Pendahuluan: Evolusi Industri Menuju Era Digital

Dalam beberapa dekade terakhir, dunia manufaktur telah mengalami lonjakan besar dalam penggunaan teknologi. Transformasi digital, yang dikenal sebagai ,Industri 40. telah merevolusi cara perusahaan memproduksi barang, mengelola operasi, dan bersaing di pasar global. Di tengah perubahan ini, pengendalian kualitas menjadi semakin penting. Paper berjudul Industry 4.0 and Smart Systems in Manufacturing: Guidelines for the Implementation of a Smart Statistical Process Control karya Lucas Schmidt Goecks, Anderson Felipe Habekost, Antonio Maria Coruzzolo, dan Miguel Afonso Sellitto membahas secara komprehensif bagaimana Smart Statistical Process Control (SSPC) menjadi komponen vital dalam mewujudkan pabrik pintar.

Mengapa Smart SPC Diperlukan di Era Industri 4.0?

Statistical Process Control (SPC) Tradisional

SPC tradisional bergantung pada pengumpulan data manual dan analisis statistik secara periodik. Sistem ini cukup efektif untuk memantau dan mengendalikan proses berbasis data historis. Namun, dalam lingkungan manufaktur yang semakin kompleks dan cepat, metode ini sering kali terlambat dalam mendeteksi masalah atau membuat penyesuaian.

Smart SPC (SSPC): Transformasi Sistem Pengendalian Kualitas

SSPC adalah versi modern dari SPC yang memanfaatkan teknologi Internet of Things (IoT), Artificial Intelligence (AI), dan Machine Learning (ML). Sistem ini memungkinkan pemantauan data secara real-time, prediksi gangguan, dan pengambilan keputusan otomatis.

SSPC bertindak tidak hanya sebagai alat pemantauan tetapi juga pengendali aktif proses produksi. Ini sejalan dengan konsep Cyber-Physical Systems (CPS), yang menghubungkan dunia fisik dan digital untuk menciptakan sistem manufaktur yang adaptif dan otonom.

 

Framework Implementasi Smart SPC yang Ditawarkan dalam Paper

Penelitian ini mengusulkan framework berbasis metode Design Science Research (DSR). Model ini dirancang fleksibel agar dapat diterapkan di berbagai jenis industri manufaktur. Pendekatan DSR digunakan untuk merancang, mengembangkan, dan mengevaluasi SSPC, yang dipecah dalam beberapa tahap penting:

1. Identifikasi Masalah
   Penurunan fleksibilitas produksi dan kualitas produk mendorong perusahaan untuk mencari solusi berbasis teknologi cerdas.
2. Penentuan Ruang Lingkup dan Prioritas
   Setiap perusahaan harus menentukan sistem mana yang akan diubah: apakah produksi, kontrol kualitas, atau pemeliharaan.
3. Evaluasi Performa Sistem
   Meliputi penilaian indikator strategis seperti efisiensi, waktu siklus produksi, MTBF (Mean Time Between Failure), dan MTTR (Mean Time To Repair).
4. Perancangan dan Pemilihan Teknologi
   Melibatkan AI, ML, sensor pintar, dan integrasi ERP (Enterprise Resource Planning) yang memungkinkan automasi kontrol proses.
5. Pengembangan Prototipe dan Pilot Testing
   Prototipe diuji secara paralel dengan sistem yang berjalan untuk mengukur keandalannya sebelum implementasi penuh.
6. Implementasi Akhir dan Evaluasi
   Proses instalasi sistem baru disertai pemantauan kinerja serta pembaruan target kualitas dan produktivitas.

 

Aplikasi Nyata SSPC: Dari Teori ke Praktik

Penulis menghadirkan contoh penerapan SSPC di lingkungan produksi modern. Mereka menyoroti bagaimana integrasi ERP dan CPS menjadi tulang punggung pengendalian mutu berbasis data secara real-time.

🔧 Komponen Penting dalam Implementasi SSPC:

• Sensor Pintar (Smart Sensors): Mengumpulkan data dari mesin produksi.
• Sistem AI/ML: Menganalisis data dan memberikan rekomendasi atau langsung mengeksekusi tindakan korektif.
• Visualisasi Data: Dashboard interaktif yang mudah digunakan oleh operator maupun manajer produksi.
• Keamanan Data (Cybersecurity): Enkripsi data, pengelolaan akses, dan protokol komunikasi aman untuk mencegah pelanggaran data.

📈 Hasil yang Diharapkan:

• Pengurangan waktu henti produksi (downtime) hingga 30%.
• Peningkatan efisiensi penggunaan energi.
• Deteksi dini potensi kerusakan mesin, memungkinkan prediksi perawatan lebih baik.

 

Kelebihan Framework SSPC yang Ditawarkan

1. Adaptabilitas Tinggi
   Framework dapat diterapkan pada berbagai sektor industri, mulai dari otomotif hingga industri berat seperti semen dan petrokimia.
2. Penguatan Keputusan Manajerial
   Sistem ERP yang terintegrasi memberikan informasi berbasis data yang membantu pengambilan keputusan lebih cepat dan akurat.
3. Mendorong Inovasi Terbuka (Open Innovation)
   Framework mendukung kolaborasi lintas organisasi dalam mengembangkan dan menerapkan teknologi baru.

 

Tantangan Implementasi Smart SPC

Tidak semua hal berjalan mulus dalam implementasi SSPC. Penulis mengidentifikasi tantangan utama yang dihadapi industri, antara lain:

• Kurangnya SDM Terampil
  Banyak perusahaan kesulitan merekrut tenaga kerja yang memahami AI, ML, dan IoT.
• Biaya Investasi Tinggi
  Biaya awal yang besar untuk sensor, perangkat lunak AI, dan infrastruktur jaringan.
• Kekhawatiran Keamanan Data
  Koneksi antara mesin dan cloud menciptakan potensi risiko keamanan yang harus diatasi dengan solusi enkripsi dan firewall modern.

 

Opini Penulis: SSPC di Industri Indonesia

Implementasi SSPC di Indonesia masih minim, meskipun potensinya sangat besar. Industri seperti manufaktur otomotif, tekstil, dan makanan-minuman adalah kandidat ideal untuk menerapkan SSPC. Namun, ada beberapa catatan:

• Fokus pada Digital Upskilling: Perusahaan perlu menginvestasikan pelatihan bagi tenaga kerja agar mampu mengelola sistem berbasis AI dan Big Data.
• Pilot Project sebagai Solusi Awal: Memulai dengan proyek percontohan kecil dapat meminimalisir risiko kegagalan implementasi SSPC secara masif.

