Pendahuluan

Dalam manufaktur maupun layanan modern, kualitas tidak lagi cukup dinilai dari “produk terlihat bagus”. Kualitas harus dibuktikan secara statistik: apakah proses produksi stabil, apakah hasilnya berada dalam batas pengendalian, dan apakah output yang dihasilkan secara konsisten memenuhi spesifikasi.

Di sinilah Statistical Process Control (SPC) menjadi penting. SPC bukan sekadar membuat grafik, melainkan pendekatan untuk menjawab pertanyaan fundamental:

1. Apakah proses dapat diprediksi?

2. Jika tidak, apa penyebab ketidakstabilannya?

3. Jika stabil, apakah proses mampu memenuhi spesifikasi?

Materi yang Anda kirimkan membahas inti SPC dari hulu ke hilir: mulai dari konsep variasi, stabilitas, identifikasi penyebab umum vs penyebab khusus, hingga peta kendali variabel dan perhitungan kapabilitas proses (Cp dan Cpk). Artikel ini merangkum semua itu dalam kerangka analitis yang rapi dan aplikatif.

Konsep Variasi: Fondasi dari Semua Pengendalian Kualitas

Variasi adalah perbedaan nilai data dari suatu objek yang diamati. Variasi selalu ada—bahkan pada sistem terbaik sekalipun—karena realitas tidak pernah 100% identik.

Contoh variasi yang muncul dalam materi:

• tinggi badan manusia (155–175 cm, bahkan ada yang 2 meter),

• diameter silinder (20,05 mm; 20,1 mm; 20,2 mm),

• rasa ayam goreng (kadang keras, kadang lembut),

• waktu siklus proses (2 menit; 2,1 menit; 2,05 menit),

• reject antar operator atau antar mesin (misalnya mesin A 0,2% vs mesin B 0,25%).

Poin pentingnya: variasi bukan masalah, yang menjadi masalah adalah variasi yang tidak terkendali.

Stabil vs Tidak Stabil: Mengapa Prediktabilitas Itu Kunci

1. Proses Stabil (In-Control)

Proses disebut stabil bila pola variasinya relatif konsisten sepanjang waktu sehingga output dapat diprediksi. Stabilitas menandakan tidak ada “kejadian luar biasa” yang mengganggu proses.

Misalnya:

• variasi produksi hari ini mirip dengan hari-hari lain,

• performa operator tidak berubah ekstrem dari satu shift ke shift lain.

Jika stabil → proses dapat diprediksi.

2. Proses Tidak Stabil (Out-of-Control)

Proses tidak stabil bila variasinya berubah-ubah secara signifikan sehingga output tidak dapat diprediksi. Di sini muncul faktor X (special cause) yang membuat perilaku data “meloncat”.

Jika tidak stabil → proses tidak dapat diprediksi dan peta kendali menjadi alat penting untuk mendeteksinya.

Mampu vs Tidak Mampu: Hubungan Variasi dengan Spesifikasi

Setelah proses stabil, pertanyaan berikutnya adalah: apakah proses mampu memenuhi spesifikasi?

Materi menjelaskan logika sederhana:

• Proses mampu bila lebar variasi proses lebih kecil daripada lebar spesifikasi (USL–LSL).

• Proses tidak mampu bila lebar variasi proses lebih besar daripada lebar spesifikasi sehingga output keluar dari batas atas/bawah.

• Ada kondisi lain: proses sebenarnya “mampu”, tetapi bergeser (mean bergeser), sehingga meskipun variasinya kecil, sebagian output tetap berada di luar batas spesifikasi.

Intinya:
Stabilitas = prediktabilitas
Kapabilitas = kesesuaian terhadap spesifikasi

Keduanya berbeda dan harus diuji terpisah.

Variasi Penyebab Umum vs Penyebab Khusus

SPC membedakan variasi berdasarkan sumbernya:

1. Penyebab Khusus (Special Cause)

Kejadian di luar sistem yang “menyimpang” dan menyebabkan output berubah drastis.

Contoh dalam materi:

• pahat aus,

• operator tidak kompeten,

• gangguan eksternal tertentu.

Solusi khas: identifikasi faktor X dan kendalikan (misalnya jadwal penggantian pahat sebelum aus).

2. Penyebab Umum (Common Cause)

Variasi yang berasal dari sistem itu sendiri (proses normal) seperti desain proses, mesin, metode kerja, lingkungan kerja.

Solusi khas: perbaikan sistem (bukan menyalahkan individu).

Mengapa Sampling Tidak Boleh Dilakukan Saat Proses Tidak Stabil

Materi menegaskan prinsip penting:

Sampling hanya valid dilakukan bila proses stabil dan mampu.

