QC Food Analysis Dashboard — Industrial Quality Assurance

Ringkasan Eksekutif & Analisis Diagnostik Mutu

Kerangka analisis multivariat (5W1H) dan metodologi investigasi akar masalah berbasis 5M1E.

VARIABEL PROSES & LINI

Evaluasi Produk, Mesin, Shift & Operator

Produk Kritis: Yogurt mencatat reject rate tertinggi (7,94%).
Mesin Kritis: Mesin M2 mencatat reject rate tertinggi (7,13%).
Korelasi Shift: Distribusi seimbang (Shift 1: 6,50% vs Shift 2: 6,67%).
Korelasi Operator: Homogen pada rentang 6,38% – 7,02% tanpa deviasi ekstrem.

DISTRIBUSI DEFECT

Pareto Kategori Cacat Mutu

Top 1: High Moisture (45 batch / 14%)
Top 2: High pH (43 batch / 28% kumulatif)
Top 3: Metal Detector Fail (38 batch / 40% kumulatif)
Top 4–5: Seal Defect (35 batch) & Low Moisture (34 batch)
7 dari 9 kategori cacat menyumbang 82% total reject.

INTERAKSI SPESIFIK

Pemetaan Cacat per Kategori Produk

Cookies & Crackers: Terkonsentrasi pada High Moisture.
Strawberry Jam: Terkonsentrasi pada Metal Detector Fail.
Tomato Sauce: Terkonsentrasi pada High pH.
Yogurt: Terkonsentrasi pada Seal Defect & Underweight.
Mesin M2: Dominan Moisture, Metal Detection, dan Sealing.

POLA TREN WAKTU

Karakteristik Time Series

Fluktuasi Harian: Rentang 1–7 batch reject/hari.
Fluktuasi Mingguan: Rentang 12–23 batch reject/minggu.
Tren Bulanan: Jan (84) → Feb (73) → Mar (76) → Apr (83).
Karakteristik: Chronic / recurring variation (belum tampak penurunan konsisten).

ANALISIS DIAGNOSTIK AKAR MASALAH (ROOT CAUSE ANALYSIS)

Metodologi: Descriptive & Diagnostic Cross-Tabulation

Sintesis Analisis Kualitas & Arahan Tindakan Korektif (CAPA)

Secara keseluruhan total reject rate sebesar 6,58%lebih dipengaruhi oleh karakteristik produk dan performa mesin dibandingkan faktor operator maupun shift. Pola time series menunjukkan data reject terus berfluktuasi secara berulang tanpa tren penurunan yang stabil. Selain itu penyebab reject di diagram Pareto cenderung merata tanpa ada yang dominan ekstrem. Maka tindakan perbaikan harus dilakukan pada banyak faktor sekaligus yaitu 7 parameter utama untuk mengejar target kumulatif 82%. Sedangkan investigasi teknisnya diprioritaskan pada kombinasi antara produk Yogurt dan Mesin M2 yang berkontribusi sebagai reject tertinggi sebesar 9,41%.

Executive Summary (English Translation)

Overall the 6.58% reject rate appears to be more influenced by product characteristics and machine performance than by operator or shift factors. The time series pattern shows recurring fluctuations in reject occurrence without a sustained downward trend. In addition, the Pareto analysis indicates that reject causes are relatively evenly distributed, with no single cause being overwhelmingly dominant. Therefore, improvement efforts should address multiple factors simultaneously, focusing on the seven key parameters that account for the cumulative 82% of rejects. Meanwhile, technical investigation should prioritize the combination of Yogurt and Machine M2, which recorded the highest reject rate at 9,41%.

Total Inspeksi Batch

4.800

5 Produk • 3 Mesin • 2 Shift

Lolos Uji (PASS)

4.484

93,42% Pass Rate

Gagal Uji (FAIL / Reject)

316

6,58% Overall Reject Rate

Fokus Produk Kritis

Yogurt

7,94% Reject (81 Batch)

Mesin Prioritas Evaluasi

Mesin M2

7,13% Reject (112 Batch)

Pivot Sheet: Produk & Mesin Produksi

Tabel agregasi inspeksi, jumlah lolos/gagal, serta evaluasi performa mesin.

Pivot Product (Tujuan: Mengetahui inspeksi & pass/reject tiap produk)

Product	FAIL	PASS	Grand Total	Reject Rate %	Status Prioritas
Cookies	69	951	1.020	6,76%	Medium
Crackers	60	1.000	1.060	5,66%	Terendah
Strawberry Jam	50	750	800	6,25%	Medium
Tomato Sauce	56	844	900	6,22%	Medium
Yogurt	81	939	1.020	7,94%	Prioritas 1
Grand Total	316	4.484	4.800	6,58%	—

Kesimpulan: "Yogurt memiliki reject rate tertinggi yaitu 7,94% dibandingkan dengan produk lainnya, sedangkan Crackers memiliki reject rate terendah yaitu 5,66%. Yogurt menjadi produk dengan prioritas investigasi tertinggi karena memiliki reject rate sebesar 7,94%."

