Bayangkan sebuah pabrik minuman memproduksi ribuan botol setiap hari dengan target volume isi sebesar 600 mL per botol, meskipun mesin telah dikalibrasi, selalu terdapat sedikit variasi pada volume yang dihasilkan akibat karakteristik alami proses produksi.
Pertanyaannya, kapan variasi tersebut masih dapat dianggap normal dan kapan harus menjadi tanda adanya masalah pada proses? Dalam Statistical Process Control (SPC), kondisi tersebut dianalisis menggunakan Upper Control Limit (UCL) dan Lower Control Limit (LCL), yaitu batas kendali atas dan batas kendali bawah yang digunakan untuk mengevaluasi apakah suatu proses masih berada dalam kondisi terkendali secara statistik. Berbeda dengan batas spesifikasi yang ditentukan berdasarkan kebutuhan pelanggan, UCL dan LCL dihitung berdasarkan variasi alami proses sehingga berfungsi sebagai indikator dini terhadap munculnya penyebab variasi yang tidak normal (assignable causes) (Montgomery, 2020).
Dalam sebuah control chart, UCL dan LCL berperan sebagai batas pengawasan terhadap karakteristik kualitas yang diamati, seperti dimensi produk, berat, suhu, maupun waktu proses. Selama titik pengamatan berada di antara kedua batas tersebut serta tidak menunjukkan pola yang tidak wajar, proses dianggap berada dalam kondisi statistical control. Sebaliknya, apabila terdapat titik yang melampaui UCL atau berada di bawah LCL, atau muncul pola tertentu seperti tren yang terus meningkat, penurunan berturut-turut, maupun siklus yang berulang, maka proses diduga dipengaruhi oleh penyebab khusus yang memerlukan investigasi lebih lanjut (Besterfield, 2018). Dengan demikian, control chart tidak hanya digunakan untuk mendeteksi produk cacat, tetapi juga sebagai alat pencegahan agar penyimpangan proses dapat diidentifikasi sebelum menghasilkan kerugian yang lebih besar.
Penentuan nilai UCL dan LCL dilakukan melalui pendekatan statistik berdasarkan data historis proses. Pada umumnya, garis tengah (center line) merepresentasikan nilai rata-rata proses, sedangkan batas kendali dihitung menggunakan prinsip tiga simpangan baku (±3σ) dari rata-rata. Untuk X̄ chart, misalnya, nilai UCL dan LCL diperoleh dengan memanfaatkan konstanta tertentu yang disesuaikan dengan ukuran sampel, sedangkan pada Individuals Chart batas kendali dihitung langsung menggunakan estimasi standar deviasi proses (Montgomery, 2020). Pendekatan ±3σ dipilih karena secara statistik mampu mencakup sekitar 99,73% variasi alami proses yang mengikuti distribusi normal. Oleh sebab itu, data yang berada di luar batas kendali memiliki peluang yang sangat kecil terjadi secara alami dan menjadi indikasi adanya perubahan kondisi proses yang perlu segera dianalisis.
Penerapan UCL dan LCL dapat ditemukan di berbagai sektor manufaktur. Sebagai contoh, pada proses pemesinan poros (shaft), diameter produk diukur secara berkala dan diplot ke dalam control chart.
Apabila seluruh hasil pengukuran berada di antara UCL dan LCL, maka proses dianggap stabil meskipun masih terdapat variasi kecil antarproduk. Namun, jika beberapa titik pengamatan tiba-tiba melampaui UCL, kondisi tersebut dapat mengindikasikan keausan pahat, kesalahan kalibrasi mesin, atau perubahan parameter pemotongan. Dengan mengetahui penyebab tersebut sejak dini, operator dapat segera melakukan penyesuaian sebelum menghasilkan produk dalam jumlah besar yang berada di luar spesifikasi. Pendekatan serupa juga diterapkan pada industri makanan, farmasi, elektronik, hingga otomotif untuk menjaga konsistensi kualitas dan mengurangi biaya akibat scrap maupun rework (Evans dan Lindsay, 2020).
Dengan demikian, Upper Control Limit (UCL) dan Lower Control Limit (LCL) merupakan parameter yang sangat penting dalam pengendalian kualitas berbasis statistik. Kedua batas kendali tersebut memungkinkan perusahaan membedakan variasi proses yang masih bersifat alami dengan variasi yang disebabkan oleh gangguan tertentu sehingga tindakan korektif dapat dilakukan secara tepat waktu. Melalui penerapan SPC yang didukung oleh UCL dan LCL, organisasi mampu menjaga stabilitas proses, meningkatkan konsistensi kualitas produk, mengurangi pemborosan, serta memperkuat daya saing di tengah tuntutan industri modern yang semakin mengedepankan kualitas dan efisiensi operasional.
Penulis: Brian Arga Prasidio Putra
Penyunting: Brian Arga Prasidio Putra
Daftar Pustaka
Besterfield, D.H. (2018). Quality Control. Edisi ke-9. Boston: Pearson.
Evans, J.R. dan Lindsay, W.M. (2020). Managing for Quality and Performance Excellence. Edisi ke-11. Boston: Cengage Learning.
Montgomery, D.C. (2020). Introduction to Statistical Quality Control. Edisi ke-8. Hoboken, NJ: Wiley.
Shewhart, W.A. (1931). Economic Control of Quality of Manufactured Product. New York: D. Van Nostrand Company.
Cek berita selengkapnya di sosial media kami:
Website: https://www.its.ac.id/tindustri/laboratorium-sistem-manufaktur/ Instagram: @sismanity LinkedIn: www.linkedin.com/in/manufacturing-systems-laboratory YouTube: SISMANITY ITS
Ilustrasi dibantu oleh AI Reve.art, dengan prompt dari penulis Bayangkan sebuah balok logam yang awalnya hanya berupa material
Bayangkan sebuah pabrik minuman memproduksi ribuan botol setiap hari dengan target volume isi sebesar 600 mL per botol, meskipun
Bayangkan sebuah mesin produksi menunjukkan peningkatan getaran yang tidak biasa saat beroperasi. Ilustrasi dibantu oleh AI Reve.art, dengan prompt