Perbandingan dengan Penelitian Serupa

Beberapa studi sebelumnya, seperti oleh Guh (2003) dan Jiang (2012), juga membahas integrasi AI dalam SPC. Namun, paper ini lebih komprehensif karena:

• Menawarkan panduan langkah demi langkah, bukan hanya teori atau studi kasus.
• Mengintegrasikan konsep open innovation, memungkinkan adaptasi teknologi baru secara kolaboratif.
• Memberikan perhatian pada cybersecurity, aspek yang kerap diabaikan dalam studi sebelumnya.

 

Masa Depan SSPC dan Industri 4.0

SSPC akan menjadi komponen utama dalam mewujudkan Quality 4.0, di mana kualitas tidak hanya menjadi tanggung jawab satu departemen, melainkan bagian dari strategi perusahaan secara keseluruhan. Beberapa tren masa depan:

• Pemanfaatan Digital Twin: Untuk simulasi dan prediksi skenario produksi secara real-time.
• Integrasi Blockchain: Untuk memastikan transparansi dan keamanan data kualitas di rantai pasok.
• Peningkatan Keterlibatan Manusia (Human in the Loop): Sistem akan semakin mengakomodasi keputusan manusia dalam kontrol otomatis.

 

Kesimpulan: SSPC Bukan Lagi Opsi, Tapi Keperluan

Implementasi SSPC di era Industri 4.0 adalah keharusan, bukan lagi pilihan. Framework yang ditawarkan Goecks dkk. menjadi panduan praktis bagi perusahaan manufaktur yang ingin bertransformasi digital tanpa kehilangan pijakan di dunia nyata.

✅ Keunggulan SSPC:

• Deteksi anomali real-time.
• Penghematan biaya produksi.
• Peningkatan kualitas produk secara konsisten.

❗ Tantangan:

• Biaya dan SDM.
• Risiko keamanan data.
• Adaptasi budaya organisasi.

Bagi perusahaan Indonesia, investasi di SSPC akan menjadi strategi unggulan menghadapi persaingan global dan meningkatkan daya saing di pasar internasional.

 

Referensi:

Goecks, L.S.; Habekost, A.F.; Coruzzolo, A.M.; Sellitto, M.A. (2024). Industry 4.0 and Smart Systems in Manufacturing: Guidelines for the Implementation of a Smart Statistical Process Control. Applied System Innovation, 7(2), 24.
 

 

Pendahuluan: Mengapa Pengendalian Kualitas Sangat Penting di Industri Semen?

Industri semen memegang peranan vital dalam pembangunan infrastruktur global. Di balik kekokohan gedung pencakar langit dan jembatan megah, ada proses produksi semen yang intensif energi dan kompleks. Namun, tingginya konsumsi energi dan emisi karbon dari sektor ini menimbulkan tantangan besar terhadap keberlanjutan lingkungan. Oleh karena itu, penerapan Statistical Quality Control (SQC) menjadi solusi strategis yang dapat membantu industri semen menyeimbangkan antara produktivitas dan tanggung jawab lingkungan.

Penelitian ini mengulas perkembangan teknik Statistical Process Control (SPC), penerapan mutakhirnya di industri semen, serta berbagai keterbatasan yang masih dihadapi dalam mengoptimalkan kualitas produksi.

Mengapa SPC Relevan untuk Industri Semen?

Cement production adalah proses yang multistage dan kompleks, terdiri dari:

1. Persiapan bahan baku.
2. Pencampuran dan penggilingan bahan mentah.
3. Pembentukan klinker.
4. Penggilingan semen.
5. Pengemasan dan distribusi.

Di tiap tahap ini, banyak variabel yang harus dikontrol secara presisi agar hasil produksi konsisten dan efisien. SPC, yang awalnya dikembangkan oleh Walter Shewhart pada 1920-an, menjadi fondasi penting dalam mengendalikan proses ini, terutama karena:

• Mampu mendeteksi variasi proses secara statistik.
• Mengurangi pemborosan bahan baku dan energi.
• Memastikan kualitas produk akhir sesuai standar industri.

Namun, apakah SPC mampu memenuhi tantangan zaman modern? Di sinilah letak pentingnya penelitian yang diulas ini.

Evolusi Statistical Process Control: Dari Tradisional ke Machine Learning

Penelitian ini mengidentifikasi empat fase perkembangan SPC:

1. Univariate SPC (USPC): Fokus pada satu variabel kontrol. Cocok untuk sistem sederhana.
2. Multivariate SPC (MSPC): Mengontrol banyak variabel secara bersamaan. Diperlukan untuk proses yang saling berhubungan seperti di industri semen.
3. Data Mining-based SPC: Menerapkan algoritma cerdas untuk menganalisis data besar dan pola yang kompleks.
4. Machine Learning-based SPC: Menggunakan algoritma yang belajar dari data secara otomatis dan adaptif.

Univariate SPC

Model klasik seperti Shewhart Chart bekerja baik untuk mendeteksi penyimpangan besar, namun kurang sensitif terhadap perubahan kecil.

Multivariate SPC

Pendekatan ini memanfaatkan Hotelling’s T2, MCUSUM, dan MEWMA, yang efektif untuk sistem dengan banyak variabel, seperti suhu kiln dan komposisi kimia klinker dalam produksi semen.

Data Mining dan Machine Learning

Perkembangan terakhir membawa integrasi algoritma seperti Support Vector Machines (SVM), Artificial Neural Networks (ANN), hingga Deep Learning. Algoritma ini terbukti lebih cepat mendeteksi anomali, memprediksi gangguan proses, dan membantu pengambilan keputusan berbasis data besar.

 

Tantangan Nyata Industri Semen: Antara Teori dan Praktik

Dilema Energi dan Emisi

• Industri semen menyumbang 7% konsumsi energi industri global.
• Setiap ton klinker menghasilkan sekitar 900 kg CO2.
• Penggunaan 2800 MJ energi termal dan 103-110 kWh energi listrik per ton klinker menjadi perhatian utama.

 

 

SPC di Tengah Kompleksitas Produksi

Walau SPC membantu mengidentifikasi kapan sebuah proses keluar dari kendali, penelitian ini menunjukkan keterbatasan berikut:

• SPC mendeteksi, namun tidak menjelaskan sebab akar masalah (root cause).
• Penerapan kontrol chart di industri semen seringkali bersifat teoritis, tanpa adaptasi yang sesuai dengan karakteristik proses nyata.

