Dalam industri manufaktur, khususnya pada proses machining (pemesinan), menjaga kualitas produk dan efisiensi proses adalah kunci. Variasi adalah bagian tak terhindarkan dari setiap proses produksi, tetapi membedakan antara variasi yang umum (common cause variation) dan variasi yang disebabkan oleh masalah spesifik (special cause variation) adalah hal yang sangat penting. Di sinilah Statistical Process Control (SPC) berperan.

Statistical Process Control (SPC) adalah metodologi berbasis data yang menggunakan metode statistik untuk memantau, mengendalikan, dan meningkatkan suatu proses. Tujuannya adalah untuk mendeteksi kapan proses mulai tidak stabil atau keluar dari kontrol, memungkinkan tindakan korektif diambil sebelum produk cacat diproduksi dalam jumlah besar. Dalam machining, SPC sangat vital untuk memastikan dimensi, toleransi, dan kualitas permukaan komponen yang diproduksi sesuai spesifikasi.

Baca Juga : 5 Sistem Pengendalian Proses Produksi Pada Manajemen Operasional

Mengapa SPC Penting dalam Machining?

Proses machining melibatkan banyak variabel yang dapat mempengaruhi kualitas akhir produk, seperti:

• Keausan alat potong: Alat yang aus dapat menyebabkan dimensi tidak akurat atau kualitas permukaan buruk.

• Pergeseran pahat atau fixture: Pergerakan kecil pada alat atau penahan benda kerja bisa mengakibatkan offset dimensi.

• Getaran mesin: Dapat memengaruhi finishing permukaan dan keakuratan.

• Perubahan material: Variasi kekerasan atau komposisi material mentah.

• Suhu lingkungan: Dapat menyebabkan ekspansi atau kontraksi material dan mesin.

• Kesalahan operator: Pengaturan parameter yang tidak tepat atau kesalahan pengukuran.

Tanpa SPC, masalah ini mungkin baru terdeteksi setelah sejumlah besar produk cacat sudah diproduksi, menyebabkan pemborosan material (scrap), pengerjaan ulang (rework), dan penundaan pengiriman. SPC memungkinkan pergeseran dari deteksi cacat di akhir proses ke pencegahan cacat di awal.

Konsep Dasar Analisis SPC

Analisis SPC berpusat pada pemantauan data proses dari waktu ke waktu untuk mengidentifikasi pola dan anomali. Elemen kuncinya meliputi:

1. Variasi (Variation): Setiap proses memiliki variasi. SPC membedakan antara:

   • Common Cause Variation (Variasi Penyebab Umum): Variasi alami yang melekat pada sistem atau proses itu sendiri. Ini adalah variasi yang diharapkan dan biasanya dalam batas toleransi. Untuk mengurangi variasi ini, perbaikan pada sistem secara keseluruhan diperlukan.

   • Special Cause Variation (Variasi Penyebab Khusus): Variasi yang tidak terduga dan tidak berasal dari proses normal. Ini sering kali menunjukkan masalah spesifik yang memerlukan tindakan segera (misalnya, alat patah, kesalahan operator, setting mesin bergeser).

2. Kontrol Statistik (Statistical Control): Suatu proses dikatakan dalam kontrol statistik ketika hanya ada variasi penyebab umum. Artinya, proses tersebut stabil dan dapat diprediksi. Tujuannya bukan menghilangkan semua variasi, melainkan memastikan variasi tersebut berasal dari penyebab umum.
3. Peta Kendali (Control Charts): Ini adalah tools utama dalam SPC. Control chart adalah grafik yang menampilkan data proses dari waktu ke waktu, bersama dengan batas kendali statistik (Upper Control Limit/UCL, Center Line/CL, Lower Control Limit/LCL). Batas-batas ini dihitung dari data proses itu sendiri, bukan dari spesifikasi produk. 
   • Garis Tengah (CL): Representasi dari rata-rata proses historis.
   • Batas Kendali Atas (UCL) dan Bawah (LCL): Batas yang menunjukkan rentang variasi yang diharapkan jika proses berada dalam kendali statistik.

Baca Juga : Cara Kerja Material Requirements Planning Dalam Proses Produksi

Langkah-Langkah Analisis SPC dalam Machining

Menerapkan analisis SPC dalam proses machining biasanya mengikuti langkah-langkah ini:

1. Pilih Karakteristik Kritis Kualitas (Critical-to-Quality/CTQ): Identifikasi parameter produk atau proses yang paling penting untuk kualitas, seperti dimensi kunci (diameter, panjang, kedalaman), toleransi bentuk, atau kualitas permukaan.

