Hybrid Control Chart Design Integrating Deep Learning Anomaly Detection for Real-Time Quality Assurance in Manufacturing Processes

Abstract

Industri manufaktur saat ini menghadapi tantangan besar dalam menjaga kualitas produk secara konsisten sepanjang siklus produksi. Pengendalian kualitas yang efektif sangat penting untuk mendeteksi dan mengurangi cacat produk sebelum mencapai konsumen. Namun, metode pengendalian kualitas tradisional seperti grafik kontrol sering kali terbatas dalam mendeteksi anomali yang kompleks atau memiliki sifat dinamis. Penelitian ini mengusulkan desain sistem pengendalian kualitas hibrid yang mengintegrasikan grafik kontrol klasik dengan deteksi anomali berbasis deep learning. Sistem ini menggunakan grafik kontrol Shewhart untuk memonitor kestabilan dan variasi proses, sementara autoencoder neural network digunakan untuk mendeteksi anomali dalam data produksi secara real-time. Hasil dari deteksi anomali ini digunakan untuk menyesuaikan batas kontrol dalam grafik Shewhart, sehingga memungkinkan penyesuaian dinamis terhadap kondisi proses yang berubah. Penelitian ini menunjukkan bahwa sistem hibrid ini dapat mendeteksi 92% anomali dengan F1-Score sebesar 0.89, serta memberikan respons yang lebih cepat dan akurat dibandingkan dengan metode kontrol kualitas tradisional. Pendekatan ini menawarkan solusi yang lebih efisien dan adaptif untuk pengendalian kualitas di industri manufaktur, dengan potensi untuk diterapkan di berbagai sektor yang membutuhkan kontrol kualitas yang lebih tinggi dan responsif.