 

Kasus Nyata Implementasi SPC di Industri Semen

Penelitian mencatat beberapa studi kasus implementasi SPC di berbagai negara:

1. CUSUM Chart diterapkan untuk memonitor performa energi kilns, yang mampu mengidentifikasi penurunan konsumsi energi secara konsisten (Afkhami et al., 2015).
2. Multivariate PLS (Partial Least Squares) digunakan untuk mengoptimalkan kualitas klinker dan pengurangan emisi CO2 di pabrik semen Spanyol (Castañón et al., 2015).
3. PCA dengan EWMA Threshold diterapkan di sistem kiln, menghasilkan deteksi dini anomali proses (Bakdi et al., 2017).

 

Kritik terhadap Penerapan SPC di Industri Semen

Walau kemajuan signifikan telah dicapai, masih banyak hal yang harus diperbaiki, antara lain:

• Kurangnya Penelitian Aplikatif: Masih minim riset tentang penerapan SPC secara nyata di pabrik semen, khususnya di negara berkembang.
• Ketergantungan pada Data Historis: Sistem SPC tradisional seringkali gagal merespons secara real-time.
• Keterbatasan Deteksi Variabel Penyebab Masalah: Sistem multivariate sekalipun masih kesulitan mengidentifikasi sumber spesifik variasi.

 

Menuju Cement Industry 4.0: Integrasi SPC dengan IoT dan AI

Penelitian ini menggarisbawahi bahwa masa depan pengendalian kualitas di industri semen bergantung pada adopsi Industry 4.0. Beberapa tren yang perlu diperhatikan:

1. Digitalisasi Data: Data dari sensor keras (hard sensor) dan lunak (soft sensor) dikumpulkan secara real-time.
2. Machine Learning untuk Prediksi dan Diagnosa: Algoritma seperti Reinforcement Learning mampu memberikan rekomendasi tindakan korektif secara otomatis.
3. Soft Sensors: Menggantikan proses laboratorium tradisional yang memakan waktu, soft sensors mampu memberikan data kualitas secara instan.
4. Sistem Keputusan Otomatis (Decision Support System): Mengintegrasikan data mining dan AI untuk membantu pengambilan keputusan berbasis data yang valid.

 

Opini dan Nilai Tambah: Bagaimana Indonesia Bisa Mengadopsi Temuan Ini?

Industri semen Indonesia, sebagai salah satu produsen terbesar di Asia Tenggara, menghadapi tekanan serupa: tingginya konsumsi energi dan emisi. Penerapan metode SPC yang lebih cerdas dan berbasis machine learning dapat menjadi game-changer.

Beberapa strategi yang dapat diterapkan:

• Pelatihan SDM: Penguasaan statistik dasar dan pemrograman AI untuk meningkatkan kapabilitas analisis proses produksi.
• Pilot Project Smart Factory: Uji coba penerapan sistem kontrol berbasis AI di pabrik semen seperti Semen Indonesia atau Indocement.
• Kolaborasi dengan Startup Teknologi: Mengembangkan sistem monitoring prediktif berbasis cloud untuk meningkatkan efisiensi operasional.

 

Kesimpulan: SPC Bukan Lagi Pilihan, Tapi Kebutuhan

Penelitian Daniel Ashagrie Tegegne, Daniel Kitaw, dan Eshetie Berhan ini menegaskan bahwa kemajuan SPC sangat pesat, namun industri semen belum sepenuhnya memanfaatkan potensinya. Tantangan keberlanjutan lingkungan, konsumsi energi tinggi, dan kebutuhan efisiensi menuntut adopsi SPC yang terintegrasi dengan teknologi AI dan IoT.

✅ Manfaat Integrasi SPC-AI:

• Deteksi lebih cepat dan akurat terhadap anomali proses.
• Penghematan energi dan pengurangan emisi CO2.
• Peningkatan kualitas produk secara konsisten.

❗ Tantangan:

• Investasi awal yang tinggi untuk infrastruktur digital.
• Kesiapan SDM yang masih terbatas.
• Adaptasi metode statistik klasik dengan algoritma baru.

 

Referensi:

Daniel Ashagrie Tegegne, Daniel Kitaw & Eshetie Berhan. (2022). Advances in Statistical Quality Control Chart Techniques and Their Limitations to Cement Industry. Cogent Engineering, 9:1, 2088463.
 

 

Pendahuluan

Industri manufaktur menghadapi tantangan besar dalam menjaga kualitas produk agar sesuai dengan standar yang telah ditetapkan. Salah satu sektor yang sangat bergantung pada kontrol kualitas yang ketat adalah industri pupuk, di mana cacat dalam proses produksi dapat menyebabkan kerugian besar. Dalam penelitian ini, metode Statistical Quality Control (SQC) dan Failure Mode and Effects Analysis (FMEA) diterapkan untuk menganalisis dan meningkatkan kualitas produksi pupuk ZA Plus di PT. XYZ. Studi ini bertujuan untuk mengidentifikasi penyebab utama cacat produksi, mengukur tingkat risiko, serta merekomendasikan perbaikan yang efektif.

Metodologi: Penerapan SQC dan FMEA

1. Statistical Quality Control (SQC)

SQC adalah metode statistik yang digunakan untuk mengendalikan kualitas suatu proses produksi melalui analisis data dan teknik pengendalian statistik. Beberapa alat yang digunakan dalam penelitian ini meliputi:

• Check Sheet: Digunakan untuk mencatat jumlah cacat yang terjadi selama produksi.
• Histogram: Menampilkan distribusi data cacat yang terjadi.
• Pareto Diagram: Mengidentifikasi jenis cacat yang paling dominan.
• Control Chart: Memantau stabilitas proses produksi.
• Fishbone Diagram: Mengidentifikasi akar penyebab dari masalah kualitas.

2. Failure Mode and Effects Analysis (FMEA)

FMEA adalah metode analisis risiko yang bertujuan untuk mengidentifikasi mode kegagalan, mengevaluasi dampaknya, serta menentukan prioritas perbaikan berdasarkan Risk Priority Number (RPN). RPN dihitung dengan rumus:

RPN = Severity (S) × Occurrence (O) × Detection (D)

Dalam penelitian ini, FMEA digunakan untuk mengevaluasi risiko dari berbagai mode kegagalan dalam proses produksi pupuk ZA Plus dan memberikan solusi yang paling efektif.

