Wawasan Industri
Mengapa Pabrik Tetap Membutuhkan QC di Zaman AI dan Otomatisasi?
Bayangkan sebuah pabrik modern yang hampir seluruh proses inspeksinya sudah otomatis.
Material bergerak di atas conveyor. Kamera berkecepatan tinggi memeriksa permukaan. Sensor mengukur dimensi. Sistem komputer membandingkan hasil pengukuran dengan standar. Artificial intelligence mengelompokkan pola defect. Alarm muncul ketika hasil keluar dari batas yang ditentukan.
Semua terjadi dalam hitungan detik.
Tidak banyak manusia yang harus melihat produk satu per satu sepanjang hari.
Lalu muncul pertanyaan yang sangat masuk akal:
Kalau kamera sudah bisa melihat, sensor sudah bisa mengukur, dan AI sudah bisa mengenali defect, untuk apa pabrik masih membutuhkan Quality Control?
Pertanyaan ini semakin relevan karena teknologi inspeksi memang berkembang sangat cepat. World Economic Forum mencatat bahwa AI dan teknologi pemrosesan informasi dipandang oleh 86% perusahaan yang disurvei sebagai teknologi yang akan mentransformasi bisnis sampai 2030, sedangkan robotics dan autonomous systems berada pada 58%. Pada saat yang sama, pembagian pekerjaan antara manusia, teknologi, dan kombinasi manusia-mesin diperkirakan semakin seimbang.
Namun ada satu kesalahpahaman besar.
QC bukan sekadar orang yang melihat produk lalu mengatakan OK atau NG.
Kalau definisi QC hanya sebatas itu, memang sangat mungkin sebagian besar aktivitas inspeksi akan semakin mudah diotomatisasi.
Tetapi quality control sebenarnya jauh lebih luas.
QC berhubungan dengan bagaimana kualitas diukur, bagaimana variasi dikenali, bagaimana penyimpangan dikendalikan, bagaimana defect ditelusuri, bagaimana keputusan dibuat, dan bagaimana perusahaan memastikan produk yang keluar benar-benar memenuhi kebutuhan pelanggan.
AI dapat membantu sebagian besar proses tersebut.
Tetapi justru karena AI semakin kuat, peran QC tidak otomatis hilang.
Perannya berubah.
Dari sekadar pemeriksa produk menjadi pengendali kualitas proses.
Dan perubahan itu mungkin justru membuat QC semakin penting.
QC BUKAN HANYA TENTANG MENEMUKAN PRODUK CACAT
Ada perbedaan besar antara menemukan defect dan mengendalikan kualitas.
Misalnya sebuah line menghasilkan 100.000 unit produk. Sistem vision menemukan 500 unit memiliki defect permukaan.
Secara otomatis, sistem telah melakukan pekerjaan dengan sangat baik.
Tetapi pertanyaan QC baru saja dimulai.
Mengapa 500 unit tersebut defect?
Apakah defect terjadi secara acak?
Apakah muncul setelah perubahan speed?
Apakah hanya terjadi pada satu batch material?
Apakah defect meningkat setelah maintenance?
Apakah posisi defect selalu berada di lokasi yang sama?
Apakah defect lebih banyak terjadi pada head, middle, atau tail?
Apakah defect berasal dari material sebelum masuk line?
Apakah defect muncul akibat proses?
Apakah defect sebenarnya false positive?
Apakah standar yang digunakan sistem memang masih sesuai dengan customer requirement?
Kamera dapat menemukan pola.
QC harus memahami makna pola tersebut.
Inilah perbedaan antara inspection dan quality control.
Inspection bertanya:
“Apakah produk ini memenuhi spesifikasi?”
Quality control bertanya:
“Mengapa proses menghasilkan kondisi seperti ini, dan bagaimana memastikan kondisi tersebut tidak berulang?”
DARI DETECTION MENUJU PREVENTION
Inilah perubahan paling penting dalam dunia quality.
QC tradisional sering berfokus pada detection.
Produk diperiksa. Produk yang tidak sesuai dipisahkan. Kemudian proses dilanjutkan.
Model yang lebih matang bergerak menuju prevention.
Artinya, QC berusaha mengetahui tanda-tanda awal sebelum defect benar-benar menjadi masalah.
Misalkan ketebalan produk masih berada dalam spesifikasi.
Hari pertama: 1,00 mm.
Hari kedua: 1,00 mm.
Hari ketiga: 0,99 mm.
Hari keempat: 0,99 mm.
Hari kelima: 0,98 mm.
Semuanya mungkin masih berada dalam tolerance.
Kalau hanya melihat status OK atau NG, semuanya terlihat baik.
Tetapi kalau membaca trend, ada sesuatu yang berubah.
QC mulai bertanya:
Apakah measurement system stabil?
Apakah roll gap berubah?
Apakah material properties berubah?
Apakah equipment mulai mengalami wear?
Apakah perubahan ini merupakan trend menuju batas spesifikasi?
