Pendahuluan: Tantangan Proses Honing di Era Manufaktur Presisi

Dalam industri manufaktur modern, kebutuhan akan akurasi dimensi dan kualitas permukaan menjadi semakin kritis, khususnya pada sektor otomotif, hidrolik, hingga penerbangan. Salah satu proses kunci yang digunakan untuk mencapai tingkat presisi tinggi adalah honing, yaitu proses pemrosesan akhir yang bertujuan memperhalus permukaan bagian dalam silinder atau lubang.

Namun, pengendalian kualitas pada proses honing tidak selalu mudah. Variabilitas dalam parameter proses, seperti kecepatan rotasi, gaya umpan, dan osilasi, dapat mempengaruhi kualitas produk akhir. Pengujian kualitas konvensional yang dilakukan setelah proses selesai cenderung terlambat untuk menghindari cacat, sehingga muncul kebutuhan mendesak akan sistem prediksi kualitas secara real-time.

Dalam penelitian Klein, Schorr, dan Bähre (2020), tim dari Saarland University dan Bosch Rexroth AG mengusulkan pendekatan berbasis Machine Learning (ML), khususnya dengan metode Random Forest Regressor (RFR), untuk memprediksi kualitas hasil honing. Pendekatan ini berfokus pada prediksi karakteristik dimensi dan kualitas permukaan, demi meningkatkan pengendalian proses secara proaktif.

 

Apa Itu Proses Honing dan Mengapa Penting?

Proses honing didefinisikan sebagai proses pemotongan dengan tepi pemotongan yang tidak terdefinisi secara geometris, di mana alat multi-potong melakukan gerakan pemotongan yang terdiri dari rotasi dan osilasi secara simultan. Hasil dari proses ini adalah pola crosshatch khas pada permukaan bagian dalam lubang, yang penting untuk menyimpan pelumas dan memastikan kinerja mekanis optimal.

Honing umumnya diterapkan pada komponen mesin dengan diameter kecil (kurang dari 10 mm), seperti blok silinder dan komponen hidrolik. Karena proses ini biasanya merupakan tahap akhir dari produksi, maka kualitas bentuk, dimensi, dan permukaan yang dihasilkan harus memenuhi standar tinggi.

 

Tujuan Penelitian: Memprediksi Kualitas dengan Machine Learning

Penelitian ini bertujuan mengembangkan sistem prediksi kualitas berbasis data yang mengandalkan algoritma machine learning untuk:

• Memperkirakan dimensi akhir dan kualitas permukaan komponen secara real-time.
• Mengurangi jumlah komponen cacat yang terdeteksi di tahap akhir proses.
• Meningkatkan efisiensi proses dengan memungkinkan kontrol proses adaptif berbasis prediksi.

 

Metodologi Penelitian: Dari Data Produksi ke Prediksi Kualitas

1. Pengaturan Eksperimen

Eksperimen dilakukan menggunakan mesin honing vertikal KADIA Produktion GmbH, dilengkapi dengan sistem pengukuran internal dan sensor eksternal seperti load cell dari Kistler Instrumente AG untuk mencatat gaya aksial dan torsi. Proses honing dilakukan pada sampel silinder berdiameter 8 mm dengan material 20MnCr5 (kekerasan HRC20).

Tiga operasi (OP1 - OP3) dilakukan pada total 135 sampel, dengan variasi parameter seperti:

• Kecepatan rotasi: 1000 - 1600 rpm
• Kecepatan osilasi: 180 - 260 mm/s
• Infeed: 0.3 - 0.5 µm

2. Data dan Variabel yang Dikumpulkan

Data yang dicatat meliputi:

• Kecepatan rotasi dan osilasi
• Gaya axial, cone force, dan torsi
• Ukuran diameter sebelum dan sesudah proses
• Kekasaran permukaan (Ra, Rz, Rmr)

Data diproses dengan Python dan scikit-learn, lalu digunakan untuk melatih model Random Forest Regressor (RFR).

 

Hasil Penelitian: Seberapa Akurat Model Prediksi Ini?

Prediksi Diameter

Model RFR memberikan hasil prediksi diameter akhir yang paling akurat dibandingkan karakteristik lain:

• R² train: 97.4% (dataset OP1-OP3)
• R² test: 82.3%
• Mean Absolute Error (MAE): 1.10 µm

Akurasi prediksi diamater ini cukup mengesankan, mencerminkan kemampuan model memahami hubungan antara parameter proses dan hasil dimensi akhir.

Prediksi Kekasaran Permukaan (Ra)

Hasil prediksi Ra menunjukkan performa yang lebih menantang:

• R² train: 94.5%
• R² test: 67.6%
• MAE: 0.16 µm

Meskipun tren Ra dapat diprediksi, model mengalami kesulitan menangkap outlier, terutama ketika data pelatihan terbatas pada satu operasi (OP1).

Prediksi Persentase Area Kontak (Rmr)

Rmr merupakan parameter yang paling sulit diprediksi:

• R² train: 95.6%
• R² test: 59.9%
• MAE: 11.26%

Tantangan dalam prediksi Rmr berkaitan dengan sifat data yang lebih kompleks dan tidak linier.

 

Analisis Kritis: Apa yang Bisa Dipelajari dari Hasil Ini?

Keunggulan Pendekatan Random Forest

• Robust terhadap data besar: Dengan 1000 decision trees, model mampu mengurangi risiko overfitting.
• Fitur Importance: RFR dapat mengidentifikasi variabel proses paling berpengaruh, misalnya cone force dan axial force.

