QC Inspection Verifikasi Harian: Challenge Part untuk Memastikan Kamera AI Tetap Akurat

Kamera Bisa "Diam-Diam" Berubah

Setelah go-live, stasiun QC inspection berbasis kamera AI biasanya dipercaya begitu saja: lampu menyala, layar menampilkan OK/NG, lini berjalan. Padahal banyak hal bisa bergeser tanpa memicu alarm apa pun — lensa tersenggol saat pembersihan, lampu LED meredup, kaca pelindung berembun, atau ambang keputusan diubah seseorang saat shift malam.

Sistem yang "kelihatan jalan" belum tentu masih menangkap cacat. Karena itu pabrik dengan sistem mutu yang matang selalu menambahkan satu kebiasaan sederhana: verifikasi harian dengan challenge part.

Apa Itu Challenge Part?

Challenge part (sering juga disebut master sample atau limit sample) adalah satu set kecil produk fisik yang hasil inspeksinya sudah diketahui pasti. Set ini dilewatkan ke stasiun kamera pada waktu tertentu — biasanya awal shift dan setelah perubahan apa pun pada stasiun — untuk membuktikan bahwa sistem masih memberi keputusan yang benar.

Set yang baik berisi tiga jenis sampel:

Sampel batas adalah yang paling berharga. Cacat besar hampir selalu tertangkap meski kondisi kamera memburuk; yang pertama kali lolos justru cacat kecil di dekat ambang. Kalau sampel batas masih terdeteksi, hampir pasti cacat yang lebih besar juga.

Menyusun Set Challenge yang Representatif

1. Ambil dari Pareto cacat. Pilih jenis cacat yang paling sering terjadi atau paling mahal bila lolos — datanya bisa diambil dari analisis data reject & Pareto.
2. Gunakan cacat asli bila memungkinkan. Cacat buatan (misalnya gores dengan cutter) boleh dipakai, tetapi pastikan tampilannya mirip cacat produksi.
3. Beri identitas permanen. Tandai tiap sampel dengan nomor dan kelas yang diharapkan, simpan di kotak berlabel dekat stasiun, jauh dari barang produksi.
4. Dokumentasikan dengan foto. Simpan foto tiap sampel saat set disahkan, agar kerusakan atau keausan sampel bisa dikenali kemudian.
5. Sahkan bersama tim QC. Hasil yang diharapkan untuk sampel batas harus disepakati, mengikuti aturan yang sama dengan aturan label pada dataset.

Untuk kebanyakan stasiun, 5–10 sampel sudah cukup. Set yang terlalu besar cenderung tidak dijalankan karena memakan waktu.

Prosedur Verifikasi Awal Shift

Prosedur yang realistis cukup lima menit:

1. Bersihkan kaca pelindung dan lensa, cek lampu menyala normal.
2. Lewatkan seluruh challenge part satu per satu dengan posisi seperti produk biasa.
3. Bandingkan hasil dengan daftar yang diharapkan.
4. Catat hasilnya di form verifikasi: tanggal, shift, nama operator, lolos/gagal.
5. Jika ada satu saja yang meleset, stasiun tidak boleh dipakai sampai penyebabnya ditemukan — produk sementara diperiksa manual.

Aturan nomor lima terdengar keras, tetapi tanpa itu verifikasi hanya jadi formalitas. Nirmana VisionAI mencatat setiap hasil OK/NG beserta foto beranotasi, sehingga hasil verifikasi pun terekam dan bisa ditunjukkan saat audit.

Selain awal shift, jalankan verifikasi setelah change-over produk, setelah kamera atau lampu disentuh, setelah pembaruan model, dan setelah stasiun berhenti lama. Untuk lini dengan banyak varian, pola change-over-nya dibahas di smart inspection multi-SKU.

Uji Repeatability: Apakah Keputusannya Konsisten?

Verifikasi harian memeriksa "benar atau salah". Sesekali — misalnya saat commissioning atau tiap kuartal — perlu juga memeriksa konsistensi. Caranya:

• Lewatkan setiap challenge part 10 kali, angkat dan letakkan ulang di antara tiap lintasan.
• Catat keputusan dan confidence score tiap lintasan.
• Sampel OK dan NG jelas harus memberi keputusan yang sama 10 dari 10 kali.
• Sampel batas yang hasilnya berganti-ganti menandakan ambang terlalu dekat dengan cacat tersebut, atau posisi produk belum stabil.

Confidence score yang perlahan turun dari bulan ke bulan pada sampel yang sama adalah tanda dini drift model atau penurunan kondisi optik — sering kali jauh sebelum false reject di produksi mulai naik. Sebaran skor juga membantu menentukan zona ragu untuk peninjauan operator.

Challenge Set Digital untuk Pembaruan Model

Sampel fisik menguji seluruh rantai: produk, cahaya, lensa, kamera, dan model. Untuk menguji model saja — terutama sebelum memasang hasil pelatihan ulang — simpan juga set gambar uji berisi foto OK, NG, dan kasus batas yang tidak pernah dipakai melatih.

Karena Nirmana VisionAI bisa menjalankan inspeksi dari file, set ini dapat diputar ulang ke model baru sebelum dipakai di lini. Bila model baru meleset pada gambar yang dulu benar, jangan dipasang dulu. Cara membaca hasilnya dengan benar dibahas di metrik false reject dan escape.

Kesalahan yang Sering Terjadi

• Challenge part ikut aus atau kotor. Sampel yang tergores tambahan bisa mengubah hasil yang diharapkan. Periksa dengan foto acuan dan ganti bila perlu.
• Hanya menyimpan sampel NG besar. Lolos verifikasi, tetapi tidak membuktikan apa pun tentang sensitivitas.
• Posisi sampel tidak seperti produksi. Sampel diletakkan di tengah frame dengan hati-hati, sementara produk asli datang miring di tepi konveyor.
• Hasil gagal tidak ditindaklanjuti. Operator mengulang sampai lolos tanpa mencatat. Tetapkan siapa yang berwenang melepas stasiun kembali ke produksi.

Mulai dari Satu Stasiun

Verifikasi dengan challenge part tidak membutuhkan alat mahal — hanya disiplin dan beberapa sampel yang terdokumentasi. Mulailah dari stasiun dengan risiko cacat lolos tertinggi, idealnya titik yang sudah dipilih lewat panduan IQC, IPQC, dan OQC, lalu jadikan form verifikasi bagian dari prosedur shift.

Ingin membangun stasiun QC inspection yang hasilnya bisa dibuktikan setiap hari? Lihat paket & edisi Nirmana VisionAI.