Saran - IMPLEMENTASI DATA MINING UNTUK PREDIKSI EFEKTIVITAS PADA MESIN INJECTION MENGGUNAKAN AL

BAB VI PENUTUP

6.2 Saran

Penelitian ini tentunya memiliki kekurangan dan kelemahan. Berikut ini saran yang perlu dipertimbangkan sebagai bentuk pengembangan penelitian yang telah penulis lakukan:

1. Penelitian lebih lanjut menggunakan parameter yang lebih beragam.

2. Penelitian lebih lanjut menggunakan algoritma yang beragam seperti Random Forest dengan data yang sama.

3. Dibuatnya sistem atau aplikasi yang terhubung langsung ke mesin karena penelitian ini masih dalam bentuk prototipe dimana belum digunakan langsung pada perusahaan tersebut.

4. Sistem yang akan dibuat dapat berkembang sebagai Sistem Pendukung Keputusan (SPK).

DAFTAR PUSTAKA

Ahammed, S., Newaz, N., & Dey, A. (2019). Analyzing Political Opinions and Prediction of Voting Patterns in the US Election with Data Mining

Approaches. 19(2), 1–6.

Albahash, Z. F., & Ansari, M. N. M. (2016). A Revied on Rear Under-Ride Protection Devices For Trucks. 95–109.

https://doi.org/https://doi.org/10.1080/13588265.2016.1228135

Amalia, Y. R. (2018). Penerapan Data Mining Untuk Prediksi Penjualan Produk Elektronik Terlaris Menggunakan Metode K-Nearest Neighbor.

UNIVERSITAS ISLAM NEGERI RADEN FATAH PALEMBANG.

Ambarsari, E. W., Khotijah, S., & Sunarmintyastuti, L. (2019). PEMODELAN REWARD RULE GAME STREAMER INDONESIA TINGKAT AMATIR DENGAN ORANGE DATA MINING. 4(1).

Anggito, A., & Setiawan, J. (2018). Metodologi Penelitian Kualitatif (Cetakan Pe;

E. D. Lestari, Ed.). Kabupaten Sukabumi: CV Jejak.

Anugerah Ayu Sendari. (2021). Implementasi adalah Pelaksanaan Tujuan, Pahami Pengertian. Retrieved July 28, 2021, from hot.liputan6.com website:

https://hot.liputan6.com/read/4478774/implementasi-adalah-pelaksanaan-tujuan-pahami-pengertian-dan-contohnya

Astiningrum, M., Syulistyo, A. R., & Caesaria, A. K. (2020). Identifikasi Komponen GUI pada Prototipe Aplikasi Mobile. JIP (Jurnal Informatika Polinema), 6, 51–56. Retrieved from

http://jip.polinema.ac.id/ojs3/index.php/jip/article/view/321/243

Behera, H. S. (2015). Computational Intelligence in Data Mining - Volume 1 (1st ed.; D. P. Mohaputra, Ed.). https://doi.org/10.100/978-81-322-2734-2 Blasi, A. H. (2020). What is the mininum amount of data needed when carrying

out analysis via datamining techniques like decision tree? Retrieved from researchgate.net website: https://www.researchgate.net/post/What-is-the- mininum-amount-of-data-needed-when-carrying-out-analysis-via-

datamining-techniques-like-decision-tree/5f0e296178f08f57622ff9b6/citation/download

Buulolo, E. (2020). DATA MINING UNTUK PERGURUAN TINGGI (Cetakan Pe;

H. A. Susanto & A. Y. Wati, Eds.). Yogyakarta: CV BUDI UTAMA.

Carroll, A. M., Perez, M., & Toy, P. (2012). PERFORMING A COMMUNITY ASSESSMENT CURRICULUM. Retrieved from

https://healthpolicy.ucla.edu/programs/health-data/trainings/Documents Edi, F. R. S. (2016). Teori Wawancara Psikodiagnostik (Cetakan Pe). Retrieved

from

https://books.google.co.id/books?hl=id&lr=&id=uS96DwAAQBAJ&oi=fnd

&pg=PA1&dq=wawancara+adalah&ots=zIRctRAg1j&sig=euKVXEK1E_91 7HdH-jowiy3LqBc&redir_esc=y#v=onepage&q=wawancara adalah&f=false Eska, J. (2016). PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN

WALLPAPER MENGGUNAKAN ALGORITMA C4 . 5 STMIK Royal , Ksiaran. 2.

Faid, M. (2019). Perbandingan Kinerja Tool Data Mining Weka dan Rapidminer Dalam Algoritma Klasifikasi. TEKNIKA, 8.

https://doi.org/10.34148/teknika.v8i1.95

Fajrin, A. A., & Maulana, A. (2018). PENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA FP- GROWTH PADA DATA TRANSAKSI PENJUALAN. 05(01), 27–36.

Firdianti, A. (2018). IMPLEMENTASI MANAJEMEN BERBASIS SEKOLAH DALAM MENINGKATKAN PRESTASI BELAJAR SISWA (Cetakan Pe; E.

W. Astuti, Ed.). Retrieved from

https://books.google.co.id/books?hl=id&lr=&id=nIp-DwAAQBAJ&oi=fnd&pg=PR3&dq=pengertian+implementasi&ots=2RapI

Ns0vN&sig=LD-eZTKvXVd-F6M9AX2pptWhM34&redir_esc=y#v=onepage&q&f=false

Gorunescu, F. (2011). Data Mining : Concepts, Models, and Techniques.

https://doi.org/10.1007/978-3-642-19721-5

Gullo, F. (2015). From Patterns in Data to Knowledge Discovery : What Data Mining Can Do. Physics Procedia, 62, 18–22.

https://doi.org/10.1016/j.phpro.2015.02.005

Hanif Rahmawan, & Azhari SN. (2020). PENENTUAN REKOMENDASI PELATIHAN PENGEMBANGAN DIRI BAGI PEGAWAI NEGERI SIPIL MENGGUNAKAN ALGORITMA C4 . 5 DENGAN PRINCIPAL

COMPONENT ANALYSIS. Jurnal TEKNO KOMPAK, 14(1), 5–10.

Haryati, S., Sudarsono, A., & Suryana, E. (2015). IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4 . 5. Jurnal Media Infotama, 11(2), 130–138.

Hasley, A. (2015, June 9). There are about 1.7 million rear-end collisions on U.S.

roads each year. Here’s how to stop them. The Washington Post, p. 1.

Retrieved from

https://www.washingtonpost.com/news/dr- gridlock/wp/2015/06/08/there-are-about-1-7-million-rear-end-collisions-on-u-s-roads-each-year-heres-how-to-stop-them

Hidayat, Arnita, & Irdas, I. (2017). EVALUATION OF MICRO HYDRO POWER PLANT ( MHPP ) USING OVERALL EQUIPMENT

EFFECTIVENESS ( OEE ) METHOD. APRN Journal of Engineering and Applied Sciences, 12(18), 5271–5275.

Indriani, A. (2014). Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier. Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 5–10.

Irawan, M. D., & Simargolang, S. A. (2018). Implementasi E-Arsip Pada Program Studi Teknik Informatika. Jurnal Teknologi Informasi, 2(1).