Di sinilah data menjadi sangat berharga.
Dan di sinilah QC berubah dari “penjaga gerbang” menjadi “radar proses”.
AI BISA MEMERIKSA 100 PERSEN, TETAPI TIDAK BERARTI 100 PERSEN KEPUTUSANNYA BENAR
Istilah “100% inspection” terdengar sangat meyakinkan.
Sebuah kamera dapat memeriksa setiap produk. Tidak seperti manusia yang dapat lelah setelah melihat ribuan produk, sistem otomatis dapat bekerja terus-menerus.
Tetapi 100% inspection bukan berarti 100% certainty.
Sistem tetap memiliki kemungkinan false positive dan false negative.
False positive terjadi ketika sistem menganggap produk defect padahal sebenarnya tidak.
False negative terjadi ketika sistem gagal mendeteksi defect yang sebenarnya ada.
Masalahnya bisa berasal dari banyak hal: pencahayaan, kamera, resolusi, posisi produk, kecepatan line, permukaan material, noise, parameter model, data training, perubahan jenis produk, bahkan defect baru yang belum pernah muncul dalam dataset.
Karena itu sistem AI membutuhkan validasi.
Dan validasi membutuhkan manusia yang memahami kualitas.
CONTOH SEDERHANA: AI MENEMUKAN SESUATU YANG “ANEH”
Bayangkan sistem vision tiba-tiba mendeteksi peningkatan defect sebesar 300%.
Alarm muncul.
Produksi dihentikan.
Setelah diperiksa, ternyata bukan produk yang berubah.
Lampu pencahayaan kamera sedikit bergeser.
AI membaca perubahan refleksi sebagai defect.
Kalau sistem dipercaya secara buta, produksi bisa berhenti tanpa alasan yang benar.
Sebaliknya, kalau semua hasil AI diabaikan, teknologi menjadi tidak berguna.
Di sinilah manusia berperan sebagai validation layer.
QC membandingkan hasil sistem dengan kondisi aktual.
Apakah defect benar-benar ada?
Apakah measurement system valid?
Apakah alarm berasal dari proses atau dari sistem inspeksi?
Kemampuan membedakan kedua hal tersebut sangat penting.
AI TIDAK SELALU MEMAHAMI KONTEKS PRODUKSI
Sebuah model dapat bekerja sangat baik dalam kondisi tertentu.
Kemudian material berubah.
Grade berubah.
Thickness berubah.
Surface condition berubah.
Speed line berubah.
Lingkungan berubah.
Tiba-tiba performanya menurun.
Ini bukan berarti AI “bodoh”.
Masalahnya adalah sistem belajar berdasarkan data dan parameter yang tersedia.
QC yang memahami proses dapat mengetahui bahwa perubahan grade tertentu memang menghasilkan pola permukaan yang berbeda.
Ia dapat mengetahui bahwa kondisi head dan tail memiliki karakteristik berbeda.
Ia dapat mengetahui bahwa hasil measurement tertentu tidak boleh dibandingkan langsung dengan produk lain karena kondisi prosesnya berbeda.
Konteks seperti ini sangat sulit direduksi menjadi satu angka.
Karena itu AI yang bagus tetap membutuhkan manusia yang memahami lingkungan tempat AI digunakan.
KETIKA STANDAR TIDAK SAMA DENGAN REALITAS LAPANGAN
Ada persoalan lain yang sering terjadi di industri.
Standar tertulis biasanya terlihat sederhana.
Thickness: sekian.
Width: sekian.
Surface: bebas defect tertentu.
Flatness: maksimum sekian.
Appearance: sesuai standard.
Tetapi quality decision di lapangan sering tidak sesederhana angka.
Bagaimana jika hasil pengukuran tepat berada di batas?
Bagaimana jika defect secara teknis berada di dalam tolerance tetapi customer kemungkinan besar akan mempermasalahkannya?
Bagaimana jika material memenuhi internal specification tetapi tidak cocok untuk proses customer berikutnya?
Bagaimana jika defect hanya muncul pada bagian tertentu?
Bagaimana jika defect terlihat jelas secara visual tetapi sulit diukur secara numerik?
Inilah alasan mengapa QC tidak dapat hanya menjadi penjaga angka.
QC perlu memahami fungsi produk dan proses berikutnya.
KUALITAS TIDAK BERHENTI DI PABRIK
Sebuah produk dapat memenuhi spesifikasi internal tetapi tetap menimbulkan masalah di customer.
Material mungkin masih memenuhi specification tertentu, tetapi memiliki karakteristik yang membuat proses customer terganggu.
Bisa terjadi masalah forming, painting, welding, coating, cutting, assembly, atau appearance setelah proses berikutnya.
Artinya kualitas bukan hanya hubungan antara produk dan specification sheet.
Kualitas juga merupakan hubungan antara produk dan proses penggunaannya.
QC yang memahami customer process memiliki nilai lebih tinggi daripada QC yang hanya memeriksa angka.
