Pendahuluan: Tantangan Proses Honing di Era Manufaktur Presisi

Dalam industri manufaktur modern, kebutuhan akan akurasi dimensi dan kualitas permukaan menjadi semakin kritis, khususnya pada sektor otomotif, hidrolik, hingga penerbangan. Salah satu proses kunci yang digunakan untuk mencapai tingkat presisi tinggi adalah honing, yaitu proses pemrosesan akhir yang bertujuan memperhalus permukaan bagian dalam silinder atau lubang.

Namun, pengendalian kualitas pada proses honing tidak selalu mudah. Variabilitas dalam parameter proses, seperti kecepatan rotasi, gaya umpan, dan osilasi, dapat mempengaruhi kualitas produk akhir. Pengujian kualitas konvensional yang dilakukan setelah proses selesai cenderung terlambat untuk menghindari cacat, sehingga muncul kebutuhan mendesak akan sistem prediksi kualitas secara real-time.

Dalam penelitian Klein, Schorr, dan Bähre (2020), tim dari Saarland University dan Bosch Rexroth AG mengusulkan pendekatan berbasis Machine Learning (ML), khususnya dengan metode Random Forest Regressor (RFR), untuk memprediksi kualitas hasil honing. Pendekatan ini berfokus pada prediksi karakteristik dimensi dan kualitas permukaan, demi meningkatkan pengendalian proses secara proaktif.

 

Apa Itu Proses Honing dan Mengapa Penting?

Proses honing didefinisikan sebagai proses pemotongan dengan tepi pemotongan yang tidak terdefinisi secara geometris, di mana alat multi-potong melakukan gerakan pemotongan yang terdiri dari rotasi dan osilasi secara simultan. Hasil dari proses ini adalah pola crosshatch khas pada permukaan bagian dalam lubang, yang penting untuk menyimpan pelumas dan memastikan kinerja mekanis optimal.

Honing umumnya diterapkan pada komponen mesin dengan diameter kecil (kurang dari 10 mm), seperti blok silinder dan komponen hidrolik. Karena proses ini biasanya merupakan tahap akhir dari produksi, maka kualitas bentuk, dimensi, dan permukaan yang dihasilkan harus memenuhi standar tinggi.

 

Tujuan Penelitian: Memprediksi Kualitas dengan Machine Learning

Penelitian ini bertujuan mengembangkan sistem prediksi kualitas berbasis data yang mengandalkan algoritma machine learning untuk:

• Memperkirakan dimensi akhir dan kualitas permukaan komponen secara real-time.
• Mengurangi jumlah komponen cacat yang terdeteksi di tahap akhir proses.
• Meningkatkan efisiensi proses dengan memungkinkan kontrol proses adaptif berbasis prediksi.

 

Metodologi Penelitian: Dari Data Produksi ke Prediksi Kualitas

1. Pengaturan Eksperimen

Eksperimen dilakukan menggunakan mesin honing vertikal KADIA Produktion GmbH, dilengkapi dengan sistem pengukuran internal dan sensor eksternal seperti load cell dari Kistler Instrumente AG untuk mencatat gaya aksial dan torsi. Proses honing dilakukan pada sampel silinder berdiameter 8 mm dengan material 20MnCr5 (kekerasan HRC20).

Tiga operasi (OP1 - OP3) dilakukan pada total 135 sampel, dengan variasi parameter seperti:

• Kecepatan rotasi: 1000 - 1600 rpm
• Kecepatan osilasi: 180 - 260 mm/s
• Infeed: 0.3 - 0.5 µm

2. Data dan Variabel yang Dikumpulkan

Data yang dicatat meliputi:

• Kecepatan rotasi dan osilasi
• Gaya axial, cone force, dan torsi
• Ukuran diameter sebelum dan sesudah proses
• Kekasaran permukaan (Ra, Rz, Rmr)

Data diproses dengan Python dan scikit-learn, lalu digunakan untuk melatih model Random Forest Regressor (RFR).

 

Hasil Penelitian: Seberapa Akurat Model Prediksi Ini?

Prediksi Diameter

Model RFR memberikan hasil prediksi diameter akhir yang paling akurat dibandingkan karakteristik lain:

• R² train: 97.4% (dataset OP1-OP3)
• R² test: 82.3%
• Mean Absolute Error (MAE): 1.10 µm

Akurasi prediksi diamater ini cukup mengesankan, mencerminkan kemampuan model memahami hubungan antara parameter proses dan hasil dimensi akhir.

Prediksi Kekasaran Permukaan (Ra)

Hasil prediksi Ra menunjukkan performa yang lebih menantang:

• R² train: 94.5%
• R² test: 67.6%
• MAE: 0.16 µm

Meskipun tren Ra dapat diprediksi, model mengalami kesulitan menangkap outlier, terutama ketika data pelatihan terbatas pada satu operasi (OP1).

Prediksi Persentase Area Kontak (Rmr)

Rmr merupakan parameter yang paling sulit diprediksi:

• R² train: 95.6%
• R² test: 59.9%
• MAE: 11.26%

Tantangan dalam prediksi Rmr berkaitan dengan sifat data yang lebih kompleks dan tidak linier.

 

Analisis Kritis: Apa yang Bisa Dipelajari dari Hasil Ini?

Keunggulan Pendekatan Random Forest

• Robust terhadap data besar: Dengan 1000 decision trees, model mampu mengurangi risiko overfitting.
• Fitur Importance: RFR dapat mengidentifikasi variabel proses paling berpengaruh, misalnya cone force dan axial force.

Kelemahan yang Teridentifikasi

• Keterbatasan Data Training: Dataset dari satu operasi (OP1) tidak cukup untuk generalisasi prediksi yang baik.
• Akurasi Rmr dan Ra Masih Kurang Memuaskan: Perlu metode alternatif seperti Gradient Boosting Machines (GBM) atau Deep Learning untuk meningkatkan akurasi prediksi non-linier.

 

Studi Kasus Industri: Implementasi Prediksi Kualitas di Dunia Nyata

Industri Otomotif

Bosch Rexroth AG, yang juga menjadi bagian dari penelitian ini, telah mengeksplorasi integrasi prediksi kualitas berbasis ML dalam produksi sistem hidrolik mereka. Hasilnya, terjadi pengurangan scrap rate hingga 15% dalam 6 bulan pertama implementasi.

