Analisis Data QC Inspection: Dari Data Reject ke Pareto dan Root Cause

Data Reject yang Hanya Berakhir di Tempat Sampah

Banyak pabrik sudah memasang QC inspection otomatis, tetapi datanya berhenti di satu angka: berapa unit NG hari ini. Produk cacat disisihkan, lini tetap jalan, dan besok cacat yang sama muncul lagi. Padahal sistem inspeksi yang memeriksa setiap unit sebenarnya sedang mengumpulkan data proses paling lengkap yang dimiliki pabrik — lengkap dengan waktu, jenis cacat, dan foto bukti.

Nilai terbesar kamera AI bukan sekadar menyisihkan produk cacat, melainkan membantu tim menjawab pertanyaan yang lebih penting: kenapa cacat itu terjadi, dan bagaimana mencegahnya?

Data Apa Saja yang Perlu Dicatat per Unit

Agar bisa dianalisis, setiap hasil inspeksi minimal membawa informasi berikut:

Kolom lini/mesin/lot sering terlupakan, padahal tanpa itu data reject hanya bisa menjawab "berapa", bukan "di mana". Kalau informasi itu ada di PLC atau MES, tarik ke hasil inspeksi lewat integrasi ke PLC, MES, dan ERP.

Diagram Pareto: Mulai dari Cacat Terbesar

Langkah analisis pertama hampir selalu diagram Pareto: urutkan jenis cacat berdasarkan jumlah, lalu lihat persentase kumulatifnya. Di kebanyakan lini, dua atau tiga jenis cacat menyumbang sekitar 70-80% dari total reject.

Hasilnya sederhana tetapi berdampak: tim tidak lagi membagi perhatian ke sepuluh masalah sekaligus, melainkan fokus pada satu atau dua penyebab utama. Tips praktis:

• Pisahkan Pareto per lini atau per produk. Gabungan semua lini sering menyembunyikan masalah spesifik satu mesin.
• Pakai bobot biaya bila perlu. Seratus gores kosmetik bisa lebih murah daripada lima tutup bocor yang berujung klaim.
• Perbarui mingguan. Setelah cacat nomor satu teratasi, urutan berubah dan fokus pindah ke cacat berikutnya.

Tren per Jam dan per Shift

Pareto menjawab "apa", tren waktu menjawab "kapan". Plot OK-rate per jam dan pola yang umum langsung terlihat:

1. Turun setelah change-over — setting awal belum stabil atau resep inspeksi salah pilih; lihat smart inspection di pabrik multi-SKU.
2. Turun bertahap sepanjang shift — keausan tool, suhu mesin naik, atau material menumpuk di cetakan, pola yang sering ditemui di injection molding.
3. Lonjakan mendadak — satu kejadian spesifik: nozzle tersumbat, gulungan label baru, atau batch bahan baku berbeda.
4. Beda antar shift — prosedur operator, setting mesin, atau kondisi cahaya siang dan malam yang berbeda.

Untuk pemantauan rutin, gunakan p-chart (proporsi cacat per periode) dengan batas kontrol statistik. Titik di luar batas kontrol adalah sinyal untuk berhenti dan menyelidiki, bukan sekadar variasi normal.

Waspadai Bias dari Sistem Inspeksi Itu Sendiri

Sebelum menyimpulkan proses bermasalah, pastikan perubahan angka memang berasal dari produk, bukan dari kamera:

• Lonjakan false reject setelah lampu diganti atau lensa bergeser bisa terlihat seperti lonjakan cacat. Cek foto NG-nya — kalau produknya terlihat bagus, masalahnya di sistem inspeksi. Dasarnya ada di panduan pencahayaan camera vision.
• OK-rate naik perlahan belum tentu kabar baik; bisa jadi model mulai meloloskan cacat karena drift model AI visual.
• Threshold diubah di tengah periode membuat data sebelum dan sesudahnya tidak sebanding. Catat setiap perubahan setting beserta tanggalnya.

Karena itu, audit rutin terhadap false reject dan escape rate sama pentingnya dengan analisis cacat produk.

Dari Data ke Root Cause Analysis

Data reject memberi arah, bukan jawaban akhir. Alur yang biasa dipakai tim QC:

1. Pilih satu cacat teratas dari Pareto minggu ini.
2. Lokalisasi dengan memfilter per lini, mesin, cavity, dan jam.
3. Buka foto-foto NG-nya bersama tim produksi. Pola visual — posisi gores selalu di sisi yang sama, misalnya — sering langsung menunjuk ke komponen mesin tertentu.
4. Susun hipotesis dengan diagram fishbone atau 5 Why.
5. Lakukan perbaikan, lalu buktikan dengan data — OK-rate setelah perbaikan harus berbeda nyata dari sebelumnya, bukan sekadar "rasanya membaik".

Foto yang dikumpulkan di proses ini juga menjadi bahan dataset & anotasi untuk memperkuat model di iterasi berikutnya.

Menghitung Nilai Perbaikan Proses

Penghematan dari analisis data sering lebih besar daripada penghematan dari inspeksi itu sendiri. Kamera yang menyisihkan 2% produk cacat menyelamatkan pelanggan dari cacat tersebut; perbaikan proses yang menurunkan cacat dari 2% menjadi 0,5% menyelamatkan material, jam mesin, dan biaya sortir ulang. Masukkan kedua komponen ini saat menghitung biaya & ROI QC inspection AI.

Mulai dari Rapat Mingguan 30 Menit

Tidak perlu sistem analitik yang rumit untuk memulai. Jadwalkan rapat mingguan singkat antara QC dan produksi: tampilkan Pareto minggu ini, tren OK-rate per shift, dan lima foto NG yang paling representatif. Tetapkan satu tindakan perbaikan, lalu cek hasilnya minggu berikutnya. Kalau belum punya sistem inspeksi sama sekali, mulailah dari roadmap pilot project 30 hari.

Nirmana VisionAI berjalan on-premise dan mencatat setiap hasil OK/NG beserta foto beranotasi dan statistik OK-rate di server pabrik, sehingga data untuk analisis selalu ada di tangan Anda. Lihat paket lisensi Nirmana VisionAI untuk mulai mengubah data reject menjadi perbaikan proses.