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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».