 

Hasil Analisis dan Temuan Utama

1. Identifikasi Jenis Cacat Produksi

Berdasarkan data yang dikumpulkan menggunakan metode SQC, terdapat tiga jenis cacat utama dalam produksi pupuk ZA Plus:

• Kantong sobek (58%)
• Jahitan tidak rapat (27%)
• Berat pupuk kurang dari standar (15%)

Data ini menunjukkan bahwa masalah utama dalam produksi berasal dari faktor mekanik dan prosedural. Jika tidak segera diatasi, masalah ini dapat menyebabkan penurunan reputasi perusahaan, peningkatan biaya operasional, dan meningkatnya jumlah produk yang dikembalikan oleh konsumen.

2. Analisis Risiko dengan FMEA

Setelah mengidentifikasi jenis cacat, penelitian ini menerapkan FMEA untuk menentukan mode kegagalan dengan RPN tertinggi. Hasil analisis menunjukkan bahwa:

• Kantong sobek memiliki RPN tertinggi (324), disebabkan oleh pekerja yang terburu-buru saat menata pupuk pada palet.
• Jahitan tidak rapat memiliki RPN 196, yang terjadi akibat ausnya benang jahitan dan pekerja yang tidak teliti.
• Kesalahan penimbangan memiliki RPN 75, yang disebabkan oleh tekanan angin yang tidak stabil pada mesin timbang otomatis.

Selain itu, penelitian juga menemukan bahwa faktor manusia (human error) memiliki kontribusi yang cukup besar dalam terjadinya cacat produksi. Oleh karena itu, peningkatan pelatihan dan pengawasan pekerja menjadi elemen kunci dalam strategi perbaikan kualitas.

3. Strategi Perbaikan yang Direkomendasikan

Untuk mengatasi permasalahan yang ditemukan, beberapa tindakan perbaikan yang direkomendasikan adalah:

• Pelatihan pekerja mengenai prosedur kerja yang benar, terutama dalam penanganan dan penyusunan pupuk pada palet.
• Pemeriksaan rutin pada peralatan produksi, termasuk mesin jahit dan sistem timbang otomatis.
• Peningkatan kualitas bahan kemasan, agar lebih tahan terhadap tekanan selama proses produksi dan distribusi.
• Penerapan sistem pemantauan berbasis IoT, yang memungkinkan deteksi dini terhadap potensi cacat produksi.
• Penerapan sistem rotasi kerja, untuk mengurangi kelelahan pekerja yang dapat menyebabkan penurunan kualitas pekerjaan.
• Peningkatan sistem inspeksi akhir, dengan memanfaatkan teknologi sensor otomatis untuk mendeteksi produk cacat sebelum dikirim ke konsumen.

Implikasi dan Dampak dalam Industri Manufaktur

Dengan menerapkan metode SQC dan FMEA, PT. XYZ dapat:

• Mengurangi jumlah produk cacat secara signifikan, yang berdampak pada peningkatan efisiensi produksi.
• Menghemat biaya operasional dengan mengurangi jumlah produk yang harus diperbaiki atau dibuang.
• Meningkatkan kepuasan pelanggan, karena produk yang diterima memiliki kualitas yang lebih baik.
• Menjaga daya saing perusahaan di industri pupuk dengan memastikan bahwa standar kualitas selalu terjaga.
• Mengurangi risiko lingkungan, karena produk pupuk yang cacat dapat menyebabkan pencemaran jika tidak ditangani dengan benar.

Selain itu, penerapan metode ini juga dapat menjadi benchmark bagi industri manufaktur lainnya, terutama yang memiliki proses produksi dengan volume besar dan persyaratan kualitas yang ketat.

Kesimpulan

Penelitian ini membuktikan bahwa kombinasi Statistical Quality Control (SQC) dan Failure Mode and Effects Analysis (FMEA) adalah pendekatan yang efektif dalam meningkatkan kualitas produksi pupuk ZA Plus. Dengan mengidentifikasi mode kegagalan utama dan menerapkan strategi perbaikan yang tepat, perusahaan dapat meningkatkan efisiensi produksi, mengurangi jumlah cacat, serta memperkuat daya saingnya di pasar. Langkah selanjutnya adalah implementasi perbaikan yang telah direkomendasikan serta pemantauan berkelanjutan untuk memastikan bahwa kualitas produk tetap terjaga.

Dalam jangka panjang, kombinasi SQC dan FMEA dapat diadopsi dalam berbagai industri manufaktur lain untuk meningkatkan kualitas produk, mengoptimalkan sumber daya, dan menciptakan sistem produksi yang lebih andal serta ramah lingkungan.

Sumber:

• Ali, S.H., & Widyaningrum, D. (2024). Quality Control Analysis Using Statistical Quality Control (SQC) and Failure Mode Effect Analysis (FMEA) in the Production Process of ZA Plus Fertilizer. Journal of Physics: Conference Series, Vol. 6, No.1. DOI: 10.26877/asset.v6i1.17358

Pendahuluan: Tantangan Kualitas Produk di Industri Anyaman Sintetis

Dalam dunia industri manufaktur furnitur, khususnya yang berbahan dasar rotan sintetis, kualitas produk menjadi elemen kunci dalam memenangkan pasar ekspor. Indonesia, sebagai salah satu produsen rotan sintetis terbesar di Asia Tenggara, dituntut untuk menghadirkan produk yang tidak hanya estetis, tetapi juga bebas cacat. Kegagalan mempertahankan standar kualitas dapat berdampak langsung pada kredibilitas perusahaan di pasar internasional.

PT.I, sebuah perusahaan penghasil furnitur rotan sintetis skala ekspor, menghadapi masalah yang cukup signifikan di lini produksi anyaman. Tingginya tingkat cacat pada produk menjadi perhatian utama perusahaan karena melebihi batas toleransi maksimal yang telah ditetapkan, yakni sebesar 5% dari total produksi. Kondisi ini mendorong perusahaan untuk melakukan analisis mendalam terhadap proses produksinya menggunakan pendekatan Statistical Process Control (SPC).

Paper ini, yang dipublikasikan dalam International Journal of Computer and Information System (IJCIS) Vol. 02, Edisi 03, Agustus 2021, mengulas bagaimana PT.I memanfaatkan SPC untuk mengidentifikasi, menganalisis, dan mengurangi produk cacat di bagian weaving atau anyaman.

Apa Itu SPC dan Kenapa Penting untuk Industri Furnitur?

Statistical Process Control (SPC) adalah metode pengendalian kualitas berbasis statistik yang berfungsi untuk memonitor dan mengontrol proses produksi secara sistematis. Tujuan utama dari SPC adalah mencegah cacat produk sejak proses produksi berlangsung, bukan sekadar mendeteksi cacat setelah produk selesai dibuat.

