan jenis edge yang keliru.

Pipeline modular berbasis deep learning

Pendekatan modular adalah cara yang paling umum. Model atau algoritma terpisah menangani deteksi simbol, teks, dan garis, lalu hasilnya digabungkan menjadi graf (Stürmer dkk., 2025). Jaringan saraf konvolusional (convolutional neural network, CNN) lazim dipakai untuk simbol dan teks. Garis dideteksi dengan transformasi Hough probabilistik atau algoritma visi komputer tradisional lain.

Pipeline industri ujung ke ujung

Studi Kim dkk. (2022) merupakan contoh pipeline modular yang paling lengkap di antara sumber yang ditelaah. Untuk melatih jaringan pengenal, peneliti menyusun dataset latih berskala besar yang memuat contoh simbol, teks, dan garis dari P&ID industri. Rekonstruksi topologi dan pembuatan P&ID digital dikerjakan dengan aturan tradisional. Pada lima P&ID uji, presisi dan recall rata-rata mencapai 96,65% dan 96,40% untuk simbol, 90,65% dan 92,16% untuk teks, serta 95,25% dan 87,91% untuk garis. Rekonstruksi topologi mencapai presisi rata-rata 99,56% dengan recall 96,07%. Seluruh proses untuk kelima diagram selesai dalam waktu kurang dari 3,5 jam, dengan rata-rata 8.488,2 s.

Pola angka ini sudah memperlihatkan bahwa recall garis merupakan nilai terendah di antara ketiga jenis objek. Kim dkk. (2022) juga mencatat tiga kekurangan studi terdahulu. Banyak studi hanya mengenali sekitar 10 simbol, tidak menangani ketiga jenis objek sekaligus, dan berhenti pada pengenalan objek tanpa rekonstruksi topologi atau pembuatan diagram digital. Untuk diagram yang didominasi garis vertikal dan horizontal seperti P&ID, mereka merujuk temuan bahwa penelusuran per piksel mengenali garis lebih baik daripada transformasi Hough.

Gambaran dari ulasan literatur

Ulasan Jamieson dkk. (2024) mencakup studi deep learning untuk diagram teknik selama lima tahun sebelum ulasan itu disusun. Untuk simbol, sebuah detektor berbasis YOLOv3 pada 172 P&ID industri migas mencapai akurasi 95% untuk 25 kelas simbol, tetapi akurasinya lebih rendah pada kelas yang datanya paling sedikit. Studi lain melaporkan akurasi pengenalan simbol 91,6%, tetapi hanya diuji pada dua P&ID. Pendekatan berbasis graf mencapai akurasi klasifikasi 86% pada 100 P&ID sintetis. Pada 68 diagram pembangkit listrik tenaga nuklir, mAP per kelompok dilaporkan 96,6%, 98%, dan 92%, sedangkan AP untuk model R-FCN jauh lebih rendah, yaitu 16,24%.

Pengenalan teks menghadapi persoalan lain. Rata-rata jumlah teks per diagram dilaporkan 415 instans pada 172 P&ID dan 440 kotak teks pada 330 dokumen teknik. Presisi dan recall gabungan deteksi dan pengenalan teks sebesar 0,94 dan 0,92 pernah dilaporkan, tetapi pada P&ID tanpa derau dan tanpa transformasi, kondisi yang jarang ditemui di lapangan. Studi lain melaporkan akurasi deteksi teks 87,18% dan pengenalan 79,21%. Koreksi setelah pengenalan karakter optis (optical character recognition, OCR) menaikkan pengenalan tag dari 75 ke 82%. Positif palsu muncul pada bentuk yang menyerupai teks, termasuk garis putus-putus dan potongan simbol (Jamieson dkk., 2024).