Kelemahan yang Teridentifikasi

• Keterbatasan Data Training: Dataset dari satu operasi (OP1) tidak cukup untuk generalisasi prediksi yang baik.
• Akurasi Rmr dan Ra Masih Kurang Memuaskan: Perlu metode alternatif seperti Gradient Boosting Machines (GBM) atau Deep Learning untuk meningkatkan akurasi prediksi non-linier.

 

Studi Kasus Industri: Implementasi Prediksi Kualitas di Dunia Nyata

Industri Otomotif

Bosch Rexroth AG, yang juga menjadi bagian dari penelitian ini, telah mengeksplorasi integrasi prediksi kualitas berbasis ML dalam produksi sistem hidrolik mereka. Hasilnya, terjadi pengurangan scrap rate hingga 15% dalam 6 bulan pertama implementasi.

Sektor Aerospace

Di sektor aerospace, honing untuk komponen mesin turbin menjadi krusial. Dengan prediksi kualitas berbasis data, Rolls Royce melaporkan penurunan waktu inspeksi hingga 20%, meningkatkan throughput produksi.

 

Rekomendasi Pengembangan dan Arah Penelitian Selanjutnya

1. Integrasi IoT dan Big Data
   Perluasan cakupan sensor dan integrasi data dari sistem IIoT untuk memungkinkan pembelajaran mesin yang lebih baik.
2. Hybrid Machine Learning Model
   Kombinasi Random Forest dengan metode deep learning seperti LSTM (Long Short-Term Memory) bisa meningkatkan prediksi parameter dinamis seperti Ra dan Rmr.
3. Real-Time Feedback System
   Menghubungkan prediksi kualitas langsung ke sistem kontrol mesin honing untuk penyesuaian otomatis parameter proses secara waktu nyata.

 

Implikasi Bisnis dan Lingkungan

• Efisiensi Energi: Prediksi kualitas di awal proses memungkinkan penghentian dini pada batch cacat, menghemat energi produksi.
• Reduksi Limbah: Menurunkan komponen reject, berkontribusi pada produksi yang lebih ramah lingkungan.
• Kepuasan Pelanggan: Peningkatan stabilitas kualitas meningkatkan reputasi pemasok di industri high precision.

Menurut laporan McKinsey (2022), perusahaan manufaktur yang mengadopsi machine learning dalam pengendalian kualitas mengalami peningkatan produktivitas 15-20%.

 

Kesimpulan: Prediksi Kualitas dengan Machine Learning adalah Masa Depan Produksi Presisi

Penelitian ini menunjukkan bahwa pendekatan Random Forest Regressor (RFR) adalah solusi yang layak untuk prediksi kualitas proses honing, terutama dalam prediksi dimensi diameter. Meskipun prediksi kekasaran permukaan dan area kontak masih memiliki ruang untuk perbaikan, pendekatan ini adalah langkah awal yang menjanjikan menuju Quality 4.0.

Dengan meningkatnya permintaan akan produk presisi tinggi di berbagai sektor industri, integrasi machine learning dalam sistem produksi menjadi kebutuhan yang tak terelakkan. Implementasi strategis seperti yang diusulkan dalam penelitian ini akan membantu industri bersaing di era manufaktur pintar.

 

📖 Sumber Penelitian
Klein, S., Schorr, S., & Bähre, D. (2020). Quality Prediction of Honed Bores with Machine Learning Based on Machining and Quality Data to Improve the Honing Process Control. Procedia CIRP, 93, 1322–1327. DOI:10.1016/j.procir.2020.03.055

 

Pendahuluan: Mengapa Prediksi Kualitas Jadi Sorotan Industri Manufaktur?

Industri manufaktur modern, khususnya industri baja, menghadapi tantangan besar terkait kontrol kualitas di seluruh rantai produksi. Proses produksi baja bersifat kompleks, otomatis, dan sangat terhubung, namun pengendalian kualitas umumnya masih terfokus pada pemeriksaan produk akhir. Keterbatasan sensor dan metode inspeksi menyebabkan banyak cacat baru terdeteksi hanya setelah proses produksi selesai, menambah beban biaya produksi dan meningkatkan jumlah limbah.

Dalam konteks ini, paper yang ditulis oleh Daniel Lieber dan tim dari TU Dortmund memberikan terobosan penting. Mereka memperkenalkan pendekatan berbasis machine learning, baik supervised maupun unsupervised, untuk memprediksi kualitas produk secara real-time pada setiap tahap proses manufaktur baja, khususnya di hot rolling mill. Pendekatan ini bertujuan mengurangi tingkat cacat dan meningkatkan efisiensi energi dalam produksi yang saling terhubung (interlinked).

 

Latar Belakang: Problem Kualitas di Industri Baja yang Kompleks

Dalam industri baja, kualitas produk akhir sangat tergantung pada proses yang dilalui mulai dari peleburan, penggulungan, hingga finishing. Penelitian dari Alwood dan Cullen (2008) menunjukkan bahwa sekitar 60% dari baja scrap dunia, setara 334 juta ton, tidak pernah menjadi produk jadi, melainkan terbuang karena kegagalan kualitas. Lebih buruk lagi, 70% dari scrap ini dihasilkan pada tahap akhir produksi, akibat cacat yang terlambat dideteksi.

Fakta tersebut menggambarkan betapa besarnya potensi efisiensi yang bisa dicapai bila sistem prediksi kualitas diterapkan lebih awal dalam proses produksi.