Dalam industri furnitur berbahan rotan sintetis seperti PT.I, proses weaving merupakan tahapan krusial yang sangat mempengaruhi kualitas akhir produk. Kesalahan sekecil apapun, seperti anyaman kendor, paku yang terlihat, atau perbedaan warna, akan dengan mudah terdeteksi oleh konsumen, khususnya di pasar ekspor yang mengutamakan presisi dan estetika produk.

Studi Kasus PT.I: Mengurai Masalah Kualitas di Lini Anyaman

Profil PT.I dan Permasalahan Produksi

PT.I adalah produsen furnitur berbahan rotan sintetis yang berorientasi ekspor. Perusahaan menawarkan berbagai model anyaman klasik dan modern yang menjadi daya tarik utama bagi pasar luar negeri. Namun, data menunjukkan bahwa tingkat cacat produk anyaman di PT.I melebihi ambang batas 5%. Pada Oktober 2020, tingkat cacat mencapai 12,8%, sementara pada November 2020 turun tipis menjadi 11,8%. Meski ada penurunan, kedua angka ini tetap melampaui batas toleransi perusahaan.

Jenis Cacat yang Sering Terjadi

Berdasarkan hasil inspeksi, terdapat lima jenis cacat utama yang ditemukan di bagian weaving PT.I:

1. Model anyaman tidak sesuai desain (misdruk).
2. Anyaman kendor.
3. Anyaman kotor.
4. Anyaman terlihat paku atau solder.
5. Warna bahan tidak seragam.

 

Metodologi Analisis SPC di PT.I

Penelitian di PT.I menggunakan tujuh alat dasar dalam SPC untuk mengontrol kualitas produk:

1. Check Sheet: Mengumpulkan data mengenai jenis dan frekuensi cacat.
2. Histogram: Menyajikan data dalam bentuk grafik batang untuk memperjelas distribusi cacat.
3. Stratifikasi: Mengelompokkan data cacat berdasarkan jenis untuk mengidentifikasi prioritas masalah.
4. Scatter Diagram: Menganalisis korelasi antara jumlah produksi dan tingkat cacat.
5. P Control Chart: Memantau proporsi cacat harian dan menentukan apakah proses produksi stabil.
6. Pareto Chart: Menentukan prioritas penanganan berdasarkan prinsip 80/20.
7. Fishbone Diagram: Mengidentifikasi akar penyebab cacat produksi.

 

Hasil Analisis SPC di PT.I: Temuan Kunci dan Interpretasi

Data Oktober 2020

• Total produksi: 2.552 unit.
• Produk cacat: 318 unit (12,8%).
• Jenis cacat dominan: Model anyaman (102 unit), anyaman kendor (82 unit), anyaman terlihat paku (62 unit).

Data November 2020

• Total produksi: 2.713 unit.
• Produk cacat: 310 unit (11,8%).
• Jenis cacat dominan tetap sama dengan Oktober, meski jumlahnya sedikit menurun.

Korelasi Produksi dan Tingkat Cacat

Hasil scatter diagram menunjukkan adanya korelasi positif antara jumlah produksi dan tingkat cacat. Artinya, semakin tinggi produksi, semakin tinggi pula kemungkinan produk cacat. Hal ini menunjukkan adanya ketidakseimbangan antara kapasitas produksi dan kemampuan kontrol kualitas di lapangan.

Temuan P Control Chart

Peta kendali menunjukkan bahwa sebagian besar titik data berada di luar batas kendali. Ini mengindikasikan bahwa proses produksi PT.I tidak stabil secara statistik dan masih sering mengalami variasi penyebab khusus yang perlu segera diidentifikasi dan diatasi.

 

Akar Masalah Utama: Analisis Fishbone Diagram

Analisis sebab-akibat atau fishbone diagram mengidentifikasi empat faktor utama penyebab cacat produksi di PT.I:

1. Manusia (Tenaga Kerja): Kurangnya keterampilan karyawan baru dan kurangnya pelatihan.
2. Metode: Tidak adanya standar prosedur operasi (SOP) yang baku dan pengawasan yang lemah.
3. Material: Kualitas bahan baku rotan sintetis yang tidak konsisten.
4. Lingkungan Kerja: Penerangan yang buruk dan area kerja yang kurang ergonomis.

Rekomendasi Perbaikan dan Dampak yang Diharapkan

Tindakan Korektif

1. Standarisasi Desain Anyaman
   Membuat SOP yang baku untuk model anyaman dan memastikan semua QC team memiliki pemahaman yang sama.
2. Pelatihan Tenaga Kerja
   Memberikan pelatihan rutin untuk karyawan baru dan melakukan simulasi uji kualitas berkala.
3. Perbaikan Fasilitas Kerja
   Menyediakan alat-alat penunjang produksi yang memadai seperti palu, solder, dan alat pengikat cadangan. Meningkatkan pencahayaan dan ventilasi ruang kerja.
4. Quality Control di Setiap Tahapan Produksi
   Tidak hanya di akhir proses, tetapi sejak awal material diterima dan sepanjang proses produksi berlangsung.

 

Perbandingan dengan Studi Serupa di Industri Lain

Beberapa industri lain di Indonesia telah berhasil menerapkan SPC untuk mengatasi masalah serupa:

• Industri Tekstil: CV Fitria sukses menekan cacat produksi pakaian hingga 30% dengan P Control Chart dan Pareto Diagram.
• Industri Makanan dan Minuman: CV Pusaka Bali Persada mampu mengurangi kemasan cacat kopi bubuk sebesar 25% setelah penerapan Fishbone Diagram dan kontrol kualitas ketat di lini produksi.

 

Kritik dan Catatan Tambahan: Apa yang Bisa Ditingkatkan?

Kelebihan Penelitian

• Penggunaan tujuh alat SPC secara sistematis.
• Data lapangan yang lengkap dan valid.

Kekurangan Penelitian

• Tidak disebutkan penggunaan teknologi digital seperti IoT atau sistem berbasis software dalam kontrol kualitas.
• Fokus hanya pada dua bulan, sehingga kurang merepresentasikan tren tahunan.

 

Rekomendasi Tambahan

Mengintegrasikan teknologi Industri 4.0 seperti sensor IoT dan sistem monitoring berbasis cloud dapat meningkatkan efektivitas SPC. Sistem ini memungkinkan deteksi cacat secara real-time dan mengurangi keterlambatan pengambilan keputusan.

 

Kesimpulan: SPC Sebagai Pilar Pengendalian Kualitas Industri Furnitur Indonesia

Penelitian ini membuktikan bahwa penerapan Statistical Process Control (SPC) di PT.I berhasil mengidentifikasi titik-titik lemah dalam proses produksi anyaman. Meski tingkat cacat masih melebihi ambang batas perusahaan, langkah-langkah perbaikan yang direkomendasikan dapat menjadi solusi jangka panjang untuk menstabilkan kualitas produksi.

