Pendahuluan: Era Industri 4.0 dan Pentingnya Prediksi Kualitas

Perkembangan Industry 4.0 menghadirkan paradigma baru di industri manufaktur global. Salah satu pilar utama revolusi ini adalah transformasi digital yang memungkinkan pengumpulan data produksi secara masif dan real-time. Melalui data tersebut, perusahaan dapat mengimplementasikan machine learning (ML) dan deep learning (DL) untuk mengoptimalkan proses produksi, khususnya dalam hal prediksi kualitas produk (Predictive Quality).

Paper karya Sidharth Kiran Sankhye ini mengulas secara mendalam penerapan metode machine learning, khususnya pada proses inspeksi kualitas di lini produksi manufaktur yang kompleks dan berskala besar. Fokus utamanya adalah pada bagaimana algoritma klasifikasi ML dapat membantu memprediksi kepatuhan kualitas produk secara akurat, terutama dalam skenario dengan data yang sangat tidak seimbang (imbalanced data).

 

Latar Belakang dan Tujuan Penelitian

Masalah Utama: Imbalanced Dataset dalam Prediksi Kualitas

Dalam produksi massal, unit produk yang cacat seringkali hanya mencakup sebagian kecil dari total produksi. Inilah yang disebut class imbalance problem, di mana data minoritas (produk cacat) terlalu sedikit dibandingkan dengan data mayoritas (produk sesuai standar). Tantangan ini membuat sebagian besar model ML cenderung bias terhadap kelas mayoritas, sehingga gagal mendeteksi cacat produk secara efektif.

Tujuan Penelitian

Penelitian ini bertujuan untuk:

• Merancang metode klasifikasi berbasis machine learning yang efektif dalam prediksi kualitas produk di lini produksi multi-model.
• Mengatasi tantangan data tidak seimbang melalui feature engineering dan teknik sampling seperti SMOTE.
• Menguji metode tersebut melalui studi kasus pada pabrik manufaktur alat rumah tangga yang memproduksi sekitar 800 unit per hari.

 

Metodologi: Pendekatan Sistematis dalam Klasifikasi Prediktif

Model Klasifikasi yang Digunakan

Peneliti menerapkan dua algoritma utama:

1. Random Forest (RF)
   Algoritma berbasis bagging, menggabungkan banyak decision trees untuk mengurangi overfitting dan meningkatkan akurasi prediksi.
2. XGBoost (Extreme Gradient Boosting)
   Model boosting yang terkenal efisien dan efektif dalam menangani dataset besar dengan berbagai tipe fitur. Dilengkapi dengan regularisasi yang mampu mencegah overfitting.

Feature Engineering: Kunci Peningkatan Akurasi

Dalam industri, data mentah umumnya tidak siap langsung digunakan untuk training model ML. Oleh karena itu, penulis melakukan beberapa teknik feature engineering, antara lain:

• Suspicious Unit Batches: Membuat variabel yang menandai unit-unit yang berada dekat dengan unit cacat dalam alur produksi.
• Proximity to Model Changeover: Mengukur jarak unit terhadap perubahan model produksi, karena pergantian model kerap menjadi sumber kesalahan produksi.
• Model Color Change: Faktor perubahan warna model, yang bisa memengaruhi kemungkinan kesalahan manusia dalam perakitan.

Teknik Penanganan Imbalanced Data

Penulis menerapkan SMOTE (Synthetic Minority Over-sampling Technique) untuk meningkatkan jumlah data dari kelas minoritas (produk cacat). Ini bertujuan menyeimbangkan distribusi data dan memperbaiki akurasi klasifikasi.

 

Studi Kasus: Pabrik Alat Rumah Tangga Multi-Model

Konteks Industri

Studi dilakukan pada lini produksi alat rumah tangga multi-model dengan perubahan model yang cepat (negligible changeover time). Pabrik ini menghasilkan sekitar 800 unit per hari. Namun, permasalahan besar muncul akibat cacat produk, terutama wrong/missing parts, yang baru ditemukan pada tahap inspeksi akhir (Random Customer Acceptance Inspection/RCAI).