2. Pilih Peta Kendali yang Tepat: Tergantung pada jenis data (variabel atau atribut) dan ukuran sampel, pilih control chart yang sesuai.

   • Untuk Data Variabel (pengukuran yang dapat diukur secara kontinu):

     • X-bar dan R Chart: Paling umum digunakan untuk mengontrol rata-rata dan rentang dari subkelompok sampel (biasanya 2-10 sampel per subkelompok). Cocok untuk memantau dimensi.
     • X-bar dan S Chart: Mirip dengan X-bar dan R, tetapi menggunakan standar deviasi (S) dari subkelompok, lebih akurat untuk ukuran sampel yang lebih besar (>10).
     • Individual dan Moving Range (I-MR) Chart: Digunakan ketika data dikumpulkan sebagai individu (n=1), misalnya untuk proses yang lambat atau produk berharga tinggi di mana pengambilan banyak sampel tidak praktis.

   • Untuk Data Atribut (data hitungan, kategorikal: OK/NG, cacat/tidak cacat):

     • P Chart: Untuk proporsi unit cacat dalam sampel (ukuran sampel dapat bervariasi).

     • np Chart: Untuk jumlah unit cacat dalam sampel (ukuran sampel harus konstan).

     • C Chart: Untuk jumlah cacat per unit (jumlah kesempatan cacat konstan).
     • U Chart: Untuk jumlah cacat per unit (jumlah kesempatan cacat bervariasi).

3. Kumpulkan Data: Kumpulkan data pengukuran secara berkala dari proses machining. Pastikan metode pengumpulan data konsisten dan gage atau alat ukur sudah terkalibrasi. Data harus dicatat bersama dengan waktu dan tanggal.

4. Hitung Batas Kendali: Gunakan data yang terkumpul (biasanya minimal 20-25 subkelompok) untuk menghitung garis tengah (CL), batas kendali atas (UCL), dan batas kendali bawah (LCL) untuk control chart yang dipilih. Rumus perhitungan bervariasi tergantung jenis chart.

5. Plot Data pada Peta Kendali: Masukkan setiap titik data baru (rata-rata sampel, rentang, proporsi cacat, dll.) ke dalam control chart.

6. Interpretasi Peta Kendali: Amati pola titik-titik pada control chart.

   • Jika semua titik berada di antara UCL dan LCL, dan tidak ada pola non-random yang terdeteksi (misalnya, lari 7 titik berturut-turut di atas/bawah garis tengah, tren naik/turun yang konsisten), proses dianggap dalam kontrol statistik (hanya variasi penyebab umum).

   • Jika ada titik yang keluar dari batas kendali atau menunjukkan pola non-random lainnya, ini menandakan adanya variasi penyebab khusus.

7. Ambil Tindakan Korektif: Ketika variasi penyebab khusus terdeteksi:

   • Hentikan proses: Jika diperlukan, untuk mencegah produksi lebih banyak produk cacat.

   • Identifikasi akar masalah: Gunakan tools kualitas seperti Fishbone Diagram (Diagram Ishikawa), 5 Whys, atau Pareto Chart untuk menemukan penyebab utama.

   • Terapkan koreksi: Lakukan perubahan pada mesin, tooling, material, atau prosedur.

   • Monitor dampaknya: Lanjutkan pemantauan dengan SPC untuk memverifikasi bahwa koreksi berhasil dan proses kembali dalam kendali statistik.

8. Peningkatan Berkelanjutan: Setelah proses stabil, fokuslah pada mengurangi variasi penyebab umum dan meningkatkan kapabilitas proses (Process Capability Index/Cpk).