 

Tujuan Penelitian dan Fokus Utama

Tujuan utama penelitian ini adalah mengembangkan Inline Quality Prediction (IQP) System yang berbasis data mining. Sistem ini diharapkan dapat:

• Memprediksi kualitas produk baja di setiap tahap proses produksi.
• Mengintegrasikan data sensor dari berbagai tahap produksi ke dalam satu sistem analisis terpadu.
• Menggunakan metode pembelajaran mesin untuk mendeteksi pola operasional yang menunjukkan potensi cacat.

Pendekatan ini unik karena memanfaatkan gabungan supervised learning untuk klasifikasi kualitas dan unsupervised learning untuk mendeteksi pola operasional.

 

Metodologi: Cara Kerja Inline Quality Prediction (IQP) System

1. Data Acquisition dan Preprocessing

Sistem IQP mengandalkan data sensor yang dipasang di berbagai tahap proses rolling mill, termasuk:

• Continuous casting
• Rotary hearth furnace
• Breaking down roll
• Finishing stands
• Separation facility

Data yang dikumpulkan meliputi suhu, tekanan, gaya gulung, kecepatan rotasi, dan lain-lain. Untuk memastikan kualitas data, dilakukan preprocessing yang meliputi:

• Pembersihan data dari outlier
• Normalisasi
• Segmentasi berdasarkan tahap proses
• Ekstraksi fitur global (misalnya nilai rata-rata gaya gulung) dan lokal (misalnya variasi gaya antara dua tahap penggulungan)

2. Feature Selection

Dari data yang dikumpulkan, lebih dari 2.000 fitur berhasil dihasilkan. Namun, tidak semua fitur relevan. Oleh karena itu, tim menggunakan pendekatan evolutionary wrapper untuk memilih subset fitur yang paling berpengaruh. Salah satu fitur yang terbukti krusial adalah waktu pemanasan di rotary hearth furnace, yang memiliki dampak besar terhadap porositas produk akhir.

 

3. Metode Pembelajaran Mesin yang Diterapkan

Beberapa algoritma machine learning digunakan:

• Unsupervised Learning: K-Means dan Self-Organizing Maps (SOM) untuk clustering proses produksi.
• Supervised Learning: k-Nearest Neighbor (k-NN), Support Vector Machines (SVM), dan Naïve Bayes untuk klasifikasi kualitas produk.

4. Evaluasi dan Validasi

Model divalidasi dengan metode 10-fold cross-validation untuk menghindari overfitting. Akurasi prediksi terbaik dicapai oleh algoritma k-NN dengan 80,21%, khususnya setelah melalui proses feature selection.

 

Temuan Utama dan Analisis

1. Prediksi Kualitas Lebih Dini = Penghematan Besar

Penelitian ini menunjukkan bahwa prediksi kualitas pada tahap awal produksi memungkinkan deteksi dini atas cacat. Dengan mengetahui kualitas produk sejak di rotary hearth furnace, produsen dapat menghentikan proses lebih awal jika diperlukan, menghemat energi, dan mengurangi limbah.

2. Identifikasi Pola Operasional

Melalui SOM, ditemukan bahwa banyak proses produksi dengan output kualitas tinggi memiliki parameter operasional yang serupa. Hal ini memberi peluang bagi perusahaan untuk standarisasi parameter proses, meningkatkan konsistensi kualitas.

3. Keterkaitan Dimensi Produk dengan Parameter Proses

Analisis cluster menunjukkan bahwa dimensi akhir produk berkorelasi tinggi dengan variabel seperti posisi roll finishing. Keakuratan prediksi dimensi mencapai 97% dengan k-NN, menunjukkan potensi integrasi IQP ke dalam sistem perencanaan produksi otomatis.

 

Studi Kasus: Relevansi di Industri Baja Global

Penerapan sistem IQP ini dapat diadaptasi oleh industri baja global. Misalnya, di ArcelorMittal dan POSCO, sistem sensor telah digunakan untuk mengumpulkan data proses, tetapi belum banyak yang mengintegrasikan prediksi kualitas secara inline. Dengan penerapan IQP berbasis machine learning, industri baja besar dapat mengurangi scrap hingga 20%, berdasarkan proyeksi yang diambil dari data penelitian Lieber et al.

Kritik dan Catatan Tambahan

Kelebihan Penelitian:

• Komprehensif dan Modular: Sistem IQP dirancang modular, memungkinkan integrasi bertahap dalam pabrik eksisting.
• Validasi Kuat: Penggunaan data nyata dari pabrik rolling mill menjadikan penelitian ini berbobot tinggi.

Kelemahan:

• Real-Time Implementation: Penelitian masih sebatas eksperimen, belum diuji dalam kondisi produksi secara langsung.
• Isu Sensor dan Infrastruktur: Implementasi penuh membutuhkan sensor yang andal dan infrastruktur IT yang kuat, yang bisa menjadi tantangan bagi perusahaan kecil-menengah.

 

Implikasi Praktis dan Rekomendasi untuk Industri

1. Digitalisasi dan IoT
   Pabrik baja perlu berinvestasi pada IoT sensor dan sistem big data analytics. Sensor suhu, tekanan, dan gaya yang terintegrasi dalam jaringan IIoT akan menjadi syarat dasar penerapan IQP.
2. Pengembangan SDM dan AI Skills
   SDM perlu dilatih dalam pengelolaan sistem machine learning dan analitik data industri. Hal ini penting agar hasil prediksi dapat diinterpretasikan secara cepat oleh tim produksi.
3. Integrasi dengan Quality 4.0
   Sistem IQP bisa menjadi bagian dari roadmap Quality 4.0, bersinergi dengan dashboard manajemen kualitas dan predictive maintenance.