Pivot Machine (Tujuan: Evaluasi performa mesin)

Machine	FAIL	PASS	Grand Total	Reject Rate %	Evaluasi
M1	97	1.557	1.654	5,86%	Terendah
M2	112	1.458	1.570	7,13%	Tertinggi
M3	107	1.469	1.576	6,79%	Tinggi
Grand Total	316	4.484	4.800	6,58%	—

Interpretasi: "M2 menunjukkan reject rate tertinggi sebesar 7,13%, sehingga layak menjadi prioritas evaluasi performa mesin dan parameter proses. Namun, perbedaan ini belum membuktikan bahwa M2 merupakan root cause."

Pivot Mesin Fix: Cross-Tabulation Machine vs Product

Kombinasi silang jumlah FAIL dan Reject Rate % per lini mesin dan produk

Machine	Cookies		Crackers		Strawberry Jam		Tomato Sauce		Yogurt		Total Batch
Machine	FAIL	Rate%	FAIL	Rate%	FAIL	Rate%	FAIL	Rate%	FAIL	Rate%	Total Batch
M1	23	6,57%	21	5,79%	14	5,19%	19	5,78%	20	5,85%	1.654
M2	27	7,83%	20	6,08%	15	5,68%	18	6,16%	32	9,41%	1.570
M3	19	5,85%	19	5,16%	21	7,89%	19	6,81%	29	8,58%	1.576
Grand Total	69	6,76%	60	5,66%	50	6,25%	56	6,22%	81	7,94%	4.800

Note: Kombinasi M2 × Yogurt mencatat lonjakan reject tertinggi yaitu 9,41% (32 batch), disusul M3 × Yogurt (8,58%). Ini menegaskan adanya interaksi kuat antara mesin pengemasan cup yogurt dan setelan mesin M2.

Pivot Sheet: Rejected Batches by Machine and Reject Cause

Matriks silang 3 Mesin × 9 Kategori Cacat Mutu beserta analisis diagnostik tiap mesin.

Matriks Mesin vs Jenis Cacat

Filter Status_QC = FAIL (Total 316 Batch Reject)

Machine	Appearance Defect	High Moisture	High pH	Low Brix	Low Moisture	Metal Detector	Overweight	Seal Defect	Underweight	Grand Total
M1	10	14	18	7	10	7	12	11	8	97
M2	8	19	11	8	11	17	11	15	12	112
M3	14	12	14	10	13	14	10	9	11	107
Grand Total	32	45	43	25	34	38	33	35	31	316

Mesin M1

Penyebab tertinggi: High pH = 18 batch

diikuti: High Moisture = 14 batch, Overweight = 12 batch.

Mesin M2 (Prioritas Tertinggi)

Penyebab paling menonjol: High Moisture = 19 batch, Metal Detector Fail = 17 batch, Seal Defect = 15 batch.

Note: "M2 juga merupakan mesin dengan reject rate tertinggi. Ini kombinasi yang menarik."

Mesin M3

Penyebab relatif tersebar: Appearance Defect = 14 batch, High pH = 14 batch, Metal Detector Fail = 14 batch.

Note: "Tidak ada satu penyebab yang sangat dominan."

Pareto Analysis & Matrix Product vs Reject Cause

Kombinasi analisis pareto cacat dan rincian penyebab reject per jenis produk makanan.

Pareto Analysis of Reject Causes

7 dari 9 kategori cacat menyumbang 82% total kegagalan

Note Pareto: "Berdasarkan Pareto Chart, penyebab reject dengan frekuensi tertinggi adalah High Moisture sebanyak 45 batch (14%), diikuti oleh High pH sebanyak 43 batch (28% kumulatif) dan Metal Detector Fail sebanyak 38 batch (40% kumulatif). Namun, distribusi penyebab reject relatif merata sehingga tidak terdapat satu penyebab yang secara signifikan mendominasi. Upaya perbaikan mutu perlu difokuskan pada beberapa faktor sekaligus, bukan hanya satu penyebab utama."

Frekuensi & Kumulatif Pareto

Penyebab Reject	Count of Batch	Kumulatif	Cumulative %
1. High Moisture	45	45	14%
2. High pH	43	88	28%
3. Metal Detector Fail	38	126	40%
4. Seal Defect	35	161	51%
5. Low Moisture	34	195	62%
6. Overweight	33	228	72%
7. Appearance Defect	32	260	82%
8. Underweight	31	291	92%
9. Low Brix	25	316	100%
Grand Total	316	—	100%

Prioritas Awal Perbaikan: 1. High Moisture, 2. High pH, 3. Metal Detector Fail, 4. Seal Defect, 5. Low Moisture, 6. Overweight, 7. Appearance Defect.