Jatmiko, Y. A., Padmadisastra, S., & Chadidjah, A. (2019). Analisis

Perbandingan Kinerja Cart Konvensional, Bagging dan Random Forest pada Klasifikasi Objek: Hasil dari Dua Simulasi. 12(2), 1–12.

https://doi.org/10.14710/medstat.12.1.1-12

Karmita, S., Gaffar, A. . O., Wiguna, A. S., & W.P, A. B. (2018). Prediksi Jumlah Calon Mahasiswa Baru Menggunakan Fuzzy Time Series-Time Invariant.

3(1), 208–214.

Khotimah, N., & Istiawan, D. (2018). Perbandingan Algoritma C4 . 5 , Naïve Bayes dan K-Nearest Neighbour untuk Prediksi Lahan Kritis di Kabupaten Pemalang. 41–50.

Kotthoff, L., Leyton-brown, K., Thornton, C., Hoos, H. H., & Hutter, F. (2017).

Auto-WEKA 2 . 0 : Automatic model selection and hyperparameter optimization in WEKA. Journal of Machine Learning Research, 18, 1–5.

Retrieved from

http://jip.polinema.ac.id/ojs3/index.php/jip/article/view/321/243

Kristono, S. N., & Hudori, M. (2018). Pengukuran Efektivitas Mesin Produksi Besi Bondeck pada Industri Manufaktur dengan Overall Equipment Effectiveness. X(3), 253–258.

Mardi, Y. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4.5.

Jurnal Edik Informatika.

Melita, R., Amrizal, V., Suseno, H. B., & Dirjam, T. (2018). ( TF-IDF ) DAN COSINE SIMILARITY PADA SISTEM TEMU KEMBALI INFORMASI UNTUK MENGETAHUI SYARAH HADITS BERBASIS WEB ( STUDI KASUS : SYARAH UMDATIL AHKAM ). Jurnal Teknik Informatika, 11(2).

Mendrofa, Y. (2019). Implementasi Algoritma C4.5 Untuk Memprediksi Tingkat Kerusakan Akibat Banjir (Studi Kasus : BPDB Provinsi Sumut). Jurnal Pelita Informatika, 18(April), 323–331.

Muhammad, Z., Rahmadhani, R., Rizqifaluthi, H., & Yaqin, M. A. (2018).

Process Mining Akademik Sekolah Menggunakan RapidMiner. MATICS : Jurnal Ilmu Komputer Dan Teknologi Informasi, 10(2), 47–51.

https://doi.org/10.18860/mat.v10i2.5745

Mulawarman, F. A. (2016). PERENCANAAN PERAWATAN MESIN INJECTION MOLDING DENGAN MENGGUNAKAN METODE REALIBILITY CENTERED MAINTENANCE DI PT . VICTORY PLASTIC. JTM, 04 Nomor 0, 99–110.

Nasution, A. B. (2015). PEMANFAATAN DATA MINING DALAM

MEMPREDIKSI INDIKASI KERUSAKAN MOTOR DINAMO PADA MESIN PRODUKSI GRANIT. 196–200.

Nengsih, W., Zein, M. M., & Hayati, N. (2021). Coarse-Grained Sentiment Analysis Berbasis Natural Language Processing – Ulasan Hotel ( Coarse-Grained Sentiment Analysis Based on Natural Language Processing - Hotel Review ). 10(1), 41–48.

Pradeep, K. R., & Naveen, N. C. (2018). Lung Cancer Survivability Prediction Based on Performance Using Classification Techniques Prediction of

Support Vector Machines, C4.5, and Naive Bayes Algorithms for Healthcare Analytics. Procedia Computer Science, 132, 412–420.

https://doi.org/10.1016/j.procs.2018.05.162

Pratiwi, B. P., & Silvia, A. (2020). Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi WSN Menggunakan Confusion Matrix. 6(2), 66–75.

Putra, A. (2017). SOLUSI PREDIKSI MAHASISWA DROP OUT PADA

PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA. 8(1), 177–184.

Rahayuningsih, P. A., & Maulana, R. (2018). Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner. VI(1), 20–28.

Rapidminer.com. (2001). RapidMiner Studio Manual. Retrieved March 8, 2021, from rapidminer.com website:

https://docs.rapidminer.com/downloads/RapidMiner-v6-user-manual.pdf Rohman, A., & Rufiyanto, A. (2019). IMPLEMENTASI DATA MINING

DENGAN ALGORITMA DECISION TREE C4 . 5 UNTUK PREDIKSI KELULUSAN MAHASISWA DI UNIVERSITAS PANDANARAN.

SINTAK 2019, 134–139.

Roiger, R. J. (2017). Data Mining : A Tutorial-Based Primer (2nd ed.). Retrieved from

https://books.google.co.id/books?hl=id&lr=&id=v3ANDgAAQBAJ&oi=fnd

&pg=PP1&dq=data+mining&ots=ronhX14091&sig=MDjdvKPLUsvTm3L_

8p00LEOOxg0&redir_esc=y#v=onepage&q&f=false

Rokach, L. (2016). Decision forest : Twenty years of research. INFORMATION FUSION, 27, 111–125. https://doi.org/10.1016/j.inffus.2015.06.005 Sigit Adinugroho, & Yuita Arum Sari. (2018). Implementasi Data Mining

Singh, A., Dey, N., Ashour, A. S., & Santhi, V. (2017). Web Semantics for Textual and Visual Information Retrieval. https://doi.org/10.4018/978-1-5225-2483-0.ch006

Siregar, A. M., & Puspabhuana, A. (2017). DATA MINING : Pengolahan Data Menjadi Informasi dengan RapidMiner. CV Kekata Group.

Siyoto, S., & Sodik, A. (2015). Dasar Metodologi Penelitian (Cetakan 1; Ayup, Ed.). Yogyakarta: Literasi Media Publishing.

Sudarsana, I. K., Simarmata, J., Swasgita, I. P. H. Y., Suciati, N. P., Rudiadnyana, I. M., Buana, K., & Anggreni, P. K. N. (2019). Teknologi dan Aplikasinya dalam Dunia Pendidikan Teknologi dan Aplikasinya dalam Dunia

Pendidikan. Denpasar: Jayapangus Press.

Sugiyono, P. D. (2015). Metode Penelitian Pendidikan Pendekatan Kuantitatif, Kualitatif dan R&D (Cetakan Ke). Bandung: ALFABETA.

Suliantoro, H., Susanto, N., Prastawa, H., Sihombing, I., & Anita, M. (2017).

PENERAPAN METODE OVERALL EQUIPMENT EFFECTIVENESS ( OEE ) DAN FAULT TREE ANALYSIS ( FTA ) UNTUK MENGUKUR EFEKTIFITAS MESIN RENG. J@ti Undip: Jurnal Teknik Industri, 12(2), 105–118.

Suroyo, H. (2019). Penerapan Machine Learning dengan Aplikasi Orange Data Mining Untuk Menentukan Jenis Buah Mangga. 343–347.

Usman, N. (2004). Konteks Implementasi Berbasis Kurikulum. Jakarta: Grasindo.

Vacca, J. R. (2017). Computer and Information Security Handbook (3rd ed.; J. R.

