Quality Control adalah serangkaian aktivitas dan prosedur yang memiliki tujuan untuk memastikan bahwa produk yang dihasilkan telah memenuhi kriteria tertentu sehingga mampu memenuhi ekspektasi pelanggan. Di tengah perkembangan industri, quality control merupakan tahapan penting yang turut mempengaruhi kualitas dan efisiensi suatu perusahaan. Salah satu metode quality control yang kerap digunakan adalah Statistical Process Control (SPC) [1]. Secara umum, SPC adalah pendekatan yang digunakan dalam industri untuk mengontrol dan meningkatkan proses produksi secara terus-menerus dengan menggunakan konsep dan teknik statistik. SPC bertujuan untuk memastikan bahwa setiap proses berjalan secara konsisten dan menghasilkan produk atau layanan yang memenuhi standar kualitas yang ditetapkan, atau dengan kata lain melibatkan pengumpulan dan analisis data dari proses produksi untuk memantau kinerja proses tersebut seiring waktu [2]. Alat quality management tradisional menurut “The Handbook for Quality Management, Second Edition” oleh Paul Keller dan Thomas Pyzdek terdiri atas, Control chart, Pareto diagram, histogram, scatter diagram, flow chart, cause and effect diagram, check sheet, dan design of experiment [3].

Penerapan quality control bukan merupakan kegiatan yang mudah. Dalam pelaksanaannya banyak tantangan yang harus dihadapi untuk memastikan produk yang dihasilkan konsisten memenuhi ekspektasi pelanggan. Meskipun sulit, quality control yang diterapkan dengan baik pada suatu perusahaan dapat membantu perusahaan mempertahankan reputasi dan meningkatkan pasar.[4]

Deep learning dan Computer Vision pada Quality Control

  Metode quality control traditional melibatkan sumber daya manusia sebagai inspektor dan sistem sederhana yang terintegrasi dengan standar manual perusahaan. Meskipun efektif dalam banyak kasus, metode quality control traditional tidak dapat digunakan dengan efektif pada kasus khusus yang membutuhkan tingkat ketelitian tinggi, ataupun produksi jumlah besar yang membutuhkan pemantauan kualitas secara terus-menerus dalam jangka waktu yang lama.[5] Deep learning dan computer vision adalah dua teknologi utama dalam pengembangan sistem yang dapat meningkatkan efisiensi dan akurasi dalam berbagai aplikasi industri. Deep learning sebagai cabang dari kecerdasan buatan (AI) mampu menganalisis data dalam jumlah besar dan membuat prediksi atau keputusan otomatis.Dalam konteks industri, deep learning digunakan untuk mengembangkan model pengenalan pola tertentu dalam data yang dihasilkan oleh sensor/gambar dengan tingkat akurasi yang tinggi. Sementara itu, computer vision adalah bidang dalam AI yang memungkinkan komputer untuk “melihat” dan memproses gambar atau video, serta mengekstrak informasi yang berguna dari visual tersebut [5].

Deep learning dan computer vision dalam sistem pengendalian kualitas digunakan untuk menginspeksi visual produk dengan cara menganalisis gambar produk yang telah melalui proses produksi dan memastikan bahwa produk tersebut sesuai dengan standar visual yang telah ditetapkan. Integrasi antara teknologi IoT dengan deep learning dan computer vision juga memungkinkan sistem quality control untuk meningkatkan akurasi identifikasi cacat produk, monitoring dan pemberian feedback secara real-time, hingga mengefektiftan biaya produksi yang dibutuhkan.

Meningkatkan akurasi identifikasi cacat produk 

Salah satu kelebihan signifikan dari penggunaan sistem deep learning dan computer vision dalam quality control adalah kemampuannya untuk mendeteksi cacat terkecil dalam produk, yang sering kali sulit terdeteksi dengan metode tradisional yang mengandalkan pengamatan manual. Teknologi ini sangat penting dalam industri manufaktur, di mana tingkat akurasi yang tinggi diperlukan untuk memastikan produk memenuhi standar kualitas yang ketat. Dengan demikian, deep learning dan computer vision dapat meminimalkan jumlah produk cacat dan memastikan konsistensi kualitas produk secara lebih efektif dibandingkan dengan inspeksi manual [6].

