Hasil Pencarian  ::  Simpan CSV :: Kembali

"Komponen otomotif, terutama casing dan mounting umumnya memiliki bentuk yang sangat rumit. Perancangan dari awal akan memakan banyak waktu, namun dapat dihindari dengan proses rekayasa balik. Komponen yang direkayasa balik pada penelitian ini adalah casing transmisi Nissan March. Metode yang digunakan adalah pemindaian tiga dimensi dengan menggunakan Faro Arm dan Geomagic Studio. Permukaan komponen dipindai untuk mendapatkan titik - titik koordinat x, y, z persatuan jarak tertentu. Data titik ini dibentuk menjadi model polygon dengan proses triangulasi. Model polygon disempurnakan dan dijadikan dasar untuk pemodelan permukaan CAD dengan metode parametrik dan NURBS. Model CAD kemudian digunakan untuk pembuatan cetakan, estimasi kebutuhan material, dan berbagai simulasi.

---

Automotive components, especially casing and mounting, have very complex geometry. Normal design procedure will take too much time, but it can be avoided by doing reverse engineering process. Component that is reverse engineered in this research is Nissan March transmission’s case. The method is 3D scanning using Faro Arm and Geomagic Studio. Component’s surfaces are scanned to get x, y, z coordinate points at every certain distance. This point clouds are used to make a polygon model with triangulation process. Polygon model is refined and used as a base for CAD surface modeling with parametric and NURBS methods. Then the CAD model is used for dies modeling, raw materials needs estimation, and many kinds of simulations."

"Pertumbuhan industri otomotif khususnya roda empat di Indonesia dalam dua dekade terakhir membuat industri ini menjadi salah satu andalan bagi negara dalam hal pendapatan dan investasi negara oleh para pemegang saham di dunia. Data menunjukan bahwa jumlah jumlah produksi kendaraan roda empat dalam lima tahun terakhir menunjukan prospek yang membaik dari sekitar 1 juta pada tahun 2015 menjadi 1,2 juta pada tahun 2019, walaupun tahun 2020 menunjukan penurunan dan hal ini dialami oleh semua negara dan hampir semua sektor industri. Fenomena saat ini menunjukan bahwa persaingan di otomotif membuat pabrikan dan aliansi untuk bersaing dalam produktifitas sistem produksinya, salah satunya dengan mengukur line efisiensi, untuk itu dalam penelitian ini akan dilakukan pengukuran line efisiensi dengan cara melakukan line balancing, tahap awal pengumpulan data dimulai dengan melakukan observasi dan pengambilan waktu aktual di line perakitan, hasil menunjukan bahwa saat ini terdapat 185 stasiun dengan line efisiensi 80%. Selanjutnya dibuatkan grafik setiap stasiun kerja dengan diagram batang model Yamazumi chart untuk mempermudah proses analisis, setelah itu dilakukan line balancing dengan metode Moodie Young dan Helgeson Birnie, hasil menunjukan bahwa metode Helgeson-Birnie lebih baik dibandingkan dengan metode Moodie Young dengan line efisiensi sebesar 89%, balance delay 11% dan smoothly index 92 dibandingkan dengan dengan line efisiensi 88%, balance delay 13% dan smoothly index 90. Analisis penelitian menunjukan bahwa untuk meningkatkan line efisiensi dapat dilakukan dengan peningkatan sistem otomasi untuk beberapa stasiun kerja dan melakukan relayout dan re-routing untuk mendapatkan perbaikan yang lebih baik dengan membandingkan kelayakan investasi juga memberikan kontribusi bagi para praktisi sebagai pedoman dalam melakukan penerapan metode di industri terkait, untuk penelitian selanjutnya dari penelitian ini dapat dilakukan dengan membandingkan metode lain line balancing seperti Hoffmann–Moodie Young atau Hoffmann–Helgeson Birnie

