Decision Support System Untuk Mengukur Kinerja Mesin Stamping Berbasis Key Performance Indicator
DOI:
https://doi.org/10.24114/cess.v10i2.67836Keywords:
Decision Support System, Key Performance Indicator, mesin stamping, monitoring kinerja, manufakturAbstract
Dalam industri manufaktur, mesin stamping memegang peran penting dalam menentukan kualitas dan kapasitas produksi. Namun, penilaian kinerja mesin yang masih dilakukan secara manual seringkali menimbulkan keterlambatan informasi dan kurang akurat, sehingga menghambat proses pengambilan keputusan. Penelitian ini bertujuan merancang dan mengembangkan Decision Support System (DSS) untuk mengukur kinerja mesin stamping berbasis Key Performance Indicator (KPI). Sistem ini dirancang untuk mengintegrasikan data operasional mesin secara otomatis melalui sensor dan perangkat monitoring yang terhubung ke basis data terpusat. KPI yang digunakan mencakup efektivitas waktu operasi, frekuensi downtime, rasio produk cacat, serta volume produksi harian. Data yang terkumpul dianalisis dan divisualisasikan dalam bentuk laporan grafik dan dashboard interaktif, sehingga memudahkan manajer produksi dalam memantau performa mesin secara real-time. Selain itu, DSS ini dilengkapi modul peringatan dini (early warning system) untuk mendeteksi potensi penurunan kinerja mesin. Hasil pengujian menunjukkan bahwa aplikasi memiliki tingkat akurasi yang sangat tinggi. Pada parameter Real-time dan Raw Material KPIs, rata-rata error tercatat 0%, menunjukkan kesesuaian penuh antara server dan perhitungan manual. Parameter Percentage Time memiliki rata-rata error sebesar 0,297%, sedangkan Real Cycle Time sebesar 1,977%, yang disebabkan oleh tampilan antarmuka yang hanya menampilkan angka tanpa desimal meskipun data backend menyimpan angka lebih detail. Pada parameter Energy KPIs, rata-rata error tercatat sebesar 7,57%, disebabkan oleh pembulatan angka desimal yang memengaruhi hasil perhitungan biaya ketika data awal (KWH) relatif kecil. Meskipun demikian, aplikasi tetap mampu menampilkan data secara real-time dan historis dengan tingkat keandalan yang memadai. Secara keseluruhan, aplikasi DSS yang dikembangkan berhasil mendukung pengambilan keputusan dengan menyediakan data kinerja mesin yang akurat dan informatif, serta membantu memantau penggunaan energi dan biaya bahan baku secara lebih efektif.References
[1] “Improving Productivity Based on Evaluation Score of Overall Equipment Effectiveness (OEE) Using DMAIC Approach on Blistering Machine,” International Journal of Science and Research (IJSR), vol. 5, no. 7, pp. 736–739, Jul. 2016, doi: 10.21275/v5i7.art2016204.
[2] G. Contini and M. Peruzzini, “Sustainability and Industry 4.0: Definition of a Set of Key Performance Indicators for Manufacturing Companies,” Sustainability (Switzerland), vol. 14, no. 17. MDPI, Sep. 01, 2022. doi: 10.3390/su141711004.
[3] W. Z. Khan, M. H. Rehman, H. M. Zangoti, M. K. Afzal, N. Armi, and K. Salah, “Industrial internet of things: Recent advances, enabling technologies and open challenges,”
Computers and Electrical Engineering, vol. 81, Jan. 2020, doi: 10.1016/j.compeleceng.2019.106522.
[4] A. Andira Sembiring, A. Sani Sembiring, and S. Ramadan Siregar, “SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRIORITAS PENGEMBANGAN INDUSTRI KECIL MENENGAH DI KABUPATEN KARO MENGUNAKAN METODE TOPSIS,” 2018.
[5] C. F. Lindberg, S. Tan, J. Yan, and F. Starfelt, “Key Performance Indicators Improve Industrial Performance,” in Energy Procedia, 2015, vol. 75, pp. 1785–1790. doi: 10.1016/j.egypro.2015.07.474.