Vacca, Ed.). https://doi.org/10.1016/B978-0-12-803843-7.18001-9

Wagner, S. M., & Rau, C. (2010). Multiple Informant Methodology : A Critical Review and Recommendations. https://doi.org/10.1177/0049124110366231 Wahyudi, U. (2015). PENGARUH INJECTION TIME DAN BACKPRESSURE

TERHADAP CACAT INJECTION MOLDING MENGGUNAKAN MATERIAL POLISTYRENE. Jurnal Teknik Mesin (JTM), 04(3), 15–24.

Widayu, H., Nasution, S. D., Silalahi, N., & Mesran. (2017). DATA MINING UNTUK MEMPREDIKSI JENIS TRANSAKSI NASABAH PADA KOPERASI SIMPAN PINJAM DENGAN ALGORITMA C4.5. 1(2), 32–37.

Widi, R. K. (2018). Menggelorakan Penelitian; Pengenalan dan Penuntun Pelaksanaan Penelitian (Cetakan Pe). Yogyakarta: Deepublish.

Yang, Y., & Chen, W. (2016). Taiga : Performance Optimization of the C4 . 5 Decision Tree Construction Algorithm. 21(4), 415–425.

Yulianto, I., Prassetiyo, H., & Rispianda. (2014). RANCANGAN DESAIN MOLD PRODUK KNOB REGULATOR KOMPOR GAS PADA PROSES INJECTION MOLDING. Jurnal Online Institut Teknologi Nasional, 02(03),

140–151.

Zulfauzi, M. N. A. (2020). PENERAPAN ALGORITMA NAIVE BAYES UNTUK PREDIKSI PENERIMAAN FAKULTAS KOMPUTER. Jurnal Teknologi Informasi Mura, 12(02), 156–165.

LAMPIRAN Lampiran 1. Surat Dosen Pembimbing Skripsi

Lampiran 2. Surat Permohonan Penelitian Skripsi pada PT. Tridaya Artaguna Santara

Lampiran 3. Hasil Wawancara dengan Manajer Mold Maker Bapak Sugeng, S.T Hasil Wawancara

Narasumber : Sugeng, S.T bagian Mana Mold Maker Tempat : PT. Tridaya Artaguna Santara

Hari/Tanggal : Kamis, 10 Desember 2020

1. Sebelumnya perkenalkan nama saya Rizky Evita Putri biasa dipanggil Kiky, saya mahasiswa semester 8 dari Universitas Islam Negeri Jakarta, dengan siapa saya berbicara boleh bapak/ibu memperkenalkan diri.

Jawab : Anda saat ini berbicara dengan Sugeng salah satu karyawan PT Tridaya Artaguna Santara

2. Sudah berapa lama bapak bekerja pada perusahaan ini?

Tujuan : Untuk mengetahui seberapa tahu beliau tentang perusahaan Jawab : Saya bekerja di Perusahaan ini dari tahun 1996 saat masih berbadan CV, Kebetulan perusahaan ini berubah menjadi Perseroan Terbatas ( PT ) pada tahun 2000, jadi lama saya bekerja diperusahaan ini 25 Tahun.

3. Apakah bapak bisa jelaskan sedikit tentang perusahaan ini?

Tujuan : Untuk mengetahui tentang perusahaan

Jawab : PT Tridaya Artaguna Santara sendiri bergerak dibidang jasa manufacturing design, mold, dies, dan komponen-komponen baik automotif, elektronik, rumah tangga dan lain-lain.

4. Kalau begitu bapak pasti tau apa saja permasalahan serta kendala yang ada pada perusahaan ini, salah satunya saya akan bertanya mengenai mesin produksi.

Tujuan : Untuk mengetahui permasalahan yang ada pada mesin.

Jawab : Ya, sedikit banyak tahu masalah-masalah yang terjadi. Untuk permesinannya sendiri ada beberapa jenis mesin yang masing-masing mempunyai fungsi tersendiri dalam proses manufacturing.

5. Kalau boleh tau mesin apa saja yang digunakan pada perusahaan ini?

Tujuan : Untuk mengetahui jenis mesin apa saja yang digunakan.

Jawab : Mesin-mesin tersebut seperti Mesin Injection (Injeksi), Lathe ( Bubut ), Drilling ( Bor ), Milling ( Manual Milling dan CNC Milling ), EDM, Dll. Dimana dari masing-masing mesin tersebut mempunya fungsi dan peranan sendiri- sendiri dan jumlah yang berbeda yang menyesuaikan dengan kebutuhan dalam mengcover proses manufacturing yang diberikan oleh Customer.

6. Apa ada kendala dalam penggunaan mesin?

Tujuan : Untuk mengetahui lebih detail kendala dari penggunaan mesin.

Jawab : Untuk kendala mesin sendiri lebih spesifikasi ke usia mesin dan perawatan/maintenance mesin. Untuk kendala proses permesinan atau jalannya produksi biasanya banyak faktor, diantaranya a). Faktor mesin itu sendiri, b). Faktor Tool dan Equitment, c). Faktor software dan program 7. Menurut bapak mesin apa yang cocok untuk diolah datanya menjadi

sebuah informasi? Dan kenapa?

Tujuan : Mencari mesin yang cocok.

Jawab : Mungkin bisa dengan mesin injection, karena mesin tersebut bersifat masspro atau pengerjaan secara massal, jadi mesin itu terus berjalan jika ada pesanan yang masuk, dan pengerjaannya mempunyai target.

8. Dari banyaknya mesin sudah tentu mempunyai datanya masing-masing bukan pak? Adakah sebuah database atau dimana data tersebut disimpan?

Tujuan : Untuk mengetahui apakah data dari mesin tersebut dapat diolah.

Jawab : Ya betul. Semua data masih disimpan dalam bentuk file excel dan hard copy

9. Apakah dari mesin tersebut kita bisa memprediksi efisiensi mesin?

Tujuan : untuk mengetahui dari mesin tersebut dapat di prediksi efisiensinya pada suatu produk atau tidak.

Jawab : Kemungkinan bisa dikarenakan ada banyak data yang digunakan dari mesin itu sendiri.

Lampiran 4. Hasil Wawancara dengan Staff Operator Mesin Injection Bapak Budi Ardyanto

Hasil Wawancara

Narasumber : Staff Operator Mesin Injection Budi Ardyanto Tempat : PT. Tridaya Artaguna Santara

Hari/Tanggal : Kamis, 10 Desember 2020

1. Berapa banyak mesin injection yang ada pada perusahaan ini? Dan bolehkah disebutkan bagian-bagian yang ada pada mesin injection secara garis besar?

Tujuan : Untuk mengetahui berapa mesin yang digunakan dalam perusahaan tersebut dan komponen apa saja yang digunakan pada mesin tersebut.

Jawab : Untuk saat ini ada 2 mesin injcetion yang masih beroperasi dan untuk bagian-bagian dari mesin injcetion tersebut secara garis besar ada clamping unit, injection unit, dan control panel.

2. Bolehkan dijelaskan secara singkat cara kerja mesin tersebut?

Tujuan : Untuk mengetahui jalannya mesin tersebut agar bisa memahami sedikit tentang mesin tersebut.