 

Kesimpulan: Inline Quality Prediction adalah Masa Depan Produksi Baja Berkelanjutan

Penelitian Lieber et al. (2013) telah memberikan peta jalan bagi industri baja global untuk mentransformasi pendekatan kontrol kualitas. Dengan memanfaatkan kombinasi pembelajaran mesin terawasi dan tidak terawasi, serta sistem pengolahan data cerdas, produsen baja tidak hanya dapat meningkatkan kualitas produk akhir, tetapi juga mengurangi pemborosan energi dan material secara signifikan.

Sistem seperti IQP adalah langkah awal menuju pabrik pintar yang lebih ramah lingkungan, efisien, dan siap bersaing di pasar global.

Pendahuluan: Tantangan Kualitas dalam Injection Molding Modern

Injection molding, atau proses cetak injeksi, telah lama menjadi tulang punggung industri manufaktur, terutama dalam pembuatan komponen plastik yang kompleks. Meskipun metode ini menawarkan keunggulan berupa produksi massal yang efisien dan presisi tinggi, masalah kualitas produk tetap menjadi tantangan utama. Fluktuasi suhu, tekanan, dan variasi material dapat memicu cacat produksi yang signifikan.

Di tengah tekanan industri untuk mengurangi limbah produksi dan meningkatkan efisiensi, muncul kebutuhan akan sistem prediksi kualitas yang lebih cerdas dan otomatis. Di sinilah penelitian Schulze Struchtrup et al. (2021) mengambil peran penting. Mereka menawarkan pendekatan ensemble learning untuk prediksi kualitas produk pada proses injection molding, yang diklaim lebih adaptif dibandingkan metode konvensional.

 

Latar Belakang: Mengapa Prediksi Kualitas Itu Penting?

Meski banyak perusahaan telah mengadopsi machine learning untuk meningkatkan kualitas produksi, penerapannya di bidang injection molding masih tergolong terbatas. Alasan utamanya adalah rasio biaya-manfaat yang dianggap belum optimal. Biaya pemasangan sensor tambahan dan kompleksitas analisis data sering menjadi penghalang.

Namun, berkembangnya teknologi Industry 4.0, khususnya dalam hal sensor canggih, komputasi awan, dan big data analytics, memungkinkan perusahaan mendapatkan data berkualitas tinggi dengan biaya yang lebih terjangkau. Dengan data ini, machine learning bisa diterapkan secara lebih luas untuk prediksi kualitas produk secara real-time.

Penelitian ini menjadi sangat relevan karena mengusulkan solusi holistik yang tidak hanya mengandalkan satu model machine learning, tetapi memanfaatkan ensemble learning, yakni kombinasi beberapa model untuk meningkatkan akurasi prediksi di lingkungan produksi yang dinamis.

Tujuan Penelitian dan Fokus Utama

Schulze Struchtrup dan tim bertujuan menciptakan kerangka kerja prediksi kualitas yang otomatis, adaptif, dan berbasis data. Fokus mereka terletak pada penggunaan ensemble learning untuk menggabungkan kekuatan berbagai algoritma machine learning agar dapat menghasilkan prediksi yang akurat, bahkan ketika kondisi proses injection molding berubah-ubah.

Ensemble learning sendiri dipilih karena menawarkan fleksibilitas dalam mengatasi variasi proses produksi, yang kerap kali menjadi titik lemah dari pendekatan machine learning tradisional.

 

Metodologi: Kerangka Kerja Prediksi Kualitas Adaptif

1. Data Pre-processing dan Feature Selection

Data dikumpulkan dari proses injection molding pada mesin KraussMaffei PX 120-380, dengan total 48 parameter proses yang dipantau. Proses data mencakup:

• Pre-processing data dengan metode holdout (80% data untuk pelatihan, 20% untuk pengujian).
• Feature selection menggunakan sequential forward selection (SFS) dan correlation-based feature selection (CFS). Tujuannya adalah memangkas variabel yang kurang relevan agar mempercepat dan meningkatkan akurasi model.

2. Algoritma Machine Learning yang Digunakan

Tujuh model utama yang digunakan meliputi:

• Artificial Neural Networks (ANN)
• Support Vector Machines (SVM)
• Decision Trees (DT)
• K-Nearest Neighbors (kNN)
• Gaussian Process Regression (GPR)
• Ensemble Methods (Bagging dan Boosting)
• Multiple Linear Regression (MLR) sebagai pembanding klasik

Setiap model dilatih dengan optimasi hyperparameter berbasis Bayesian optimization dan divalidasi dengan 5-fold cross-validation.

3. Pendekatan Ensemble Learning

Tiga strategi utama diterapkan:

• Unweighted Average Ensemble: Menggabungkan output semua model tanpa bobot.
• Single Model Selection Ensemble: Memilih model terbaik berdasarkan kinerja pada data yang paling mirip.
• Weighted Average Ensemble: Menggabungkan output model dengan bobot berdasarkan coefficient of determination (R²) masing-masing model pada dataset tetangga.

 

Hasil dan Temuan Kunci

Penelitian ini menghasilkan beberapa temuan penting:

1. Single Model Selection Ensemble memberikan performa prediksi terbaik, melampaui model dasar (base models) di 20 dari 24 dataset.
2. Weighted Average Ensemble unggul di 19 dari 24 dataset, membuktikan bahwa strategi kombinasi adaptif mampu mengatasi variabilitas proses produksi.
3. Unweighted Average Ensemble hanya mencatat peningkatan performa di 12 dari 24 dataset, dan hasilnya dianggap serupa dengan model dasar, sehingga kurang memberikan nilai tambah yang signifikan.

