QC Inspection Sampling AQL vs Inspeksi 100%: Kapan Kamera AI Mengambil Alih?

Dua Pertanyaan yang Berbeda

Hampir semua departemen QC inspection mengenal tabel AQL (Acceptance Quality Limit): ambil sejumlah sampel dari satu lot, hitung cacatnya, lalu putuskan lot diterima atau ditolak. Metode ini dibakukan di ISO 2859-1 (setara ANSI/ASQ Z1.4) dan menjadi bahasa bersama antara pabrik, buyer, dan inspektor pihak ketiga.

Masalahnya, sampling dan inspeksi 100% menjawab pertanyaan yang berbeda. Sampling menjawab "apakah lot ini secara umum memenuhi tingkat mutu yang disepakati?" Inspeksi 100% menjawab "apakah unit ini boleh dikirim?" Memahami perbedaan ini adalah kunci memutuskan di mana kamera AI benar-benar memberi nilai.

Cara Kerja Sampling AQL dalam Satu Contoh

Misalkan satu lot berisi 5.000 unit dengan general inspection level II. Tabel ISO 2859-1 memberi kode huruf L, artinya 200 sampel. Dengan AQL 2,5 untuk cacat mayor, lot diterima bila cacat yang ditemukan paling banyak 10, dan ditolak bila 11 atau lebih.

Yang sering dilupakan: AQL bukan batas maksimum cacat di dalam lot. Lot yang sebenarnya mengandung 5% cacat — dua kali AQL — masih punya peluang sekitar 58% lolos dengan rencana sampling di atas. Dan saat lot diterima, 4.800 unit yang tidak diperiksa ikut terkirim beserta semua cacatnya.

Bagi banyak produk, itu risiko yang wajar dan memang disepakati. Bagi produk lain, satu unit cacat di tangan pelanggan sudah terlalu mahal.

Perbandingan Sampling AQL dan Inspeksi 100% dengan AI

Kolom kanan tidak otomatis menang. Kamera hanya melihat permukaan yang disinari dan dibidik; uji fungsi, uji kekuatan, dan cacat tersembunyi tetap butuh cara lain.

"Inspeksi 100% Manual" Juga Bukan 100%

Alternatif klasik sampling adalah menugaskan operator memeriksa semua unit. Di atas kertas cakupannya penuh, tetapi berbagai studi faktor manusia menunjukkan pemeriksa visual pada tugas monoton umumnya hanya menangkap sekitar 80% cacat, dan angkanya turun menjelang akhir shift. Cacat yang langka justru paling mudah terlewat, karena mata terbiasa melihat produk bagus.

Kamera AI tidak lelah, tetapi bisa salah dengan cara lain: threshold kurang tepat, lampu bergeser, atau varian produk yang belum pernah dilihat model. Karena itu klaim "100%" dari sistem mana pun perlu dibuktikan dengan angka false reject dan escape rate, bukan diasumsikan.

Kapan Sampling Masih Cukup

• Cacat jarang dan dampaknya ringan, misalnya cacat kosmetik minor pada produk bernilai rendah.
• Pemeriksaannya destruktif — uji tarik, uji bocor dengan membuka kemasan, uji rasa.
• Volume kecil atau varian sangat banyak, sehingga menyiapkan model per varian tidak sebanding.
• Proses sangat stabil dan buyer memang hanya meminta laporan AQL.

Kapan Inspeksi 100% dengan AI Layak

• Satu escape mahal: klaim otomotif, recall farmasi, atau buyer ekspor yang menolak satu kontainer penuh.
• Cacat muncul bergerombol — nozzle tersumbat, cetakan aus, printer label macet — sehingga sampling per jam bisa meloloskan ratusan unit sebelum ketahuan. Polanya dibahas di QC inspection injection molding.
• Kecepatan lini melampaui kemampuan mata, seperti di lini makanan & minuman.
• Sortir ulang lot reject sudah menjadi pos biaya rutin di laporan bulanan.

Hitungan kasarnya: bandingkan biaya sistem dengan biaya escape, sortir ulang, dan jam inspektor per tahun. Kerangkanya ada di biaya & ROI QC inspection AI.

Strategi Hibrida: Kamera untuk Setiap Unit, Sampling untuk Verifikasi

Di pabrik yang sudah matang, keduanya berjalan bersama:

1. Kamera AI memeriksa setiap unit untuk cacat visual yang sudah terdefinisi dan menyisihkan NG secara otomatis.
2. Sampling AQL tetap dilakukan pada output kamera, tetapi fungsinya berubah: memverifikasi bahwa sistem inspeksi bekerja, sekaligus memeriksa hal yang tidak terlihat kamera.
3. Temuan sampling menjadi data latih. Setiap cacat yang lolos kamera tetapi tertangkap sampling difoto dan dimasukkan ke dataset, sesuai alur dataset & anotasi QC inspection AI, sehingga model terus membaik dan drift cepat ketahuan.
4. Data per unit mengisi laporan lot. Jumlah OK/NG, jenis cacat, dan gambar bukti per lot bisa dikirim ke MES atau dilampirkan ke sertifikat mutu lewat integrasi ke PLC, MES, dan ERP, lalu diolah menjadi Pareto dan tren per shift sesuai panduan analisis data reject QC inspection.

Dengan pola ini, laporan ke buyer tetap memakai bahasa AQL yang mereka kenal, sementara pabrik memegang bukti bahwa setiap unit sudah diperiksa.

Mulai dari Titik Kontrol Paling Mahal

Jangan mengganti seluruh rencana sampling sekaligus. Pilih satu titik yang paling sering menghasilkan lot reject atau klaim pelanggan — perbandingan gerbang IQC, IPQC, dan OQC ada di panduan titik pemasangan kamera AI — jalankan kamera dalam mode mencatat berdampingan dengan sampling yang ada, lalu bandingkan hasilnya mengikuti roadmap pilot project 30 hari.

Nirmana VisionAI berjalan on-premise dan menyimpan hasil inspeksi per unit beserta gambarnya di server pabrik, sehingga data untuk laporan lot dan audit selalu tersedia. Lihat paket & edisi Nirmana VisionAI untuk memulai dari satu lini.