AI dapat membantu membaca data.
QC harus memahami konsekuensinya.
MENGAPA DATA QC SEMAKIN PENTING?
Otomatisasi membuat jumlah data meningkat drastis.
Dulu mungkin hanya ada beberapa measurement per coil atau per batch.
Sekarang sensor dapat menghasilkan data setiap detik.
Temperature.
Pressure.
Speed.
Tension.
Current.
Vibration.
Thickness.
Width.
Surface condition.
Energy consumption.
Alarm.
Downtime.
Quality result.
Semakin banyak data tersedia, semakin besar peluang menemukan hubungan.
Tetapi ada jebakan.
Banyak data bukan berarti banyak informasi.
Kalau semua data hanya disimpan tanpa dianalisis, perusahaan sebenarnya hanya memiliki database besar.
QC modern harus mampu mengubah data menjadi informasi.
Kemudian informasi menjadi keputusan.
Dan keputusan menjadi tindakan.
DATA YANG BAIK BISA MENGUBAH CARA QC BEKERJA
Bayangkan sebuah pabrik memiliki data defect selama tiga tahun.
Dulu data hanya digunakan untuk laporan bulanan.
Kemudian data dianalisis.
Ditemukan bahwa defect tertentu meningkat ketika speed berada pada range tertentu, material berasal dari grade tertentu, temperatur berada di atas kondisi tertentu, mesin baru selesai maintenance, atau defect selalu terkonsentrasi pada bagian tertentu.
Tiba-tiba data historis menjadi alat investigasi.
QC tidak lagi hanya bertanya:
“Berapa defect bulan ini?”
Tetapi:
“Variabel apa yang paling sering muncul ketika defect terjadi?”
Ini adalah perubahan besar.
QC mulai bergerak dari reporting menuju analytics.
SPC TETAP RELEVAN DI ZAMAN AI
Statistical Process Control sering dianggap sebagai metode lama.
Padahal ketika data semakin banyak, prinsip SPC justru semakin berguna.
SPC membantu melihat variasi proses, bukan hanya apakah hasil berada dalam specification.
Sebuah proses dapat menghasilkan produk yang semuanya masih OK tetapi memiliki variasi yang semakin besar.
Kalau tidak diperhatikan, suatu saat sebagian hasil dapat keluar dari spesifikasi.
AI dapat membantu mendeteksi pola yang lebih kompleks.
Namun konsep dasar seperti variation, stability, trend, control limit, dan process capability tetap penting.
AI bukan pengganti fundamental quality.
AI adalah penguatnya.
ROOT CAUSE ANALYSIS TIDAK BISA DIGANTIKAN OLEH DASHBOARD
Dashboard yang indah tidak otomatis menyelesaikan masalah.
Sebuah dashboard mungkin menunjukkan:
Defect rate naik 4%.
Downtime naik 2%.
Reject naik 1,5%.
Tension deviation meningkat.
Itu informasi.
Tetapi manajemen masih membutuhkan jawaban:
“Kenapa?”
Root Cause Analysis tetap membutuhkan manusia.
Fishbone.
5 Why.
Pareto.
Process mapping.
FMEA.
Trial.
Verification.
Monitoring.
AI dapat membantu mencari korelasi atau menyaring data.
Namun korelasi bukan otomatis causal relationship.
Kalau dua parameter bergerak bersama, belum tentu satu menyebabkan yang lain.
QC tetap harus melakukan verifikasi.
MISALNYA AI MENGATAKAN MATERIAL ADALAH PENYEBAB
Ini contoh yang sangat menarik.
Sistem menemukan bahwa 80% defect terjadi pada supplier tertentu.
Kesimpulan cepat:
“Supplier bermasalah.”
Belum tentu.
Mungkin material supplier tersebut memang lebih sering diproses pada line tertentu.
Mungkin material tersebut digunakan pada grade tertentu.
Mungkin proses untuk material itu memiliki parameter berbeda.
Mungkin material datang pada periode ketika equipment sedang bermasalah.
AI menemukan hubungan.
QC harus menguji hipotesis.
Bandingkan sequence.
Bandingkan parameter.
Bandingkan kondisi equipment.
Bandingkan grade.
Lakukan trial jika diperlukan.
Barulah kesimpulan bisa dibuat.
Ini adalah contoh mengapa kemampuan manusia tetap penting bahkan ketika analytics semakin canggih.
AI MEMBUAT QC LEBIH CEPAT, BUKAN SELALU LEBIH BENAR
Teknologi terbaik adalah teknologi yang mempercepat manusia melakukan pekerjaan dengan benar.
Misalnya QC harus memeriksa 10.000 gambar permukaan.
Manusia membutuhkan waktu sangat lama.
AI dapat menyaringnya menjadi 200 gambar yang paling mencurigakan.
QC kemudian memeriksa 200 gambar tersebut.
Ini jauh lebih efisien.
AI bekerja sebagai filter.