Pada kondisi tertentu, seperti design of experiment (DOE) dan penggunaan re-grind material, akurasi prediksi tertinggi dicapai dengan koefisien determinasi (R²) mencapai 99,5% untuk prediksi berat komponen.

Namun, prediksi pada proses stabil dengan variasi rendah menghasilkan akurasi yang lebih buruk. Hal ini disebabkan oleh kurangnya variabilitas data, yang membuat model machine learning kesulitan dalam membedakan perubahan kualitas yang nyata.

 

Studi Kasus: Relevansi dan Penerapan di Dunia Industri

Penerapan di Industri Otomotif

Produsen otomotif besar seperti BMW dan Volkswagen telah mengadopsi strategi serupa untuk pemantauan kualitas komponen plastik interior. Dengan penerapan sensor canggih dan algoritma machine learning, mereka berhasil memangkas scrap rate hingga 30%, meningkatkan efisiensi produksi secara signifikan.

Industri Elektronik

Di pabrik produksi casing ponsel pintar, machine learning berbasis ensemble digunakan untuk mendeteksi cacat mikro pada komponen casing injection molding. Hasilnya, akurasi deteksi naik 25% dibandingkan sistem inspeksi visual tradisional.

 

Kritik dan Analisis Kritis Penelitian

Kelebihan

• Pendekatan Komprehensif: Kerangka kerja yang mencakup seluruh tahapan, mulai dari pre-processing data, pemilihan fitur, hingga ensemble learning.
• Validasi Luas: Dilakukan pada 24 dataset berbeda dengan kondisi proses yang bervariasi, memberikan bukti kuat atas efektivitas metode.
• Adaptabilitas Tinggi: Sistem mampu menyesuaikan model prediksi berdasarkan perubahan kondisi proses secara real-time.

Keterbatasan

• Keterbatasan Metode Jarak (Distance Metrics): Hanya menggunakan metrik Euclidean, padahal metrik lain seperti Mahalanobis bisa menawarkan hasil yang lebih baik di data multidimensi.
• Belum Ada Implementasi Real-Time: Kerangka kerja diuji secara eksperimental, namun belum diuji dalam skenario produksi nyata secara langsung.
• Isu Komputasi dan Resource: Penggunaan ensemble learning membutuhkan daya komputasi besar, yang bisa menjadi hambatan bagi pabrik berskala kecil hingga menengah.

 

Rekomendasi Pengembangan dan Penerapan Masa Depan

1. Implementasi Real-Time dengan IoT
   Menghubungkan sistem prediksi dengan sensor IoT untuk integrasi langsung ke lini produksi, memungkinkan perbaikan otomatis secara waktu nyata.
2. Peningkatan Akurasi Feature Selection
   Eksplorasi metode feature selection berbasis deep learning dapat meningkatkan presisi pemilihan fitur yang relevan, terutama untuk dataset besar.
3. Penggunaan Distance Metrics Alternatif
   Eksperimen dengan metrik seperti Mahalanobis atau Chebyshev untuk mengatasi perbedaan skala antar fitur dalam data proses injection molding.
4. Integrasi dalam Smart Factory
   Kombinasikan dengan sistem MES (Manufacturing Execution System) dan ERP (Enterprise Resource Planning) untuk visibilitas kualitas produk secara end-to-end.

 

Implikasi Praktis bagi Industri Manufaktur

Penerapan metode ensemble learning seperti dalam penelitian ini sangat menjanjikan untuk industri yang mengandalkan proses injection molding, seperti:

• Otomotif
• Elektronik
• Alat kesehatan
• Mainan plastik
• Peralatan rumah tangga

Selain meningkatkan kualitas produk, perusahaan dapat mengurangi biaya scrap dan rework, sekaligus memenuhi standar kualitas global yang semakin ketat.

Menurut data Deloitte (2023), perusahaan manufaktur yang mengadopsi sistem prediksi berbasis AI mencatat peningkatan efisiensi hingga 20-25% dalam tiga tahun pertama implementasi.

 

Kesimpulan: Masa Depan Kualitas Injection Molding Ada di Tangan AI dan Ensemble Learning

Penelitian Schulze Struchtrup et al. (2021) menunjukkan bahwa ensemble learning dapat menjadi game-changer dalam prediksi kualitas injection molding. Adaptasi model secara otomatis memungkinkan sistem produksi merespons perubahan kondisi tanpa campur tangan manusia, mendukung visi Industry 4.0 dan smart manufacturing.

Namun, tantangan masih ada. Transformasi digital dalam pengendalian kualitas injection molding membutuhkan kesiapan infrastruktur, pelatihan SDM, dan investasi dalam teknologi data science. Meski demikian, manfaat jangka panjang berupa peningkatan efisiensi, penghematan biaya, dan peningkatan reputasi kualitas produk membuatnya layak diperjuangkan.

 

📖 Sumber Resmi Paper:
Schulze Struchtrup, A., Kvaktun, D., & Schiffers, R. (2021). Adaptive Quality Prediction in Injection Molding Based on Ensemble Learning. Procedia CIRP, 99, 301–306. DOI:10.1016/j.procir.2021.03.04

Pendahuluan: Menjawab Tantangan Kontrol Kualitas di Industri Modern

Dalam dunia manufaktur modern, kendali mutu atau quality control tidak hanya sebatas memastikan produk memenuhi standar, tetapi juga berkaitan dengan efisiensi proses produksi. Namun, satu tantangan besar yang kerap dihadapi adalah keragaman data produksi, terutama ketika data tersebut tidak mengikuti distribusi normal yang menjadi asumsi utama dalam metode SPC konvensional.