Dengan komitmen dari semua pihak, dari operator hingga manajemen puncak, serta adopsi teknologi baru, PT.I dapat meningkatkan daya saingnya di pasar ekspor furnitur rotan sintetis.

 

Referensi Utama:

Attaqwa, Y., Hamidiyah, A., & Ekoanindyo, F. (2021). Product Quality Control Analysis with Statistical Process Control (SPC) Method in Weaving Section (Case Study PT.I). International Journal of Computer and Information System (IJCIS), Vol. 02, Issue 03, Agustus 2021.
 

Pendahuluan: Mengapa Pengendalian Proses Statistik (SPC) Krusial di Industri Indonesia?

Industri di Indonesia saat ini tengah menghadapi tantangan besar dalam menjaga kualitas produk sekaligus meningkatkan efisiensi produksi. Kualitas produk yang tidak konsisten, tingkat cacat yang tinggi, serta efisiensi yang belum optimal menjadi hambatan utama dalam meningkatkan daya saing, baik di pasar lokal maupun global. Dalam konteks ini, Statistical Process Control (SPC) muncul sebagai solusi yang tepat untuk memastikan kualitas produk secara konsisten dan sistematis.

Artikel berjudul "Implementation of Statistical Process Control for Quality Control Cycle in the Various Industry in Indonesia: Literature Review" karya Hibarkah Kurnia, Setiawan, dan Mohammad Hamsal, yang diterbitkan di Operations Excellence: Journal of Applied Industrial Engineering (2021), memberikan gambaran komprehensif mengenai bagaimana penerapan SPC di berbagai sektor industri di Indonesia telah berkontribusi terhadap peningkatan mutu produksi dan efisiensi proses.

SPC dalam Industri Indonesia: Apa Itu dan Mengapa Penting?

SPC adalah pendekatan berbasis statistik untuk memantau dan mengontrol suatu proses produksi. Dengan SPC, perusahaan dapat mengidentifikasi variasi proses sejak dini, sehingga potensi cacat atau kesalahan produksi bisa diantisipasi dan diminimalisasi sebelum produk sampai ke konsumen.

Di Indonesia, kebutuhan akan implementasi SPC semakin mendesak, terutama mengingat pesatnya perkembangan industri manufaktur, otomotif, tekstil, makanan dan minuman, hingga industri berat. Ketergantungan terhadap pasar ekspor juga menuntut produk-produk Indonesia memenuhi standar internasional yang ketat.

Metodologi Kajian: Tinjauan Sistematis 30 Studi Kasus Industri di Indonesia

Penelitian ini mengadopsi metode Systematic Literature Review (SLR), yang dirancang untuk menganalisis dan menyintesis hasil-hasil penelitian terkait penerapan SPC di berbagai industri dalam negeri. Dari total 35 jurnal yang dikumpulkan, 30 jurnal relevan dianalisis secara mendalam.

Proses Penyaringan Literatur:

• Fokus pada studi di sektor industri Indonesia.
• Tahun publikasi utama 2015 hingga 2021.
• Penilaian dilakukan berdasarkan pendekatan metode SPC yang digunakan, seperti control chart, fishbone diagram, Pareto chart, dan tools kualitas lainnya.

 

Temuan Utama: Industri yang Paling Banyak Mengadopsi SPC

Dari hasil kajian, terdapat dua sektor industri di Indonesia yang paling intensif menggunakan SPC, yaitu:

1. Industri Plastik (10% dari studi yang dianalisis)
2. Industri Garment/Tekstil (10%)

Dua industri ini menunjukkan pertumbuhan yang pesat dan kebutuhan tinggi akan pengendalian mutu yang ketat. Misalnya, dalam industri plastik, kualitas produk yang tidak sesuai spesifikasi dapat menyebabkan produk tidak layak pakai, sementara di industri tekstil, kecacatan sekecil apapun dapat memengaruhi nilai jual produk.

 

Studi Kasus Nyata: Bagaimana SPC Meningkatkan Kualitas di Berbagai Industri

1. Industri Plastik

Kasus di perusahaan plastik menunjukkan bahwa penggunaan control chart mampu menekan tingkat cacat, seperti lubang pada produk box plastik, hingga 47,82%. Dengan analisis fishbone diagram, ditemukan bahwa faktor mesin dan kualitas bahan baku menjadi penyebab dominan cacat produk.

2. Industri Garment

Dalam produksi pakaian jadi, SPC diterapkan untuk memantau kualitas jahitan. Studi di CV Fitria menemukan bahwa penerapan P-Chart menurunkan tingkat cacat produksi baju koko secara signifikan setelah mengidentifikasi penyebab utama dari tenaga kerja dan metode produksi.

3. Industri Makanan dan Minuman

SPC juga diterapkan di industri kopi bubuk, seperti di CV Pusaka Bali Persada. Masalah utama berupa kemasan kotor dan berat tidak sesuai spesifikasi dapat diminimalisir setelah menggunakan Pareto chart untuk mengidentifikasi prioritas perbaikan.

 

Keunggulan Penggunaan SPC: Manfaat Praktis di Lapangan

Penelitian ini merinci manfaat utama SPC yang telah dirasakan oleh berbagai industri di Indonesia:

• Pengendalian Mutu Real-Time: SPC memungkinkan perusahaan mendeteksi cacat produksi lebih awal, bahkan saat proses berjalan.
• Efisiensi Produksi: Dengan mengurangi jumlah produk cacat, biaya produksi menjadi lebih efisien.
• Meningkatkan Kepuasan Pelanggan: Produk yang memenuhi standar kualitas konsumen akan meningkatkan loyalitas pelanggan.
• Daya Saing Global: Perusahaan yang mampu menjaga kualitas konsisten akan lebih mudah menembus pasar internasional.

 

Kelemahan dan Tantangan Implementasi SPC di Indonesia

1. Kurangnya SDM Terlatih

Salah satu hambatan besar adalah minimnya tenaga kerja yang paham penggunaan alat statistik dan software SPC, terutama di perusahaan skala kecil dan menengah (UKM).

2. Biaya Implementasi Awal

Walaupun SPC diyakini sebagai metode yang hemat biaya dalam jangka panjang, investasi awal untuk pelatihan, perangkat lunak, dan sensor pengukuran seringkali menjadi beban bagi banyak industri.