Manusia bekerja sebagai validator.
Model seperti ini sering lebih masuk akal daripada memaksa AI mengambil semua keputusan sendirian.
Contoh nyata dari ILO di Vietnam menunjukkan arah tersebut. Dalam sebuah pilot AI vision untuk inspeksi komponen mechanical mesh, waktu inspeksi turun dari 20 detik menjadi 5 detik dan akurasi deteksi meningkat dari 95% dengan pemeriksaan manusia menjadi 99% ketika manusia dan AI digunakan bersama. Sebagian pekerja juga dilatih kembali untuk menjalankan peran yang lebih bernilai. citeturn0search12
ANGKA TERSEBUT MENUNJUKKAN SESUATU YANG PENTING
Perhatikan polanya.
AI masuk → pekerjaan berubah → manusia mengerjakan bagian yang lebih bernilai.
Bukan:
AI masuk → manusia keluar.
Pola seperti ini kemungkinan akan semakin banyak terlihat di industri.
World Economic Forum juga menggambarkan pergeseran menuju kombinasi manusia dan teknologi dalam penyelesaian tugas, bukan sekadar penggantian manusia secara total. citeturn0search2
QC MASA DEPAN AKAN LEBIH DEKAT DENGAN ENGINEERING
Dulu pembagian kerja dapat terlihat jelas.
Produksi membuat produk.
QC memeriksa.
Maintenance memperbaiki mesin.
Engineering mengembangkan proses.
Tetapi semakin digital sebuah pabrik, batas tersebut semakin tipis.
QC memiliki data proses.
Engineering membutuhkan data quality.
Maintenance membutuhkan data defect untuk melihat hubungan dengan equipment.
Produksi membutuhkan informasi QC untuk adjustment.
Akhirnya semua bagian saling terhubung.
QC modern perlu memahami sedikit lebih banyak tentang process engineering.
Tidak harus menjadi engineer.
Tetapi perlu memahami bagaimana proses bekerja.
Sebaliknya, engineer juga perlu memahami quality impact.
Inilah yang membuat organisasi manufaktur modern semakin interdisipliner.
VISION SYSTEM BUKAN “MATA DIGITAL” YANG SEMPURNA
Vision system sering disebut sebagai mata digital.
Analogi tersebut benar sampai batas tertentu.
Kamera dapat melihat.
Software dapat menganalisis.
AI dapat mengklasifikasikan.
Tetapi mata manusia juga bukan hanya kamera.
Otak memberikan interpretasi.
Manusia memahami konteks.
Manusia membandingkan pengalaman.
Manusia menyadari bahwa sesuatu “terlihat tidak biasa” meskipun sulit menjelaskannya secara matematis.
Karena itu desain vision system yang baik bukan hanya soal membeli kamera dengan resolusi tinggi.
Perlu dipikirkan:
Pencahayaan.
Background.
Lens.
Speed.
Positioning.
Image processing.
Dataset.
Threshold.
Model.
Validation.
False positive.
False negative.
Maintenance.
Recalibration.
QC harus terlibat dalam semua bagian tersebut karena yang menentukan “apa yang dianggap defect” pada akhirnya adalah requirement kualitas.
KAMERA BISA SALAH KARENA KONDISI KAMERA BERUBAH
Bayangkan permukaan produk sebenarnya sama.
Tetapi setelah beberapa minggu, lens mulai kotor.
Pencahayaan berubah.
Camera angle bergeser.
Hasil gambar berubah.
Model mulai mendeteksi lebih banyak defect.
Kalau QC hanya melihat dashboard, masalah terlihat seperti kenaikan defect produksi.
Padahal sumbernya adalah inspection system.
Inilah konsep penting:
Inspection system sendiri harus dikontrol.
Measurement System Analysis atau pendekatan serupa tetap relevan.
Kalau alat ukur tidak reliable, data kualitas juga tidak reliable.
AI tidak menghapus kebutuhan terhadap measurement discipline.
AI JUSTRU MEMBUAT KUALITAS DATA SEMAKIN PENTING
AI sangat bergantung pada data.
Data buruk menghasilkan model buruk.
Kalau label defect salah, model belajar salah.
Kalau data training tidak mewakili variasi produksi, model dapat gagal ketika kondisi berubah.
Kalau data terlalu sedikit, model mungkin tidak mengenali defect langka.
Kalau standar berubah tetapi model tidak diperbarui, sistem dapat menjadi obsolete.
Maka muncul pekerjaan baru:
Data validation.
Data labeling.
Model monitoring.
Model retraining.
Performance monitoring.
AI governance.
Sebagian aktivitas tersebut mungkin terdengar seperti pekerjaan IT.
Namun di manufaktur, orang yang memahami kualitas tetap dibutuhkan.
Karena hanya orang yang memahami proses yang dapat membantu menentukan apakah output AI masuk akal secara teknis.