Untuk garis, ulasan tersebut menyimpulkan bahwa deteksinya masih bertumpu pada metode tradisional walaupun deep learning sudah maju. Akurasi deteksi pipa sebesar 65% masih terganggu oleh derau dan elemen gambar yang saling tumpang. Garis utuh dikenali dengan akurasi 99%, jauh di atas garis putus-putus yang hanya 83%. Hasil yang lebih baik, yaitu presisi 96,1% dan recall 89,6%, dilaporkan dengan RetinaNet pada 82 P&ID industri yang digambar ulang (Jamieson dkk., 2024). Ulasan ini juga mencatat bahwa hanya sedikit studi P&ID yang menangani simbol, teks, dan konektor sekaligus. Sebagian studi itu pun hanya memakai satu atau dua kelas simbol, dan salah satunya hanya memiliki delapan P&ID.

Model transformer gambar-ke-graf

Pendekatan kedua memandang digitalisasi sebagai masalah gambar-ke-graf: objek dan relasinya diprediksi oleh satu jaringan. Stürmer dkk. (2025) mengadaptasi Relationformer, turunan deformable DETR (detection transformer) yang dilengkapi kepala prediksi relasi. Karena P&ID beresolusi tinggi, diagram dipotong menjadi patch yang saling tumpang sedikitnya 50%. Setiap patch diproses sendiri, lalu hasilnya disambung kembali menjadi graf utuh. Relationformer dibandingkan dengan pendekatan modular yang mereka bangun dari studi terdahulu. Keduanya dilatih dan dievaluasi dengan tujuh kelas simbol dan dua kelas garis pada ambang IoU 0,5.

Data latihnya berupa 60 P&ID nyata dari berbagai pabrik yang dianotasi manual. Data ujinya adalah 12 P&ID publik dari reaktor OPEN100 yang juga dianotasi manual. Pada patch OPEN100, Relationformer mendeteksi simbol 73,49%, node 82,18%, dan sambungan 76,79%. Pada diagram utuh, hasilnya hanya bergeser sekitar 1%. Pendekatan modular unggul untuk simbol pada patch (86,58%), tetapi lemah pada node (52,15%) dan edge (45,89%), serupa dengan kinerjanya pada data sintetis. Secara keseluruhan, penulis melaporkan peningkatan akurasi deteksi edge lebih dari 25% dibanding baseline modular (Stürmer dkk., 2025).

Kelemahan Relationformer juga terungkap. Ketika ukuran patch diperbesar dari 1.500 × 1.500 menjadi 2.000 × 2.000 piksel, deteksi simbol dan node Relationformer turun sedikitnya 10%, sedangkan nilai pendekatan modular relatif tetap. Penulis menduga proses penyambungan patch kesulitan menangani simbol berukuran besar (Stürmer dkk., 2025). Artinya, keunggulan transformer dalam menangkap sambungan diimbangi kepekaan terhadap pilihan prapemrosesan.

Kontribusi lain studi ini menyangkut data. Sebagian besar penelitian sebelumnya dievaluasi pada dataset privat yang tidak dipublikasikan karena alasan hak cipta dan kekayaan intelektual. Satu-satunya dataset terbit sebelumnya, Dataset-P&ID, berisi 500 P&ID sintetis dengan 32 kelas simbol. Dataset itu tidak memuat anotasi struktur graf, dan garisnya digambar mengikuti tata letak grid yang disederhanakan. Stürmer dkk. (2025) merilis PID2Graph, yang mereka sebut sebagai dataset P&ID publik pertama berisi data dunia nyata dengan anotasi graf lengkap.

Studi kasus jaringan gas Italia memperluas gagasan serupa ke lingkungan industri. Masukan sistemnya terdiri atas data desain, daftar peralatan, dan P&ID dalam format PDF. Sistem ini memadukan OCR, model bahasa visual, deteksi objek, penalaran relasional, dan algoritma optimasi (Bailo dkk., 2025). Inti analisis P&ID-nya adalah EGRTR, arsitektur pembangkit scene graph satu tahap. Arsitektur ini menggabungkan ekstraksi relasi lokal dari lapisan self-attention dekoder DETR dengan relational transformer yang menangkap relasi global. Untuk mengatasi kekurangan data, pengembang membuat data sintetis secara algoritmik dan dengan model difusi laten. Aturan dari standar UNI 9167 dipakai sebagai batasan keluaran.