Jika proses tidak stabil dan/atau tidak mampu, sampling hanya akan menghasilkan kesimpulan menyesatkan karena prosesnya sendiri belum “valid” untuk dinilai.

Peta Kendali Variabel: Memantau Rata-Rata dan Sebaran

Dalam SPC untuk data variabel (data yang bisa diukur dengan alat ukur seperti timbangan, meteran, jangka sorong), materi membahas beberapa peta kendali.

1. X̄-R Chart (untuk subgrup kecil, misalnya n=3–5)

• X̄ chart memantau perubahan lokasi pemusatan (mean).

• R chart memantau penyebaran (range) sebagai indikator ketelitian/konsistensi proses.

Langkah ringkas yang dibahas:

1. Tentukan minimal ~20 subgrup,

2. Hitung rata-rata tiap subgrup (X̄),

3. Hitung range tiap subgrup (R),

4. Hitung X double bar dan R bar sebagai center line,

5. Hitung UCL/LCL menggunakan konstanta A2, D3, D4,

6. Evaluasi apakah ada titik out-of-control.

2. X-MR Chart (data individu)

Digunakan ketika data tidak dikelompokkan dalam subgrup, melainkan satuan per satuan.

• CL = X̄

• MR = moving range

• UCL/LCL memakai koefisien (misalnya 2,66×MR untuk batas X).

3. X̄-S Chart (subgrup besar, n>10)

Ketika ukuran sampel besar, penyebaran lebih tepat diukur dengan S (standard deviation), bukan range.

Mendeteksi Ketidakstabilan: Pola-Pola yang Harus Diwaspadai

Materi memberi contoh ciri proses tidak stabil, misalnya:

• satu titik melewati ±3σ,

• tren naik/turun berurutan,

• rangkaian titik berada di satu sisi center line,

• pola pengelompokan berdasarkan shift (pagi selalu rendah, siang selalu tinggi),

• pola lain yang menunjukkan perubahan sistematis.

Poin praktis: banyak orang hanya fokus pada titik “keluar batas”, padahal pola tren dan clustering juga sinyal ketidakstabilan.

Kapabilitas Proses: Cp dan Cpk sebagai Ukuran Kinerja Proses

Setelah proses stabil, dilakukan pengukuran kapabilitas:

1. Cp (Process Capability)

Mengukur “potensi” proses terhadap lebar spesifikasi:

Cp = (USL – LSL) / (6σ)

Interpretasi yang disebutkan:

• Cp > 1,33 → sangat baik

• 1–1,33 → baik

• < 1 → rendah (proses tidak memenuhi spesifikasi)

Catatan penting: Cp tidak mempertimbangkan apakah proses bergeser atau tidak.

2. Cpk (Process Capability Index)

Mengukur kapabilitas aktual dengan mempertimbangkan pergeseran mean:

Cpk = min(CPU, CPL)

• Jika Cpk = Cp → proses tepat di tengah

• Jika Cpk ≥ 1 → proses cenderung memenuhi spesifikasi

• Jika Cpk < 1 → proses menghasilkan output tidak sesuai spesifikasi

Kondisi ideal: Cp tinggi dan Cp = Cpk (proses stabil, mampu, dan terpusat).

Ilustrasi Kasus: Dari Data hingga Kesimpulan

Materi memberi contoh latihan untuk beberapa parameter (misalnya diameter, panjang, dan variabel lain), diolah dengan:

• peta kendali (X̄-R atau lainnya),

• perhitungan Cp dan Cpk,

• validasi menggunakan software (Minitab).

Hasil contoh menunjukkan bahwa:

• ada parameter yang masih “dalam batas kendali” tetapi kapabilitasnya sedang,

• ada mesin yang “out of control” sehingga harus ditelusuri penyebab khususnya,

• perbandingan mesin (misalnya mesin 1 dan 3 bermasalah, mesin 2 stabil) menunjukkan SPC efektif untuk isolasi sumber masalah.

Implikasi Manajerial: SPC Bukan Sekadar Statistik

Materi ini sebenarnya menekankan filosofi yang lebih besar:

1. Data harian bernilai besar bila diolah, bukan disimpan.

2. Bisnis besar unggul karena mampu menjaga konsistensi output meski volume data sangat besar.

3. Kegagalan kontrol kualitas paling mahal adalah yang “lolos ke pelanggan” (recall produk, reputasi rusak, biaya perbaikan masif).

4. SPC memberi sistem untuk mendeteksi masalah sebelum masalah menjadi skandal.

Dengan kata lain: SPC adalah strategi pengurangan risiko mutu.

