QC Inspection IQC, IPQC, dan OQC: Di Titik Mana Kamera AI Paling Berdampak?

Tiga Gerbang Kualitas di Setiap Pabrik

Hampir semua sistem mutu manufaktur membagi QC inspection menjadi tiga gerbang:

• IQC (Incoming Quality Control): memeriksa bahan baku dan komponen dari supplier sebelum masuk gudang atau lini.
• IPQC (In-Process Quality Control): memeriksa produk di tengah proses — setelah mesin, stasiun rakit, atau tahap tertentu.
• OQC (Outgoing Quality Control): pemeriksaan akhir sebelum barang dikemas dan dikirim ke pelanggan.

Saat merencanakan kamera AI, pertanyaan pertama yang sering muncul adalah "pasang di mana dulu?". Jawabannya jarang "di ketiganya sekaligus". Tiap gerbang punya karakter cacat, volume, dan nilai ekonomi yang berbeda.

Perbandingan Singkat

IQC: Menyaring Masalah dari Supplier

Di IQC, inspeksi biasanya berbasis sampel per kedatangan. Kamera AI paling berguna untuk pekerjaan yang repetitif dan mudah salah baca: mencocokkan label, part number, dan kode lot dengan dokumen pengiriman lewat OCR pada AI camera, atau memeriksa cacat visual sederhana pada komponen yang datang dalam jumlah besar.

Tantangannya, tampilan komponen bisa berbeda antar-supplier meski spesifikasinya sama. Masukkan contoh dari setiap supplier ke dataset sejak awal — panduannya ada di dataset & anotasi untuk QC inspection AI. Logika kapan cukup sampling dan kapan perlu inspeksi penuh dibahas di sampling AQL vs inspeksi 100%.

IPQC: Titik dengan Umpan Balik Tercepat

Untuk sebagian besar pabrik, IPQC adalah titik dengan dampak terbesar. Alasannya sederhana: cacat yang tertangkap tepat setelah mesin belum diberi nilai tambah oleh proses berikutnya, dan penyebabnya masih "hangat". Kalau kamera mendeteksi short shot berturut-turut di mesin molding, operator bisa menyetel ulang mesin dalam hitungan menit, bukan setelah satu palet barang jadi ditolak — contohnya di QC inspection injection molding.

Syaratnya, stasiun IPQC harus menyatu dengan lini: trigger dari sensor posisi, waktu proses di bawah takt time, dan sinyal NG ke reject gate atau andon. Detail teknisnya ada di camera vision di conveyor cepat dan integrasi AI inspection ke PLC.

OQC: Garis Pertahanan Terakhir

OQC melindungi hubungan dengan pelanggan. Pemeriksaan yang cocok untuk kamera AI di sini adalah yang menyangkut kelengkapan dan identitas: label benar, tanggal kedaluwarsa terbaca, jumlah isi sesuai, aksesori tidak tertinggal. Contoh penerapannya ada di smart inspection industri makanan & minuman.

Nilai tambah lain dari OQC adalah bukti. Nirmana VisionAI menyimpan setiap hasil OK/NG beserta foto beranotasi, sehingga saat ada klaim, tim QC bisa menunjukkan kondisi produk ketika keluar dari pabrik.

Namun, mengandalkan OQC saja itu mahal: cacat yang baru ketahuan di ujung berarti seluruh biaya produksinya sudah terpakai.

Cara Menentukan Prioritas

Gunakan tiga pertanyaan berikut untuk tiap kandidat titik inspeksi:

1. Berapa biaya satu cacat yang lolos dari titik ini? Hitung scrap, rework, dan risiko klaim — kerangkanya ada di biaya & ROI QC inspection AI.
2. Apakah cacatnya terlihat jelas oleh kamera 2D? Jika manusia butuh menyentuh, memutar, atau mengukur kedalaman, titik ini bukan kandidat pertama.
3. Seberapa cepat temuan bisa dipakai untuk memperbaiki proses? Semakin dekat ke sumber cacat, semakin besar nilainya.

Data reject yang sudah ada sangat membantu: buat Pareto data reject dan lihat di tahap mana cacat terbanyak sebenarnya lahir.

Pola yang Sering Berhasil

Banyak pabrik memulai dari satu stasiun IPQC pada mesin dengan reject tertinggi, lalu menambah satu stasiun OQC untuk verifikasi label dan kelengkapan. IQC menyusul ketika ada masalah supplier yang berulang. Pola ini sejalan dengan roadmap pilot project 30 hari.

Selama pilot, ukur kinerja tiap titik secara terpisah dengan metrik false reject dan escape, agar keputusan perluasan didasarkan data, bukan kesan.

Siap memilih titik pertama? Lihat paket & edisi Nirmana VisionAI dan mulai dari satu stasiun inspeksi on-premise.