Dataset dokumentasi yang tersedia mencakup sekitar 1.500 ReMi. Pada P&ID uji berlabel, EGRTR mencapai mAP 0,762 pada ambang IoU 0,5, tetapi turun ke 0,428 pada ambang yang lebih ketat dan 0,442 bila dirata-ratakan lintas ambang. Recall relasi pada 20, 50, dan 100 prediksi teratas hanya 0,089, 0,225, dan 0,424 (Bailo dkk., 2025). Setelah digabung dengan OCR, pencocokan dengan daftar peralatan, dan optimasi, abstrak studi melaporkan akurasi 91% untuk ekstraksi data desain. Abstrak yang sama melaporkan bahwa 93% komponen teridentifikasi benar dan struktur hierarki terekstraksi dengan akurasi sekitar 80%. Penulis mengakui bahwa hasil pada sistem sederhana sangat baik, tetapi kinerja pada sistem kompleks, yang justru paling banyak menyerap sumber daya, belum memuaskan.

Model bahasa multimodal

Pendekatan ketiga memanfaatkan MLLM siap pakai tanpa pelatihan khusus. Zhu dkk. (2026) memakai Gemini-3.0-Pro dan memasukkan pengetahuan domain sepenuhnya melalui prompt berupa dokumen teks pendamping. Setiap gambar P&ID dipotong menjadi delapan irisan agar sesuai dengan batas resolusi dan panjang konteks model. Dua alur kerja dibandingkan. Alur pertama bersifat ujung ke ujung: model menerima irisan gambar dan deskripsi singkat proses, lalu langsung menghasilkan graf. Alur kedua memecah tugas menjadi dua tahap. Tahap pertama hanya mengekstraksi daftar tag, sehingga model berfungsi seperti OCR tingkat lanjut. Tahap kedua menyusun sambungan oleh instans model lain yang tidak melihat gambar, tetapi menerima daftar tag, gambaran umum proses, dan aturan desain proses kimia. Aturan itu mencakup tata nama tag, pola sambungan fisik yang lazim, dan struktur loop kendali.

Pengujian dilakukan pada dua P&ID berstandar ANSI. Yang pertama adalah proses pressure swing adsorption (PSA) nitrogen dengan 38 node dan 53 edge. Yang kedua adalah proses desulfurisasi gas buang basah dengan 73 node dan 101 edge. Untuk mengakomodasi variasi stokastik keluaran model, setiap alur dijalankan sepuluh kali dengan prompt identik (Zhu dkk., 2026). Pada P&ID PSA, alur ujung ke ujung mencapai akurasi total 68,56%, dengan akurasi node 86,32% tetapi akurasi edge hanya 55,58%. Alur dua tahap yang diberi pengetahuan proses menaikkan akurasi total menjadi 88,78%, akurasi node menjadi 100%, dan akurasi edge menjadi 80,58%. Simple distance turun menjadi 24,0. Penulis melaporkan bahwa pemisahan ekstraksi visual dari penalaran topologi juga menghasilkan graf yang lebih akurat dan lebih konsisten secara struktural pada diagram yang lebih kompleks.

Temuan ini menunjukkan bahwa keunggulan alur dua tahap bukan berasal dari pembacaan gambar yang lebih baik semata, melainkan dari batasan rekayasa yang menuntun inferensi sambungan. Hal ini sejalan dengan catatan penulis bahwa penerapan model bahasa besar secara langsung tanpa grounding atau batasan cenderung menghasilkan interpretasi yang tidak konsisten atau tidak masuk akal secara fisik (Zhu dkk., 2026). Pemakaian model proprietary juga menimbulkan persoalan kerahasiaan untuk P&ID industri yang sensitif. Perbandingan sistematis dengan model sumber terbuka berada di luar cakupan studi tersebut.