Kesimpulan

SPC mengajarkan bahwa kualitas tidak ditentukan oleh inspeksi akhir, melainkan oleh kemampuan mengendalikan proses sejak awal. Kunci utama SPC adalah:

• membuat proses stabil agar dapat diprediksi,

• memastikan proses mampu memenuhi spesifikasi,

• membedakan variasi penyebab umum dan khusus,

• menggunakan peta kendali variabel (X̄-R, X-MR, X̄-S),

• mengukur kapabilitas dengan Cp dan Cpk.

Dalam praktik quality engineering, SPC bukan sekadar alat statistik, melainkan bahasa manajemen untuk memastikan bahwa output yang diterima pelanggan selalu konsisten dan sesuai standar.

📚 Sumber Utama

Webinar Quality Engineering – Statistical Process Control (SPC)
Materi Pemaparan (Bu Rina Fitriana) – Peta Kendali & Kapabilitas Proses

📖 Referensi Pendukung

• Montgomery, Introduction to Statistical Quality Control

• Wheeler & Chambers, Understanding Statistical Process Control

• AIAG SPC Manual (Automotive Industry Action Group)

• Literatur Quality Engineering & Process Capability (Cp/Cpk)

Mengapa Kontrol Kualitas Manual Sudah Tidak Relevan?

Di banyak pabrik, termasuk produsen besar seperti Vista Alegre Group di Portugal, proses pemeriksaan kualitas masih mengandalkan tenaga manusia. Bayangkan ini: dua petugas harus memeriksa sekitar 4.000 hingga 5.000 piring per hari. Ini jelas tidak realistis. Akibatnya, hanya sekitar 200 piring yang bisa diperiksa—tidak sampai 5% dari total produksi. Ini membuka celah besar untuk cacat seperti retakan halus atau goresan kecil lolos ke pasar, merusak citra merek dan menimbulkan kerugian.

Masalahnya bukan hanya kelelahan mata atau ketidaktelitian manusia. Sistem manual juga membatasi kecepatan produksi karena pabrik harus melambat agar petugas bisa memeriksa dengan seksama. Maka, kebutuhan akan sistem otomatis bukan sekadar kemewahan, tetapi urgensi.

 

Solusi Cerdas: CNN sebagai Mesin Penglihatan Buatan

Dalam tesisnya, Afonso Luís Costa Barbosa da Silva menawarkan pendekatan mutakhir menggunakan CNN (Convolutional Neural Network). Teknologi ini meniru cara kerja otak manusia dalam mengenali objek visual, tetapi dengan kecepatan dan akurasi yang konsisten.

Inti dari sistem yang dikembangkan adalah kemampuan untuk mengklasifikasi gambar piring menjadi dua kategori: cacat atau tidak. Gambar-gambar ini diambil oleh kamera beresolusi tinggi yang dipasang langsung di jalur produksi. Sistem ini dirancang untuk bekerja secara real-time, menghilangkan kebutuhan akan pengawasan manual.

 

Dari Kendala Pandemi ke Inovasi Dataset Sintetik

Salah satu tantangan terbesar dalam penelitian ini adalah pandemi COVID-19. Ketika proyek dimulai, pabrik menghentikan operasinya, sehingga tidak ada data riil yang bisa dikumpulkan. Afonso kemudian memilih jalan kreatif: membangun dataset sendiri.

Pertama, ia mengambil 10 gambar piring dari situs jual beli daring. Lalu, dengan bantuan perangkat lunak seperti MATLAB, ia menyisipkan cacat buatan—seperti goresan dan retakan—secara manual. Untuk memperluas dataset, ia menggunakan teknik data augmentation seperti rotasi gambar, pergeseran piksel, dan penyesuaian pencahayaan. Dari hanya 20 gambar asli, ia berhasil menghasilkan lebih dari 60.000 gambar baru.

Namun, ia tidak berhenti di situ. Ketika pabrik akhirnya bisa mengirim sampel fisik, tim di INOV INESC Inovação mengembangkan image generator berbasis tekstur nyata dari piring tersebut. Dengan alat ini, mereka berhasil membuat dataset realistis yang meniru kondisi sebenarnya di jalur produksi, lengkap dengan cacat yang lebih menyerupai kenyataan.

 

Strategi Klasifikasi: Gambar Utuh vs Potongan Gambar

Ada dua pendekatan utama yang digunakan untuk klasifikasi:

1. Klasifikasi Gambar Utuh
   Gambar piring diubah ukurannya menjadi resolusi rendah dan langsung diklasifikasi. Kelebihannya adalah kecepatan, tapi informasi visual bisa hilang karena proses pengecilan.
2. Klasifikasi Segmen Gambar
   Gambar dipecah menjadi potongan kecil berukuran 100x100 piksel tanpa mengubah resolusi. Setiap segmen diklasifikasi secara terpisah, lalu hasilnya digabung untuk menilai piring secara keseluruhan. Cara ini lebih akurat karena tidak kehilangan detail, tapi memerlukan proses lebih rumit.