Jawab : Penutupan pada cetakan adalah langkah awal mesin tersebut bekerja, lalu dilakukan pengisian setelah itu ada yang namanya holding injection, setelah itu proses pendinginan, langkah terakhir adalah membuka cetakan.

3. Apa saja tugas anda sebagai staff operator pada mesin injection?

Tujuan : Mengetahui pengoperasian mesin tersebut.

Jawab : Mengoperasikan control panel pada mesin dan mencatat semua jalannya proses dan hasil produksi pada mesin injection.

4. Untuk perusahaan ini adakah produk khusus yang diproduksi oleh mesin injection?

Tujuan : Mengetahui produk yang perusahaan produksi sebagai salah satu parameter atau variabel dalam penelitian.

Jawab : Produk khususnya itu adalah rear under guard untuk mobil dan body yang ada pada motor.

5. Apakah produksi selalu mencapai target dan selalu menghasilkan produk yang baik juga bagus?

Tujuan : Mengetahui apakah produk selalu mencapai target yang sudah ditentukan.

Jawab : Biasanya produk yang dihasilkan tiap shift memang terkadang dibawah target, apabila ada kendala seperti mesin maintenance, produk reject, maupun kendala lainnya data tersebut sudah ada di data produksi mesin.

6. Apa saja kendala pada mesin tersebut?

Tujuan : Mengetahui apakah ada kerusakan pada mesin.

Jawab : Selain produksi yang dibawah target, terkadang mesin tersebut bekerja keras untuk mencapai target yang diinginkan mengakibatkan mesin memerlukan perawatan yang ekstra dengan mengeluarkan biaya untuk mengganti komponen pada mesin atau mengganti dengan mesin baru. Dari permasalahan tersebut perusahaan mengalami kerugian karena mesin tidak berjalan dengan efisien dan efektif.

7. Apakah kerja mesin injection ini efektif dan efisien dalam memproduksi produk?

Tujuan : Mengetahui kinerja mesin.

Jawab : Secara perkiraan mesin ini terlihat masih dalam batas wajar.

Untuk perhitungannya mungkin bisa pakai rumus OEE agar terlihat mesin ini efektif atau tidak.

8. Apa yang dilakukan untuk menangani produk yang gagal?

Tujuan : Mengetahui penanganan pada produk yang gagal.

Jawab : Produk yang gagal seringkali kami jual dengan harga murah atau kami pasok ke supplier lain yang butuh bahan plastiknya. Produk yang gagal seringkali membuat rugi bahan, waktu, dan tenaga.

9. Menurut bapak salah satu cara untuk meminimalisir ketidakefektifan sebuah mesin itu apa?

Budi Ardyanto Tujuan : Untuk mengetahui apa yang harus dilakukan untuk mengurangi kerugian dan ketidakefektifan.

Jawab : Mungkin jika kita sudah mempunyai gambaran tentang produksi di masa mendatang

10. Bagaimana tanggapan bapak jika data mesin tersebut dikumpulkan dan dijadikan sebuah informasi agar dapat digunakan untuk memprediksi keefektian produksi mesin tersebut dimasa mendatang? Dan bagaimana jika data tersebut digunakan untuk sebuah penelitian?

Tujuan : Mengetahui apakah prediksi sangat berguna untuk mesin tersebut.

Jawab : Justru bagus dengan adanya informasi mengenai data mesin ini dimasa mendatang mungkin akan lebih memudahkan kami dalam memperkirakan keefektifan produksi mesin. Tapi kemungkinan perusahaan kami akan membatasi data yang digunakan untuk umum.

