Identification of Implementation Lean, Agile, Resilient and Green (LARG) Approach in Indonesia Automotive Industry
Notice bibliographique
Résumé
Indonesia's economic growth, which has developed in the last few decades, has contributed to an increase in the automotive industry sector. The automotive industry continues to increase the competitiveness of the automotive industry. The Lean, Agile, Resilient, Green (LARG) approach that has been applied by several global automotive industries, is able to increase competitiveness and performance in a sustainable manner. The purpose of this study is to analyze the implementation of the LARG approach in Indonesian automotive, as one of the bases for the automotive industry in Asia. The LARG value index is conducted to determine the level of application in the automotive industry in Indonesia. The mapping of the level of importance and performance of each of the LARG sub indicators was carried out using the Importance Performance Analysis (IPA) method. The results of this study confirm that there are several LARG sub indicators that have not been implemented properly. Green has the most sub-indicators that need to be improved, namely PG1 (ISO 14000 and OHSAS Certificates), PG2 (Collaboration with suppliers and customers in protecting the environment), PG6 (Carrying out industrial waste recycling), and PG8 (Product design that can reduce consumption of energy and raw materials). The calculation of the LARG implementation index value is 4.41.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».