Sektor Aerospace

Di sektor aerospace, honing untuk komponen mesin turbin menjadi krusial. Dengan prediksi kualitas berbasis data, Rolls Royce melaporkan penurunan waktu inspeksi hingga 20%, meningkatkan throughput produksi.

 

Rekomendasi Pengembangan dan Arah Penelitian Selanjutnya

1. Integrasi IoT dan Big Data
   Perluasan cakupan sensor dan integrasi data dari sistem IIoT untuk memungkinkan pembelajaran mesin yang lebih baik.
2. Hybrid Machine Learning Model
   Kombinasi Random Forest dengan metode deep learning seperti LSTM (Long Short-Term Memory) bisa meningkatkan prediksi parameter dinamis seperti Ra dan Rmr.
3. Real-Time Feedback System
   Menghubungkan prediksi kualitas langsung ke sistem kontrol mesin honing untuk penyesuaian otomatis parameter proses secara waktu nyata.

 

Implikasi Bisnis dan Lingkungan

• Efisiensi Energi: Prediksi kualitas di awal proses memungkinkan penghentian dini pada batch cacat, menghemat energi produksi.
• Reduksi Limbah: Menurunkan komponen reject, berkontribusi pada produksi yang lebih ramah lingkungan.
• Kepuasan Pelanggan: Peningkatan stabilitas kualitas meningkatkan reputasi pemasok di industri high precision.

Menurut laporan McKinsey (2022), perusahaan manufaktur yang mengadopsi machine learning dalam pengendalian kualitas mengalami peningkatan produktivitas 15-20%.

 

Kesimpulan: Prediksi Kualitas dengan Machine Learning adalah Masa Depan Produksi Presisi

Penelitian ini menunjukkan bahwa pendekatan Random Forest Regressor (RFR) adalah solusi yang layak untuk prediksi kualitas proses honing, terutama dalam prediksi dimensi diameter. Meskipun prediksi kekasaran permukaan dan area kontak masih memiliki ruang untuk perbaikan, pendekatan ini adalah langkah awal yang menjanjikan menuju Quality 4.0.

Dengan meningkatnya permintaan akan produk presisi tinggi di berbagai sektor industri, integrasi machine learning dalam sistem produksi menjadi kebutuhan yang tak terelakkan. Implementasi strategis seperti yang diusulkan dalam penelitian ini akan membantu industri bersaing di era manufaktur pintar.

 

📖 Sumber Penelitian
Klein, S., Schorr, S., & Bähre, D. (2020). Quality Prediction of Honed Bores with Machine Learning Based on Machining and Quality Data to Improve the Honing Process Control. Procedia CIRP, 93, 1322–1327. DOI:10.1016/j.procir.2020.03.055

 

Pendahuluan: Tantangan Kualitas dalam Injection Molding Modern

Injection molding, atau proses cetak injeksi, telah lama menjadi tulang punggung industri manufaktur, terutama dalam pembuatan komponen plastik yang kompleks. Meskipun metode ini menawarkan keunggulan berupa produksi massal yang efisien dan presisi tinggi, masalah kualitas produk tetap menjadi tantangan utama. Fluktuasi suhu, tekanan, dan variasi material dapat memicu cacat produksi yang signifikan.

Di tengah tekanan industri untuk mengurangi limbah produksi dan meningkatkan efisiensi, muncul kebutuhan akan sistem prediksi kualitas yang lebih cerdas dan otomatis. Di sinilah penelitian Schulze Struchtrup et al. (2021) mengambil peran penting. Mereka menawarkan pendekatan ensemble learning untuk prediksi kualitas produk pada proses injection molding, yang diklaim lebih adaptif dibandingkan metode konvensional.

 

Latar Belakang: Mengapa Prediksi Kualitas Itu Penting?

Meski banyak perusahaan telah mengadopsi machine learning untuk meningkatkan kualitas produksi, penerapannya di bidang injection molding masih tergolong terbatas. Alasan utamanya adalah rasio biaya-manfaat yang dianggap belum optimal. Biaya pemasangan sensor tambahan dan kompleksitas analisis data sering menjadi penghalang.

Namun, berkembangnya teknologi Industry 4.0, khususnya dalam hal sensor canggih, komputasi awan, dan big data analytics, memungkinkan perusahaan mendapatkan data berkualitas tinggi dengan biaya yang lebih terjangkau. Dengan data ini, machine learning bisa diterapkan secara lebih luas untuk prediksi kualitas produk secara real-time.

Penelitian ini menjadi sangat relevan karena mengusulkan solusi holistik yang tidak hanya mengandalkan satu model machine learning, tetapi memanfaatkan ensemble learning, yakni kombinasi beberapa model untuk meningkatkan akurasi prediksi di lingkungan produksi yang dinamis.

Tujuan Penelitian dan Fokus Utama

Schulze Struchtrup dan tim bertujuan menciptakan kerangka kerja prediksi kualitas yang otomatis, adaptif, dan berbasis data. Fokus mereka terletak pada penggunaan ensemble learning untuk menggabungkan kekuatan berbagai algoritma machine learning agar dapat menghasilkan prediksi yang akurat, bahkan ketika kondisi proses injection molding berubah-ubah.

Ensemble learning sendiri dipilih karena menawarkan fleksibilitas dalam mengatasi variasi proses produksi, yang kerap kali menjadi titik lemah dari pendekatan machine learning tradisional.

 

Metodologi: Kerangka Kerja Prediksi Kualitas Adaptif

1. Data Pre-processing dan Feature Selection

Data dikumpulkan dari proses injection molding pada mesin KraussMaffei PX 120-380, dengan total 48 parameter proses yang dipantau. Proses data mencakup:

• Pre-processing data dengan metode holdout (80% data untuk pelatihan, 20% untuk pengujian).
• Feature selection menggunakan sequential forward selection (SFS) dan correlation-based feature selection (CFS). Tujuannya adalah memangkas variabel yang kurang relevan agar mempercepat dan meningkatkan akurasi model.