3. Kompleksitas Sistem

Tidak semua industri siap mengintegrasikan SPC dalam proses produksi, terutama yang belum menerapkan Sistem Manajemen Mutu berbasis ISO.

 

Perbandingan dengan Praktik Internasional: Apa yang Bisa Dipelajari?

Dalam penelitian ini, penulis juga menyoroti bahwa Indonesia masih tertinggal dibandingkan Jepang atau Jerman dalam penerapan Quality 4.0, yaitu sistem mutu berbasis digital. Di negara-negara tersebut, SPC telah diintegrasikan dengan Internet of Things (IoT) dan Big Data Analytics untuk memberikan pemantauan kualitas secara otomatis dan prediktif.

Sebagai contoh, perusahaan otomotif Jepang seperti Toyota menggunakan Andon System yang menggabungkan SPC dengan sistem peringatan visual dan otomatisasi untuk mendeteksi gangguan produksi secara real-time.

 

Rekomendasi Praktis: Strategi Menerapkan SPC di Industri Indonesia

Berdasarkan temuan dalam paper ini, berikut rekomendasi agar SPC bisa diterapkan lebih luas dan efektif di Indonesia:

1. Pendidikan dan Pelatihan Berkelanjutan
   Perusahaan harus menginvestasikan pelatihan SPC bagi semua lini karyawan, dari operator hingga manajemen.
2. Integrasi dengan Lean Manufacturing
   Menggabungkan SPC dengan metode Lean seperti DMAIC dari Six Sigma akan memperkuat upaya pengendalian mutu.
3. Pemanfaatan Teknologi Industri 4.0
   Mulailah integrasi SPC dengan sensor berbasis IoT untuk memantau proses produksi secara otomatis.
4. Dukungan Pemerintah
   Pemerintah perlu memberikan insentif, misalnya subsidi pelatihan SPC bagi UKM atau keringanan pajak untuk investasi sistem manajemen mutu.

 

Masa Depan SPC di Indonesia: Peluang dan Harapan

Paper ini menunjukkan bahwa masa depan SPC di Indonesia sangat menjanjikan, terutama jika mampu beradaptasi dengan perkembangan Industri 4.0. Penulis menyarankan kolaborasi antara Lean Manufacturing, Six Sigma, dan teknologi digital, seperti Big Data dan AI, untuk menciptakan sistem kontrol kualitas yang lebih cepat, akurat, dan dapat diandalkan.

 

Kesimpulan: SPC adalah Kunci Menuju Industri Indonesia yang Lebih Kompetitif

Penelitian oleh Kurnia dkk. menyimpulkan bahwa:

• SPC paling banyak diterapkan di industri plastik dan tekstil di Indonesia, dengan metode seperti control chart, fishbone diagram, dan Pareto chart yang menjadi favorit.
• 2018 menjadi tahun dengan publikasi terbanyak terkait penerapan SPC di industri Indonesia.
• SPC terbukti efektif, tetapi tantangan sumber daya manusia dan biaya implementasi awal masih menjadi kendala yang harus diatasi.

Namun, dengan semangat inovasi dan dukungan pemerintah, SPC diyakini akan menjadi pilar utama dalam meningkatkan kualitas dan daya saing industri Indonesia di kancah global.

 

Sumber Utama:

Kurnia, H., Setiawan, S., & Hamsal, M. (2021). Implementation of Statistical Process Control for Quality Control Cycle in the Various Industry in Indonesia: Literature Review. Operations Excellence Journal, 13(2), 194-206.
 

 

Pendahuluan: Kenapa Pengendalian Kualitas Itu Penting?

Dalam dunia bisnis pangan, khususnya produk makanan olahan seperti roti, kualitas adalah segalanya. Konsumen tidak hanya mengharapkan rasa yang enak, tetapi juga standar mutu yang terjaga—baik dari segi bentuk, rasa, tekstur, hingga kebersihan. Jika kualitas tidak konsisten, bisnis bisa kehilangan kepercayaan konsumen, bahkan merugi secara finansial.

Salah satu pendekatan yang dapat diandalkan untuk menjaga dan meningkatkan kualitas produksi adalah Statistical Process Control (SPC). Dalam konteks industri pangan skala kecil hingga menengah di Indonesia, metode ini masih belum banyak dimanfaatkan secara optimal. Hal inilah yang diangkat dalam penelitian Tika Endah Lestari dan Nabila Soraya Rahmat, berjudul Analysis of Quality Control Using Statistical Process Control (SPC) in Bread Production, yang dipublikasikan di Indonesian Journal of Fundamental Sciences, Vol.4, No.2, Oktober 2018.

Mengenal SPC: Apa Itu dan Mengapa Relevan di Industri Pangan?

Statistical Process Control (SPC) merupakan metode statistik yang digunakan untuk memantau, mengontrol, dan meningkatkan proses produksi secara sistematis. Prinsip utama SPC adalah mendeteksi variasi dalam proses produksi—baik variasi yang wajar (common causes) maupun yang tidak wajar (special causes). Dengan begitu, potensi cacat produk bisa diidentifikasi dan dicegah sejak dini.

Dalam industri makanan seperti produksi roti, tantangan umumnya meliputi:

• Inkonsistensi bahan baku.
• Proses pemanggangan yang tidak merata.
• Kesalahan manusia dalam pengemasan.
• Faktor lingkungan seperti suhu dan kelembapan ruangan produksi.

SPC memungkinkan perusahaan seperti Roti Sari Wangi untuk menjaga kualitas setiap batch produksi, meminimalkan produk cacat, serta meningkatkan efisiensi produksi.

Studi Kasus: Penerapan SPC di Roti Sari Wangi Bandung

Latar Belakang Produksi Roti Sari Wangi

Roti Sari Wangi adalah sebuah perusahaan roti berskala kecil di Bandung yang memproduksi delapan jenis roti setiap harinya, dengan kapasitas produksi mencapai 1.600 bungkus roti per hari. Dalam penelitian ini, penulis memfokuskan analisis pada empat jenis roti: roti coklat, kacang, keju, dan kacang hijau.

Masalah yang Dihadapi

Walaupun produksi berjalan setiap hari, tingkat produk cacat masih cukup tinggi, mencapai 1.434 bungkus roti cacat hanya dari empat varian roti yang diamati selama satu bulan (April 2018). Kerugian yang diakibatkan oleh roti cacat tersebut mencapai Rp 4.302.000 per bulan, hanya dari sebagian produksi saja. Jika diperluas ke seluruh jenis roti, potensi kerugian diperkirakan mencapai Rp 8.604.000 per bulan—angka yang sangat signifikan bagi UKM seperti Roti Sari Wangi.