---

The growth of the automotive industry, especially four-wheelers in Indonesia in the last two decades, has made this industry one of the mainstays for the country in terms of income and state investment by shareholders in the world. Data shows that the total production of four-wheeled vehicles in the last five years shows an improving prospect from around 1 million in 2015 to 1.2 million in 2019, although in 2020 it showed a decline and this was experienced by all countries and almost all industrial sectors. The current phenomenon shows that competition in automotive makes manufacturers and alliances compete in the productivity of their production systems, one of which is by measuring line efficiency, for this reason, in this study, line efficiency measurements will be carried out by doing line balancing, the initial stage of data collection begins with observing and taking the actual time on the assembly line, the results show that currently there are 185 stations with line 80%, next, a graph of each workstation was made with a bar chart of the Yamazumi chart to facilitate the analysis process, after that line balancing with the Moodie Young and Helgeson Birnie methods, the results showed that the Helgeson-Birnie method was better than the Moodie Young method with line efficiency of 89% , balance delay is 11% and smoothly index is 92 compared to line efficiency 88%, balance delay 13% and smoothly index is 90. Research analysis shows that to improve line efficiency can be done by increasing the automation system for several work stations and layout to get improvements better way to compare the feasibility of investment also contributes to practitioners as a guide in implementing the method in related industries, for further research from this research can be done by comparing other line balancing as Hoffmann–Moodie Young or Hoffmann - Helgeson Birnie."

"Kontribusi Industri Manufaktur terhadap PDB Indonesia diproyeksikan akan terus mengalami penurunan apabila tidak dilakukan upaya untuk merevitalisasi Industri Manufaktur. Seiringan dengan penurunan kontribusi tersebut, Indonesia beraspirasi untuk menjadi Top 10 PDB Global pada tahun 2030 melalui meningkatkan faktor kontributor ekspor netto. Pemerintah Indonesia memiliki inisiatif Making Indonesia 4.0 yang bertujuan untuk merevitalisasi Industri Manufaktur melalui implementasi teknologi Industri 4.0 pada lima sektor fokus dengan salah satu sektornya adalah sektor otomotif. Melalui inisiatif ini diharapkan ekspor netto negara dapat meningkat. Teknologi yang menjadi lapisan paling dasar implementasi Industri 4.0 adalah internet of things. Namun, penelitian menunjukkan bahwa hanya 26% perusahaan yang mengalami kesuksesan ketika mengimplementasikan IoT. Berdasarkan keadaan tersebut, perusahaan perlu mempertimbangkan key success factors (KSF) ketika mengimplementasikan IoT dimana tujuannya adalah untuk membantu memfokuskan aktivitas perusahaan dan menghindari pemborosan sumber daya pada aktivitas yang kurang penting sehingga mampu mendukung tercapainya tujuan perusahaan. Oleh karena itu, penelitian ini bertujuan untuk mengidentifikasi KSF, mencari hubungan antar KSF, mendapatkan bobot KSF, dan merancang strategi implementasi IoT di Industri Manufaktur pada sektor otomotif berdasarkan KSF prioritas. Hasil dari penelitian ini mendapatkan delapan dimensi dan dua puluh empat KSF implementasi IoT. Hasil perhitungan menunjukkan tiga KSF yang terpilih, yaitu market requirements, peraturan dan kebijakan pemerintah, dan technology standardization approach dimana masing-masing KSF tersebut dibuat rancangan strategi.

---

The contribution of the Manufacturing Industry to Indonesia's GDP is projected to continue to decline if no efforts are made to revitalize the Manufacturing Industry. Along with the decline in this contribution, Indonesia aspires to become the Top 10 Global GDP in 2030 by increasing the net export contributor factor. The Indonesian government has the Making Indonesia 4.0 initiative which aims to revitalize the Manufacturing Industry through the implementation of Industry 4.0 technology in five focus sectors, one of which is the automotive sector. Through this initiative, it is hoped that the country's net exports can increase. The technology that is the most basic layer of the implementation of Industry 4.0 is the internet of things. However, research shows that only 26% of companies experience success when implementing IoT. Based on these circumstances, companies need to consider key success factors (KSF) when implementing IoT where the goal is to help focus company activities and avoid wasting resources on activities that are less important so as to support the achievement of company goals. Therefore, this study aims to identify KSF, look for the relationship between KSF, get the weight of KSF, and design an IoT implementation strategy in the Manufacturing Industry in the automotive sector based on priority KSF. The results of this study get eight dimensions and twenty four KSFs of IoT implementation. The results of the calculation show that the three selected KSFs are market requirements, government regulations and policies, and the technology standardization approach where a strategy is designed for each KSF."