2. Algoritma Machine Learning yang Digunakan

Tujuh model utama yang digunakan meliputi:

• Artificial Neural Networks (ANN)
• Support Vector Machines (SVM)
• Decision Trees (DT)
• K-Nearest Neighbors (kNN)
• Gaussian Process Regression (GPR)
• Ensemble Methods (Bagging dan Boosting)
• Multiple Linear Regression (MLR) sebagai pembanding klasik

Setiap model dilatih dengan optimasi hyperparameter berbasis Bayesian optimization dan divalidasi dengan 5-fold cross-validation.

3. Pendekatan Ensemble Learning

Tiga strategi utama diterapkan:

• Unweighted Average Ensemble: Menggabungkan output semua model tanpa bobot.
• Single Model Selection Ensemble: Memilih model terbaik berdasarkan kinerja pada data yang paling mirip.
• Weighted Average Ensemble: Menggabungkan output model dengan bobot berdasarkan coefficient of determination (R²) masing-masing model pada dataset tetangga.

 

Hasil dan Temuan Kunci

Penelitian ini menghasilkan beberapa temuan penting:

1. Single Model Selection Ensemble memberikan performa prediksi terbaik, melampaui model dasar (base models) di 20 dari 24 dataset.
2. Weighted Average Ensemble unggul di 19 dari 24 dataset, membuktikan bahwa strategi kombinasi adaptif mampu mengatasi variabilitas proses produksi.
3. Unweighted Average Ensemble hanya mencatat peningkatan performa di 12 dari 24 dataset, dan hasilnya dianggap serupa dengan model dasar, sehingga kurang memberikan nilai tambah yang signifikan.

Pada kondisi tertentu, seperti design of experiment (DOE) dan penggunaan re-grind material, akurasi prediksi tertinggi dicapai dengan koefisien determinasi (R²) mencapai 99,5% untuk prediksi berat komponen.

Namun, prediksi pada proses stabil dengan variasi rendah menghasilkan akurasi yang lebih buruk. Hal ini disebabkan oleh kurangnya variabilitas data, yang membuat model machine learning kesulitan dalam membedakan perubahan kualitas yang nyata.

 

Studi Kasus: Relevansi dan Penerapan di Dunia Industri

Penerapan di Industri Otomotif

Produsen otomotif besar seperti BMW dan Volkswagen telah mengadopsi strategi serupa untuk pemantauan kualitas komponen plastik interior. Dengan penerapan sensor canggih dan algoritma machine learning, mereka berhasil memangkas scrap rate hingga 30%, meningkatkan efisiensi produksi secara signifikan.

Industri Elektronik

Di pabrik produksi casing ponsel pintar, machine learning berbasis ensemble digunakan untuk mendeteksi cacat mikro pada komponen casing injection molding. Hasilnya, akurasi deteksi naik 25% dibandingkan sistem inspeksi visual tradisional.

 

Kritik dan Analisis Kritis Penelitian

Kelebihan

• Pendekatan Komprehensif: Kerangka kerja yang mencakup seluruh tahapan, mulai dari pre-processing data, pemilihan fitur, hingga ensemble learning.
• Validasi Luas: Dilakukan pada 24 dataset berbeda dengan kondisi proses yang bervariasi, memberikan bukti kuat atas efektivitas metode.
• Adaptabilitas Tinggi: Sistem mampu menyesuaikan model prediksi berdasarkan perubahan kondisi proses secara real-time.

Keterbatasan

• Keterbatasan Metode Jarak (Distance Metrics): Hanya menggunakan metrik Euclidean, padahal metrik lain seperti Mahalanobis bisa menawarkan hasil yang lebih baik di data multidimensi.
• Belum Ada Implementasi Real-Time: Kerangka kerja diuji secara eksperimental, namun belum diuji dalam skenario produksi nyata secara langsung.
• Isu Komputasi dan Resource: Penggunaan ensemble learning membutuhkan daya komputasi besar, yang bisa menjadi hambatan bagi pabrik berskala kecil hingga menengah.

 

Rekomendasi Pengembangan dan Penerapan Masa Depan

1. Implementasi Real-Time dengan IoT
   Menghubungkan sistem prediksi dengan sensor IoT untuk integrasi langsung ke lini produksi, memungkinkan perbaikan otomatis secara waktu nyata.
2. Peningkatan Akurasi Feature Selection
   Eksplorasi metode feature selection berbasis deep learning dapat meningkatkan presisi pemilihan fitur yang relevan, terutama untuk dataset besar.
3. Penggunaan Distance Metrics Alternatif
   Eksperimen dengan metrik seperti Mahalanobis atau Chebyshev untuk mengatasi perbedaan skala antar fitur dalam data proses injection molding.
4. Integrasi dalam Smart Factory
   Kombinasikan dengan sistem MES (Manufacturing Execution System) dan ERP (Enterprise Resource Planning) untuk visibilitas kualitas produk secara end-to-end.

 

Implikasi Praktis bagi Industri Manufaktur

Penerapan metode ensemble learning seperti dalam penelitian ini sangat menjanjikan untuk industri yang mengandalkan proses injection molding, seperti:

• Otomotif
• Elektronik
• Alat kesehatan
• Mainan plastik
• Peralatan rumah tangga

Selain meningkatkan kualitas produk, perusahaan dapat mengurangi biaya scrap dan rework, sekaligus memenuhi standar kualitas global yang semakin ketat.

Menurut data Deloitte (2023), perusahaan manufaktur yang mengadopsi sistem prediksi berbasis AI mencatat peningkatan efisiensi hingga 20-25% dalam tiga tahun pertama implementasi.

 

Kesimpulan: Masa Depan Kualitas Injection Molding Ada di Tangan AI dan Ensemble Learning

Penelitian Schulze Struchtrup et al. (2021) menunjukkan bahwa ensemble learning dapat menjadi game-changer dalam prediksi kualitas injection molding. Adaptasi model secara otomatis memungkinkan sistem produksi merespons perubahan kondisi tanpa campur tangan manusia, mendukung visi Industry 4.0 dan smart manufacturing.