[6] G. Maulana et al., “Rancang Bangun Implementasi Production Monitoring System Pada Prototipe Mesin Press Berbasis Internet of Thing.”
[7] J. Konopka and W. Trybula, “OVERALL EQUIPMENT EFFECTIVENESS (OEE) and COST MEASUREMENT.”
[8] G. P. Moynihan, P. S. Raj, J. U. Sterling, and W. G. Nichols, “Decision support system for strategic logistics planning,” 1995.
[9] R. Accorsi, R. Manzini, and F. Maranesi, “A decision-support system for the design and management of warehousing systems,” Comput Ind, vol. 65, no. 1, pp. 175–186, Jan. 2014, doi: 10.1016/j.compind.2013.08.007.
[10] F. G. Filip, D. A. Donciulescu, and Cr. I. Filip, “Towards Intelligent Real-Time Decision Support Systems For Industrial Milieu,” in Advances in Automatic Control, Springer US, 2004, pp. 71–84. doi: 10.1007/978-1-4419-9184-3_6.
[11] H. Manurung and H. H. Purba, “Implementasi KPI Perusahaan: Kajian Literatur.”
[12] W. Prasetyo and F. Pertanian, “ANALISIS BREAK EVEN POINT (BEP) PADA INDUSTRI PENGOLAHAN TEBU DI PABRIK GULA (PG) MOJO KABUPATEN SRAGEN SKRIPSI Oleh.”
[13] “IMPLEMENTASI PRODUCTION MONITORING SYSTEM PADA PROTOTIPE MESIN PRESS BERBASIS ANDROID.”
[14] M. T. Okano, International Conference on Management and Information Systems IOT and Industry 4.0: The Industrial New Revolution.
[15] W. Z. Khan, M. H. Rehman, H. M. Zangoti, M. K. Afzal, N. Armi, and K. Salah, “Industrial internet of things: Recent advances, enabling technologies and open challenges,” Computers and Electrical Engineering, vol. 81, Jan. 2020, doi: 10.1016/j.compeleceng.2019.106522.
[16] R. Islam, M. R. Islam, and T. A. Mazumder, “Mobile Application and Its Global Impact,”
2010. [Online]. Available: https://www.researchgate.net/publication/308022297
[17] “Development Platforms for Mobile Applications; Status and Trends”.
[18] IEEE Staff and IEEE Staff, 2011 IEEE International Conference on Cloud Computing and Intelligence Systems.
[19] K. Wasilewski and W. Zabierowski, “A comparison of java, flutter and kotlin/native technologies for sensor data-driven applications,” Sensors, vol. 21, no. 10, May 2021, doi: 10.3390/s21103324.
[20] R. Accorsi, R. Manzini, and F. Maranesi, “A decision-support system for the design and management of warehousing systems,” Comput Ind, vol. 65, no. 1, pp. 175–186, Jan. 2014, doi: 10.1016/j.compind.2013.08.007.
[21] E. Andersson and P. Thollander, “Key performance indicators for energy management in the Swedish pulp and paper industry,” Energy Strategy Reviews, vol. 24, pp. 229–235, Apr. 2019, doi: 10.1016/j.esr.2019.03.004.
[22] I. Graessler and J. Hentze, “The new V-Model of VDI 2206 and its validation das Neue V-
Modell der VDI 2206 und seine Validierung,” At-Automatisierungstechnik, vol. 68, no. 5,
pp. 312–324, May 2020, doi: 10.1515/auto-2020-0015.
[23] W. Nur, S. T. Nugraha, H. Supriyanto, M. Naufal, and A. Syahmenan, “RANCANG BANGUN SISTEM PANEN PROPOLIS OTOMATIS UNTUK SARANG LEBAH MODULAR TRIGONA HIVE BERBASIS RASPBERRY PI DAN KOMUNIKASI SMS.”
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 CESS (Journal of Computer Engineering, System and Science)
This work is licensed under a Creative Commons Attribution 4.0 International License.