"Penelitian ini membahas tentang perkembangan otomotif di Indonesia dan alih teknologi yang dilakukan oleh Mitsubishi. Sejak masa pemerintahan Soekarno sampai dengan Soeharto, Indonesia memiliki satu obsesi, yakni memproduksi mobil secara lokal. Indonesia pada saat itu tidak memiliki teknologi yang dapat menciptakan mobil, salah satu cara untuk medapatkan teknologi tersebut adalah dengan melakukan alih teknologi. Sampai pada tahun 1970, ketika Mitsubishi masuk ke Indonesia, dan mendirikan pabrik pertama mereka di sini. Dari hasil penelitian ini menunjukkan bahwa selama Mitsubishi ada di Indonesia, secara tidak langsung telah berperan penting dalam meningkatkan teknologi di Indonesia, walaupun belum seperti yang kita harapkan.

---

This study discusses about the development of automotive and technology transfer done by Mitsubishi in Indonesia. Since Soekarno until Soeharto's reign, Indonesia had one obsession which is to produce cars locally. But at that time, Indonesia did not have the technology to build a car. Thus, the way to get the technology was by doing the technology transfer until 1970 when Mitsubishi first entered Indonesia and established their first factory here. The results of this study show that during that time, Mitsubishi had an important role to improve technology in Indonesia. Even though it wasn't like what we expected."

"ABSTRAK

Industri kendaraan bermotor roda empat menyumbangkan output yang besar terhadap perekonomian Indonesia. Output industri tersebut ditopang oleh penjualan mobil yang tinggi di Indonesia. Penelitian ini ingin melakukan analisis determinan permintaan mobil. Dengan menggunakan penjualan mobil sebagai proksi dari permintaan mobil, hasil penelitian ini menunjukkan bahwa PDB perkapita riil berdampak positif dan signifikan terhadap permintaan mobil, sementara suku bunga riil, dan harga bensin riil berdampak negatif dan signifikan. Permintaan mobil di Indonesia tidak sensitif terhadap perubahan pendapatan dan harga bensin. Kebijakan down payment, krisis ekonomi Amerika Serikat 2008, dan nilai tukar riil Rupiah ternyata tidak berpengaruh terhadap permintaan mobil. Harga mobil riil tidak signifikan dan dikeluarkan dari model karena alasan ekonometrika. Dari hasil tersebut, dapat disimpulkan bahwa upaya pengendalian jumlah mobil di Indonesia dengan menggunakan kebijakan di sisi harga seperti pajak dan kebijakan down payment tidak efektif.

---

ABSTRACT

Automotive industry contributes highly to Indonesian economy in terms of output. The performance of automotive industry is bolstered by high car sales. This study tries to analyse the determinants of car demand. Using car sales as a proxy of car demand, this study finds that real percapita GDP positively and significantly affects car demand, while real interest rate and real fuel price impacts negatively. Car demand is not responsive to changes in income and fuel price. Down payment policy, 2008 US crisis, and real exchange rate does not affect car demand significantly. Real car price does not have a significant impact and is omitted from the model because of econometric reasons. Based on that result, it can be concluded that price side policy like value added tax and luxury goods tax and down payment policy will not be effective in limiting number of cars.

"

"ABSTRAKIndustri 4.0 telah membuat industri otomotif di dunia mengalami pertumbuhan dan lebih memperhatikan pengemudi yang diklasifikasikan sebagai generasi muda atau modern. Hal tersebut telah mendorong industri otomotif Indonesia sebagai produsen terbesar kedua setelah Thailand di Asia Tenggara untuk mempertimbangkan minat pengemudi generasi muda dalam teknologi digital untuk mengakses data kendaraan, memeriksa dan mendiagnosis kondisi komponen. Internet of Things sebagai istilah dalam teknologi digital memiliki dampak pada pengurangan biaya pemeliharaan dan meningkatkan siklus hidup kendaraan yang merupakan kegiatan penting bagi kendaraan. Salah satunya adalah penggunaan algoritma machine learning yang telah banyak digunakan dalam mendiagnosis masalah kendaraan. Untuk menjadwalkan kegiatan pemeliharaan, algoritma machine learning yang digunakan adalah metode regresi yang akan diperbandingkan dengan perhitungan empirikal rumus. Sebuah perangkat diagnosa dibuat untuk memberikan informasi kendaraan secara real-time menggunakan sambungan yang sudah tersedia pada kendaraan. Informasi tersebut kemudian digunakanuntuk memprediksi kondisi komponen pada kendaraan. Perangkat terhubung dan menyimpan data di cloud. Kemudian pengemudi dapat mengawasi kondisi kendaraan secara langsung melalui smartphone dengan hasil perhitungan baik secara empirikal maupun menggunakan machine learning yang telah diverifikasi oleh uji verifikasi untuk memperbarui program perhitungan dalam mengurangi nilai kesalahan. Perhitungan pada aplikasi tersebut diperoleh dengan melakukan pengujian berdasarkan perilaku berkendara. Kondisi komponen yang diamati memberikan penurunan sebesar 1.35% - 2.38% untuk komponen penyaring udara dengan nilai MAE dan MSE berturut-turutsebesar 0.117 dan 0.017 yang terbesar terjadi pada perilaku Eco. Komponen pelumas juga mengalami penurunan sebesar 2.38% - 36.32% dengan nilai MAE dan MSE secara berturut-turut adalah 0.237 dan 0.082 yang terbesar terjadi pada perilaku Normal. Secara menyeluruh, aplikasi dapat dipercaya memprediksi kondisi komponen dengan tingkat kesalahan pada komponen penyaring udara dan pelumas berturut-turut adalah 0.3163% dan 0.2367%.