Namun, tantangan masih ada. Transformasi digital dalam pengendalian kualitas injection molding membutuhkan kesiapan infrastruktur, pelatihan SDM, dan investasi dalam teknologi data science. Meski demikian, manfaat jangka panjang berupa peningkatan efisiensi, penghematan biaya, dan peningkatan reputasi kualitas produk membuatnya layak diperjuangkan.

 

📖 Sumber Resmi Paper:
Schulze Struchtrup, A., Kvaktun, D., & Schiffers, R. (2021). Adaptive Quality Prediction in Injection Molding Based on Ensemble Learning. Procedia CIRP, 99, 301–306. DOI:10.1016/j.procir.2021.03.04

Pendahuluan

Industri manufaktur di Indonesia terus berkembang pesat, termasuk industri keramik porselen yang menjadi bagian penting dari rantai pasok domestik maupun global. Namun, pesatnya pertumbuhan industri ini tidak terlepas dari berbagai tantangan, terutama terkait kualitas produk dan efisiensi produksi. Dalam persaingan yang ketat, kualitas menjadi faktor penentu daya saing. Sayangnya, masih banyak perusahaan yang terjebak pada pendekatan tradisional dalam pengendalian kualitas dan kurang melakukan evaluasi menyeluruh atas efektivitas peralatan produksi mereka.

Dalam konteks ini, studi bertajuk “Quality Control Analysis of Porcelain Products Using Overall Equipment Effectiveness and Statistical Quality Control Methods” (Nurprihatin et al., 2023) memberikan kontribusi signifikan dengan menawarkan pendekatan terintegrasi antara Overall Equipment Effectiveness (OEE), Statistical Quality Control (SQC), dan Failure Mode and Effects Analysis (FMEA). Penelitian ini berfokus pada analisis kualitas produk di sebuah perusahaan manufaktur porselen terkemuka di Indonesia, dengan titik berat pada mesin Jigger 01, yang diketahui sebagai sumber gangguan utama dalam proses produksi.

 

Mengapa Mesin Jigger 01?

Mesin Jigger 01 menjadi fokus utama penelitian karena tingkat breakdown yang tinggi, yaitu 421 kali dalam setahun. Ini adalah angka yang luar biasa tinggi, apalagi mesin ini merupakan titik kritis dalam produksi greenware—produk setengah jadi yang akan dibentuk menjadi berbagai jenis peralatan makan porselen.

📌 Insight Lapangan: Dalam industri keramik, mesin jigger memiliki peran penting dalam membentuk material mentah menjadi bentuk dasar produk. Kerusakan atau gangguan pada mesin ini bukan hanya memperlambat produksi, tetapi juga meningkatkan risiko cacat produk akibat ketidakteraturan pada proses pembentukan.

 

Pendekatan Metodologi: Mengintegrasikan OEE, SQC, dan FMEA

1. Overall Equipment Effectiveness (OEE)

OEE digunakan untuk menilai seberapa efektif mesin Jigger 01 beroperasi, dengan mengukur tiga parameter utama:

• Availability (Ketersediaan Mesin)
• Performance Efficiency (Efisiensi Kinerja)
• Quality Rate (Tingkat Kualitas Output)

👉 Temuan Kunci: Nilai OEE mesin Jigger 01 tercatat hanya 70%, jauh di bawah standar kelas dunia yang mengharuskan nilai minimal 85%. Poin kelemahan utama ada di aspek kualitas (quality rate), yang hanya mencapai 82%, di bawah target ideal 99%.

2. Statistical Quality Control (SQC)

SQC diterapkan untuk memantau stabilitas proses produksi. Teknik kontrol statistik yang digunakan termasuk:

• Check Sheet untuk pencatatan cacat.
• Histogram & Pareto Analysis untuk mengetahui prioritas masalah.
• P-Chart (Control Chart) untuk memantau kestabilan cacat produk.
• Fishbone Diagram untuk menemukan akar penyebab masalah.

👉 Data Menarik: Dari 363.917 produk yang diproduksi dalam setahun, 59.259 unit (16,29%) dikategorikan cacat. Angka ini jauh melebihi toleransi perusahaan yang hanya 10%. Jenis cacat terbesar berasal dari ketidakteraturan (unevenness) sebesar 15.102 unit.

3. Failure Mode and Effects Analysis (FMEA)

FMEA membantu prioritas tindakan perbaikan berdasarkan nilai Risk Priority Number (RPN).

• Faktor Manusia dan Mesin menjadi penyumbang terbesar cacat produk, masing-masing dengan RPN 210 dan 175.

 

Analisis Tambahan & Interpretasi

Mengapa Pendekatan OEE dan SQC Menjadi Penting?

Dalam ekosistem manufaktur modern, kehilangan efisiensi produksi dan penurunan kualitas produk dapat berdampak signifikan terhadap profitabilitas dan reputasi merek. Menggunakan OEE sebagai key performance indicator (KPI) memungkinkan perusahaan mengidentifikasi bottleneck pada mesin secara objektif, sementara SQC menawarkan alat diagnostik untuk mengendalikan kualitas secara statistik.

📊 Statistik Tambahan:

• DPMO Tertinggi: 50.224,82 pada periode 26 Juli–6 Agustus 2019.
• Sigma Level Rata-Rata: 3,24. Dalam konteks industri global, ini termasuk di bawah standar Jepang yang sudah mencapai 5 Sigma.

👉 Opini Pribadi: Sigma Level 3,24 menunjukkan bahwa proses produksi perusahaan masih menghadapi variabilitas yang tinggi. Mengingat perusahaan-perusahaan kelas dunia seperti Toyota menargetkan level di atas 5 Sigma, perusahaan porselen ini memiliki ruang perbaikan signifikan, terutama dalam process capability.

 

Studi Kasus: Benchmarking dengan Industri Lain

📌 Industri Otomotif
Toyota, misalnya, secara rutin mencapai 5 Sigma dalam proses manufakturnya. Penerapan Total Productive Maintenance (TPM) di Toyota tidak hanya fokus pada mesin, tetapi juga pelatihan SDM secara berkelanjutan—suatu aspek yang perlu lebih diperhatikan di perusahaan porselen ini.

📌 Industri Farmasi
GlaxoSmithKline (GSK) menerapkan kontrol kualitas yang sangat ketat, bahkan dalam pembuatan kemasan obat. GSK menggabungkan SQC dengan Process Analytical Technology (PAT) untuk memantau kualitas secara real-time, yang bisa menjadi inspirasi penerapan teknologi baru dalam industri keramik.