QC TETAP DIBUTUHKAN UNTUK “UNKNOWN UNKNOWN”
Ini salah satu tantangan terbesar.
AI sangat bagus ketika masalah sudah dikenal.
Tetapi bagaimana dengan defect baru?
Misalnya muncul pola permukaan yang belum pernah terlihat sebelumnya.
Model belum pernah dilatih dengan pola tersebut.
Sistem mungkin tidak mengenalinya.
Manusia yang melihat produk bisa berkata:
“Ini aneh.”
Kalimat sederhana itu sangat penting.
Karena masalah baru tidak selalu tersedia dalam dataset lama.
Pabrik yang hanya mengandalkan apa yang sudah pernah dilihat berisiko menjadi buta terhadap perubahan.
QC manusia berfungsi sebagai sensor terhadap sesuatu yang belum didefinisikan.
DAN MANUSIA MASIH DIBUTUHKAN UNTUK MEMBUAT STANDAR
AI membutuhkan aturan.
Model membutuhkan target.
Inspection system membutuhkan classification.
Tetapi siapa yang menentukan:
Apa itu defect?
Seberapa parah defect?
Apakah defect masih acceptable?
Apakah defect harus direject?
Apakah defect boleh diperbaiki?
Apakah standard internal lebih ketat daripada customer requirement?
Apakah suatu defect berdampak terhadap fungsi atau hanya appearance?
Keputusan tersebut membutuhkan manusia.
QC adalah salah satu fungsi yang memastikan definisi kualitas tidak berubah menjadi sekadar output algoritma.
KUALITAS BUKAN HANYA ANGKA
Ada kualitas yang mudah diukur.
Thickness.
Width.
Hardness.
Strength.
Temperature.
Weight.
Dimensi.
Tetapi ada juga kualitas yang membutuhkan judgement.
Appearance.
Cleanliness.
Workmanship.
Visual condition.
Customer perception.
Fit and function.
AI semakin bagus dalam mengubah sebagian aspek tersebut menjadi angka.
Namun mengubah sesuatu menjadi angka tidak otomatis membuat keputusan menjadi sederhana.
Justru kadang diperlukan manusia untuk menentukan apakah angka tersebut benar-benar mewakili kebutuhan pelanggan.
QC DAN CUSTOMER COMPLAINT
Bayangkan customer mengirimkan complaint:
“Surface defect ditemukan pada material.”
AI tidak dapat begitu saja menyelesaikan complaint tersebut.
QC harus mengumpulkan evidence.
Coil number.
Batch.
Production date.
Process history.
Inspection result.
Photos.
Sample.
Sequence.
Material origin.
Parameter.
Equipment condition.
Kemudian dilakukan analysis.
Apakah defect memang berasal dari proses internal?
Apakah sudah ada pada incoming material?
Apakah muncul saat transport?
Apakah muncul ketika customer memproses material?
Apakah karakteristik defect konsisten?
AI mungkin membantu mencocokkan gambar defect dengan database historis.
Tetapi keputusan claim membutuhkan investigation.
Di situlah manusia tetap menjadi pusat.
QC MASA DEPAN MUNGKIN TIDAK TERLALU BANYAK MELIHAT PRODUK
Ini terdengar paradoks.
Tetapi semakin otomatis inspeksi, QC mungkin justru menghabiskan lebih sedikit waktu untuk melihat produk satu per satu.
Waktunya berpindah ke:
Analisis trend.
Validation.
Process improvement.
Root cause analysis.
Customer requirement.
Data interpretation.
System audit.
Model validation.
Quality planning.
Risk management.
Preventive action.
Dengan demikian, pekerjaan QC menjadi lebih strategis.
Bukan berarti pekerjaan manual hilang seluruhnya.
Sampling, verification, audit, dan physical confirmation tetap penting.
Tetapi proporsinya berubah.
DARI QC YANG REAKTIF MENJADI QC YANG PREDIKTIF
QC tradisional:
Defect muncul → ditemukan → dipisahkan → dilaporkan.
QC yang lebih matang:
Trend berubah → dianalisis → penyebab dicari → tindakan dilakukan → defect dicegah.
QC berbasis AI:
Data dikumpulkan terus-menerus → model mencari pola → anomali diperingatkan → manusia memvalidasi → tindakan dilakukan → sistem belajar dari hasil.
Ini bukan berarti manusia semakin tidak penting.
Sebaliknya, keputusan manusia berpindah ke level yang lebih tinggi.
BAGAIMANA DENGAN BIAYA?
Ada anggapan bahwa otomatisasi selalu mengurangi biaya QC.
Tidak selalu.
Sistem vision membutuhkan kamera.
Lighting.
Computer.
Software.
Network.
Integration.
Maintenance.
Calibration.
Training.
Model update.
Cybersecurity.
Dan tentu saja orang yang mengelolanya.
Karena itu perusahaan harus menghitung total cost of ownership.
Namun jika sistem dirancang dengan benar, manfaatnya bisa besar.
Inspection lebih cepat.