Permasalahan yang Dihadapi

• Cacat Produk: Terdapat unit-unit yang lolos dari pemeriksaan awal namun terdeteksi cacat pada RCAI, menyebabkan biaya tinggi akibat recall.
• Inspeksi Manual yang Tidak Efisien: Inspeksi manual lambat dan rentan kesalahan, sehingga membutuhkan sistem prediksi otomatis untuk meningkatkan efisiensi.

 

Hasil dan Analisis Model

Penulis mengevaluasi empat model klasifikasi berbasis kombinasi teknik feature engineering dan algoritma klasifikasi. Hasil evaluasi mengandalkan metrik Cohen’s Kappa dan ROC Curve.

Model A - Tanpa Feature Engineering

• Akurasi tinggi, tetapi prediksi kelas minoritas buruk.
• XGBoost lebih baik dari Random Forest dalam mendeteksi unit cacat, namun 58,89% unit masih gagal dideteksi.

Model B - Dengan Fitur Model Changeover

• Penambahan fitur baru sedikit meningkatkan performa, tetapi tidak signifikan.
• Masalah utama adalah distribusi minoritas fitur yang terlalu kecil.

Model C - Proximity to Model Changeover

• Peningkatan akurasi signifikan, terutama pada prediksi unit cacat.
• XGBoost mendeteksi 98,34% unit cacat secara akurat, sementara Random Forest masih bias terhadap mayoritas.

Model D - Normalized Proximity

• Hasil sedikit lebih buruk dari Model C, menunjukkan bahwa metrik absolut lebih efektif dibandingkan metrik normalisasi dalam konteks ini.

Kesimpulan Analisis

Model XGBoost secara konsisten mengungguli Random Forest, terutama dalam menghadapi imbalanced datasets. Fitur proximity to model changeover menjadi penentu utama dalam keberhasilan prediksi.

 

Kritik dan Perbandingan dengan Penelitian Lain

Kelebihan Penelitian Ini

• Fokus pada real-world application di lingkungan produksi multi-model.
• Penekanan pada pentingnya domain knowledge dalam feature engineering.
• Penggunaan metrik Cohen’s Kappa yang lebih akurat untuk kasus data tidak seimbang.

Kelemahan dan Tantangan

• Dataset yang terbatas hanya mencakup sebagian kecil variabel proses.
• Tidak adanya data sensor atau metrik mesin yang dapat memperkaya model prediksi.

Perbandingan dengan Studi Terkait

Studi oleh Kim et al. (2018) menunjukkan bahwa cost-sensitive learning juga efektif dalam klasifikasi kualitas produksi. Namun, pendekatan Sankhye lebih mengandalkan feature construction, bukan penyesuaian bobot kelas.

 

Arah Masa Depan dan Rekomendasi

1. Integrasi dengan IoT dan Sensor Data
   Implementasi smart sensors untuk mengumpulkan data proses secara otomatis dan real-time akan memperkuat model prediksi.
2. Explainable AI (XAI)
   Memperjelas alasan prediksi model XGBoost penting bagi operator pabrik agar mereka dapat memahami penyebab cacat produk.
3. Transfer Learning untuk Multi-Plant Deployment
   Model yang dikembangkan di satu lini produksi dapat disesuaikan dan digunakan di lini produksi lainnya dengan sedikit penyesuaian.
4. Federated Learning untuk Kolaborasi Multi-Pabrik
   Mengatasi tantangan privasi data, federated learning memungkinkan pelatihan model tanpa memindahkan data antar-pabrik.

 

Dampak Praktis bagi Industri Manufaktur

• Peningkatan Efisiensi: Pengurangan kebutuhan inspeksi manual hingga 50%, seperti yang diantisipasi dalam studi kasus.
• Penurunan Biaya Recall: Sistem prediksi kualitas proaktif mencegah unit cacat mencapai pelanggan.
• Dukungan Proaktif untuk Kualitas Zero-Defect: Menuju konsep zero-defect manufacturing yang menjadi tujuan banyak perusahaan modern.
•  

Kesimpulan Akhir

Penelitian ini membuktikan bahwa penerapan machine learning, khususnya XGBoost dengan feature engineering yang tepat, mampu meningkatkan prediksi kualitas produksi di industri manufaktur secara signifikan. Meskipun terdapat keterbatasan dalam data dan scope penelitian, pendekatan ini memberikan pondasi kuat untuk sistem prediktif yang lebih kompleks dan cerdas di masa mendatang.