---

ABSTRACTIndustry 4.0 has made the automotive industry in the world experience growth and pay more attention to drivers who are classified as young or modern generation. This has pushed the Indonesian automotive industry as the second largest producer after Thailand in Southeast Asia to consider the interest of young generation drivers in digital technology to access vehicle data, examine and diagnose component conditions. Internet of Things as a term in digital technology has an impact on reducing maintenance costs and increasing vehicle life cycles which are important activities for vehicles. One of them is the use of machine learning algorithm which has been widely used in diagnosing vehicle problems. To schedule maintenance activities, the machine learning algorithm used is a regression method that will be compared with the empirical calculation of the formula. A diagnostic device is made to provide vehicle information in real-time using the connectionthat is already available on the vehicle. The information is then used to predict the condition of the components on the vehicle. The device is connected and stores data in the cloud. Then the driver can monitor the condition of the vehicle directly through a smartphone with the results of calculations both empirically and using machine learning that has been verified by a verification test to update the calculation program in reducing the error value. Calculations in the application were gained by doing test based on driving behavior. Observed component condition had decreasing value around 1.35% - 2.38% for air filter component with MAE and MSE number 0.117 and 0.017 respectively which thebiggest error occurred at Eco behavior. Engine lubricant also experienced decreasing value around 2.38% - 36.32% with MAE and MSE number 0.237 and 0.082 respectively which the biggest error occurred at Normal behavior. Overall, the application can reliablypredict component conditions with an error rate in the air filter and lubricant components respectively 0.3163% and 0.2367%."

"

Tujuan dari riset ini adalah memberikan penyesuaian metodologi atau prosedur langkah-langkah instalasi dan implementasi sistem biaya kualitas termasuk penyesuaian model perhitungan biaya kualitas untuk kalangan industri otomotif manufaktur khususnya pabrik mobil penumpang. Pendekatan tinjauan literatur digunakan dan studi percontohan dipilih untuk aspek empiris riset guna memperkaya campuran data kualitatif dan kuantitatif. Meskipun tinjauan literatur menunjukkan begitu banyak ahli yang menulis riset sejenis, penyesuaian model biaya kualitas tetap direkomendasikan. Hasil studi percontohan menjelaskan bahwa implementasi biaya kualitas pada tahap awal dirasa cukup sampai dengan pelaporan. Riset selanjutnya disarankan untuk berlatih dalam melacak biaya kualitas. Riset dimulai dari persiapan hingga pelaporan biaya kualitas. Ruang lingkup riset terbatas pada biaya kualitas di area operasional (produksi). Metodologi implementasi sistem biaya kualitas dapat memandu organisasi mendapatkan gambaran internal biaya kualitas. Riset ini mengkonfirmasi bahwa organisasi memang perlu memodifikasi model biaya kualitas yang tersedia sesuai tujuan, kebutuhan, dan lingkungan organisasi. Dengan demikian, model-model sederhana yang ditawarkan pada riset ini menjadi bernilai sekaligus berkontribusi terhadap literatur ekonomi kualitas.

 

---

The purpose of this research is to provide methodological adjustments or procedures for installation steps and the implementation of a quality cost system, including adjusting the quality cost calculation model for the automotive manufacturing industry, especially passenger car factories. A literature review approach is used and pilot studies are chosen for empirical aspects of research to enrich the mix of qualitative and quantitative data. Although the literature review shows that many experts write similar research, adjusting the quality cost model is still recommended. The results of the pilot study explain that the implementation of quality costs at an early stage is considered sufficient until reporting. Further research is advised to practice tracking quality costs. Research starts from preparation to reporting on quality costs. The scope of research is limited to quality costs in the operational area (production). The methodology for implementing a quality cost system can guide organizations to get an internal view of quality costs. This research confirms that organizations do need to modify the available quality cost models according to the organization's goals, needs, and environment. Thus, the simple models offered in this research are both valuable and contribute to quality economic literature.

