Aplikasi Waste Assessment Model (WAM) Pada Proses Perencanaan Anggaran Menggunakan Sistem SILUNA
Notice bibliographique
Résumé
Peningkatan suatu kualitas baik produk maupun proses dapat dilakukan dengan menerapkan proses audit. Salah satu proses audit yang dapat dilakukan adalah dengan mengidentifikasi adanya suatu pemborosan. Pemborosan itu sendiri merupakan suatu proses yang tidak bernilai tambah. Metode audit yang digunakan untuk mengidentifikasi terdapatnya pemborosan adalah Lean. Penentuan dan eliminasi suatu proses yang tidak memberikan suatu nilai tambah merupakan fokus utama dari Lean. Dalam penerapannya, Lean memiliki metode untuk mengidentifikasi suatu pemborosan, metode tersebut adalah Waste Assessment Model (WAM). Penerapan WAM difokuskan untuk mengidentifikasi pemborosan dalam proses perencanaan anggaran menggunakan sistem SILUNA pada Bagian Perencanaan di Biro Perencanaan dan Keuangan Universitas Udayana. Penelitian ini mendapatkan hasil berupa 2 (dua) pemborosan dengan nilai paling tinggi, yaitu : defect merupakan waste urutan pertama dengan persentase 19,79% dan waste yang berada pada urutan berikutnya adalah inventory dengan persentase 16,35%.
 Kata Kunci— Lean; Waste; Waste Assessment Model
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».