Analisis pengukuran Beban Kerja Operator dengan menggunakan metode draws(Study kasus pada Departemen Preparation dan Departemen Assembly line 3 PT. Tetrapak Stainless Equipment.
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".