Pengaplikasian deep learning dan computer vision juga mampu mengurangi risiko human error yang tidak dapat  terhindari dalam proses inspeksi manual, terutama dalam produksi skala besar dengan volume produk yang tinggi. Dengan mengotomasi proses inspeksi, perusahaan tidak hanya dapat meningkatkan akurasi dan efisiensi, tetapi juga memastikan bahwa setiap produk yang dihasilkan sesuai dengan spesifikasi yang diinginkan, mengurangi kerugian akibat cacat produk, yang pada akhirnya mampu meningkatkan kepuasan  pelanggan. Sistem ini juga dapat diterapkan dalam produksi skala besar, karena kemampuannya untuk dapat bekerja secara terus-menerus dalam jangka panjang dengan hasil yang konsisten, sehingga dapat mempercepat waktu produksi.

 

Monitoring dan pemberian feedback secara real-time

Penerapan sistem deep learning dan computer vision dalam quality control memungkinkan terjadinya real-time monitoring dan feedback selama proses produksi berlangsung. Data berupa gambar/scan akan melalui proses analisis berkelanjutan  mendeteksi permasalahan sejak dini. Dengan kemampuan ini, proses produksi dapat disesuaikan secara langsung, sehingga mencegah potensi cacat menjadi m asalah yang lebih besar. [7]

Meningkatkan efektivitas biaya produksi 

Integrasi antara deep learning dan computer vision mempu membuat proses inspeksi menjadi lebih cepat dan akurat dengan adanya pengurangan total kesalahan manusia yang kerap terjadi dalam proses pemeriksaan manual. . Hal ini  memegang peran penting dalam proses produksi untuk memastikan produk yang dihasilkan bebas dari cacat, meningkatkan kepuasan pelanggan, serta mengurangi biaya dan waktu yang dibutuhkan untuk perbaikan atau pengembalian produk. Penerapan deep learning dan computer vision dalam quality control juga memungkinkan sistem untuk bekerja secara terus-menerus dan konsisten dalam skala besar, memastikan uniformitas kualitas produk dalam jangka panjang.

 

Referensi:

[1] Islam, M. R., Zamil, M. Z. H., Rayed, M. E., Kabir, M. M., Mridha, M. F., Nishimura, S., & Shin, J. (2024). Deep learning and computer vision techniques for enhanced quality control in manufacturing processes. IEEE Access, 12, 121449–121479. https://doi.org/10.1109/access.2024.3453664

[2] Indonesia Productivity & Quality Institute. (2024, April 3). Mengenal Statistical Process Control: pengertian, manfaat, metode, dan contohnya. https://ipqi.org/. Retrieved November 25, 2024, from https://ipqi.org/mengenal-statistical-process-control-pengertian-manfaat-metode-dan-contohnya/

[3] Keller, P. A., & Pyzdek, T. (2013). The Handbook for Quality Management, Second Edition: A Complete Guide to Operational Excellence. McGraw-Hill Education.

[4] Hariyanto, A. (2023, May 12). Pentingnya Quality Control untuk Meningkatkan Kualitas Produk pada Industri. Fakultas Teknologi Maju Dan Multidisiplin | Universitas Airlangga. https://ftmm.unair.ac.id/pentingnya-quality-control-untuk-meningkatkan-kualitas-produk-pada-industri/

[5] Riani, L. P., & Ramadhan, A. N. (2020). Implementasi 4QC Tools dan IOT sebagai pengendali kegagalan produk usaha Batik Fendy, Klaten. Abiwara Jurnal Vokasi Administrasi Bisnis, 2(1), 14–26. https://doi.org/10.31334/abiwara.v2i1.1051

[6]Jurnal Teknologi Terpadu. (n.d.). https://journal.nurulfikri.ac.id/index.php/jtt

[7] Banús, N., Boada, I., Xiberta, P. et al. Deep learning for the quality control of thermoforming food packages. Sci Rep 11, 21887 (2021). https://doi.org/10.1038/s41598-021-01254-x