 

"

"Industri otomotif merupakan salah satu industri yang berperan besar dalam sumber pemasukan Indonesia salah satunya dalam pemenuhan kebutuhan sehari-hari terutama untuk transportasi dan logistik. Hal ini menyebabkan terus bertumbuhnya target produksi truk tiap tahunnya. Hal ini sudah menjadi salah satu fokus Indonesia yang menargetkan 1,29 juta unit truk diproduksi di tahun 2020. Oleh karena itu, dibutuhkan optimalisasi dalam lini produksi truk untuk merealisasikan target tersebut. Penelitian ini memiliki tujuan untuk meminimalkan waktu produksi dengan jumlah stasiun kerja yang optimal untuk meminimalkan biaya-biaya yang akan keluar apabila ingin meningkatkan kapasitas produksi dalam lini perakitan truk di Indonesia. Penelitian dilakukan dengan pendekatan lean manufacturing untuk menganalisis waste yang terdapat pada lini perakitan. Penelitian dimulai dengan melihat dan mencatat waktu setiap stasiun kerja, kemudian dilakukan perhitungan waktu setiap pekerjaan dengan menggunakan metode time study. Waktu yang sudah didapat kemudian di-input ke model matematika programa linear mixed integer linear programming yang dikembangkan dalam perangkat lunak LINGO 17.0. Hasil dari pengolahan data pada perangkat lunak LINGO 17.0 adalah alokasi setiap pekerjaan ke stasiun kerja yang baru untuk mendapat cycle time produksi yang sesuai dengan takt time produksi, dan juga total idle time dari lini perakitan yang baru. Penelitian ini juga membahas hasil dari beberapa skenario perubahan parameter yang mungkin terjadi pada perusahaan.

---

The automotive industry is one of the industries that plays a major role in Indonesia's revenue sources, one of which is in meeting daily needs, especially for transportation and logistics. This causes the growth of truck production targets each year. This has become one of Indonesia's focus to target 1.29 million trucks produced in 2020. Therefore, optimization in the truck production line is needed to realize this target. This study aims to minimize production time with the optimal number of workstations to minimize costs that will come out if you want to increase production capacity in truck assembly lines in Indonesia. The study was conducted with a lean manufacturing approach to analyze the waste contained in the assembly line. The study began by looking at and recording the time of each workstation, then time was calculated for each work using the time study method. The time obtained is then inputted to the linear mixed integer linear programming mathematical programming model developed in the LINGO 17.0 software. The result of data processing in the LINGO 17.0 software is the allocation of each job to the new workstation to get the production cycle time in accordance with the production takt time, and also the total idle time of the new assembly line. This study also discusses the results of several scenario changes in parameters that might occur in the company."

"Fenomena Pabrik Pintar pada era Industri 4.0 yang dipercaya memiliki banyak keunggulan dianggap sebagai momentum yang tepat untuk merevitalisasi sektor manufaktur yang kontribusinya terhadap perekonomian Indonesia semakin menurun setiap tahunnya. Meskipun demikian penerapan Pabrik Pintar tidaklah mudah karena memiliki berbagai tantangan. Beberapa penelitian tentang Industri 4.0 yang telah dilakukan mengabaikan analisis tentang tantangan yang akan dihadapi dalam penerapannya. Selain itu dibutuhkan penelitian yang lebih spesifik terhadap industri tertentu dan dengan keadaan negara tertentu dalam menerapkan Pabrik Pintar Industri 4.0. Untuk itu, penelitian ini bertujuan untuk menganalisis penerapan Pabrik Pintar pada industri manufaktur otomotif di Indonesia menggunakan multi criteria decision making (MCDM) yang disebut Best Worst Method (BWM). Hasil penelitian menunjukan bahwa masalah kompleksitas dalam mengintegrasikannya, tingginya biaya investasi, dan kurangnya infrastruktur digital menjadi tiga tantangan prioritas. Hasil penelitian diharapkan dapat menjadi pedoman agar terciptanya penerapan Industri 4.0 yang sukses sehingga Pabrik Pintar dalam industri manufaktur otomotif dapat tercapai.