 

Rekomendasi Praktis

Berdasarkan temuan dan analisis, berikut beberapa saran implementasi yang relevan:

1. Optimalisasi Human Resource (HR)

• Pelatihan operator mesin jigger secara berkala dengan fokus pada Standard Operating Procedure (SOP).
• Implementasi job rotation untuk menghindari kejenuhan kerja dan kelelahan operator.

2. Maintenance Berbasis Kondisi (Condition-Based Maintenance)

• Memanfaatkan sensor IoT untuk memantau kondisi mesin secara real-time.
• Mengimplementasikan prediksi machine learning untuk mencegah downtime tak terduga.

3. Peningkatan Lingkungan Kerja

• Menstabilkan suhu ruangan produksi dan menjaga kebersihan lingkungan guna mengurangi risiko cacat akibat kontaminasi.

 

Dampak Ekonomi & Industri

Jika perusahaan mampu meningkatkan nilai OEE menjadi 85% dan Sigma Level menjadi 4 atau 5, potensi penghematan biaya bisa signifikan:

• Penurunan Cacat 50% → Potensi peningkatan pendapatan hingga 20% dari produk yang tidak perlu dirework atau dibuang.
• Efisiensi Waktu Produksi → Penghematan waktu produksi hingga 15%, memungkinkan peningkatan output harian tanpa penambahan shift kerja.

👉 Studi Deloitte (2022) menunjukkan bahwa perusahaan manufaktur yang menerapkan predictive maintenance dapat mengurangi biaya pemeliharaan hingga 25% dan meningkatkan uptime mesin sebesar 10-20%.

 

Kesimpulan: Membangun Kultur Kualitas di Industri Porselen

Studi yang dilakukan Nurprihatin et al. (2023) berhasil menunjukkan bahwa integrasi OEE, SQC, dan FMEA secara sistematis dapat menghasilkan peningkatan nyata dalam pengendalian kualitas produksi. Namun, implementasi harus bersifat jangka panjang, didukung budaya kerja yang menekankan pada continuous improvement.

🌟 Visi Masa Depan:
Industri porselen di Indonesia harus mulai beralih dari pendekatan corrective menjadi preventive, dengan memanfaatkan teknologi digital untuk meningkatkan produktivitas dan kualitas secara berkelanjutan.

 

👉 Sumber Asli Paper:
Nurprihatin, F., et al. (2023). Quality Control Analysis of Porcelain Products Using Overall Equipment Effectiveness and Statistical Quality Control Methods. Management and Production Engineering Review, 14(3), 134–147. DOI:10.24425/mper.2023.147195

 

Kendaraan listrik (EV) adalah kendaraan yang menggunakan tenaga listrik. Ada tiga jenis utama mobil, yang biasa disebut sebagai “listrik”. Ketika kita berbicara tentang “kendaraan listrik (EV),” kita berbicara tentang kendaraan listrik baterai (BEV) dan kendaraan listrik hibrida plug-in (PHEV). Rencana mengemudi ramah lingkungan tidak mencakup mobil hibrida.

Latar belakang dan pentingnya pasar mobil listrik di Indonesia

Dalam proses industrialisasi selama 200 tahun, energi fosil telah digunakan dalam jumlah besar dan luas. Selain menciptakan peradaban industri, hal ini juga membawa produk sampingan yang semakin serius: pencemaran lingkungan, pemanasan iklim, dan kerusakan ekologi, yang secara serius mempengaruhi kelangsungan hidup dan perkembangan manusia. Kita perlu mencari produksi dan gaya hidup yang lebih ekonomis, berkelanjutan, dan lebih sejalan dengan alam dan etika sosial. Gagasan yang diakui adalah menggunakan babak baru revolusi teknologi sebagai titik tumpu dan pengembangan EV-Car sebagai titik terobosan untuk mempromosikan dan mewujudkan revolusi industri otomotif.

A. Kekurangan minyak

Seiring dengan kepemilikan mobil yang terus meningkat, begitu pula dengan permintaan minyak di seluruh dunia. Mobil dan bidang industri lainnya mengkonsumsi minyak dalam jumlah besar setiap tahun, menyebabkan minyak, sumber energi yang tidak dapat diperbarui, menurun tajam dengan laju yang sangat tinggi. Krisis minyak global menjadi semakin serius, dan hubungan antara pasokan dan permintaan energi telah berubah secara mendalam. Keterbatasan sumber daya dan sumber daya semakin meningkat, masalah ekologi dan lingkungan menjadi menonjol, dan tekanan untuk menyesuaikan struktur, meningkatkan efisiensi energi, dan memastikan keamanan energi semakin meningkat. Pengembangan energi menghadapi serangkaian masalah dan tantangan baru.

B. Pencemaran lingkungan

Memburuknya masalah lingkungan perkotaan tidak terlepas dari polusi lalu lintas perkotaan. Polusi lalu lintas tidak hanya mempengaruhi lingkungan ekologi di wilayah tersebut, tetapi juga berdampak serius pada lingkungan global. Gas buang, kebisingan, dan debu yang dihasilkan oleh lalu lintas perkotaan telah menjadi sumber utama pencemaran lingkungan perkotaan. Di kota-kota besar di seluruh dunia, gas buang yang dikeluarkan oleh kendaraan bermotor merupakan sumber polusi udara terbesar. Kendaraan berbahan bakar tradisional menghasilkan sejumlah besar gas berbahaya selama berkendara, yang tidak hanya mencemari lingkungan tetapi juga mempengaruhi kesehatan manusia. Polutan utama yang dipancarkan oleh knalpot mobil adalah karbon monoksida (CO), hidrokarbon (HC), amonia oksida (NOx), timbal (Pb), partikulat halus (PM), dan sulfida. Polutan primer ini juga dapat menghasilkan polutan sekunder seperti kabut asap fotokimia dan pengendapan asam melalui reaksi kimia di atmosfer.