Sumber:

Sankhye, Sidharth Kiran. (2020). Machine Learning Methods for Quality Prediction in Manufacturing Inspection. Iowa State University.

Pendahuluan

Di era Industry 4.0, dunia manufaktur mengalami transformasi besar melalui digitalisasi. Salah satu inovasi yang mencuri perhatian adalah pemanfaatan machine learning (ML) dan deep learning (DL) untuk predictive quality, yaitu pendekatan prediktif terhadap kualitas produk berbasis data manufaktur. Paper ini mereview secara sistematis perkembangan riset di bidang tersebut selama satu dekade terakhir, yakni 2012 hingga 2021.

Riset ini relevan karena kebutuhan industri untuk memprediksi kualitas secara akurat semakin tinggi. Hal ini didorong oleh peningkatan permintaan konsumen atas produk berkualitas tinggi dan minim cacat. Teknologi ML dan DL diharapkan mampu membantu industri melakukan kontrol kualitas secara real-time, mengurangi cacat produksi, hingga meningkatkan efisiensi operasional.

 

Ruang Lingkup dan Metodologi Studi

Tercan dan Meisen melakukan telaah atas 81 publikasi ilmiah yang membahas predictive quality dalam ranah manufaktur. Mereka mengklasifikasikan penelitian tersebut berdasarkan:

1. Proses manufaktur yang diteliti
2. Karakteristik data yang digunakan
3. Model ML dan DL yang diterapkan

Mereka merumuskan tiga pertanyaan utama yang menjadi kerangka studi:

• Apa saja proses manufaktur dan kriteria kualitas yang telah dikaji?
• Seperti apa karakteristik data yang digunakan?
• Model supervised learning apa yang paling umum digunakan?

Pendekatan sistematis ini mengisi celah dalam literatur karena hingga saat ini belum banyak ulasan komprehensif yang mengupas prediksi kualitas berbasis ML/DL secara mendalam.

 

Temuan Utama dan Analisis

1. Ragam Proses Manufaktur yang Diteliti

Berbagai proses manufaktur telah dikaji, mulai dari cutting (pemotongan) hingga additive manufacturing. Dari total publikasi yang direview, mayoritas riset fokus pada proses cutting (32%), seperti turning, drilling, dan milling. Fokus utamanya adalah memprediksi surface roughness (kekasaran permukaan), misalnya dalam proses laser cutting dan turning. Misalnya, penelitian oleh Tercan et al. (2017) yang memanfaatkan ML untuk memprediksi kekasaran permukaan pada laser cutting.

Proses joining, khususnya pengelasan, juga populer. Contohnya, penggunaan CNN untuk mendeteksi cacat las pada proses spot welding (Wang et al., 2021).

Studi Kasus Industri:

Perusahaan otomotif seperti BMW menggunakan sistem berbasis CNN untuk mendeteksi cacat pada bodi mobil selama proses spot welding. Implementasi ini meningkatkan first-pass yield hingga 98%.

2. Karakteristik Data dan Sumbernya

Prediksi kualitas mengandalkan data dari dua sumber utama:

• Data Eksperimental: 65% penelitian mengumpulkan data dari eksperimen terkendali.
• Data Produksi Nyata: 14% penelitian menggunakan data dari proses produksi yang sedang berjalan.

Sebagian kecil lainnya menggunakan simulasi dan dataset benchmark seperti GRIMA X-Ray (Ferguson et al., 2018). Tantangan utama adalah kuantitas dan kualitas data. Banyak dataset eksperimen hanya terdiri dari ratusan sampel, yang membatasi akurasi model.

Tren Industri:

Penggunaan digital twin untuk menghasilkan data simulasi dalam skala besar kian populer. Misalnya, Siemens mengembangkan digital twin untuk simulasi additive manufacturing, memungkinkan mereka mengurangi waktu trial and error hingga 30%.