Dalam konteks ini, tesis Daniel Lanhede memberikan solusi inovatif melalui Non-parametric Statistical Process Control (SPC), yang tidak bergantung pada asumsi distribusi tertentu. Paper ini mengulas metode non-parametrik yang dirancang untuk mendeteksi perubahan dalam distribusi proses manufaktur, bahkan pada volume produksi yang rendah, seperti di GE Healthcare Umeå, yang memproduksi sistem kromatografi Äkta Pure dan Äkta Avant.

 

Gambaran Umum Non-parametric SPC: Apa yang Membuatnya Unggul?

Mengapa Non-parametric?

Kebanyakan metode SPC klasik, seperti Shewhart Chart, CUSUM, dan EWMA, memerlukan data yang berdistribusi normal. Jika data produksi tidak memenuhi syarat ini, metode klasik bisa memberikan hasil yang bias, baik berupa alarm palsu (false alarm) atau gagal mendeteksi masalah.

Non-parametric SPC menawarkan pendekatan yang fleksibel, karena:

• Tidak tergantung pada asumsi distribusi data.
• Cocok untuk proses dengan volume produksi rendah.
• Memberikan hasil yang konsisten, meskipun data bersifat skewed atau heavy-tailed.

 

Objektif Penelitian: Implementasi SPC di GE Healthcare

Penelitian ini bertujuan:

1. Mengevaluasi metode non-parametrik SPC yang paling efektif untuk mendeteksi perubahan dalam data produksi.
2. Menerapkan metode tersebut pada proses manufaktur instrumen kromatografi GE Healthcare di Umeå, Swedia.
3. Meningkatkan ketepatan dalam mendeteksi masalah kualitas, dibandingkan metode sebelumnya seperti First Pass Yield (FPY) dan Pareto Charts.

Metode Penelitian: Dari Teori ke Penerapan

Fokus pada Dua Tahap SPC

1. Phase I Analysis
   Digunakan untuk menentukan baseline proses produksi saat dalam kondisi In-Control (IC). Metode yang digunakan antara lain:
   • RS/P Chart (Recursive Segmentation and Permutation)
     Dikembangkan oleh Capizzi et al. (2013), metode ini terbukti paling akurat dalam mendeteksi perubahan distribusi di tahap awal.
2. Phase II Analysis
   Fokus pada monitoring real-time untuk mendeteksi Out-of-Control (OOC) events. Dua metode utama:
   • Mann-Whitney U Statistic Chart (Chakraborti et al., 2008)
   • Mood’s Test Statistic for Dispersion (Ghute et al., 2014a)

Selain itu, Change-Point Model berbasis Cramer-Von Mises Statistic juga diusulkan untuk mendeteksi perubahan distribusi secara lebih cepat.

 

Studi Kasus di GE Healthcare: Penerapan di Produksi Äkta Series

1. Valve Leakage Test

• Proses: Menguji kebocoran pada modul katup menggunakan sistem pompa dan pengukur tekanan.
• Tantangan: Distribusi data leakage skewed dengan heavy-tail, sulit dianalisis dengan SPC parametris.
• Hasil: Dengan RS/P Chart, perubahan anomali pada distribusi leakage dapat dideteksi secara akurat dan cepat, meningkatkan efisiensi perbaikan.

2. Pump Flow Rate Test

• Proses: Mengukur kapasitas maksimum aliran pompa.
• Tantangan: Distribusi data cenderung asimetri, mengindikasikan adanya ketidaksesuaian antara kapasitas aktual dan spesifikasi.
• Hasil: Mann-Whitney U Chart berhasil mendeteksi pergeseran distribusi lokasi yang sebelumnya tidak teridentifikasi oleh metode klasik.

 

Temuan Kunci dan Statistik Pendukung

1. RS/P Chart (Phase I)
   • Mampu mendeteksi berbagai jenis perubahan distribusi.
   • Probabilitas deteksi tertinggi di antara metode lain dalam simulasi yang dilakukan.
   • Mudah diinterpretasi, memudahkan praktisi lapangan dalam pengambilan keputusan.
2. Mann-Whitney U Statistic & Mood’s Test (Phase II)
   • Mann-Whitney U Statistic efektif mendeteksi perubahan lokasi.
   • Mood’s Test berfokus pada dispersion changes atau perubahan dalam variansi.
3. Change-Point Model (Cramer-Von Mises)
   • Kecepatan deteksi lebih tinggi, namun dengan false alarm rate yang juga lebih tinggi.
   • Butuh pengetahuan lanjutan untuk interpretasi, sehingga cocok untuk praktisi ahli.

 

Analisis Tambahan: Kelebihan dan Kekurangan Non-parametric SPC

Kelebihan

• Fleksibilitas tinggi, ideal untuk proses dengan volume produksi kecil.
• Robust terhadap outlier dan distribusi non-normal.
• Visualisasi data sederhana, meningkatkan pemahaman operator.

Kekurangan

• Tingkat interpretasi lebih rumit dibandingkan chart klasik seperti Shewhart.
• Tingkat false alarm bisa lebih tinggi jika tidak dikalibrasi dengan baik.
• Memerlukan pelatihan tambahan bagi operator yang terbiasa dengan metode klasik.