Coverage lebih tinggi.
Data lebih konsisten.
Traceability lebih baik.
Human error tertentu berkurang.
Data historis lebih mudah dianalisis.
Respons terhadap defect bisa lebih cepat.
Masalahnya bukan apakah AI lebih murah daripada manusia secara sederhana.
Pertanyaan yang lebih tepat:
“Apakah kombinasi manusia dan teknologi menghasilkan quality system yang lebih baik dengan total cost yang masuk akal?”
ITULAH KENAPA “AI VS QC” ADALAH PERTANYAAN YANG SALAH
AI bukan lawan QC.
Robot bukan lawan operator.
Vision system bukan lawan inspector.
Teknologi tersebut adalah tools.
Sama seperti caliper, micrometer, hardness tester, spectrometer, gauge, atau laboratory equipment.
Tidak ada yang bertanya:
“Apakah micrometer akan menggantikan QC?”
Micrometer membantu QC mengukur.
AI seharusnya dipandang dengan prinsip yang sama.
Ia membantu QC melihat sesuatu yang lebih cepat, lebih luas, atau lebih konsisten.
Tetapi quality decision tetap membutuhkan sistem.
QC.
Engineering.
Production.
Maintenance.
Management.
Dan customer requirement.
PABRIK YANG PALING CANGGIH BUKAN YANG PALING BANYAK AI
Pabrik modern tidak seharusnya mengejar jumlah teknologi.
Yang penting adalah masalah yang ingin diselesaikan.
Kalau masalahnya inspeksi visual repetitif, vision system masuk akal.
Kalau masalahnya variation proses, SPC dan analytics mungkin lebih berguna.
Kalau masalahnya breakdown, condition monitoring mungkin lebih tepat.
Kalau masalahnya traceability, digital production record lebih penting.
Kalau masalahnya keputusan lambat, integrasi data mungkin lebih penting daripada robot.
Teknologi harus mengikuti kebutuhan proses.
Bukan sebaliknya.
SKILL QC JUGA HARUS BERUBAH
QC masa depan tidak harus menjadi programmer.
Tetapi QC perlu lebih nyaman dengan teknologi.
Beberapa kemampuan yang semakin relevan:
Basic statistics.
SPC.
Data visualization.
Trend analysis.
Measurement system.
Vision inspection.
Basic AI literacy.
Database dan traceability.
Root cause analysis.
Process capability.
Risk assessment.
Customer requirement.
Basic automation awareness.
Yang paling penting bukan menguasai semuanya.
Yang penting adalah mampu memahami bagaimana teknologi memengaruhi quality decision.
World Economic Forum mencatat bahwa sektor advanced manufacturing memperkirakan peningkatan penggunaan AI dan robotics, sekaligus meningkatnya kebutuhan terhadap skill seperti AI and big data, creative thinking, cybersecurity, systems thinking, dan resource management. citeturn0search1
Artinya, QC tidak bisa berhenti belajar pada metode inspeksi yang sama selama puluhan tahun.
MASA DEPAN QC ADALAH HUMAN + AI
Masa depan kemungkinan bukan AI 100% dan manusia 0%.
Lebih realistis:
AI melakukan apa yang paling kuat dilakukan AI.
Manusia melakukan apa yang paling kuat dilakukan manusia.
AI:
Memproses data dalam jumlah besar.
Mengenali pola.
Memeriksa gambar.
Membandingkan parameter.
Memberikan alert.
Membantu prediksi.
Manusia:
Memahami konteks.
Memvalidasi.
Menyelidiki akar masalah.
Membuat judgement.
Berkomunikasi.
Menentukan tindakan.
Memahami customer.
Menghadapi kondisi yang belum pernah terjadi.
Model ini sejalan dengan gambaran WEF mengenai pergeseran menuju lebih banyak kombinasi manusia dan teknologi dalam penyelesaian tugas. citeturn0search2
MASA DEPAN QC BUKAN LEBIH SEDIKIT PIKIRAN, TETAPI LEBIH BANYAK
Ini mungkin kesimpulan yang paling menarik.
Otomatisasi dapat mengurangi pekerjaan mata dan tangan.
Tetapi pekerjaan otak justru bisa meningkat.
QC tidak lagi hanya bertanya:
“OK atau NG?”
Ia akan semakin sering bertanya:
“Apakah proses stabil?”
“Apakah trend berubah?”
“Apakah model inspeksi masih valid?”
“Apakah data ini dapat dipercaya?”
“Apakah defect berasal dari material atau proses?”
“Apakah tindakan koreksi benar-benar menghilangkan akar masalah?”
“Apakah customer akan mengalami masalah pada proses berikutnya?”
“Apakah sistem kita mampu mengenali defect yang belum pernah terjadi?”
Pertanyaan tersebut jauh lebih kompleks daripada sekadar melihat produk.
DAN INI BISA MENGUBAH STATUS QC DI DALAM PABRIK
Jika QC hanya dipandang sebagai bagian yang menahan produk NG, nilai strategisnya mudah diremehkan.