EMG Stop Filling Material Release NG Availability Performace Quality

52 B 1.25 1008 958 939 9 10 1260 1149 13 60 38 91.19% 95.04% 98.02% 84.95% Wajar

53 B 1.25 1008 958 947 4 7 1260 1178 0 60 22 93.49% 95.04% 98.85% 87.83% Kelas Dunia

54 B 1.25 504 478 467 3 8 630 576 2 30 22 91.43% 94.84% 97.70% 84.72% Wajar

55 B 1.25 1008 959 939 11 9 1260 1149 11 60 40 91.19% 95.14% 97.91% 84.95% Wajar

56 B 1.25 1008 957 948 5 4 1260 1182 0 60 18 93.81% 94.94% 99.06% 88.23% Kelas Dunia

57 B 1.25 1008 957 944 4 9 1260 1174 0 60 26 93.17% 94.94% 98.64% 87.26% Kelas Dunia

58 B 1.25 1008 957 931 11 15 1260 1148 0 60 52 91.11% 94.94% 97.28% 84.15% Wajar

59 B 1.25 1008 958 950 3 5 1260 1184 0 60 16 93.97% 95.04% 99.16% 88.56% Kelas Dunia

60 B 1.25 504 475 468 4 3 630 582 4 30 14 92.38% 94.25% 98.53% 85.78% Kelas Dunia

61 B 1.25 1008 952 944 6 2 1260 1184 0 60 16 93.97% 94.44% 99.16% 88.00% Kelas Dunia

62 B 1.25 1008 954 948 2 4 1260 1188 0 60 12 94.29% 94.64% 99.37% 88.67% Kelas Dunia

63 B 1.25 1008 955 946 6 3 1260 1182 0 60 18 93.81% 94.74% 99.06% 88.04% Kelas Dunia

64 B 1.25 1008 951 945 3 3 1260 1188 0 60 12 94.29% 94.35% 99.37% 88.39% Kelas Dunia

65 B 1.25 1008 944 935 7 2 1260 1175 7 60 18 93.25% 93.65% 99.05% 86.50% Kelas Dunia

66 B 1.25 504 470 458 6 6 630 576 0 30 24 91.43% 93.25% 97.45% 83.08% Wajar

67 B 1.25 1008 950 942 5 3 1260 1184 0 60 16 93.97% 94.25% 99.16% 87.82% Kelas Dunia

68 B 1.25 1008 947 943 2 2 1260 1192 0 60 8 94.60% 93.95% 99.58% 88.50% Kelas Dunia

69 B 1.25 1008 945 940 3 2 1260 1190 0 60 10 94.44% 93.75% 99.47% 88.07% Kelas Dunia

70 B 1.25 1008 950 943 4 3 1260 1186 0 60 14 94.13% 94.25% 99.26% 88.06% Kelas Dunia

71 B 1.25 1008 953 944 5 4 1260 1176 6 60 18 93.33% 94.54% 99.06% 87.41% Kelas Dunia

72 B 1.25 504 473 467 4 2 630 583 5 30 12 92.54% 93.85% 98.73% 85.75% Kelas Dunia

73 B 1.25 1008 936 920 10 6 1260 1167 1 60 32 92.62% 92.86% 98.29% 84.53% Wajar

74 B 1.25 1008 942 931 8 3 1260 1178 0 60 22 93.49% 93.45% 98.83% 86.35% Kelas Dunia

75 B 1.25 1008 939 924 4 11 1260 1170 0 60 30 92.86% 93.15% 98.40% 85.12% Kelas Dunia

76 B 1.25 1008 940 932 3 5 1260 1184 0 60 16 93.97% 93.25% 99.15% 86.88% Kelas Dunia

77 B 1.25 1008 933 918 9 6 1260 1166 4 60 30 92.54% 92.56% 98.39% 84.28% Wajar

78 B 1.25 504 465 456 6 3 630 582 0 30 18 92.38% 92.26% 98.06% 83.58% Wajar

79 C 1 1260 1196 1185 7 4 1260 1178 0 60 22 93.49% 94.92% 99.08% 87.93% Kelas Dunia

80 C 1 1260 1195 1190 2 3 1260 1190 0 60 10 94.44% 94.84% 99.58% 89.20% Kelas Dunia

81 C 1 1260 1195 1188 3 4 1260 1186 0 60 14 94.13% 94.84% 99.41% 88.75% Kelas Dunia

82 C 1 1260 1193 1183 7 3 1260 1180 0 60 20 93.65% 94.68% 99.16% 87.93% Kelas Dunia

83 C 1 1260 1195 1185 4 6 1260 1180 0 60 20 93.65% 94.84% 99.16% 88.08% Kelas Dunia

84 C 1 630 594 583 7 4 630 565 13 30 22 89.68% 94.29% 98.15% 82.99% Wajar

85 C 1 1260 1196 1174 12 10 1260 1154 2 60 44 91.59% 94.92% 98.16% 85.34% Kelas Dunia

86 C 1 1260 1200 1183 9 8 1260 1166 0 60 34 92.54% 95.24% 98.58% 86.88% Kelas Dunia

87 C 1 1260 1192 1182 3 7 1260 1180 0 60 20 93.65% 94.60% 99.16% 87.85% Kelas Dunia

88 C 1 1260 1189 1176 9 4 1260 1167 7 60 26 92.62% 94.37% 98.91% 86.44% Kelas Dunia

89 C 1 1260 1188 1182 4 2 1260 1188 0 60 12 94.29% 94.29% 99.49% 88.45% Kelas Dunia

90 C 1 630 590 583 4 3 630 586 0 30 14 93.02% 93.65% 98.81% 86.08% Kelas Dunia

91 C 1 1260 1185 1182 1 2 1260 1189 5 60 6 94.37% 94.05% 99.75% 88.52% Kelas Dunia

92 C 1 1260 1182 1156 11 15 1260 1147 1 60 52 91.03% 93.81% 97.80% 83.52% Wajar

93 C 1 1260 1188 1168 8 12 1260 1153 7 60 40 91.51% 94.29% 98.32% 84.83% Wajar

94 C 1 1260 1180 1170 5 5 1260 1180 0 60 20 93.65% 93.65% 99.15% 86.96% Kelas Dunia

95 C 1 1260 1173 1167 3 3 1260 1188 0 60 12 94.29% 93.10% 99.49% 87.33% Kelas Dunia

96 C 1 630 570 566 2 2 630 592 0 30 8 93.97% 90.48% 99.30% 84.42% Wajar

97 C 1 1260 1179 1171 3 5 1260 1184 0 60 16 93.97% 93.57% 99.32% 87.33% Kelas Dunia

98 C 1 1260 1184 1170 5 9 1260 1169 3 60 28 92.78% 93.97% 98.82% 86.15% Kelas Dunia

99 C 1 1260 1192 1171 12 9 1260 1158 0 60 42 91.90% 94.60% 98.24% 85.41% Kelas Dunia

100 C 1 1260 1186 1170 8 8 1260 1168 0 60 32 92.70% 94.13% 98.65% 86.08% Kelas Dunia

Effectiveness Level

Cycle time (Min) Total_downtime (mins) Effectiveness

OEE Part_NG_L Total_Time (mins) Run Time (mins)