Perbandingan lintas studi dan titik kegagalan

Tabel berikut merangkum hasil utama. Angka di dalamnya berasal dari metrik, kelas, dan data uji yang berbeda, sehingga tidak boleh dibaca sebagai peringkat.

Studi dan konfigurasi Pendekatan Data uji Metrik Simbol atau node Sambungan atau topologi
(Kim dkk., 2022) Modular, deep learning dan aturan Lima P&ID industri Presisi/recall Simbol 96,65%/96,40% Topologi 99,56%/96,07%
(Stürmer dkk., 2025), Relationformer Transformer gambar-ke-graf 12 P&ID OPEN100 mAP/AP, IoU 0,5 Simbol 73,49%, node 82,18% Edge 76,79%
(Stürmer dkk., 2025), modular Modular 12 P&ID OPEN100 mAP/AP, IoU 0,5 Simbol 86,58%, node 52,15% Edge 45,89%
(Bailo dkk., 2025) Scene graph transformer, OCR, optimasi P&ID uji berlabel dari arsip ReMi mAP, recall@K, akurasi Komponen 93% Hierarki sekitar 80%
(Zhu dkk., 2026), ujung ke ujung MLLM P&ID PSA, 38 node dan 53 edge Akurasi node/edge Node 86,32% Edge 55,58%
(Zhu dkk., 2026), dua tahap MLLM dengan pengetahuan proses P&ID PSA, 38 node dan 53 edge Akurasi node/edge Node 100% Edge 80,58%

Pola yang konsisten: sambungan lebih sulit daripada simbol

Temuan paling konsisten adalah bahwa simbol dan node lebih mudah dikenali daripada sambungan. Pola ini terlihat pada pendekatan modular di data publik (Stürmer dkk., 2025), pada MLLM ujung ke ujung (Zhu dkk., 2026), dan pada recall relasi EGRTR yang rendah (Bailo dkk., 2025). Bahkan dalam studi Kim dkk. (2022), recall garis menjadi nilai terendah di antara ketiga jenis objek. Sumber kesalahan yang berulang adalah garis putus-putus, elemen yang saling tumpang, dan bentuk mirip teks yang tertangkap sebagai teks (Jamieson dkk., 2024). Kesalahan pada tahap awal ini kemudian merambat ke topologi hasil rekonstruksi, sebab aturan penyambungan bergantung pada deteksi garis dan simbol sebelumnya (Zhu dkk., 2026).

Bagi praktisi, konsekuensinya jelas. Daftar peralatan dan instrumen hasil otomatis relatif dapat diandalkan, tetapi daftar sambungan, yang justru memuat nilai rekayasa utama P&ID, masih memerlukan verifikasi. Kesalahan sambungan, seperti instrumen yang terhubung ke jalur yang salah atau katup yang hilang dari suatu loop, lebih sulit dideteksi secara visual daripada simbol yang tidak terbaca.

Temuan yang tampak bertentangan tentang pendekatan modular

Kim dkk. (2022) melaporkan topologi yang sangat akurat dengan rekonstruksi berbasis aturan, sedangkan Stürmer dkk. (2025) menemukan pendekatan modular paling lemah justru pada edge. Kedua hasil tidak saling membatalkan karena kondisinya berbeda. Studi pertama memakai data latih yang sangat besar, P&ID uji privat dari lingkungan industri tertentu, dan definisi benar-salah berupa presisi/recall topologi. Studi kedua memakai tujuh kelas simbol, data latih jauh lebih kecil, data uji publik dari sumber berbeda, serta metrik edge berbasis mAP. Pendekatan modular dalam studi kedua juga memakai metode tradisional untuk garis, sedangkan Kim dkk. merujuk keunggulan penelusuran per piksel atas transformasi Hough untuk P&ID. Perbedaan metode deteksi garis ini mungkin ikut menjelaskan selisih hasil, tetapi belum ada uji kedua pendekatan pada data yang sama untuk memastikannya.

