Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Widya Cipta : Jurnal Sekretari dan Manajemen Jurnal Sisfotek Global
Wingky Kurniawan
Akademi Komunitas Toyota Indonesia
Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Kanban untuk Meminimalisir Kesalahan Penempatan pada Inventory System Wingky Kurniawan; Raharto Raharto; Muryanto Muryanto
Widya Cipta - Jurnal Sekretari dan Manajemen Vol 6, No 2 (2022): September 2022
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (232.999 KB) | DOI: 10.31294/widyacipta.v6i2.13658

Abstract

Saat ini PT. TMMI adalah salah satu perusahaan yang menghasilkan beberapa jenis produk, seperti air, oil dan fuel filter untuk berbagai kendaraan otomotif di Indonesia. Produk yang dilakukan produksi tersebut terdapat dua bagian, yaitu spin on dan element. Keduanya dibedakan dari, spin on menggunakan body, sedangkan element tidak menggunakan body. Pada persediaan PT. TMMI adalah hal yang menjadi prioritas guna berjalan lancarnya proses produksi dan memenuhi kebutuhan konsumen. Maka pada persediaan PT. TMMI terbagi menjadi dua bagian, yaitu bagian bahan baku utama dan bahan baku pendukung. Dikarenakan selama ini telah mengimplementasikan kanban guna melakukan pengendalian dalam jumlah persediaan yang diperlukan. Maka kanban juga digunakan guna mengetahui berapa banyak jumlah persediaan yang digunakan oleh departemen/divisi terkait. Namun pada realitanya kanban yang sudah ada masih belum berjalan sebagaimana mestinya yang didasarkan dari analisis 5M. Maka yang menjadi akar permasalahan pada kanban berada pada bagian man dan method, yaitu pengguna kanban yang tidak menjalankan kanban serta tidak adanya work instruction mengenai kanban itu sendiri. Akar permasalahan tersebut dapat menimbulkan berlangsungya barang parkir, yaitu bang yang tidak dapat menjadi finished goods. Hal ini dikarenakan terjadi kekurangan pada bahan baku penunjang. Barang parkir yang berlansung sebelum perbaikan dari kanban, yaitu sebanyak 30.577 (selama penelitian ini berlangsung di PT. TMMI). Oleh sebab itu, tujuan dalam penelitian ini untuk memperbaiki, mengimplementasikan kembali dan mengendalikan sistem kanban pada persediaan PT. TMMI. Sehingga dari hal ini dapat meminimalisir berlangsungnya barang parkir.
Multi-Sensor Based Remaining Useful Life Prediction of Bearing Motors: A Comparative Study of LSTM and CNN Models Yani Koerniawan; Indrawan Indrawan; Raynaldi Yudha Prasetya; Wingky Kurniawan
JURNAL SISFOTEK GLOBAL Vol 16, No 1 (2026): JURNAL SISFOTEK GLOBAL
Publisher : Institut Teknologi dan Bisnis Bina Sarana Global

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38101/sisfotek.v16i2.16236

Abstract

Accurate Remaining Useful Life (RUL) prediction is essential for implementing effective predictive maintenance strategies in industrial rotating machinery. Bearing motors are particularly critical components whose unexpected failure may cause severe production losses and safety risks. This study presents a comparative investigation of Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN) architectures for RUL prediction using multi-sensor monitoring data. The dataset consists of 1000 days of simulated operational data from three bearing motors under varying degradation conditions. Five sensor parameters are considered: vibration (RMS), acoustic emission, temperature, stator current, and rotational speed (RPM). After preprocessing and sliding-window segmentation, 2910 time-series sequences were generated and divided into training, validation, and test sets. Model performance was evaluated using Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and coefficient of determination (R²). Experimental results show that LSTM significantly outperforms CNN, achieving an R² of 0.9877 on the test dataset, while CNN achieved R² below 0.34. The findings confirm the importance of temporal dependency modeling in long-horizon degradation prediction and provide guidance for selecting deep learning architectures in predictive maintenance applications.
Co-Authors Indrawan Indrawan Muryanto Muryanto Raharto Raharto Raynaldi Yudha Prasetya Yani Koerniawan