3. Jenis Data Input

Data input untuk model ML/DL umumnya berupa:

• Parameter proses (misal: kecepatan potong, suhu)
• Data sensor (getaran, akustik)
• Data gambar (kamera inspeksi, X-ray)

Pada proses seperti metal rolling, kamera lini digunakan untuk mendeteksi cacat permukaan secara otomatis melalui CNN.

Analisis:

Dalam praktik industri, penggabungan data multi-modal—gabungan antara sensor dan citra visual—semakin banyak diadopsi. Hal ini mencerminkan kebutuhan akan sistem prediksi yang lebih akurat dan fleksibel.

 

Model Machine Learning dan Deep Learning yang Digunakan

Mayoritas publikasi (74%) menggunakan model Multilayer Perceptron (MLP) karena kemudahannya dalam menangani berbagai jenis data numerik. Sementara itu, Convolutional Neural Networks (CNN) digunakan untuk analisis data gambar, seperti dalam inspeksi otomatis pada additive manufacturing.

Perbandingan Model:

• MLP unggul pada dataset kecil dengan fitur numerik sederhana.
• CNN sangat efektif pada tugas klasifikasi berbasis gambar.
• LSTM dan Transformers mulai digunakan untuk data time-series, terutama pada proses manufaktur berbasis aliran kontinu.

Kritik:

Meski CNN mendominasi riset terkini, pendekatan ini kerap membutuhkan data dalam jumlah besar serta komputasi tinggi, yang belum tentu feasible bagi industri skala kecil-menengah.

 

Tantangan dan Kesenjangan Penelitian

1. Kurangnya Generalisasi Model: Banyak model hanya diterapkan pada satu proses atau domain. Belum ada pendekatan transfer learning yang kuat untuk lintas proses manufaktur.
2. Keterbatasan Data Nyata: Ketersediaan dataset industri yang lengkap dan akurat masih minim karena isu privasi dan keamanan data.
3. Keterbatasan Interpretabilitas: Model DL, terutama CNN dan LSTM, sering disebut sebagai black-box. Industri membutuhkan sistem yang explainable agar keputusannya bisa diverifikasi.

 

Rekomendasi dan Arah Riset Masa Depan

1. Adopsi Explainable AI (XAI)
   Penelitian masa depan perlu fokus pada transparansi model ML/DL. Implementasi XAI dapat membantu operator produksi memahami alasan prediksi cacat produk.
2. Transfer Learning dan Federated Learning
   Transfer learning memungkinkan model yang dilatih pada satu domain diterapkan ke domain lain dengan data terbatas. Federated learning memungkinkan pelatihan model tanpa harus memindahkan data industri, menjaga privasi sekaligus memperkaya kualitas model.
3. Pengembangan Dataset Terstandarisasi
   Komunitas akademik dan industri perlu berkolaborasi menciptakan dataset benchmark terbuka, mirip ImageNet, yang khusus untuk industri manufaktur.

 

Dampak Praktis Bagi Industri

Efisiensi Produksi

Dengan prediksi kualitas berbasis ML/DL, perusahaan manufaktur dapat mengurangi scrap rate hingga 40% dan meningkatkan efisiensi first-time-right production.

Pengurangan Biaya Inspeksi Manual

Prediksi otomatis memungkinkan pengurangan kebutuhan inspeksi manual hingga 50%, seperti yang dialami pabrik otomotif yang menerapkan CNN untuk deteksi cacat bodi mobil.

 

Kesimpulan

Tercan dan Meisen memberikan tinjauan yang komprehensif mengenai penerapan machine learning dan deep learning dalam prediksi kualitas manufaktur. Meski perkembangan pesat terlihat dalam dekade terakhir, masih ada tantangan signifikan yang harus diatasi. Ke depan, integrasi teknologi seperti XAI dan transfer learning menjadi kunci untuk memperluas adopsi sistem prediktif ini di industri manufaktur secara global.

 

📖 Referensi Utama
Tercan, H., & Meisen, T. (2022). Machine learning and deep learning based predictive quality in manufacturing: a systematic review. Journal of Intelligent Manufacturing, 33, 1879–1905. 