Part_NG_R

No Nama Product Target Actual Good Product

105 B 1.25 1008 925 917 4 4 1260 1184 0 60 16 93.97% 91.77% 99.14% 85.49% Kelas Dunia

106 B 1.25 1008 901 892 5 4 1260 1169 13 60 18 92.78% 89.38% 99.00% 82.10% Wajar

107 B 1.25 1008 910 902 4 4 1260 1182 2 60 16 93.81% 90.28% 99.12% 83.94% Wajar

108 B 1.25 1008 950 937 7 6 1260 1174 0 60 26 93.17% 94.25% 98.63% 86.61% Kelas Dunia

109 B 1.25 504 440 428 6 6 630 576 0 30 24 91.43% 87.30% 97.27% 77.64% Wajar

110 B 1.25 1008 935 923 5 7 1260 1169 7 60 24 92.78% 92.78% 98.72% 84.97% Wajar

111 B 1.25 1008 946 937 4 5 1260 1182 0 60 18 93.81% 93.81% 99.05% 87.16% Kelas Dunia

112 B 1.25 1008 923 908 8 7 1260 1170 0 60 30 92.86% 91.57% 98.37% 83.65% Wajar

113 B 1.25 1008 933 917 8 8 1260 1163 5 60 32 92.30% 92.56% 98.29% 83.97% Wajar

114 B 1.25 1008 945 928 9 8 1260 1165 1 60 34 92.46% 93.75% 98.20% 85.12% Kelas Dunia

115 B 1.25 504 460 443 10 7 630 559 7 30 34 88.73% 91.27% 96.30% 77.99% Wajar

116 B 1.25 1008 940 928 6 6 1260 1176 0 60 24 93.33% 93.25% 98.72% 85.93% Kelas Dunia

117 B 1.25 1008 937 923 7 7 1260 1172 0 60 28 93.02% 92.96% 98.51% 85.17% Kelas Dunia

118 B 1.25 1008 948 931 9 8 1260 1166 0 60 34 92.54% 94.05% 98.21% 85.47% Kelas Dunia

119 B 1.25 1008 928 908 11 9 1260 1160 0 60 40 92.06% 92.06% 97.84% 82.93% Wajar

120 B 1.25 1008 950 946 3 1 1260 1189 3 60 8 94.37% 94.25% 99.58% 88.56% Kelas Dunia

121 B 1.25 504 440 421 9 10 630 562 0 30 38 89.21% 87.30% 95.68% 74.52% Wajar

122 B 1.25 1008 933 922 4 7 1260 1178 0 60 22 93.49% 92.56% 98.82% 85.52% Kelas Dunia

123 B 1.25 1008 943 932 3 8 1260 1178 0 60 22 93.49% 93.55% 98.83% 86.44% Kelas Dunia

124 B 1.25 1008 938 918 11 9 1260 1160 0 60 40 92.06% 93.06% 97.87% 83.84% Wajar

125 B 1.25 1008 951 942 5 4 1260 1182 0 60 18 93.81% 94.35% 99.05% 87.67% Kelas Dunia

126 B 1.25 1008 920 907 4 9 1260 1174 0 60 26 93.17% 91.27% 98.59% 83.84% Wajar

127 B 1.25 504 460 434 11 15 630 548 0 30 52 86.98% 91.27% 94.35% 74.90% Wajar

128 B 1.25 1008 938 930 3 5 1260 1180 4 60 16 93.65% 93.06% 99.15% 86.40% Kelas Dunia

129 B 1.25 1008 921 915 3 3 1260 1188 0 60 12 94.29% 91.37% 99.35% 85.59% Kelas Dunia

130 B 1.25 1008 945 939 4 2 1260 1188 0 60 12 94.29% 93.75% 99.37% 87.83% Kelas Dunia

131 B 1.25 1008 958 952 2 4 1260 1183 5 60 12 93.89% 95.04% 99.37% 88.67% Kelas Dunia

132 B 1.25 1008 925 916 6 3 1260 1174 8 60 18 93.17% 91.77% 99.03% 84.67% Wajar

133 B 1.25 504 472 466 3 3 630 588 0 30 12 93.33% 93.65% 98.73% 86.30% Kelas Dunia

134 B 1.25 1008 943 934 7 2 1260 1182 0 60 18 93.81% 93.55% 99.05% 86.92% Kelas Dunia

135 B 1.25 1008 954 942 6 6 1260 1176 0 60 24 93.33% 94.64% 98.74% 87.22% Kelas Dunia

136 B 1.25 1008 955 950 2 3 1260 1190 0 60 10 94.44% 94.74% 99.48% 89.01% Kelas Dunia

137 B 1.25 1008 948 944 2 2 1260 1192 0 60 8 94.60% 94.05% 99.58% 88.60% Kelas Dunia

138 B 1.25 1008 953 948 2 3 1260 1190 0 60 10 94.44% 94.54% 99.48% 88.82% Kelas Dunia

139 B 1.25 504 476 470 3 3 630 588 0 30 12 93.33% 94.44% 98.74% 87.04% Kelas Dunia

140 B 1.25 1008 954 945 4 5 1260 1169 13 60 18 92.78% 94.64% 99.06% 86.98% Kelas Dunia

141 B 1.25 1008 943 934 4 5 1260 1182 0 60 18 93.81% 93.55% 99.05% 86.92% Kelas Dunia

142 B 1.25 1008 938 924 6 8 1260 1170 2 60 28 92.86% 93.06% 98.51% 85.12% Kelas Dunia

143 B 1.25 1008 945 925 10 10 1260 1160 0 60 40 92.06% 93.75% 97.88% 84.48% Wajar

144 B 1.25 1008 955 939 8 8 1260 1168 0 60 32 92.70% 94.74% 98.32% 86.35% Kelas Dunia

145 B 1.25 504 455 439 7 9 630 568 0 30 32 90.16% 90.28% 96.48% 78.53% Wajar

146 B 1.25 1008 931 919 5 7 1260 1176 0 60 24 93.33% 92.36% 98.71% 85.09% Kelas Dunia

147 B 1.25 1008 942 935 2 5 1260 1179 7 60 14 93.57% 93.45% 99.26% 86.79% Kelas Dunia

148 B 1.25 1008 935 927 4 4 1260 1184 0 60 16 93.97% 92.76% 99.14% 86.42% Kelas Dunia

149 B 1.25 1008 951 940 5 6 1260 1178 0 60 22 93.49% 94.35% 98.84% 87.19% Kelas Dunia

150 B 1.25 1008 945 934 5 6 1260 1178 0 60 22 93.49% 93.75% 98.84% 86.63% Kelas Dunia

151 B 1.25 504 448 440 3 5 630 583 1 30 16 92.54% 88.89% 98.21% 80.79% Wajar

152 B 1.25 1008 958 947 7 4 1260 1178 0 60 22 93.49% 95.04% 98.85% 87.83% Kelas Dunia

153 B 1.25 1008 954 945 3 6 1260 1182 0 60 18 93.81% 94.64% 99.06% 87.95% Kelas Dunia

154 B 1.25 1008 938 927 6 5 1260 1178 0 60 22 93.49% 93.06% 98.83% 85.98% Kelas Dunia

155 B 1.25 1008 939 923 8 8 1260 1168 0 60 32 92.70% 93.15% 98.30% 84.88% Wajar

156 B 1.25 1008 958 950 4 4 1260 1184 0 60 16 93.97% 95.04% 99.16% 88.56% Kelas Dunia

157 B 1.25 504 451 446 3 2 630 590 0 30 10 93.65% 89.48% 98.89% 82.87% Wajar

184 B 1.25 1008 951 934 9 8 1260 1155 11 60 34 91.67% 94.35% 98.21% 84.94% Wajar

185 B 1.25 1008 942 931 5 6 1260 1178 0 60 22 93.49% 93.45% 98.83% 86.35% Kelas Dunia

186 B 1.25 1008 931 919 6 6 1260 1175 1 60 24 93.25% 92.36% 98.71% 85.02% Kelas Dunia

187 B 1.25 504 485 472 7 6 630 574 0 30 26 91.11% 96.23% 97.32% 85.33% Kelas Dunia

188 B 1.25 1008 942 927 9 6 1260 1170 0 60 30 92.86% 93.45% 98.41% 85.40% Kelas Dunia

189 B 1.25 1008 956 946 5 5 1260 1180 0 60 20 93.65% 94.84% 98.95% 87.89% Kelas Dunia

190 B 1.25 1008 944 929 8 7 1260 1170 0 60 30 92.86% 93.65% 98.41% 85.58% Kelas Dunia

191 B 1.25 1008 952 942 5 5 1260 1180 0 60 20 93.65% 94.44% 98.95% 87.52% Kelas Dunia

192 B 1.25 1008 952 946 2 4 1260 1188 0 60 12 94.29% 94.44% 99.37% 88.49% Kelas Dunia

193 B 1.25 504 479 472 4 3 630 586 0 30 14 93.02% 95.04% 98.54% 87.11% Kelas Dunia

194 B 1.25 1008 942 937 3 2 1260 1190 0 60 10 94.44% 93.45% 99.47% 87.79% Kelas Dunia

195 B 1.25 1008 957 946 5 6 1260 1178 0 60 22 93.49% 94.94% 98.85% 87.74% Kelas Dunia

196 B 1.25 1008 955 948 2 5 1260 1186 0 60 14 94.13% 94.74% 99.27% 88.52% Kelas Dunia