Keterbandingan angka yang rendah

Keempat studi primer memakai metrik yang berbeda: presisi/recall, mAP dengan ambang IoU tertentu, recall@K, serta akurasi node/edge dan simple distance. Presisi topologi 99,56% pada lima P&ID privat (Kim dkk., 2022) tidak dapat disandingkan dengan edge mAP 45,89% pada 12 P&ID publik (Stürmer dkk., 2025). Angka EGRTR juga menunjukkan betapa sensitifnya hasil terhadap ambang IoU, karena mAP turun tajam ketika ambang diperketat (Bailo dkk., 2025). Ulasan Jamieson dkk. (2024) memasukkan evaluasi sebagai salah satu tantangan utama bidang ini, bersama kelangkaan dataset, beban anotasi, dan ketidakseimbangan kelas.

Ukuran data uji umumnya kecil: lima P&ID pada Kim dkk. (2022), dua P&ID pada salah satu studi yang diulas Jamieson dkk. (2024), 12 P&ID pada OPEN100 (Stürmer dkk., 2025), dan dua studi kasus pada Zhu dkk. (2026). Karena data latih dan uji sebagian besar privat, kemampuan generalisasi ke standar gambar dan perusahaan lain belum terbukti.

Selain itu, ada inkonsistensi di dalam sumber. Abstrak studi jaringan gas melaporkan angka identifikasi komponen dan struktur hierarki yang berbeda dari angka pada tabel hasilnya (Bailo dkk., 2025). Pada Zhu dkk. (2026), nama studi kasus kedua di bagian metode tidak sama dengan nama yang dipakai di bagian hasil. Inkonsistensi semacam ini tidak meniadakan temuan utama, tetapi menegaskan perlunya membaca angka dari sumber primer secara hati-hati.

Penghematan waktu belum terukur

Argumen utama otomatisasi adalah penghematan waktu dan biaya, tetapi tidak satu pun sumber terbuka yang ditelaah membandingkan waktu digitalisasi otomatis dengan pekerjaan manual secara terukur. Kim dkk. (2022) hanya melaporkan waktu proses mesin tanpa pembanding waktu manual. Studi jaringan gas menyatakan bahwa waktu dan sumber daya akan berkurang drastis, tetapi tidak menyajikan pengukurannya (Bailo dkk., 2025). Waktu yang dibutuhkan ahli untuk memeriksa dan mengoreksi keluaran otomatis juga belum dilaporkan, padahal komponen inilah yang menentukan manfaat bersih di lapangan.

Implikasi bagi praktik rekayasa

Berdasarkan sintesis di atas, digitalisasi otomatis P&ID saat ini paling tepat diposisikan sebagai alat bantu yang mempercepat pekerjaan ahli, bukan pengganti ahli. Beberapa implikasi praktis dapat ditarik.

Pertama, verifikasi sebaiknya difokuskan pada sambungan. Karena pengenalan simbol dan tag relatif tinggi, upaya pemeriksaan manusia lebih efisien bila diarahkan ke daftar sambungan, terutama di sekitar garis putus-putus, persilangan garis, dan area padat anotasi.

Kedua, pengetahuan rekayasa terbukti meningkatkan hasil. Aturan desain proses menaikkan akurasi edge MLLM secara nyata (Zhu dkk., 2026). Batasan dari standar dan katalog peralatan juga dipakai untuk mengoreksi keluaran pada studi jaringan gas (Bailo dkk., 2025). Organisasi yang ingin menerapkan digitalisasi perlu menyiapkan aturan tata nama tag, pola sambungan yang lazim, dan daftar peralatan sebagai masukan pendamping.

Ketiga, uji pada gambar milik sendiri tidak dapat dilewati. Angka dari literatur diperoleh pada kelas simbol, kualitas gambar, dan konvensi tertentu. Sebelum diterapkan, sebuah metode perlu diuji pada sampel P&ID organisasi sendiri dengan metrik yang mengukur sambungan, bukan hanya simbol. Dataset PID2Graph dapat menjadi titik awal pembanding yang terbuka (Stürmer dkk., 2025).