Dalam era Industri 4.0, pabrik pintar (smart factories) menjadi tulang punggung manufaktur modern. Keberhasilan mereka terletak pada efisiensi, fleksibilitas, dan kemampuan beradaptasi terhadap perubahan pasar yang cepat. Salah satu komponen kunci dalam mencapai tujuan tersebut adalah pengendalian kualitas (quality control) yang lebih proaktif dan berbasis data. Artikel ilmiah yang ditulis oleh Sidharth Sankhye dan Guiping Hu berjudul Machine Learning Methods for Quality Prediction in Production menghadirkan solusi inovatif melalui pendekatan machine learning (ML) untuk memprediksi kualitas produk secara lebih akurat dan efisien. Penelitian ini diterbitkan di jurnal Logistics (doi: 10.3390/logistics4040035).

Latar Belakang: Dari Inspeksi Manual ke Prediksi Cerdas

Proses pengendalian kualitas tradisional umumnya bersifat reaktif. Produk diperiksa setelah diproduksi, dan ketika ditemukan cacat, baru dilakukan tindakan perbaikan. Model ini tidak hanya boros waktu, tetapi juga menimbulkan biaya tinggi akibat penarikan produk (recall) dan kerugian reputasi. Di sinilah machine learning hadir, menawarkan kemampuan prediktif yang memungkinkan perusahaan mendeteksi potensi cacat produk sejak dini.

Penelitian ini mengambil studi kasus dari lini produksi alat rumah tangga (appliance manufacturing), yang sebelumnya mengalami peningkatan jumlah cacat produk meskipun telah dilengkapi sistem visi dan scanner modern. Keterlambatan dalam mendeteksi masalah mengakibatkan biaya recall yang besar. Dengan memanfaatkan data yang ada, penulis membangun model prediksi kualitas berbasis machine learning, khususnya metode klasifikasi.

Intisari Penelitian: Membangun Model Prediksi Kualitas

Penelitian ini fokus pada penerapan metode supervised learning, yaitu klasifikasi, untuk memprediksi compliance quality produk. Proses prediksi kualitas produk didasarkan pada data yang dikumpulkan secara real-time dari proses produksi multi-tahap.

Beberapa temuan penting dari penelitian ini:

• Model klasifikasi yang dikembangkan berhasil mencapai akurasi hingga 99%, dengan nilai Cohen’s Kappa sebesar 0.91. Ini menunjukkan tingkat keandalan yang sangat tinggi, bahkan untuk dataset dengan ketidakseimbangan kelas (imbalanced dataset).
• Penerapan feature engineering menjadi kunci dalam meningkatkan kinerja model, khususnya dalam mengatasi tantangan data imbalance, yang sering terjadi di pabrik modern.

Studi Kasus: Transformasi Lini Produksi Alat Rumah Tangga

Dalam studi kasus yang diangkat, penulis menganalisis data produksi dari sebuah pabrik alat rumah tangga yang memproduksi sekitar 800 unit produk per hari. Data yang digunakan meliputi:

• Nomor seri unit produk
• Model produk
• Minggu produksi
• Warna dan merek produk
• Catatan inspeksi kualitas dari proses Random Customer Acceptance Inspection (RCAI)

Masalah utama yang dihadapi adalah cacat produk berupa komponen salah pasang atau hilang, terutama setelah proses model changeover di lini produksi. Dengan produksi multi-model tanpa jeda, kemungkinan terjadinya kesalahan dalam proses perakitan meningkat.

Langkah-langkah Pengembangan Model

1. Data Pre-processing: Membersihkan data, menyusun ulang atribut, dan memastikan konsistensi dataset.
2. Feature Engineering: Membangun fitur baru, seperti proximity to model changeover, yang mengukur seberapa dekat posisi unit terhadap perubahan model sebelumnya. Ini terbukti signifikan dalam meningkatkan akurasi prediksi.
3. Penggunaan Metode Ensembel: Penelitian membandingkan performa Random Forest (bagging) dan XGBoost (boosting). XGBoost terbukti unggul, terutama dalam klasifikasi unit produk yang tergolong cacat (minority class).

Insight Tambahan: Mengapa Feature Engineering Penting?

Feature engineering dalam studi ini memberikan keunggulan nyata. Salah satu fitur penting yang dikembangkan adalah batch_seq, yang menunjukkan urutan unit produksi setelah terjadi perubahan model. Dengan menambahkan atribut ini, model XGBoost mampu mengklasifikasi unit cacat dengan akurasi 98.34%, jauh lebih tinggi dibanding tanpa fitur tersebut.