197 B 1.25 1008 945 931 7 7 1260 1169 3 60 28 92.78% 93.75% 98.52% 85.69% Kelas Dunia

198 B 1.25 1008 944 928 8 8 1260 1168 0 60 32 92.70% 93.65% 98.31% 85.34% Kelas Dunia

199 B 1.25 504 476 455 10 11 630 558 0 30 42 88.57% 94.44% 95.59% 79.96% Wajar

200 B 1.25 1008 942 922 11 9 1260 1160 0 60 40 92.06% 93.45% 97.88% 84.21% Wajar

205 B 1.25 504 490 478 4 8 630 576 0 30 24 91.43% 97.22% 97.55% 86.71% Kelas Dunia

206 B 1.25 1008 931 924 4 3 1260 1181 5 60 14 93.73% 92.36% 99.25% 85.92% Kelas Dunia

207 B 1.25 1008 940 931 5 4 1260 1182 0 60 18 93.81% 93.25% 99.04% 86.64% Kelas Dunia

208 B 1.25 1008 933 918 7 8 1260 1170 0 60 30 92.86% 92.56% 98.39% 84.57% Wajar

209 B 1.25 1008 928 912 8 8 1260 1168 0 60 32 92.70% 92.06% 98.28% 83.87% Wajar

210 B 1.25 1008 948 936 6 6 1260 1176 0 60 24 93.33% 94.05% 98.73% 86.67% Kelas Dunia

211 C 1 630 579 570 5 4 630 582 0 30 18 92.38% 91.90% 98.45% 83.58% Wajar

212 C 1 1260 1165 1158 3 4 1260 1183 3 60 14 93.89% 92.46% 99.40% 86.29% Kelas Dunia

213 C 1 1260 1169 1164 2 3 1260 1190 0 60 10 94.44% 92.78% 99.57% 87.25% Kelas Dunia

214 C 1 1260 1175 1169 2 4 1260 1188 0 60 12 94.29% 93.25% 99.49% 87.48% Kelas Dunia

215 C 1 1260 1153 1145 4 4 1260 1184 0 60 16 93.97% 91.51% 99.31% 85.39% Kelas Dunia

216 C 1 1260 1148 1138 5 5 1260 1180 0 60 20 93.65% 91.11% 99.13% 84.58% Wajar

217 C 1 630 587 579 2 6 630 577 7 30 16 91.59% 93.17% 98.64% 84.17% Wajar

218 C 1 1260 1188 1176 6 6 1260 1176 0 60 24 93.33% 94.29% 98.99% 87.11% Kelas Dunia

219 C 1 1260 1182 1165 8 9 1260 1166 0 60 34 92.54% 93.81% 98.56% 85.56% Kelas Dunia

220 C 1 1260 1149 1140 5 4 1260 1182 0 60 18 93.81% 91.19% 99.22% 84.88% Wajar

221 C 1 1260 1178 1160 9 9 1260 1164 0 60 36 92.38% 93.49% 98.47% 85.05% Kelas Dunia

222 C 1 1260 1189 1170 10 9 1260 1162 0 60 38 92.22% 94.37% 98.40% 85.63% Kelas Dunia

223 C 1 630 580 559 11 10 630 558 0 30 42 88.57% 92.06% 96.38% 78.59% Wajar

224 C 1 1260 1173 1162 6 5 1260 1178 0 60 22 93.49% 93.10% 99.06% 86.22% Kelas Dunia

225 C 1 1260 1178 1164 8 6 1260 1172 0 60 28 93.02% 93.49% 98.81% 85.93% Kelas Dunia

226 C 1 1260 1153 1137 9 7 1260 1168 0 60 32 92.70% 91.51% 98.61% 83.65% Wajar

227 C 1 1260 1183 1176 3 4 1260 1186 0 60 14 94.13% 93.89% 99.41% 87.85% Kelas Dunia

228 C 1 1260 1191 1179 6 6 1260 1176 0 60 24 93.33% 94.52% 98.99% 87.33% Kelas Dunia

229 C 1 630 577 566 4 7 630 578 0 30 22 91.75% 91.59% 98.09% 82.43% Wajar

230 C 1 1260 1185 1179 2 4 1260 1185 3 60 12 94.05% 94.05% 99.49% 88.00% Kelas Dunia

231 C 1 1260 1188 1178 3 7 1260 1178 2 60 20 93.49% 94.29% 99.16% 87.41% Kelas Dunia

232 C 1 1260 1182 1176 2 4 1260 1188 0 60 12 94.29% 93.81% 99.49% 88.00% Kelas Dunia

233 C 1 1260 1191 1177 7 7 1260 1172 0 60 28 93.02% 94.52% 98.82% 86.89% Kelas Dunia

234 C 1 1260 1193 1184 5 4 1260 1182 0 60 18 93.81% 94.68% 99.25% 88.15% Kelas Dunia

235 C 1 630 590 574 8 8 630 568 0 30 32 90.16% 93.65% 97.29% 82.14% Wajar

263 C 1 1260 1167 1161 2 4 1260 1188 0 60 12 94.29% 92.62% 99.49% 86.88% Kelas Dunia

264 C 1 1260 1187 1179 4 4 1260 1184 0 60 16 93.97% 94.21% 99.33% 87.93% Kelas Dunia

265 C 1 630 566 558 5 3 630 584 0 30 16 92.70% 89.84% 98.59% 82.10% Wajar

266 C 1 1260 1199 1184 8 7 1260 1170 0 60 30 92.86% 95.16% 98.75% 87.26% Kelas Dunia

267 C 1 1260 1186 1179 4 3 1260 1186 0 60 14 94.13% 94.13% 99.41% 88.08% Kelas Dunia

268 C 1 1260 1151 1144 5 2 1260 1186 0 60 14 94.13% 91.35% 99.39% 85.46% Kelas Dunia

269 C 1 1260 1149 1136 7 6 1260 1174 0 60 26 93.17% 91.19% 98.87% 84.01% Wajar

270 C 1 1260 1167 1151 9 7 1260 1168 0 60 32 92.70% 92.62% 98.63% 84.68% Wajar

271 C 1 630 567 558 5 4 630 582 0 30 18 92.38% 90.00% 98.41% 81.82% Wajar

272 C 1 1260 1162 1143 10 9 1260 1162 0 60 38 92.22% 92.22% 98.36% 83.66% Wajar

273 C 1 1260 1188 1183 3 2 1260 1188 2 60 10 94.29% 94.29% 99.58% 88.52% Kelas Dunia

274 C 1 1260 1171 1160 5 6 1260 1171 7 60 22 92.94% 92.94% 99.06% 85.56% Kelas Dunia

275 C 1 1260 1186 1179 2 5 1260 1186 0 60 14 94.13% 94.13% 99.41% 88.08% Kelas Dunia

276 C 1 1260 1156 1140 8 8 1260 1168 0 60 32 92.70% 91.75% 98.62% 83.87% Wajar

277 C 1 630 535 525 5 5 630 580 0 30 20 92.06% 84.92% 98.13% 76.72% Wajar

278 C 1 1260 1153 1137 9 7 1260 1163 5 60 32 92.30% 91.51% 98.61% 83.29% Wajar

279 C 1 1260 1183 1175 4 4 1260 1184 0 60 16 93.97% 93.89% 99.32% 87.63% Kelas Dunia

280 C 1 1260 1191 1179 6 6 1260 1176 0 60 24 93.33% 94.52% 98.99% 87.33% Kelas Dunia

281 C 1 1260 1173 1165 5 3 1260 1184 0 60 16 93.97% 93.10% 99.32% 86.88% Kelas Dunia

282 C 1 1260 1185 1176 5 4 1260 1174 8 60 18 93.17% 94.05% 99.24% 86.96% Kelas Dunia

283 C 1 630 542 534 4 4 630 584 0 30 16 92.70% 86.03% 98.52% 78.57% Wajar

284 C 1 1260 1175 1163 6 6 1260 1176 0 60 24 93.33% 93.25% 98.98% 86.15% Kelas Dunia

285 C 1 1260 1153 1148 2 3 1260 1188 2 60 10 94.29% 91.51% 99.57% 85.90% Kelas Dunia

286 C 1 1260 1148 1145 2 1 1260 1194 0 60 6 94.76% 91.11% 99.74% 86.11% Kelas Dunia

287 C 1 1260 1159 1147 6 6 1260 1163 13 60 24 92.30% 91.98% 98.96% 84.02% Wajar

288 C 1 1260 1188 1171 9 8 1260 1166 0 60 34 92.54% 94.29% 98.57% 86.00% Kelas Dunia

289 B 1.25 504 448 432 8 8 630 566 2 30 32 89.84% 88.89% 96.43% 77.01% Wajar

290 B 1.25 1008 958 952 2 4 1260 1177 11 60 12 93.41% 95.04% 99.37% 88.22% Kelas Dunia

291 B 1.25 1008 954 948 3 3 1260 1188 0 60 12 94.29% 94.64% 99.37% 88.67% Kelas Dunia

292 B 1.25 1008 938 925 8 5 1260 1174 0 60 26 93.17% 93.06% 98.61% 85.50% Kelas Dunia

293 B 1.25 1008 939 931 3 5 1260 1184 0 60 16 93.97% 93.15% 99.15% 86.79% Kelas Dunia

294 B 1.25 1008 958 948 6 4 1260 1180 0 60 20 93.65% 95.04% 98.96% 88.08% Kelas Dunia