Tetapi jika QC mampu menghubungkan quality dengan process stability, productivity, customer satisfaction, maintenance, dan cost, posisinya berubah.
Misalnya satu jenis defect turun 30%.
Dampaknya bukan hanya jumlah NG berkurang.
Rework berkurang.
Scrap berkurang.
Waktu inspeksi berkurang.
Customer complaint berkurang.
Downtime akibat investigation dapat berkurang.
Material yang harus diproses ulang berkurang.
Dengan demikian quality bukan sekadar biaya.
Quality adalah bagian dari produktivitas.
INTEGRASI QC, PRODUKSI, DAN MAINTENANCE AKAN SEMAKIN PENTING
Bayangkan sebuah defect muncul hanya ketika satu mesin mencapai temperatur tertentu.
QC memiliki data defect.
Produksi memiliki data speed.
Maintenance memiliki data temperature dan current.
Engineering memiliki parameter proses.
Kalau masing-masing bekerja sendiri, hubungan tersebut mungkin tidak terlihat.
Tetapi ketika data terintegrasi, pola bisa muncul.
Inilah salah satu alasan mengapa digital manufacturing sangat menarik.
Masalah kualitas tidak lagi hanya menjadi masalah QC.
Ia menjadi masalah sistem.
Dan ketika masalah menjadi sistem, penyelesaiannya juga harus lintas fungsi.
AI BISA MEMBANTU MENGHUBUNGKAN TITIK-TITIK YANG TERPISAH
Bayangkan database berisi jutaan catatan.
Manusia sulit membaca semuanya.
AI dapat membantu menemukan hubungan yang tidak mudah terlihat.
Misalnya defect tertentu lebih sering terjadi ketika kombinasi tertentu muncul: grade material tertentu, speed tertentu, temperatur tertentu, dan kondisi equipment tertentu.
Ini bisa menjadi starting point investigation.
Tetapi hasil AI tetap perlu diuji.
AI memberikan hipotesis.
QC dan engineering membuktikan apakah hipotesis tersebut benar.
Model seperti ini jauh lebih sehat daripada menganggap AI sebagai mesin pemberi kebenaran.
TANTANGAN TERBESAR BUKAN TEKNOLOGINYA
Sering kali perusahaan berpikir masalah utama adalah membeli kamera atau software.
Padahal tantangan yang lebih besar dapat berupa:
Data tidak bersih.
Standard tidak konsisten.
Defect classification tidak jelas.
Measurement system buruk.
Operator belum dilatih.
QC tidak percaya hasil sistem.
Management tidak menentukan ownership.
Engineering dan QC tidak terintegrasi.
Model tidak pernah divalidasi ulang.
Jika fondasi tersebut buruk, teknologi mahal pun tidak akan menghasilkan quality system yang kuat.
Karena itu digitalisasi quality harus dimulai dari proses.
Bukan dari gadget.
APA YANG TERJADI PADA INSPECTOR?
Pekerjaan inspector manual tertentu memang berpotensi berkurang.
Terutama pekerjaan yang:
sangat repetitif,
mudah distandarkan,
mudah divisualisasikan,
memiliki pola defect yang jelas,
dan dapat diperiksa kamera secara konsisten.
Tetapi itu bukan berarti orangnya tidak lagi berguna.
Orang tersebut dapat diarahkan ke pekerjaan lain.
Verification.
Audit.
Sampling.
Data analysis.
AI model validation.
Process monitoring.
Customer quality.
Problem solving.
Training.
Improvement.
Inilah konsep reskilling.
World Economic Forum menilai perubahan teknologi akan mengubah komposisi skill dan menempatkan upskilling serta reskilling sebagai bagian penting dari transformasi tenaga kerja. citeturn0search3turn0search10
DARI INSPECTOR MENJADI QUALITY ANALYST
Salah satu kemungkinan perkembangan karier adalah pergeseran dari inspection menuju analysis.
Inspector bertanya:
“Apakah defect ada?”
Quality analyst bertanya:
“Bagaimana defect berubah?”
Quality engineer bertanya:
“Kenapa defect terjadi?”
Quality improvement specialist bertanya:
“Bagaimana kita mencegah defect tersebut muncul lagi?”
AI dapat membantu ketiganya.
Tetapi tingkat judgement manusia juga meningkat seiring pertanyaan menjadi semakin kompleks.
APA YANG HARUS DIPELAJARI QC?
Tidak perlu semua orang langsung belajar machine learning tingkat tinggi.
Mulailah dari fondasi.
Pertama, pahami statistik dasar.
Mean, standard deviation, distribution, variation, correlation, control chart.
Kedua, pahami proses.
QC yang tidak memahami proses akan kesulitan menilai output AI.
Ketiga, pahami measurement system.
Alat ukur harus dapat dipercaya sebelum datanya digunakan.
Keempat, belajar membaca data.