Namun, upaya normalisasi fitur, seperti batch_seqperc (persentase posisi dalam batch), justru menunjukkan penurunan kinerja. Ini menunjukkan bahwa dalam konteks produksi, data absolut lebih bermakna daripada representasi relatif. Korelasi ini mencerminkan risiko tinggi cacat produk di awal batch setelah model changeover, terlepas dari ukuran batch.

Kelebihan Penelitian

1. Konsistensi Hasil: Model dikembangkan dengan cross-validation dan diuji pada data independen, menunjukkan keandalan tinggi.
2. Praktis untuk Implementasi Nyata: Waktu pelatihan model hanya 15 menit, sementara prediksi real-time dapat dilakukan dalam 0.05 detik per unit, membuatnya sangat layak diterapkan di lini produksi skala besar.
3. Mengurangi Biaya Kualitas: Dengan memprediksi unit cacat secara proaktif, perusahaan dapat menghemat biaya recall dan meningkatkan efisiensi inspeksi.

Kritik dan Catatan untuk Pengembangan Lebih Lanjut

Meskipun hasilnya mengesankan, penelitian ini memiliki keterbatasan:

• Dataset Terbatas: Fokus penelitian adalah pada cacat kategori wrong/missing parts, karena data yang tersedia tidak mencakup parameter proses perakitan secara mendetail.
• Belum Menerapkan Deep Learning: Penulis tidak mengeksplorasi model deep learning seperti neural networks, yang berpotensi memberikan performa lebih baik jika diterapkan pada dataset yang lebih besar dan kaya fitur.
• Konteks Industri Terbatas: Studi ini hanya menguji satu jenis industri (alat rumah tangga). Perlu penelitian lebih luas di sektor manufaktur lain seperti otomotif atau elektronik.

Dampak Praktis dan Tren Industri

Penelitian ini sangat relevan dengan konsep smart manufacturing dan proses quality assurance berbasis prediksi di era Industri 4.0. Dengan banyaknya Internet of Things (IoT) dan sensor di pabrik modern, data proses produksi semakin melimpah. Penelitian seperti ini menjadi fondasi penerapan Predictive Quality Analytics (PQA) yang meminimalkan biaya produksi dan meningkatkan kepuasan pelanggan.

Dalam konteks global, perusahaan seperti Siemens, GE, dan Bosch telah mulai mengadopsi pendekatan serupa dalam sistem mereka. Contohnya, Bosch menggunakan AI untuk memprediksi cacat pada lini perakitan elektronik, mengurangi scrap rate hingga 25%.

Kesimpulan: Menuju Masa Depan Manufaktur Bebas Cacat

Penelitian Sankhye dan Hu menunjukkan bahwa machine learning dapat diandalkan untuk memprediksi kualitas produk, bahkan dalam kondisi dataset yang tidak seimbang dan kompleks. Implementasi metode ini membawa perusahaan manufaktur lebih dekat ke zero-defect manufacturing, di mana kualitas produk terjamin tanpa harus mengandalkan inspeksi akhir semata.

Dengan peningkatan ketersediaan data produksi dan kemajuan algoritma, solusi berbasis machine learning akan menjadi standar baru dalam pengendalian kualitas industri modern.

 

Referensi
Sankhye, S., & Hu, G. (2020). Machine learning methods for quality prediction in production. Logistics, 4(4), 35.

Dalam dunia manufaktur modern, menjaga kualitas produk adalah harga mati. Terlebih di industri telekomunikasi, di mana komponen sekecil lensa plastik injeksi bisa menjadi pembeda antara perangkat sukses atau gagal di pasar. Paper berjudul "Statistical Process Control (SPC) Applied in Plastic Injection Moulded Lenses" oleh Jafri Mohd Rohani dan Chan Kok Teng (Universiti Teknologi Malaysia) menawarkan gambaran jelas bagaimana pengendalian proses statistik mampu membawa perubahan signifikan dalam mutu produksi.

Mengapa SPC Penting dalam Industri Manufaktur Plastik?

