Analisis pengukuran Beban Kerja Operator dengan menggunakan metode draws(Study kasus pada Departemen Preparation dan Departemen Assembly line 3 PT. Tetrapak Stainless Equipment.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Manufaktur adalah suatu cabang industri yang mengaplikasikan mesin, \nperalatan dan tenaga kerja. manufaktur juga adalah suatu medium proses dimana bahan \nmentah dirubah menjadi bahan jadi yang akhirnya dijual ke konsumen. Istilah ini bisa \ndigunakan untuk aktivitas manusia mulai dari kerajinan tangan sampai ke produksi \ndengan teknologi tinggi, namun demikian istilah ini lebih sering digunakan untuk dunia \nindustri dimana bahan baku diubah menjadi barang jadi dalam skala yang besar. Dalam \nskala besar ini lah tidak menutup kemungkinan terjadinya kesalahan dalam bekerja \n(Human Error) karena manusia yang berperan sebagai operator dalam melakukan \npekerjaan memiliki keterbatasan baik dalam segi tenaga, waktu pengerjaan ataupun \nkonsentrasi dalam melalukan pekerjaan. Kesalahan dalam bekerja (Human Error) ini lah \ndapat menghambat proses produksi sehingga dapat merugikan perusahaan. Oleh karena \nitu masalah tersebut akan diteliti menggunakan metoda Defence Research Agency \nWorkload Scale (DRAWS) dengan 4 variabel beban kerja yaitu Input Demand, Central \nDemand, Output Demand dan Time Pressure. \nPT. Tetra Pak Stainless Equipment (PT. TPSE) adalah suatu perusahaan \nsubsidiary dari Tetra Pak Swedia. PT. Tetra Pak Stainless Equipment adalah nama baru \ndari perusahaan yang bernama Indo Laval yakni perusahaan yang bergerak dibidang \npembuatan komponen-komponen atau tanki yang terbuat dari stainless steel. Tingginya \nbeban kerja yang dirasakan operator Departemen Preparation dan Departemen \nAssembly Line 3 menjadi penting untuk melakukan analisis beban kerja. Sehingga yang \nmenjadi rumusan masalah pada penelitian kali ini adalah seberapa besar beban kerja \nyang dirasakan operator Departemen Preparation dan Departemen Assembly Line 3, \nvariabel beban kerja metode DRAWS apa saja yang paling dominan dirasakan oleh \noperator di Departemen Preparation dan Departemen Assembly Line 3 termasuk beban \nkerja fisik atau beban kerja mental. \nDari hasil rata-rata tiap bagian maka dapat dihitung rata-rata beban kerja dari \nkeseluruhan operator Departemen Preparation dan Departemen Assembly Line 3, yaitu \nDepartemen Preparation sebesar 53.18% dan pada Departemen Assembly Line 3 \n51.15% pada kedua Departemen ini termasuk kedalam kategori optimal load sehingga \npada Departemen Preparation dan Departemen Assembly Line 3 dapat distandarkan \nbeban kerjanya menjadi optimal load. Pada Departemen Preparation dan Departemen \nAssembly Line 3 mengalami beban kerja yang berbeda diantranya pada Work Center \nCutting, Rolling dan Finish Assembly mengalami beban kerja fisik, pada Work Center \nForming, Grinding, Glass Beading, dan Finish Assembly mengalami beban kerja mental, \nSedangkan pada Work Center Assembly Agitator (Mixing Unit) dan Final Polishing \nmengalami beban kerja fisik dan mental (Seimbang). Namun hasil rata-rata beban kerja \nyang dirasakan pada Departemen Preparation adalah katagori beban kerja mental \nsengkan pada Departemen Assembly Line 3 termasuk dalam katagori beban kerja fisik \ndan mental (Seimbang). \nBeban kerja mental berpengaruh terhadap konsentrasi dan perhatian yang \ndibutuhkan karyawan untuk mengerjakan suatu tugas. Apabila beban kerja mental \nrendah maka konsntrasi dan perhatian yang dibutuhkan untuk mengerjakan suatu tugas \nakan minimal jumlahnya. Diperlukan adanya usaha yang sangat tinggi dalam \nmenyelesaikan pekerjaannya agar hasilnya sesuai dengan yang diharapkan. Selain itu \nharus didukung dengan kondisi fisik dan mental serta lingkungan dan sistem kerja yang \nbaik.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,016 | 0,001 |
| Communication savante | 0,010 | 0,016 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découle