Analisis pengukuran Beban Kerja Operator dengan menggunakan metode draws(Study kasus pada Departemen Preparation dan Departemen Assembly line 3 PT. Tetrapak Stainless Equipment.
Notice bibliographique
Résumé
Manufaktur adalah suatu cabang industri yang mengaplikasikan mesin, peralatan dan tenaga kerja. manufaktur juga adalah suatu medium proses dimana bahan mentah dirubah menjadi bahan jadi yang akhirnya dijual ke konsumen. Istilah ini bisa digunakan untuk aktivitas manusia mulai dari kerajinan tangan sampai ke produksi dengan teknologi tinggi, namun demikian istilah ini lebih sering digunakan untuk dunia industri dimana bahan baku diubah menjadi barang jadi dalam skala yang besar. Dalam skala besar ini lah tidak menutup kemungkinan terjadinya kesalahan dalam bekerja (Human Error) karena manusia yang berperan sebagai operator dalam melakukan pekerjaan memiliki keterbatasan baik dalam segi tenaga, waktu pengerjaan ataupun konsentrasi dalam melalukan pekerjaan. Kesalahan dalam bekerja (Human Error) ini lah dapat menghambat proses produksi sehingga dapat merugikan perusahaan. Oleh karena itu masalah tersebut akan diteliti menggunakan metoda Defence Research Agency Workload Scale (DRAWS) dengan 4 variabel beban kerja yaitu Input Demand, Central Demand, Output Demand dan Time Pressure. PT. Tetra Pak Stainless Equipment (PT. TPSE) adalah suatu perusahaan subsidiary dari Tetra Pak Swedia. PT. Tetra Pak Stainless Equipment adalah nama baru dari perusahaan yang bernama Indo Laval yakni perusahaan yang bergerak dibidang pembuatan komponen-komponen atau tanki yang terbuat dari stainless steel. Tingginya beban kerja yang dirasakan operator Departemen Preparation dan Departemen Assembly Line 3 menjadi penting untuk melakukan analisis beban kerja. Sehingga yang menjadi rumusan masalah pada penelitian kali ini adalah seberapa besar beban kerja yang dirasakan operator Departemen Preparation dan Departemen Assembly Line 3, variabel beban kerja metode DRAWS apa saja yang paling dominan dirasakan oleh operator di Departemen Preparation dan Departemen Assembly Line 3 termasuk beban kerja fisik atau beban kerja mental. Dari hasil rata-rata tiap bagian maka dapat dihitung rata-rata beban kerja dari keseluruhan operator Departemen Preparation dan Departemen Assembly Line 3, yaitu Departemen Preparation sebesar 53.18% dan pada Departemen Assembly Line 3 51.15% pada kedua Departemen ini termasuk kedalam kategori optimal load sehingga pada Departemen Preparation dan Departemen Assembly Line 3 dapat distandarkan beban kerjanya menjadi optimal load. Pada Departemen Preparation dan Departemen Assembly Line 3 mengalami beban kerja yang berbeda diantranya pada Work Center Cutting, Rolling dan Finish Assembly mengalami beban kerja fisik, pada Work Center Forming, Grinding, Glass Beading, dan Finish Assembly mengalami beban kerja mental, Sedangkan pada Work Center Assembly Agitator (Mixing Unit) dan Final Polishing mengalami beban kerja fisik dan mental (Seimbang). Namun hasil rata-rata beban kerja yang dirasakan pada Departemen Preparation adalah katagori beban kerja mental sengkan pada Departemen Assembly Line 3 termasuk dalam katagori beban kerja fisik dan mental (Seimbang). Beban kerja mental berpengaruh terhadap konsentrasi dan perhatian yang dibutuhkan karyawan untuk mengerjakan suatu tugas. Apabila beban kerja mental rendah maka konsntrasi dan perhatian yang dibutuhkan untuk mengerjakan suatu tugas akan minimal jumlahnya. Diperlukan adanya usaha yang sangat tinggi dalam menyelesaikan pekerjaannya agar hasilnya sesuai dengan yang diharapkan. Selain itu harus didukung dengan kondisi fisik dan mental serta lingkungan dan sistem kerja yang baik.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».