 

Relevansi dan Implikasi di Era Industri 4.0

Penelitian ini sangat relevan dalam konteks Industri 4.0, di mana data driven manufacturing menjadi kunci keberhasilan. Non-parametric SPC melengkapi IoT dan Big Data Analytics, terutama dalam:

• Predictive Maintenance
  Menggunakan control charts non-parametrik untuk mendeteksi anomali peralatan lebih dini.
• Real-time Monitoring
  Phase II charts memungkinkan analisis secara langsung, mempercepat tindakan perbaikan.

 

Kritik dan Saran: Menggali Lebih Dalam Potensi Non-parametric SPC

Kritik

• Paper ini belum membahas integrasi SPC non-parametrik dengan sistem otomatisasi berbasis AI/ML, yang semakin populer di manufaktur modern.
• Fokus hanya pada proses spesifik di GE Healthcare, sehingga generalizability ke industri lain masih perlu diuji lebih lanjut.

Saran Pengembangan

• Integrasi dengan Machine Learning
  Model non-parametrik SPC dapat digunakan sebagai fitur dalam algoritma prediktif untuk Continuous Quality Improvement (CQI).
• Pengembangan Software Tools
  Pembuatan aplikasi berbasis Python/R untuk visualisasi real-time dari RS/P dan Mann-Whitney Charts.

 

Kesimpulan: Non-parametric SPC, Solusi Masa Depan untuk Kualitas Produksi

Penelitian Daniel Lanhede membuktikan bahwa Non-parametric SPC adalah alternatif andal bagi industri manufaktur dengan variasi data tinggi dan volume produksi rendah. Implementasi metode seperti RS/P Chart, Mann-Whitney, dan Mood’s Test membuka jalan bagi manufaktur presisi tinggi, bahkan dalam kondisi paling menantang.

Mengapa SPC Jadi Kebutuhan Mendesak Industri Garmen Saat Ini?

Di era persaingan global yang makin sengit, industri garmen dihadapkan pada tantangan berat: bagaimana menjaga kualitas produk tetap konsisten, sekaligus menekan biaya produksi. Terutama di lini jahitan, di mana pekerjaan sebagian besar masih bersifat manual, risiko terjadinya cacat produksi sangat tinggi. Di sinilah Statistical Process Control (SPC) mengambil peran penting. Bukan sekadar alat statistik, SPC merupakan pendekatan sistematis untuk mengendalikan dan meningkatkan proses produksi secara berkelanjutan.

Penelitian yang dilakukan oleh Mulat Alubel Abtew dan timnya dalam artikel berjudul "Implementation of Statistical Process Control (SPC) in the Sewing Section of Garment Industry for Quality Improvement" membuktikan bahwa SPC mampu memberikan dampak nyata bagi peningkatan kualitas di industri garmen. Studi ini berfokus pada implementasi SPC di lini jahitan Silver Spark Apparel Limited (SSAL), sebuah perusahaan garmen besar yang menjadi bagian dari Raymond Group di India.

 

Mengenal Silver Spark Apparel Limited (SSAL): Lokasi Studi Implementasi SPC

SSAL bukan pemain baru dalam dunia fashion. Perusahaan ini sudah menjadi pemasok utama merek internasional seperti Calvin Klein, Levi’s, GAP, bahkan menyediakan seragam untuk maskapai seperti Qatar Airways dan Jet Airways. Dengan 85% produksi mereka diekspor, menjaga standar kualitas internasional adalah harga mati.

Namun, meski sudah menerapkan berbagai sistem kontrol kualitas, bagian jahitan mereka masih menghadapi tantangan. Tingkat cacat di lini produksi celana formal (trouser line) SSAL mencapai angka yang cukup tinggi, yakni 9,14% selama empat bulan sebelum penerapan SPC. Di tengah tuntutan efisiensi dan kualitas premium, angka tersebut jelas menjadi alarm.

Langkah-Langkah Implementasi SPC di SSAL: Dari Teori ke Praktik Nyata

Untuk menjawab tantangan tersebut, tim peneliti menerapkan SPC di lini produksi celana formal SSAL, khususnya di Line-2, yang memproduksi sekitar 950 celana setiap hari. Fokus utama mereka adalah menekan variasi dalam proses jahitan, baik yang bersifat umum maupun khusus.

1. Mengidentifikasi Titik-Titik Kritis

Langkah pertama adalah mengenali parameter-parameter kualitas yang paling sering menyebabkan kecacatan produk. Misalnya, pengukuran pinggang yang meleset, jahitan pada bagian lutut yang tidak rapi, hingga pemasangan saku belakang yang tidak presisi. Ini adalah langkah fundamental agar penerapan SPC tepat sasaran.

2. Penentuan Titik Pemeriksaan Strategis

Setelah mengetahui parameter kritis, tim kemudian menentukan tiga titik pemeriksaan utama dalam alur produksi. Titik-titik ini ditempatkan pada tahap awal (preparatory section), di tengah proses (inline section), dan di akhir proses (end line section). Titik-titik ini memungkinkan deteksi dini terhadap potensi cacat sebelum produk bergerak ke tahap berikutnya.

3. Pengumpulan Data dan Penggunaan Control Chart

Data dikumpulkan secara konsisten, dengan pengambilan sampel setiap satu jam. Pengukuran yang bersifat variabel, seperti ukuran pinggang dan panjang celana, dianalisis menggunakan X-bar dan R chart. Sementara itu, cacat yang bersifat atribut, seperti jahitan lepas atau label yang terpasang miring, dianalisis dengan C-chart.