295 B 1.25 504 451 440 4 7 630 574 4 30 22 91.11% 89.48% 97.56% 79.54% Wajar

296 B 1.25 1008 952 940 7 5 1260 1176 0 60 24 93.33% 94.44% 98.74% 87.04% Kelas Dunia

297 B 1.25 1008 954 945 5 4 1260 1182 0 60 18 93.81% 94.64% 99.06% 87.95% Kelas Dunia

298 B 1.25 1008 955 949 2 4 1260 1188 0 60 12 94.29% 94.74% 99.37% 88.77% Kelas Dunia

299 B 1.25 1008 951 943 5 3 1260 1184 0 60 16 93.97% 94.35% 99.16% 87.91% Kelas Dunia

300 B 1.25 1008 944 929 8 7 1260 1163 7 60 30 92.30% 93.65% 98.41% 85.07% Kelas Dunia

303 B 1.25 1008 945 929 9 7 1260 1168 0 60 32 92.70% 93.75% 98.31% 85.43% Kelas Dunia

304 B 1.25 1008 932 922 6 4 1260 1180 0 60 20 93.65% 92.46% 98.93% 85.66% Kelas Dunia

305 B 1.25 1008 921 908 8 5 1260 1174 0 60 26 93.17% 91.37% 98.59% 83.93% Wajar

306 B 1.25 1008 951 930 11 10 1260 1152 6 60 42 91.43% 94.35% 97.79% 84.35% Wajar

307 B 1.25 504 429 421 5 3 630 579 5 30 16 91.90% 85.12% 98.14% 76.77% Wajar

308 B 1.25 1008 956 939 8 9 1260 1165 1 60 34 92.46% 94.84% 98.22% 86.13% Kelas Dunia

309 B 1.25 1008 932 909 12 11 1260 1154 0 60 46 91.59% 92.46% 97.53% 82.59% Wajar

310 B 1.25 1008 941 929 7 5 1260 1176 0 60 24 93.33% 93.35% 98.72% 86.02% Kelas Dunia

311 B 1.25 1008 943 930 8 5 1260 1174 0 60 26 93.17% 93.55% 98.62% 85.96% Kelas Dunia

312 B 1.25 1008 957 945 6 6 1260 1172 4 60 24 93.02% 94.94% 98.75% 87.20% Kelas Dunia

313 B 1.25 504 439 433 4 2 630 588 0 30 12 93.33% 87.10% 98.63% 80.19% Wajar

314 B 1.25 1008 959 939 10 10 1260 1160 0 60 40 92.06% 95.14% 97.91% 85.76% Kelas Dunia

month product_time cycle_time target actual good_product total_time downtime efective

Januari Under Guard Daihatsu 1.5 840 799 793 1260 72 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 799 792 1260 74 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 765 756 1260 78 Wajar

Januari Under Guard Daihatsu 1.5 840 797 791 1260 72 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 798 789 1260 80 Kelas Dunia

Januari Under Guard Daihatsu 1.5 420 378 371 630 44 Wajar

Januari Under Guard Daihatsu 1.5 840 795 781 1260 96 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 795 787 1260 76 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 795 790 1260 70 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 792 784 1260 81 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 794 789 1260 70 Kelas Dunia

Januari Under Guard Daihatsu 1.5 420 375 373 630 34 Wajar

Januari Under Guard Daihatsu 1.5 840 792 780 1260 84 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 791 778 1260 86 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 795 772 1260 111 Wajar

Januari Under Guard Daihatsu 1.5 840 790 776 1260 88 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 790 780 1260 80 Kelas Dunia

Januari Under Guard Daihatsu 1.5 420 376 374 630 37 Wajar

Januari Under Guard Daihatsu 1.5 840 788 784 1260 68 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 789 782 1260 74 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 792 777 1260 90 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 785 761 1260 108 Wajar

Januari Under Guard Daihatsu 1.5 420 372 360 630 54 Wajar

Januari Under Guard Daihatsu 1.5 840 787 777 1260 85 Kelas Dunia

Januari Under Guard Daihatsu 1.5 840 786 782 1260 69 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 783 739 1260 178 Wajar

Februari Under Guard Daihatsu 1.5 840 790 788 1260 64 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 788 783 1260 70 Kelas Dunia

Februari Under Guard Daihatsu 1.5 420 399 392 630 44 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 788 782 1260 72 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 788 786 1260 64 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 788 785 1260 66 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 790 788 1260 64 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 790 787 1260 66 Kelas Dunia

Februari Under Guard Daihatsu 1.5 420 400 394 630 42 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 795 790 1260 70 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 793 784 1260 80 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 793 791 1260 71 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 791 782 1260 78 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 790 783 1260 74 Kelas Dunia

Februari Under Guard Daihatsu 1.5 420 398 393 630 40 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 795 788 1260 79 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 789 783 1260 72 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 787 781 1260 72 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 790 786 1260 68 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 793 783 1260 88 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 795 791 1260 68 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 796 786 1260 82 Kelas Dunia

Februari Under Guard Daihatsu 1.5 840 796 792 1260 68 Kelas Dunia

Maret Under Guard Toyota 1.25 1008 958 939 1260 111 Wajar

Maret Under Guard Toyota 1.25 1008 958 947 1260 82 Kelas Dunia

Maret Under Guard Toyota 1.25 504 478 467 630 54 Wajar

Maret Under Guard Toyota 1.25 1008 959 939 1260 111 Wajar

Maret Under Guard Toyota 1.25 1008 957 948 1260 78 Kelas Dunia

Maret Under Guard Toyota 1.25 1008 957 944 1260 86 Kelas Dunia

Maret Under Guard Toyota 1.25 1008 957 931 1260 112 Wajar

Maret Under Guard Toyota 1.25 1008 958 950 1260 76 Kelas Dunia

Maret Under Guard Toyota 1.25 504 475 468 630 48 Kelas Dunia

Dalam dokumen IMPLEMENTASI DATA MINING UNTUK PREDIKSI EFEKTIVITAS PADA MESIN INJECTION MENGGUNAKAN ALGORITMA C4.5 (Studi Kasus : PT. Tridaya Artaguna Santara) (Halaman 104-177)