Manfaat Analisis SPC dalam Machining

Penerapan SPC yang efektif membawa banyak keuntungan bagi operasi machining:

• Peningkatan Kualitas Produk: Memastikan produk memenuhi spesifikasi dan toleransi, mengurangi cacat, dan meningkatkan konsistensi.
• Pengurangan Biaya:
  • Mengurangi scrap dan rework (pengerjaan ulang).
  • Meminimalkan klaim garansi dan pengembalian produk.
  • Mengurangi kebutuhan akan inspeksi 100% yang mahal.
• Peningkatan Produktivitas: Mengurangi waktu henti mesin yang disebabkan oleh masalah kualitas yang tidak terduga.
• Optimasi Proses: Membantu mengidentifikasi area di mana proses dapat dioptimalkan untuk performa yang lebih baik.
• Pengambilan Keputusan Berbasis Data: Keputusan dibuat berdasarkan data faktual dan statistik, bukan spekulasi.
• Peningkatan Kepuasan Pelanggan: Produk berkualitas tinggi yang konsisten membangun kepercayaan pelanggan.
• Pencegahan Masalah: Mengidentifikasi potensi masalah sebelum mereka menjadi kritis.
• Memenuhi Standar: Membantu memenuhi persyaratan standar kualitas seperti ISO 9001 atau IATF 16949.

 

Perangkat Lunak SPC untuk Machining

Meskipun SPC dapat dilakukan secara manual, penggunaan perangkat lunak khusus sangat direkomendasikan untuk efisiensi dan akurasi, terutama dalam lingkungan produksi modern. Beberapa software SPC populer meliputi:

• Minitab Statistical Software / Real-Time SPC by Minitab: Salah satu software statistik terkemuka yang banyak digunakan untuk SPC, analisis kapabilitas proses, dan analisis data lainnya.
• QI Macros: Add-in Excel yang menyediakan template dan fungsi untuk berbagai control chart dan tools kualitas.
• WinSPC: Perangkat lunak SPC khusus yang dirancang untuk pengumpulan data real-time dan pemantauan proses.
• InfinityQS Proficient/ProFicient OnDemand: Solusi SPC komprehensif untuk skala besar.
• Ellistat: Menawarkan modul SPC dengan konektivitas ke peralatan pengukuran.

Perangkat lunak ini biasanya terintegrasi dengan mesin CNC atau sistem pengukuran (misalnya, CMM, gage digital) untuk pengumpulan data otomatis, meminimalkan kesalahan input manual dan memberikan feedback real-time kepada operator.

Contoh Studi Kasus Singkat: Dimensi Lubang pada Komponen Mesin

Sebuah perusahaan manufaktur memproduksi komponen dengan lubang berdiameter 10.00±0.05 mm. Mereka ingin memastikan proses machining lubang ini stabil.

1. CTQ: Diameter lubang.

2. Peta Kendali: Karena data bersifat variabel (pengukuran diameter) dan mereka mengambil 5 sampel setiap jam, mereka memilih X-bar dan R Chart.

3. Pengumpulan Data: Selama 25 jam, mereka mengambil 5 sampel setiap jam dan mengukur diameternya.

4. Perhitungan Batas Kendali: Dengan menggunakan data 25 subkelompok, mereka menghitung rata-rata X-bar, rata-rata rentang R, serta UCL, CL, dan LCL untuk kedua chart.

5. Plotting dan Interpretasi:

   • Awalnya, semua titik berada dalam batas kendali, menunjukkan proses stabil.

   • Pada jam ke-15, titik rata-rata (X-bar) tiba-tiba naik di atas UCL, dan rentang (R) juga menunjukkan peningkatan.

6. Tindakan Korektif: Operator segera diberitahu. Mereka menginvestigasi dan menemukan bahwa alat bor mulai aus secara signifikan, menyebabkan diameter lubang membesar dan variasi meningkat. Alat diganti, dan proses kembali ke kendali statistik.

Tanpa SPC, masalah alat aus mungkin baru terdeteksi setelah sejumlah besar komponen dengan lubang di luar toleransi telah diproduksi, menyebabkan pemborosan material dan waktu yang substansial.

Analisis Statistical Process Control (SPC) adalah metode yang sangat efektif dan terbukti untuk mengelola dan meningkatkan kualitas dalam operasi machining. Dengan fokus pada pemantauan proses secara real-time dan identifikasi penyebab variasi, SPC memungkinkan produsen untuk beralih dari deteksi masalah menjadi pencegahan.

Ini mengarah pada pengurangan biaya, peningkatan produktivitas, kualitas produk yang lebih baik, dan pada akhirnya, kepuasan pelanggan yang lebih tinggi. Menerapkan SPC bukan hanya tentang tool atau grafik, tetapi tentang membangun budaya kualitas dan peningkatan berkelanjutan dalam proses machining.