4. Tindakan Korektif Berjenjang

Begitu data menunjukkan adanya penyimpangan dari batas kendali yang telah ditetapkan, tim quality control segera mengambil tindakan korektif. Jika masalahnya sederhana, misalnya kesalahan operator, maka perbaikan bisa langsung dilakukan di tempat. Namun, jika permasalahan lebih kompleks—seperti kerusakan mesin atau desain proses yang kurang optimal—maka laporan diteruskan ke manajemen untuk penanganan lanjutan.

 

Hasil yang Dicapai: SPC Bukan Sekadar Teori, Tapi Solusi Nyata

Implementasi SPC selama empat bulan menunjukkan hasil yang menggembirakan. Tingkat produk cacat di lini jahitan celana formal turun dari 9,14% menjadi 6,4%. Penurunan ini tidak hanya berdampak pada efisiensi produksi, tetapi juga meningkatkan kepercayaan pelanggan. Klien-klien internasional SSAL, yang menuntut presisi tinggi, mendapat produk dengan kualitas yang lebih konsisten.

Selain itu, operator produksi mulai menunjukkan pemahaman yang lebih baik terhadap pentingnya menjaga kualitas sejak awal. Mereka tidak lagi menunggu inspeksi akhir untuk menemukan kesalahan, melainkan proaktif memantau dan memperbaiki proses di setiap langkah.

 

Analisis Lebih Dalam: Apa yang Bisa Kita Pelajari dari Studi Kasus Ini?

Keunggulan Pendekatan Manual di Awal Implementasi

SSAL memulai implementasi SPC dengan metode manual, yaitu mencatat data di kertas grafik. Pendekatan ini terbukti efektif untuk tahap awal, karena memungkinkan para operator memahami konsep dasar SPC secara praktis. Namun, di era digital, pendekatan ini sebaiknya menjadi batu loncatan menuju sistem otomatis berbasis software, yang lebih efisien dan minim human error.

Keterlibatan SDM Jadi Kunci Utama

Keberhasilan SPC di SSAL tidak terlepas dari keterlibatan aktif karyawan, mulai dari operator hingga manajemen. Tanpa komitmen dari semua pihak, SPC hanya akan menjadi formalitas tanpa hasil nyata. Penelitian ini menegaskan bahwa pendidikan dan pelatihan intensif mengenai SPC adalah investasi utama.

SPC di Industri 4.0: Potensi yang Belum Dioptimalkan

Saat ini, banyak perusahaan manufaktur di sektor lain, seperti otomotif dan elektronik, sudah mengintegrasikan SPC dengan teknologi Industri 4.0. Misalnya, penggunaan sensor IoT untuk pengambilan data real-time, atau software berbasis AI untuk prediksi kegagalan produksi. Industri garmen, termasuk SSAL, masih punya peluang besar untuk mengejar ketertinggalan ini.

 

Kritik dan Tantangan yang Perlu Diatasi

Meskipun hasilnya positif, implementasi SPC di SSAL tidak tanpa tantangan. Salah satu kendala terbesar adalah resistensi terhadap perubahan, terutama di kalangan operator yang sudah terbiasa dengan metode konvensional. Selain itu, keterbatasan akurasi dalam pengukuran variabel (misalnya ukuran pinggang atau panjang inseam) juga kerap menjadi sumber masalah di awal penerapan.

Keterbatasan lain adalah kurangnya sistem umpan balik yang cepat dari data SPC manual. Ini membuat tindakan korektif kadang terlambat dilakukan. Oleh karena itu, perusahaan perlu mempertimbangkan penggunaan software SPC di masa mendatang untuk mempercepat alur informasi.

 

Rekomendasi Praktis bagi Industri Garmen Lainnya

Dari studi kasus SSAL, ada beberapa pelajaran penting yang bisa diadopsi oleh industri garmen lainnya, terutama di negara berkembang seperti Indonesia:

1. Mulailah dari Hal Sederhana, lalu Bertahap ke Sistem Lanjutan
   Penerapan SPC manual bisa menjadi pintu masuk yang efektif sebelum melangkah ke sistem berbasis software.
2. Libatkan Semua Level Organisasi
   Dari manajemen puncak hingga operator produksi, semua harus memahami peran mereka dalam sistem SPC.
3. Investasikan pada Pelatihan Berkelanjutan
   Seperti kata Kaoru Ishikawa, kualitas dimulai dan diakhiri dengan pendidikan. Pelatihan intensif tentang konsep SPC harus menjadi agenda rutin.
4. Gunakan Data untuk Mengambil Keputusan, Bukan Sekadar Dokumentasi
   SPC bukan hanya alat pencatat cacat, tetapi sistem deteksi dini yang harus diintegrasikan ke dalam pengambilan keputusan manajerial.

 

Kesimpulan: SPC adalah Pilar Utama Menuju Produksi Garmen Berkualitas Tinggi

Penelitian Mulat Alubel Abtew dan timnya di SSAL menunjukkan bahwa Statistical Process Control bukan sekadar teori, tetapi strategi praktis yang terbukti meningkatkan kualitas produk dan efisiensi proses produksi. Dengan penerapan yang konsisten dan dukungan SDM yang terlatih, SPC memungkinkan perusahaan garmen tidak hanya menurunkan tingkat cacat produksi, tetapi juga meningkatkan daya saing di pasar global.

Namun, keberhasilan ini tidak akan terjadi tanpa komitmen manajemen dan investasi pada pendidikan serta teknologi. Di tengah transformasi industri menuju digitalisasi dan otomatisasi, SPC akan menjadi pondasi penting untuk menciptakan ekosistem produksi garmen yang lebih adaptif, presisi, dan berkelanjutan.

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.
  🔗 IJFS E-ISSN: 2621-6728