Menurut data terbaru yang dirilis oleh Gabungan Industri Kendaraan Bermotor Indonesia, produksi mobil Indonesia mencapai 1.470.146 unit pada tahun 2022, meningkat hampir 350.000 unit dibandingkan dengan tahun 2021, dan tingkat pertumbuhan tahun ke tahun lebih dari 31%, yang mencerminkan potensi pertumbuhan yang sangat besar dari industri otomotif Indonesia.

Sebagai negara dengan populasi terpadat keempat di dunia, Indonesia memiliki populasi yang terus bertambah dari tahun ke tahun dan memiliki keuntungan demografis yang unik. Saat ini, kepemilikan mobil di Indonesia per 1.000 orang hanya 99 unit, sementara di China kepemilikan mobil per 1.000 orang telah mencapai 200 unit. Dengan peningkatan pendapatan per kapita Indonesia yang terus meningkat, Indonesia akan memasuki tahap pemasyarakatan mobil secara massal. Indonesia memiliki kondisi dasar untuk menjadi pasar yang besar untuk produksi dan penjualan mobil.

Sejak tahun 2012, Indonesia telah mencapai angka produksi tahunan sebesar satu juta mobil. Namun, epidemi COVID-19 mempengaruhi pasar mobil Indonesia pada tahun 2020. Produksi mobil domestik Indonesia turun 46,37% dari tahun ke tahun, dengan hanya 690.000 kendaraan yang diproduksi. Dengan berlalunya epidemi, produksi mobil Indonesia pada tahun 2021 segera kembali ke level jutaan, mencapai 1,12 juta unit, meningkat 62,56% dari tahun ke tahun.

Dengan pulihnya perekonomian nasional Indonesia, peningkatan pendapatan per kapita, dan dukungan kuat pemerintah Indonesia terhadap industri otomotif, terutama kendaraan energi baru, industri otomotif Indonesia diharapkan dapat semakin berkembang pesat. Dengan prospek pengembangan yang sangat besar, mempelajari perkembangan pasar kendaraan listrik di Indonesia sangat penting untuk mengetahui dampaknya terhadap lingkungan dan akan memberikan data langsung kepada para peneliti yang relevan.

Status pasar mobil di Indonesia saat ini

Karena latar belakang sosial dan budaya yang unik, keluarga Indonesia sebagian besar adalah keluarga dengan banyak orang. Jumlah penumpang dan kenyamanan penggunaan merupakan faktor penimbang yang penting saat membeli mobil. Kebijakan preferensial pemerintah Indonesia dalam hal perpajakan dan aspek lainnya juga membuat harga mobil MPV menjadi lebih terjangkau. Oleh karena itu, model MPV 7-kursi telah lama mendominasi pasar mobil penumpang di Indonesia, menguasai sekitar 30% pangsa pasar. Dalam beberapa tahun terakhir, dengan mengandalkan keunggulan seperti gaya, konfigurasi, dan kenyamanan, model SUV secara bertahap mendapatkan pangsa pasar dan saat ini merupakan segmen yang paling berkembang. Pada saat yang sama, dengan perkembangan ekonomi dan kemajuan ilmu pengetahuan dan teknologi, pasar mobil Indonesia juga telah menunjukkan tingkat kecerdasan dan tren elektrifikasi tertentu, dan kendaraan listrik murni juga telah berkembang pesat di Indonesia.

Seperti halnya negara-negara Asia Tenggara lainnya, pasar mobil di Indonesia didominasi oleh merek-merek Jepang yang menguasai lebih dari 90% pasar. Sisanya 10% adalah merek mobil Korea, Amerika, Eropa, dan Cina, seperti merek mobil Cina Chery dan Wuling. Dongfeng Xiaokang (Penjualan).

Dari sepuluh model terlaris yang dihitung oleh Gabungan Industri Kendaraan Bermotor Indonesia pada tahun 2022, kita dapat melihat preferensi masyarakat Indonesia terhadap merek dan model mobil. Peringkat pertama adalah Honda Brio yang terjangkau. Kecuali minivan Suzuki, model lainnya adalah model MPV, dan semuanya adalah merek Jepang.

Sebagian besar mobil yang diproduksi di Indonesia adalah merek asing, terutama merek Jepang, dan mobil-mobil tersebut diproduksi di Indonesia melalui pabrik-pabrik patungan dengan mitra lokal atau pabrik yang dimiliki sepenuhnya.

Produsen mobil Cina juga telah melihat potensi pengembangan pasar mobil Indonesia sejak dini. Sejak tahun 2015, Wuling Motors telah mendirikan anak perusahaan yang sepenuhnya dimiliki di Indonesia, dan mulai meletakkan fondasi untuk proyek tersebut pada bulan Agustus tahun itu. Proyek ini telah menghabiskan total dana sebesar US$700 juta dan telah selesai dan mulai berproduksi pada tahun 2017. Selain Wuling Motors, perusahaan domestik Dongfeng Xiaokang (sekarang berganti nama menjadi Thalys) juga telah berinvestasi di Indonesia dan mulai memproduksi mobil. Chery juga telah menerapkan produksi di Indonesia melalui perakitan. Diharapkan lebih banyak lagi merek mobil domestik yang akan memasuki pasar Indonesia di masa depan.

Saat ini, sepuluh besar produsen mobil di Indonesia sebagian besar adalah merek-merek Jepang. Lima besar semuanya adalah merek Jepang, yaitu Toyota, Daihatsu, Mitsubishi, Suzuki, dan Honda. Hyundai Motor dari Korea berada di urutan keenam dan ketujuh. Hingga peringkat kesembilan, semuanya adalah merek Jepang. Perlu dicatat bahwa Wuling Motors dari China juga masuk ke dalam sepuluh besar produsen mobil di Indonesia, yang saat ini berada di peringkat kesepuluh, dengan total 30.441 kendaraan yang diproduksi pada tahun 2022, menyumbang 2,07% dari produksi mobil Indonesia pada tahun tersebut.