Kedua metode diuji secara menyeluruh, dan hasilnya menunjukkan bahwa pendekatan berbasis segmen memberikan akurasi yang lebih stabil terutama saat menggunakan data realistis.

 

Evaluasi Kinerja: Seberapa Baik Sistem Ini?

Saat sistem diuji pada dataset buatan awal, model CNN sederhana mampu mencapai akurasi di atas 91%. Bahkan dengan data yang sepenuhnya sintetis, sistem ini menunjukkan potensi luar biasa dalam mengenali pola cacat. Ketika menggunakan dataset realistis, kinerjanya meningkat secara signifikan.

Teknik transfer learning dengan arsitektur seperti VGG16 juga dicoba. Meskipun model ini lebih lambat karena kompleksitasnya, akurasinya lebih tinggi dibanding CNN yang dibangun dari awal. Namun, VGG16 hanya melatih lapisan akhir (fully connected layers), sementara bagian awal tetap dari model aslinya, yang membuatnya kurang fleksibel jika kondisi data berubah.

 

Uji Lapangan: Penerapan Sistem di Pabrik Nyata

Dalam simulasi dunia nyata, sistem ini bekerja dalam dua fase:

1. Penandaan Cacat Otomatis
   Piring yang terdeteksi cacat oleh CNN ditandai dengan tinta tak terlihat. Di akhir jalur produksi, pekerja memverifikasi keakuratan sistem tanpa mengganggu kecepatan produksi.
2. Penyortiran Otomatis (Tahap Lanjutan)
   Di masa depan, sistem ini bisa disambungkan dengan lengan robot atau sistem ejector otomatis untuk mengeluarkan piring cacat secara langsung dari jalur produksi.

Dengan pendekatan ini, kontrol kualitas bisa dilakukan untuk 100% produk, bukan hanya sampel kecil.

 

Kritik dan Ruang Pengembangan

Meskipun tesis ini menghadirkan sistem yang kuat, ada beberapa hal yang bisa diperbaiki:

• Realitas Data: Cacat sintetis tidak sepenuhnya mencerminkan kompleksitas cacat nyata. Untuk pelatihan yang lebih akurat, perlu dataset besar dari produksi riil.
• Ukuran Gambar: Gambar beresolusi tinggi membutuhkan pemrosesan berat. Butuh sistem komputasi yang efisien agar bisa diterapkan dalam skala industri.
• Multiklasifikasi: Saat ini, sistem hanya membedakan antara "cacat" dan "tidak cacat". Dalam dunia nyata, mengenali jenis cacat bisa membantu memperbaiki proses produksi itu sendiri.

 

Mengapa Ini Penting bagi Industri 4.0?

Tren industri saat ini menuntut otomatisasi penuh, dan sistem ini merupakan langkah konkret menuju smart factory. Dengan integrasi AI seperti CNN, pabrik dapat:

• Mengurangi ketergantungan pada manusia dalam proses repetitif,
• Meningkatkan konsistensi dan akurasi kontrol kualitas,
• Memotong biaya jangka panjang untuk inspeksi manual,
• Memberikan data real-time untuk perbaikan proses produksi.

Di masa depan, teknologi seperti ini dapat dikombinasikan dengan IoT, edge computing, bahkan augmented reality untuk menciptakan sistem inspeksi yang otonom dan cerdas.

 

Kesimpulan: Dari Tantangan Menjadi Peluang

Tesis Afonso da Silva menunjukkan bagaimana kendala besar seperti pandemi bisa menjadi katalis inovasi. Dengan kreativitas, pengetahuan teknis, dan pendekatan bertahap, ia berhasil membangun fondasi kuat untuk sistem kontrol kualitas otomatis berbasis deep learning di industri manufaktur piring keramik.

Hasil penelitiannya relevan tidak hanya untuk satu pabrik, tapi untuk seluruh sektor industri yang bergelut dengan inspeksi visual dan kontrol kualitas. Teknologi ini membuka pintu bagi produksi yang lebih efisien, akurat, dan tahan terhadap kesalahan manusia—sebuah langkah pasti menuju masa depan manufaktur yang cerdas.

 

Sumber:

Barbosa da Silva, A. L. C. (2020). Detection of Dish Manufacturing Defects Using a Deep Learning-Based Approach. Master's Thesis, ISCTE-IUL.