![\"\"](\"https:\/\/online.binus.ac.id\/industrial-engineering\/wp-content\/uploads\/sites\/7\/2025\/01\/Artikel-BiOn-1-300x134.jpg\")
<\/p>\n<\/p>\n
Quality Control\u00a0<\/i>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<\/i>\u00a0merupakan tahapan penting yang turut mempengaruhi kualitas dan efisiensi suatu perusahaan. Salah satu metode quality control yang kerap digunakan adalah\u00a0Statistical Process Control<\/i>\u00a0(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 \u201cThe Handbook for Quality Management, Second Edition\u201d<\/i>\u00a0oleh 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].<\/p>\n
Penerapan\u00a0quality control<\/i>\u00a0bukan merupakan kegiatan yang mudah. Dalam pelaksanaannya banyak tantangan yang harus dihadapi untuk memastikan produk yang dihasilkan konsisten memenuhi ekspektasi pelanggan. Meskipun sulit,\u00a0quality control<\/i>\u00a0yang diterapkan dengan baik pada suatu perusahaan dapat membantu perusahaan mempertahankan reputasi dan meningkatkan pasar.[4]<\/p>\n
Deep learning<\/i><\/b>\u00a0dan\u00a0<\/b>Computer Vision<\/i><\/b>\u00a0pada\u00a0<\/b>Quality Control<\/i><\/b><\/p>\n
\u00a0<\/b>\u00a0Metode\u00a0quality control\u00a0<\/i>traditional melibatkan sumber daya manusia sebagai inspektor dan sistem sederhana yang terintegrasi dengan standar manual perusahaan. Meskipun efektif dalam banyak kasus, metode\u00a0quality control<\/i>\u00a0traditional 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\u00a0learning<\/i>\u00a0dan\u00a0computer vision<\/i>\u00a0adalah dua teknologi utama dalam pengembangan sistem yang dapat meningkatkan efisiensi dan akurasi dalam berbagai aplikasi industri.\u00a0Deep learning<\/i>\u00a0sebagai 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 \u201cmelihat\u201d dan memproses gambar atau video, serta mengekstrak informasi yang berguna dari visual tersebut [5].<\/p>\n
Deep learning<\/i>\u00a0dan\u00a0computer vision<\/i>\u00a0dalam 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\u00a0deep learning<\/i>\u00a0dan\u00a0computer vision\u00a0<\/i>juga memungkinkan sistem\u00a0quality control\u00a0<\/i>untuk meningkatkan akurasi identifikasi cacat produk, monitoring dan pemberian\u00a0feedback<\/i>\u00a0secara\u00a0real-time<\/i>, hingga mengefektiftan biaya produksi yang dibutuhkan.<\/p>\n
Meningkatkan akurasi identifikasi cacat produk\u00a0<\/b><\/p>\n
Salah satu kelebihan signifikan dari penggunaan sistem\u00a0deep learning<\/i>\u00a0dan\u00a0computer vision<\/i>\u00a0dalam\u00a0quality control<\/i>\u00a0adalah 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,\u00a0deep learning<\/i>\u00a0dan\u00a0computer vision<\/i>\u00a0dapat meminimalkan jumlah produk cacat dan memastikan konsistensi kualitas produk secara lebih efektif dibandingkan dengan inspeksi manual [6].<\/p>\n
Pengaplikasian\u00a0deep learning<\/i>\u00a0dan\u00a0computer vision<\/i>\u00a0juga mampu mengurangi risiko\u00a0human error<\/i>\u00a0yang tidak dapat\u00a0 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\u00a0 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.<\/p>\n
<\/p>\n
Monitoring<\/i><\/b>\u00a0dan pemberian<\/b>\u00a0feedback\u00a0<\/i><\/b>secara<\/b>\u00a0real-time<\/i><\/b><\/p>\n
Penerapan sistem\u00a0deep learning<\/i>\u00a0dan\u00a0computer vision\u00a0<\/i>dalam\u00a0quality control\u00a0<\/i>memungkinkan terjadinya real-time monitoring dan feedback selama proses produksi berlangsung. Data berupa gambar\/scan akan melalui proses analisis berkelanjutan\u00a0 mendeteksi permasalahan sejak dini. Dengan kemampuan ini, proses produksi dapat disesuaikan secara langsung, sehingga mencegah potensi cacat menjadi m\u00a0asalah yang lebih besar. [7]<\/p>\n
Meningkatkan efektivitas biaya produksi\u00a0<\/b><\/p>\n
Integrasi antara\u00a0deep learning<\/i>\u00a0dan 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\u00a0 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.<\/p>\n
<\/p>\n
Referensi:<\/b><\/p>\n
[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.\u00a0IEEE Access<\/i>,\u00a012<\/i>, 121449\u2013121479.\u00a0https:\/\/doi.org\/10.1109\/access.2024.3453664<\/a><\/p>\n [2] Indonesia Productivity & Quality Institute. (2024, April 3).\u00a0Mengenal Statistical Process Control: pengertian, manfaat, metode, dan contohnya<\/i>. https:\/\/ipqi.org\/. Retrieved November 25, 2024, from\u00a0https:\/\/ipqi.org\/mengenal-statistical-process-control-pengertian-manfaat-metode-dan-contohnya\/<\/a><\/p>\n [3] Keller, P. A., & Pyzdek, T. (2013).\u00a0The Handbook for Quality Management, Second Edition: A Complete Guide to Operational Excellence<\/i>. McGraw-Hill Education.<\/p>\n [4] Hariyanto, A. (2023, May 12).\u00a0Pentingnya Quality Control untuk Meningkatkan Kualitas Produk pada Industri<\/i>. Fakultas Teknologi Maju Dan Multidisiplin | Universitas Airlangga.\u00a0https:\/\/ftmm.unair.ac.id\/pentingnya-quality-control-untuk-meningkatkan-kualitas-produk-pada-industri\/<\/a><\/p>\n [5] Riani, L. P., & Ramadhan, A. N. (2020). Implementasi 4QC Tools dan IOT sebagai pengendali kegagalan produk usaha Batik Fendy, Klaten.\u00a0Abiwara Jurnal Vokasi Administrasi Bisnis<\/i>,\u00a02<\/i>(1), 14\u201326.\u00a0https:\/\/doi.org\/10.31334\/abiwara.v2i1.1051<\/a><\/p>\n [6]Jurnal Teknologi Terpadu<\/i>. (n.d.).\u00a0https:\/\/journal.nurulfikri.ac.id\/index.php\/jtt<\/a><\/p>\n