Excel, dashboard, trend, basic analytics sudah merupakan fondasi yang berguna.
Kelima, pahami machine vision secara umum.
Tidak harus membuat algoritma, tetapi tahu bagaimana kamera, lighting, image processing, dan classification bekerja.
Keenam, pahami AI secara praktis.
Apa yang dapat dilakukan?
Apa keterbatasannya?
Apa itu false positive?
Apa itu false negative?
Mengapa model bisa berubah performanya?
Ketujuh, pertahankan kemampuan problem solving.
Fishbone, 5 Why, Pareto, FMEA, SPC, dan verification tetap penting.
Teknologi baru tidak membuat prinsip dasar quality menjadi usang.
JUSTru teknologi baru membuat fondasi tersebut semakin bernilai.
APAKAH AI AKAN MENGGANTIKAN QC?
Sebagian tugas QC: ya, sangat mungkin.
Keseluruhan fungsi QC: jauh lebih kecil kemungkinannya.
Pemeriksaan visual yang repetitif dapat semakin otomatis.
Pengukuran tertentu dapat dilakukan sensor.
Klasifikasi defect dapat dibantu AI.
Reporting dapat dibuat otomatis.
Trend detection dapat dilakukan sistem.
Tetapi quality system tetap membutuhkan manusia untuk menentukan requirement, memvalidasi measurement, menyelidiki akar masalah, memahami customer, menangani kondisi baru, dan mengambil keputusan ketika informasi saling bertentangan.
Jadi yang berubah bukan keberadaan QC.
Yang berubah adalah definisi pekerjaan QC.
KESIMPULAN: QC TIDAK HILANG, QC NAIK KELAS
AI dan otomatisasi memang akan mengubah Quality Control.
Sebagian pekerjaan inspeksi manual akan berkurang.
Vision system dapat memeriksa lebih cepat.
Sensor dapat melakukan pengukuran terus-menerus.
AI dapat membantu klasifikasi defect.
Analytics dapat menemukan pola yang sulit terlihat manusia.
Tetapi semua itu tidak membuat QC menjadi tidak diperlukan.
Justru ketika data semakin banyak dan sistem semakin kompleks, kebutuhan terhadap manusia yang mampu memahami kualitas menjadi semakin penting.
QC masa depan bukan hanya orang yang menemukan produk NG.
Ia adalah orang yang memahami mengapa proses menghasilkan NG.
Ia membaca data.
Memvalidasi sistem.
Menguji hipotesis.
Melakukan root cause analysis.
Memahami customer.
Memastikan measurement system dapat dipercaya.
Mengawasi performa AI.
Dan memastikan keputusan kualitas tetap memiliki dasar teknis.
Contoh nyata dari ILO menunjukkan arah tersebut dengan cukup jelas: AI vision dapat membuat inspeksi jauh lebih cepat dan akurat ketika dipadukan dengan manusia, sementara sebagian pekerja dapat dilatih kembali untuk menjalankan peran yang lebih bernilai. citeturn0search12
Jadi pertanyaan sebenarnya bukan:
“Apakah AI akan menggantikan QC?”
Pertanyaan yang lebih tepat adalah:
“QC seperti apa yang akan tetap bernilai ketika AI sudah mampu melakukan sebagian besar inspeksi?”
Jawabannya bukan QC yang menolak teknologi.
Bukan pula QC yang menyerahkan semua keputusan kepada teknologi.
Yang paling kuat adalah QC yang mampu bekerja bersama teknologi.
Karena mesin dapat melihat lebih banyak.
AI dapat menghitung lebih cepat.
Sensor dapat mengukur lebih sering.
Tetapi seseorang tetap harus bertanya:
“Apakah semua ini benar?”
Dan ketika jawaban yang muncul ternyata tidak sesuai harapan, seseorang juga harus bertanya:
“Kalau begitu, apa yang sebenarnya terjadi?”
Di situlah QC belum selesai.
Justru di situlah QC yang sebenarnya dimulai.
REFERENSI
1. World Economic Forum. 2025. The Future of Jobs Report 2025. 2. World Economic Forum. 2025. Physical AI: Powering the New Age of Industrial Operations. 3. World Economic Forum. 2025. Jobs of Tomorrow: Technology and the Future of the World’s Largest Workforces. 4. International Labour Organization. 2025. When AI meets decent work: A productivity breakthrough from the factory floor. 5. International Labour Organization. Publications and research on AI adoption, manufacturing, skills, productivity and decent work.
Catatan: Teknologi AI, machine vision, robotics, dan automation memiliki kemampuan serta keterbatasan yang berbeda-beda. Implementasi nyata sangat bergantung pada jenis produk, karakteristik proses, kualitas data, kebutuhan customer, tingkat otomatisasi, investasi, dan kompetensi tenaga kerja. AI sebaiknya digunakan sebagai bagian dari sistem quality yang terkontrol, bukan sebagai pengganti seluruh judgement teknis.