Keempat, kerahasiaan perlu dipertimbangkan sejak awal. P&ID memuat informasi sensitif tentang proses dan aset, sehingga pengiriman diagram ke layanan model proprietary memerlukan kajian kebijakan data (Zhu dkk., 2026).

Keterbatasan tinjauan

Tinjauan ini hanya mencakup lima sumber, dan sebagian di antaranya berstatus pracetak atau prosiding konferensi. Satu artikel yang tampak relevan tentang inspeksi hasil pengenalan objek P&ID tidak dapat diakses teks lengkapnya, sehingga klaimnya tidak dipakai. Semua angka diambil sebagaimana dilaporkan penulis aslinya tanpa reproduksi atau pengujian ulang. Ulasan Jamieson dkk. (2024) belum mencakup MLLM, dan bukti untuk pendekatan MLLM baru berasal dari satu studi dengan dua diagram dan satu model proprietary. Diagram listrik dan wiring, serta konteks Indonesia seperti P&ID berbahasa Indonesia atau konvensi gambar lokal, tidak diuji dalam sumber yang ditelaah.

Kesimpulan

Metode otomatis sudah mampu mengenali simbol dan teks P&ID berformat gambar dengan akurasi yang umumnya tinggi, terutama pada data yang mirip dengan data latihnya. Titik lemah yang konsisten di ketiga keluarga pendekatan adalah rekonstruksi sambungan: garis putus-putus, elemen yang saling tumpang, dan kesalahan tahap awal yang merambat ke topologi. Model transformer gambar-ke-graf mengungguli pendekatan modular dalam mendeteksi edge pada dataset publik, tetapi peka terhadap pilihan prapemrosesan. Model bahasa multimodal menunjukkan bahwa pemisahan ekstraksi visual dari penalaran topologi, disertai aturan desain proses, menaikkan akurasi edge secara nyata. Bukti untuk pendekatan ini masih sangat terbatas.

Angka antarstudi tidak dapat diperbandingkan langsung karena metrik, kelas simbol, tujuan keluaran, dan data uji berbeda, sementara ukuran data uji umumnya kecil dan sebagian besar privat. Kemajuan bidang ini akan sangat terbantu oleh tolok ukur publik dengan anotasi graf lengkap, metrik sambungan yang disepakati, dan pengukuran waktu kerja ahli dengan dan tanpa bantuan otomatis. Sampai bukti tersebut tersedia, hasil digitalisasi otomatis sebaiknya diperlakukan sebagai draf yang sambungannya wajib diverifikasi oleh ahli.

Daftar pustaka

  1. Kim dkk. (2022). End-to-end digitization of image format piping and instrumentation diagrams at an industrially applicable level. Journal of Computational Design and Engineering (Oxford Academic). https://academic.oup.com/jcde/article/9/4/1298/6611631
  2. Jamieson dkk. (2024). A review of deep learning methods for digitisation of complex documents and engineering diagrams. Artificial Intelligence Review (Springer). https://link.springer.com/10.1007/s10462-024-10779-2
  3. Stürmer dkk. (2025). From Engineering Diagrams to Graphs: Digitizing P&IDs with Transformers. arXiv; 2025 IEEE 12th International Conference on Data Science and Advanced Analytics (DSAA). https://arxiv.org/html/2411.13929v3
  4. Bailo dkk. (2025). Case Study: Transformer-based Solution for the Automatic Digitization of Gas Plants. arXiv. https://arxiv.org/pdf/2511.08609
  5. Zhu dkk. (2026). From P&ID Drawings to Process Graphs: A Multimodal Language Model Approach. Systems & Control Transactions (PSE Press), ESCAPE 36. https://arxiv.org/pdf/2607.19568

Pelajari lebih dalam di ARSTEMA Academy