Industri plastik, khususnya yang bergerak di bidang komponen elektronik seperti lensa plastik injeksi, menghadapi tantangan berat:

• Tuntutan Kualitas Tinggi: Komponen plastik untuk perangkat telekomunikasi harus bebas cacat.
• Volume Produksi Besar: Produksi massal rentan terhadap cacat produk.
• Biaya Produksi yang Ketat: Kualitas tinggi harus dicapai tanpa meningkatkan biaya.

Di sinilah Statistical Process Control (SPC) menjadi solusi. SPC memungkinkan perusahaan memantau dan mengendalikan proses produksi secara berkelanjutan, mendeteksi tren cacat, dan melakukan perbaikan berbasis data.

 

Latar Belakang: Mengapa Perusahaan Ini Menerapkan SPC?

Perusahaan yang dikaji dalam penelitian ini adalah produsen lokal lensa plastik injeksi untuk perangkat telekomunikasi. Sebelum penerapan SPC, mereka mengalami defect rate sebesar 13,49%. Angka tersebut jelas jauh dari standar industri, yang umumnya menetapkan ambang batas cacat maksimal 1% hingga 3%, tergantung spesifikasi klien.

👉 Target Awal:
Menurunkan tingkat cacat dari 13,49% menjadi 10% dalam waktu tiga bulan.

Metode: Bagaimana SPC Diterapkan?

1. Pengumpulan Data

Perusahaan mencatat data produksi harian selama tiga bulan, mencakup:

• Jumlah total produk yang diproduksi.
• Jumlah produk baik (good parts).
• Jumlah produk cacat (defective parts).

Data dikumpulkan menggunakan Check Sheet, alat pertama dari Seven Basic Quality Tools.

2. Identifikasi Masalah Utama dengan Pareto Chart

Melalui Pareto Chart, perusahaan menemukan tiga jenis cacat paling dominan:

• Flow Lines/Marks – 5,04%
• Dirty Dots – 3,96%
• Scratches – 2,27%

Ini sejalan dengan prinsip Pareto (80/20), di mana sebagian besar masalah berasal dari segelintir penyebab.

3. Analisis Akar Masalah dengan Fishbone Diagram

Perusahaan melakukan analisis mendalam atas ketiga masalah utama menggunakan Fishbone (Ishikawa) Diagram, mengelompokkan penyebab ke dalam lima kategori:

• Manusia
• Mesin
• Metode Kerja
• Material
• Lingkungan

4. Kontrol Proses dengan Control Chart (P-Chart)

Penerapan P-Chart memungkinkan pemantauan jumlah unit cacat secara konsisten, membantu mengidentifikasi variasi normal dan outlier.

 

Temuan Utama: Data yang Berbicara

Berikut hasil signifikan setelah tiga bulan implementasi SPC dan action plan yang diusulkan:

• Mei: 10,28%
• Juni: 8,27%
• Juli: 7,41%

👉 Pencapaian Akhir:
Defect rate berhasil ditekan hampir 50% dari kondisi awal, menjadi 7,4%, melebihi target awal 10%.

 

Studi Kasus: Mengurai Tiga Sumber Cacat Utama

1. Flow Lines/Marks

Penyebab Utama:

• Parameter proses tidak stabil (waktu tahan, suhu injeksi, tekanan aliran).
• Kualitas bahan baku rendah.

Solusi yang Diimplementasikan:

• Pengecekan indeks alir leleh (MFI) pada semua bahan resin.
• Penyesuaian waktu pengeringan dan suhu material.
• Pemeliharaan mesin preventif untuk menjaga konsistensi parameter injeksi.

2. Dirty Dots

Penyebab Utama:

• Kontaminasi material karena penanganan operator.
• Kebersihan mesin dan lingkungan kerja tidak terjaga.

Solusi yang Diimplementasikan:

• Pelatihan ulang operator tentang kebersihan handling.
• Pembersihan rutin pada cetakan, hopper, dan area produksi.
• Pengetatan kontrol kualitas incoming material.

3. Scratches

Penyebab Utama:

• Kesalahan saat proses pemindahan atau pengepakan.
• Cetakan yang tidak bersih atau rusak.