---

Everyone is talking about smart factories of Industry 4.0. Many believe this phenomena provides the right momentum to revitalize the manufacturing sector which in the last several years has shown a decline in its contribution to the Indonesian economy. However, the implementation of smart factories, is not without challenges, and studies on i4.0 thus far have not really addressed these challenges. In fact, a more thorough study on smart factories of i4.0 is needed for a specific industry within a certain country condition. This study aims to analyze the implementation of smart factories in the automotive manufacturing industry in Indonesia using multi-criteria decision making, called the Best Worst Method (BWM). The results will show the complexity of system integration, high investment costs, lack of digital infrastructure are the three challenges to be prioritized. Results of the study are expected to provide a guideline for a successful implementation of Industry 4.0 for smart factories in the automotive manufacturing."

"Kegiatan bisnis di industri otomotif dapat berjalan dengan baik dan efisien jika SCM dalam kondisi optimal dan terlindungi dari risiko [1]. Menurut Alitosa dan Kusumah [2], risiko yang paling potensial dalam SCM di industri otomotif adalah antara jaringan pemasok anggota dan antara jaringan pasokan dan lingkungan. Contoh peningkatan risiko non-organisasi yang dapat memengaruhi rantai pasokan saat ini adalah adanya COVID-19. Hal ini secara langsung mempengaruhi aktivitas SC di berbagai sektor, salah satunya adalah industri otomotif [3]. Kerugian akibat risiko tersebut harus ditekan untuk mendukung Kebijakan Industri Nasional 2005 yang dikeluarkan Kementerian Perindustrian pada tahun 2005, bahwa pada tahun 2025 industri otomotif akan menjadi andalan industri masa depan. Hasil penelitian menunjukkan masih banyak kesenjangan pada penelitian-penelitian sebelumnya, untuk itu metode HOR akan digabungkan dengan metode SCBS untuk mengurangi risiko kerugian yang ditimbulkan dan menentukan skala prioritas untuk resolusi risiko. Hasil penelitian menunjukkan bahwa berdasarkan perspektif pertumbuhan dan pembelajaran adalah menghitung ROI untuk investasi sumber daya untuk mendukung inovasi, benchmarking ke perusahaan lain, membuat jadwal pelatihan reguler dan mengevaluasi kemampuan tenaga kerja operator. Dari perspektif bisnis internal, membuat jadwal pelatihan berkala dan mengevaluasi kemampuan tenaga kerja operator, membuat rencana evaluasi pemasok setiap 6 bulan, menjadwalkan penggantian alat, jig, dies, perlengkapan sesuai masa pakai, melakukan perawatan preventif mesin sesuai jadwal. Berdasarkan perspektif pelanggan, buat standar, dan kendalikan proses di shift awal, buat standar dan kendalikan fungsi poka-yoke di shift awal, buat standar dan pengecekan produk di shift awal. Dari perspektif keuangan adalah merencanakan bisnis dengan hati-hati, meningkatkan operasi pabrik untuk mengurangi waktu kerugian dan penolakan, merencanakan produksi berdasarkan prioritas pengiriman

---

Business activities in the automotive industry can run well and efficiently if SCM is in optimal condition and is protected from risks [1]. According to Alitosa and Kusumah [2], the most potential risks in SCM in the automotive industry are between the supplier network of members and between the supply network and the environment. An example of increased non-organizational risk that can affect the supply chain today is the presence of COVID-19. This directly affects SC activities in various sectors, one of which is the automotive industry [3]. The losses caused by these risks must be suppressed to support the 2005 National Industrial Policy issued by the Ministry of Industry in 2005, that by 2025 the automotive industry will be the mainstay of the future industry. The results of the research show that there are still many gaps in previous studies, for that the HOR method will be combined with the SCBS method to reduce the risk of losses incurred and determine the priority scale for risk resolution. The results show that based on growth and learning perspectives is calculating ROI for resource investment to support innovation, benchmarking to other companies, making regular training schedules and evaluating operator manpower capability. From an internal business perspective, make periodic training schedules and evaluate operator manpower capability, make supplier evaluation plans every 6 months, schedule replacement of tools, jigs, dies, fixtures according to lifetime, do a machines preventive maintenance according to schedule. Based on the customer's perspective, make standards, and control the process at the beginning shift, make standards and control the poka-yoke function at the beginning shift, make standards and product checks at the beginning shift. From financial perspective is planning the business carefully, improve factory operations to reduce loss time and rejects, plan production based on delivery priorities."