Metode Pengendalian Kualitas: Penggunaan P-Chart

Dalam penelitian ini, penulis menggunakan metode P-Chart, salah satu alat dari SPC yang digunakan untuk mengontrol produk berdasarkan proporsi cacat (defect proportion). P-Chart sangat tepat digunakan ketika kita ingin mengamati produk yang hanya memiliki dua kondisi: baik atau cacat.

Proses Penerapan P-Chart:

1. Pengambilan Sampel
   Sampel roti diambil secara acak dari empat jenis yang dianalisis, menggunakan kombinasi metode judgment sampling dan random sampling.
2. Pengolahan Data
   Data hasil inspeksi diolah menggunakan software SPSS, untuk menghasilkan grafik kontrol P-Chart yang menunjukkan apakah proses produksi berada dalam batas kontrol.
3. Penentuan Batas Kontrol
   Batas kontrol ditentukan berdasarkan perhitungan statistik, dengan Upper Control Limit (UCL), Central Line (CL), dan Lower Control Limit (LCL).

 

Hasil Penelitian: Fakta di Balik Data

Berikut adalah temuan utama dari penelitian tersebut:

1. Roti Coklat

• Rata-rata proporsi cacat (CL): 5,68%
• UCL: 10,59%
• LCL: 0,77%
• Kerugian: Rp 1.023.000 per bulan atau Rp 34.100 per hari.

2. Roti Kacang

• Rata-rata proporsi cacat: 5,70%
• UCL: 10,62%
• LCL: 0,78%
• Kerugian: Rp 1.026.000 per bulan atau Rp 34.200 per hari.

3. Roti Keju

• Rata-rata proporsi cacat: 6,18%
• UCL: 11,29%
• LCL: 1,07%
• Kerugian: Rp 1.113.000 per bulan atau Rp 37.100 per hari.

4. Roti Kacang Hijau

• Rata-rata proporsi cacat: 6,33%
• UCL: 11,50%
• LCL: 1,17%
• Kerugian: Rp 1.140.000 per bulan atau Rp 38.000 per hari.

 

Jika dikalkulasikan, total kerugian dari keempat produk mencapai Rp 4.302.000 per bulan. Ini setara dengan hampir 50% dari keuntungan bersih yang bisa didapatkan oleh perusahaan seukuran Roti Sari Wangi, menunjukkan bahwa produk cacat merupakan ancaman nyata bagi kelangsungan bisnis.

 

Analisis Mendalam dan Nilai Tambah: Apa yang Bisa Dipelajari?

Efektivitas P-Chart di Industri Makanan

Penerapan P-Chart di Roti Sari Wangi menunjukkan bahwa metode ini cukup efektif untuk mendeteksi proporsi produk cacat secara konsisten. Namun, penulis berpendapat bahwa perusahaan masih menghadapi tantangan dalam:

• Konsistensi pengawasan oleh supervisor.
• Kedisiplinan operator produksi dalam mengikuti SOP.
• Pengendalian lingkungan produksi (kelembapan, suhu).

 

Bandingkan dengan Industri Sejenis

Di sektor industri roti modern seperti BreadTalk atau Rotiboy, sistem kontrol kualitas sudah diintegrasikan dengan IoT sensor yang mendeteksi suhu oven, kelembapan ruang produksi, hingga kesegaran bahan baku secara otomatis. Dengan teknologi ini, proporsi produk cacat bisa ditekan hingga di bawah 2%.

Di sisi lain, banyak UKM di Indonesia masih menggunakan metode manual, seperti yang dilakukan Roti Sari Wangi, yang mengandalkan tenaga manusia dalam inspeksi kualitas. Ini berpotensi menghadirkan bias dan inkonsistensi.

 

Kritik terhadap Penelitian dan Implikasi Praktis

Kelebihan Penelitian

• Menggunakan metode statistik sederhana yang mudah diimplementasikan oleh UKM.
• Memberikan data konkrit kerugian akibat cacat produk yang sering diabaikan oleh pemilik usaha kecil.

Keterbatasan Penelitian

• Penelitian hanya mencakup empat dari delapan produk roti yang dihasilkan.
• Tidak ada analisis mendalam mengenai penyebab utama cacat produksi—apakah dari bahan baku, tenaga kerja, atau alat produksi.

Rekomendasi untuk Roti Sari Wangi

1. Pelatihan Karyawan: Fokus pada peningkatan keterampilan dan ketelitian operator produksi.
2. Standardisasi SOP: Revisi prosedur standar operasi agar lebih ketat dan jelas.
3. Investasi Teknologi Ringan: Mulai gunakan sensor sederhana untuk mengontrol suhu oven dan kelembapan ruangan.
4. Monitoring Real-Time: Gunakan software sederhana berbasis Excel atau aplikasi berbasis cloud untuk mencatat data produksi secara otomatis.

 

Tren Industri: SPC Menuju Quality 4.0

Di era Industri 4.0, SPC semakin berkembang menuju Quality 4.0, di mana integrasi teknologi menjadi kunci utama. UKM seperti Roti Sari Wangi sebetulnya memiliki peluang untuk mengadopsi teknologi ini secara bertahap, seperti:

Penggunaan IoT untuk memantau variabel produksi.

• Penerapan Big Data Analytics untuk menganalisis pola produksi dan konsumsi.
• AI-powered SPC, di mana prediksi cacat produksi bisa dilakukan sebelum proses dimulai.

 

Kesimpulan: SPC Bukan Sekadar Alat Statistik, Tapi Investasi Masa Depan

Penelitian Tika Endah Lestari dan Nabila Soraya Rahmat membuktikan bahwa SPC, khususnya P-Chart, mampu memberikan peta jalan untuk peningkatan kualitas di sektor industri pangan, termasuk UKM seperti Roti Sari Wangi. Meski sederhana, penerapan SPC bisa membantu pengusaha memahami celah dalam produksi, menekan kerugian, dan meningkatkan kepuasan pelanggan.

Namun, agar dampaknya lebih maksimal, perusahaan perlu mengembangkan budaya kualitas di semua lini, berinvestasi pada pelatihan SDM, serta secara bertahap mengadopsi teknologi terbaru. Dengan demikian, SPC bukan hanya menjadi alat pengawasan, melainkan juga fondasi pertumbuhan bisnis yang berkelanjutan.

 

Referensi Utama:

Lestari, T. E., & Rahmat, N. S. (2018). Analysis of Quality Control Using Statistical Process Control (SPC) in Bread Production. Indonesian Journal of Fundamental Sciences, 4(2), 90-101.