Efektivitas P-Chart dalam Mendeteksi Anomali pada Data Pengendalian Kualitas Berukuran Besar

Abstract

Pengendalian kualitas yang efektif merupakan aspek penting dalam menjaga konsistensi dan keandalan produk di berbagai sektor industri, terutama dalam produksi massal dengan data berukuran besar. Salah satu alat yang sering digunakan untuk memantau kualitas produk adalah P-chart, yang mengukur proporsi cacat dalam suatu batch produksi. Meskipun P-chart tradisional telah banyak diterapkan, metode ini menunjukkan keterbatasan dalam mendeteksi anomali pada data yang besar dan proporsi cacat yang kecil, yang berpotensi menyebabkan kesalahan deteksi seperti false positives dan false negatives. Penelitian ini bertujuan untuk mengembangkan P-chart adaptif yang lebih sensitif dan akurat dalam mendeteksi anomali dalam data pengendalian kualitas yang berukuran besar. Dengan memodifikasi batas kontrol P-chart berdasarkan pembelajaran dari data yang dinamis, serta mengintegrasikan teknik pembelajaran mesin, penelitian ini menunjukkan bahwa P-chart adaptif dapat meningkatkan sensitivitas terhadap perubahan kecil dalam proporsi cacat, terutama dalam kondisi data yang tidak terdistribusi normal. Hasil eksperimen pada data simulasi dan data industri nyata menunjukkan bahwa P-chart adaptif berhasil mengurangi false positives dan false negatives, serta meningkatkan akurasi deteksi anomali dibandingkan dengan P-chart tradisional. Penelitian ini memberikan kontribusi dalam pengembangan teknik pengendalian kualitas yang lebih efisien dan efektif untuk aplikasi industri dengan data besar dan kompleks.