Matriks Silang: Rejected Batches by Product and Reject Cause

Karakteristik cacat spesifik yang mendominasi tiap kategori produk

Product	Appearance Defect	High Moisture	High pH	Low Brix	Low Moisture	Metal Detector	Overweight	Seal Defect	Underweight	Grand Total
Cookies	8	15	8	3	7	8	6	7	7	69
Crackers	6	12	7	7	7	5	5	8	3	60
Strawberry Jam	6	6	6	5	4	10	3	5	5	50
Tomato Sauce	4	4	14	5	7	6	10	2	4	56
Yogurt	8	8	8	5	9	9	9	13	12	81
Grand Total	32	45	43	25	34	38	33	35	31	316

Cookies: Reject dominan High Moisture = 15 batch dari 69 reject (21,7% reject Cookies).

Crackers: Paling tinggi High Moisture = 12 batch (20,0% dari seluruh reject Crackers).

Strawberry Jam: Paling tinggi Metal Detector Fail = 10 batch (20,0% reject). Penyebab dominan berbeda dari biskuit.

Tomato Sauce: Sangat jelas didominasi High pH = 14 batch dari 56 reject (25,0%). Konsentrasi penyebab yang sangat kuat.

                Yogurt: Paling menonjol pada Seal Defect = 13 batch dan Underweight = 12 batch dari 81 reject.
              

Insight Kunci: "Yogurt bukan hanya produk dengan reject rate tertinggi, tetapi jenis masalahnya terkonsentrasi pada Seal Defect dan Underweight, sedangkan Tomato Sauce didominasi High pH. Artinya strategi improvement sebaiknya tidak disamaratakan untuk semua produk."

Pivot Sheet: Analisis Shift & Operator

Evaluasi komparatif keterkaitan variabel shift dan operator terhadap kejadian reject.

Pivot Shift (Tujuan: Apakah reject lebih banyak terjadi pada shift tertentu?)

Shift	FAIL	PASS	Grand Total	Reject Rate %
Shift 1	156	2.244	2.400	6,50%
Shift 2	160	2.240	2.400	6,67%
Grand Total	316	4.484	4.800	6,58%

Interpretasi: "Distribusi reject kedua shift sangat mirip (6,50% vs 6,67%). Jadi tidak terdapat indikasi kuat bahwa shift merupakan faktor pembeda utama reject."

Pivot Operator (Tujuan: Membandingkan performa operator)

Operator	FAIL	PASS	Grand Total	Reject Rate %
Operator A	52	762	814	6,39%
Operator B	55	789	844	6,52%
Operator C	52	763	815	6,38%
Operator D	52	735	787	6,61%
Operator E	53	746	799	6,63%
Operator F	52	689	741	7,02%
Grand Total	316	4.484	4.800	6,58%

Interpretasi: "Operator F memang memiliki rate tertinggi, 7,02%, tetapi semua operator berada di kisaran 6,38–7,02%. Tidak ada operator yang memiliki reject rate yang sangat menyimpang dari operator lainnya. Jadi variasi reject antar operator relatif kecil dan tidak menunjukkan adanya satu operator yang menjadi outlier dominan."

Analisis Tren Reject (Harian, Mingguan, Bulanan)

Pola pergerakan reject time series untuk mendeteksi anomali kronis atau perbaikan mutu.

Daily Reject Trend (Rentang: 1–7 Batch/Hari)

Peak 7 batch muncul pada: 8 Februari, 18 Maret, dan 23 Maret

Interpretasi: "Dari data harian, reject berfluktuasi, tetapi tidak terlihat adanya lonjakan yang terus-menerus (berkisar 1–7 batch/hari). Masalahnya terlihat lebih seperti chronic / recurring quality issue daripada satu kejadian besar yang hanya terjadi sekali. Namun, tanggal-tanggal yang mencapai 7 batch layak dijadikan trigger untuk drill-down ke produk, mesin, shift, dan penyebab reject."

Monthly Reject Date & Weekly Trend

Jan (84) • Feb (73) • Mar (76) • Apr (83) • Mingguan (12–23 Batch)

Interpretasi: "Reject mingguan berfluktuasi dalam rentang 12–23 batch (misal 1–7 Jan: 23, 5–11 Feb: 23, 23–29 Apr: 23). Tren bulanan turun di Februari namun naik kembali di Maret dan April. Belum terlihat tren penurunan reject yang konsisten (belum ada continuous improvement). Pola masih fluktuatif/stabil pada level tertentu."

QC Master Data Records (4.800 Baris)

Data aktual terdistribusi secara kronologis alami sepanjang Jan–Apr 2026 (93,42% PASS & 6,58% FAIL).

No	Tanggal	No. Batch	Product	Machine	Shift	Operator	Status QC	Penyebab Reject