Solusi yang Diimplementasikan:

• Instruksi kerja lebih rinci tentang prosedur pengepakan.
• Pengecekan kondisi cetakan secara berkala.
• Pelatihan operator tentang pentingnya penanganan hati-hati.

 

Analisis Tambahan: Pelajaran Berharga untuk Industri

Komitmen Manajemen Adalah Kunci

Penelitian ini menegaskan bahwa keberhasilan SPC tidak hanya ditentukan oleh alat yang digunakan, tetapi juga oleh komitmen manajemen. Tanpa dukungan dari atas, pelatihan operator, dan pengawasan konsisten, penerapan SPC akan mandek.

Data Adalah Senjata

Pengumpulan data yang konsisten memungkinkan analisis yang lebih akurat. Namun, penelitian ini juga menunjukkan bahwa variasi antar shift bisa mempengaruhi tingkat cacat. Shift malam (3rd shift) cenderung memiliki tingkat cacat lebih tinggi, yang menunjukkan perlunya rotasi kerja dan pengawasan ketat di luar jam kerja utama.

Perbandingan dengan Industri Lain

• Di industri otomotif, SPC adalah standar. Toyota, misalnya, menggunakan sistem Jidoka yang memungkinkan penghentian produksi otomatis saat cacat terdeteksi.
• Di industri farmasi, in-line monitoring system berbasis Process Analytical Technology (PAT) kini banyak digunakan untuk mendeteksi cacat pada tahap awal proses.

 

Kritik terhadap Penelitian dan Saran Pengembangan

Kelebihan

• Fokus pada pendekatan sederhana namun berdampak besar.
• Data yang jelas dan transparan mendukung validitas hasil.
• Menerapkan Seven QC Tools secara efektif dan terukur.

Kelemahan

• Studi terbatas pada satu perusahaan dengan ruang lingkup produk spesifik (lensa plastik injeksi).
• Belum mengeksplorasi penggunaan teknologi otomatisasi atau AI dalam pengendalian proses.

Rekomendasi Pengembangan

• Integrasi IoT: Sensor real-time pada mesin injeksi untuk memantau parameter seperti suhu, tekanan, dan aliran material.
• Machine Learning: Memprediksi potensi cacat berdasarkan data historis dan variabel proses.
• Digital Dashboard: Monitoring dashboard berbasis cloud agar pengawasan bisa dilakukan kapan saja, di mana saja.

 

Dampak Nyata di Dunia Industri

Jika metode SPC sederhana seperti dalam penelitian ini berhasil menekan cacat hingga 50%, bayangkan dampaknya jika perusahaan mengadopsi pendekatan lebih modern.

• Pengurangan Biaya Produksi: Kurangi rework dan scrap, otomatis menurunkan biaya produksi.
• Peningkatan Kepuasan Pelanggan: Kualitas lebih stabil meningkatkan kepercayaan pelanggan.
• Compliance dengan Standar Internasional: SPC adalah bagian integral dalam sertifikasi ISO 9001 dan IATF 16949.

Fakta Industri

Menurut laporan Deloitte (2023), perusahaan manufaktur yang menerapkan pengendalian kualitas berbasis data mencatatkan pengurangan rata-rata 30% dalam jumlah cacat produk dalam tiga tahun pertama.

 

Kesimpulan: SPC sebagai Game Changer di Industri Plastik

Penerapan Statistical Process Control (SPC) terbukti mampu meningkatkan kualitas, produktivitas, dan profitabilitas dalam industri manufaktur plastik. Studi kasus ini menunjukkan bahwa bahkan pendekatan sederhana seperti Seven QC Tools, bila diterapkan dengan disiplin tinggi, dapat menghasilkan perbaikan signifikan.

Namun, tantangan selanjutnya adalah membangun budaya kualitas yang berkelanjutan dan memanfaatkan teknologi baru untuk meningkatkan efisiensi. Di era industri 4.0, SPC seharusnya tidak lagi menjadi pilihan, melainkan keharusan.

📚 Referensi Asli:
Rohani, J.M., & Teng, C.K. (2015). Statistical Process Control (SPC) Applied in Plastic Injection Moulded Lenses. Universiti Teknologi Malaysia.