Status pasar mobil listrik di Indonesia saat ini

Pada tanggal 20 Juli 2023, data statistik terkait industri otomotif Indonesia menunjukkan bahwa industri kendaraan listrik di Indonesia telah memasuki periode pertumbuhan. Pada tahun 2022, penjualan kendaraan listrik akan mencapai lebih dari 20.000 unit, meningkat lebih dari tiga kali lipat, dan penjualan diperkirakan akan melebihi 50.000 unit pada tahun 2023. Kementerian Perindustrian Indonesia sebelumnya telah mengeluarkan dokumen yang menjelaskan tujuan pengembangan produksi kendaraan listrik nasional yang mencapai 1 juta unit pada tahun 2035.

Indonesia memiliki fondasi industri otomotif yang relatif lengkap dan sumber daya mineral yang kaya. Cadangan nikel, bahan baku penting untuk baterai kendaraan listrik, mencapai 52% dari total cadangan dunia, menjadikannya salah satu produsen nikel terbesar. Indonesia menggunakan keunggulan sumber dayanya untuk mengembangkan industri manufaktur mobil dengan penuh semangat dan menganggap industri kendaraan listrik sebagai industri prioritas nasional. Presiden Indonesia Joko Widodo menunjukkan bahwa perlu untuk memanfaatkan peluang pengembangan global kendaraan listrik dan membangun ekosistem untuk seluruh rantai industri kendaraan listrik.

Untuk mendorong pengembangan industri kendaraan listrik, pemerintah Indonesia telah meluncurkan serangkaian kebijakan khusus. Pada bulan April 2024, kebijakan pengurangan pajak kendaraan listrik yang dikeluarkan oleh Kementerian Keuangan Indonesia akan secara resmi berlaku. Tarif pajak preferensial dibagi menjadi dua tingkat. Pajak penjualan kendaraan listrik dengan tingkat lokalisasi 40% akan dikurangi dari 11% menjadi 1%, dan tingkat lokalisasi menjadi 20%. -Pajak penjualan kendaraan listrik sebesar 40% akan dikurangi menjadi 6%. Indonesia juga menetapkan bahwa kendaraan dinas yang digunakan oleh semua lembaga nasional dan kantor regional mereka akan secara bertahap dikonversi menjadi kendaraan listrik, dan jaringan pengisian kendaraan listrik nasional akan terus diperluas. Perusahaan listrik nasional Indonesia menyatakan bahwa mereka akan berusaha untuk membangun 25.000 stasiun pengisian kendaraan listrik pada tahun 2030.

Dalam hal produksi bahan baku baterai kendaraan listrik, Kawasan Industri Delong dan Kawasan Industri Qingshan yang diinvestasikan oleh perusahaan-perusahaan China telah memperkuat kerja sama dengan Indonesia dalam produksi feronikel. Perusahaan mobil Cina, Wuling, telah berkinerja baik di pasar kendaraan listrik Indonesia. Penelitian oleh lembaga pemeringkat internasional Fitch menunjukkan bahwa peningkatan penjualan kendaraan listrik di Indonesia pada tahun 2022 akan disebabkan oleh masuknya model-model yang lebih hemat biaya ke pasar, seperti Wuling “Aviation” yang dibanderol dengan harga 250 juta rupiah (1 dolar AS setara dengan 15.000 rupiah). kendaraan listrik merek Wuling digemari oleh banyak konsumen Indonesia, dengan penjualan mencapai 8.000 unit dalam waktu kurang dari setengah tahun setelah peluncurannya.

Arif Pramadana, wakil manajer umum SAIC-GM-Wuling Indonesia Automobile Co, Ltd, mengatakan: “Wuling akan memperkenalkan kendaraan energi baru ke Indonesia dan membantu Indonesia membangun sistem pendukung untuk rantai industri otomotif, dengan mempertimbangkan manfaat ekonomi dan perlindungan lingkungan yang ramah lingkungan. Investasi dari China dan Teknologi akan membantu Indonesia mengembangkan industri kendaraan listrik dengan lebih cepat dan lebih baik.”

Masa depan pasar mobil listrik Indonesia

Dilihat dari situasi aktual di Indonesia, industri otomotif selalu menjadi pilar penting bagi perekonomian Indonesia, dan kendaraan listrik, sebagai arah penting bagi pengembangan industri otomotif di masa depan, juga mendapat perhatian besar dari pemerintah Indonesia. Faktor-faktor yang mendorong pengembangan industri kendaraan listrik Indonesia yang berkelanjutan terutama mencakup aspek-aspek berikut: Pertama, Indonesia adalah ekonomi terbesar di Asia Tenggara, dengan populasi lebih dari 260 juta, sumber daya tenaga kerja yang melimpah dan biaya rendah; kedua, kepemilikan mobil per kapita Indonesia masih pada tingkat yang rendah, dan ada potensi pengembangan yang sangat besar di bidang kendaraan listrik; Selain itu, Indonesia kaya akan sumber daya bijih nikel, yang menyediakan daya yang cukup untuk pasokan bahan baku untuk sel bahan bakar; Selain itu, pemerintah Indonesia telah memperkenalkan serangkaian kebijakan yang menguntungkan untuk secara komprehensif mempromosikan Pengembangan kendaraan listrik dalam negeri. Secara keseluruhan, tren perkembangan masa depan industri kendaraan listrik Indonesia masih bagus.

Menurut “Laporan Penelitian Status Pasar Industri Kendaraan Listrik Indonesia dan Kelayakan Masuknya Perusahaan Luar Negeri pada Tahun 2021” yang dirilis oleh New Thinking Industry Research Center, di pasar global, dalam beberapa tahun terakhir, dengan kemajuan teknologi terkait dan peningkatan penerimaan masyarakat, penjualan pasar kendaraan listrik global telah mempertahankan tren pertumbuhan yang stabil, mencapai 2,21 juta unit pada tahun 2019, meningkat 10% dari tahun sebelumnya, dan proporsinya di seluruh penjualan mobil juga meningkat menjadi 2,5%. Industri ini berada dalam tahap perkembangan yang pesat. Diperkirakan penjualan kendaraan listrik global akan melebihi 11,8 juta unit pada tahun 2025. Dengan latar belakang ini, pemerintah Indonesia juga mulai aktif mendorong proses pengembangan industri kendaraan listrik dalam negeri. Meskipun pengembangan industri dalam negeri masih dalam tahap awal, namun memiliki potensi yang sangat besar untuk pengembangan di masa depan.

Dalam rangka mendorong perkembangan yang berkelanjutan dan sehat dari seluruh industri otomotif, sekaligus mengurangi ketergantungan pada minyak impor dan mengurangi masalah pencemaran lingkungan yang disebabkan oleh knalpot mobil, pihak berwenang Indonesia telah menetapkan kendaraan listrik sebagai area pengembangan prioritas dan memperkenalkan serangkaian kebijakan dan insentif yang menguntungkan. Berbagai upaya telah dilakukan untuk menarik produsen mobil asing untuk berinvestasi dan membangun pabrik di Indonesia, dan untuk terus merangsang permintaan konsumen domestik akan kendaraan listrik. Menurut rencana Kementerian Perindustrian Indonesia, Indonesia akan memproduksi 400.000 kendaraan listrik pada tahun 2025, yang merupakan 20% dari total jumlah mobil yang diproduksi di Indonesia. Selain itu, pemerintah Indonesia juga berharap Indonesia dapat menjadi pengekspor kendaraan listrik dan akan memproduksi sebagian besar kendaraan listriknya diekspor ke pasar luar negeri, dan akan menyalip Singapura dan Thailand pada tahun 2030 untuk menjadi basis produksi dan ekspor kendaraan listrik terbesar di Asia Tenggara.

Disadur dari: www.jurnalindustry.com

REPUBLIKA.CO.ID, Sebagai wakil rakyat yang sekaligus putra daerah Sulawesi Tengah, saya jelas bersyukur atas keberhasilan operasi TNI dalam memburu Ali Kalora. Pada tataran lebih mendasar lagi, saya ingin mengapresiasi ketangguhan masyarakat di sekian banyak kabupaten di Sulteng.

Selama bertahun-tahun mereka berada dalam situasi teror oleh Ali Kalora dan komplotannya. Namun selama itu pula mereka mampu bertahan dengan tetap bekerja dan beribadah. Dan kini, kedahsyatan TNI semoga semakin melipatgandakan semangat masyarakat Sulawesi Tengah untuk terus memajukan tanah persadanya.

Pada satu sisi, kita berbangga hati menyaksikan keberhasilan operasi TNI/POLRI di Poso. Pada sisi lain, kita berduka karena sekian banyak personel TNI dan warga sipil gugur di tangan KKB Papua. Dua gambaran kontras itu patut disikapi secara konkret dengan menaikkan anggaran operasi TNI hingga ke besaran yang menjamin efektivitas kerja mereka. Baik operasi TNI di wilayah damai maupun di wilayah tempur semisal Poso dan Papua.

Seiring dengan situasi Sulteng yang diharapkan kini sudah jauh lebih kondusif, saya menyemangati Pemerintah Daerah baik provinsi maupun kabupaten kota untuk memacu pembangunan Sulteng lebih kencang lagi. Kerja-kerja daerah dan pusat perlu disinergikan, dan saya yang diamanahi untuk berkantor di DPD RI insya Allah akan menjembatani semua pihak dengan sebaik-baiknya.

Pembangunan Sulteng harus digiatkan demi kesejahteraan utamanya masyarakat Sulteng sendiri. Seluruh pemangku kepentingan, antara lain pemerintah daerah serta anggota DPD dan pemerintah pusat, perlu serius duduk bersama menciptakan ketentuan-ketentuan tentang bagaimana, pertama, kekayaan bumi Sulteng digali dan diolah oleh SDM Sulteng dengan tata kelola yang baik. Kedua hasil bumi Sulteng dikelola secara lebih proporsional dengan--sekali lagi--memaksimalkannya terutama bagi kesejahteraan segenap masyarakat Sulteng sendiri.

Toh dunia tahu betapa Sulteng merupakan penghasil nikel terbesar di dunia. Untuk itu, gagasan dibentuknya "koalisi" antarsesama daerah berpenghasilan tambang besar  perlu selekasnya direalisasikan. Ini merupakan media perjuangan yang baik guna menekan pusat dana bagi hasil (DBH) pertambangan lebih besar diperoleh daerah ketimbang pusat.

Di samping pertambangan, Sulteng memiliki potensi kuat untuk mengembangkan sektor pariwisatanya. Ke depan, halal tourism yang bertumpu pada kekuatan layanan dan teknologi merupakan wajah pariwisata yang tidak hanya profitable tapi juga bisa mempertahankan kepribadian dan kearifan masyarakat Sulteng.

Situasi keamanan dan ketertiban Sulteng yang kian hari kian kokoh, disertai gairah membangun yang menyala-nyala menumbuhkan optimisme bahwa Sulteng akan menjadi salah satu provinsi paling kaya se-Indonesia dengan kontribusi terbesar bagi pusat.

Sumber: www.republika.co.id

Khususnya, ekonomi Indonesia telah menunjukkan ketahanan yang patut dipuji, dengan tingkat pertumbuhan tahunan yang konsisten di atas 5% selama dua dekade terakhir. Pengecualiannya adalah kontraksi ekonomi sebesar 2,07% pada tahun 2020 selama pandemi, yang menandai penurunan pertama sejak terjadinya krisis keuangan Asia pada tahun 1998.

1. Pertumbuhan ekonomi yang stabil sebesar >5% (y/y).

Saat ini, Indonesia adalah negara dengan perekonomian terbesar ke-16 di dunia, dengan PDB melebihi US$1 triliun. Estimasi McKinsey & Company mengindikasikan bahwa pada tahun 2030, Indonesia diperkirakan akan menempati posisi ke-7 sebagai negara dengan perekonomian terbesar di dunia. Perlu dicatat bahwa di antara negara-negara Asia Tenggara, Indonesia adalah satu-satunya perwakilan dalam G20.

Selama dua dekade terakhir, Indonesia telah menikmati stabilitas ekonomi, dengan pertumbuhan tahunan yang konsisten di atas 5%. Namun, pada tahun 2020 selama pandemi COVID-19, Indonesia mengalami kontraksi sebesar 2,07%, yang menandai penurunan pertama sejak krisis keuangan yang melanda Asia pada tahun 1998.

2. Upah yang kompetitif dan dapat diprediksi

Upah minimum provinsi 2022: 2.012.220 Rupiah - 5.158.310 Rupiah per bulan*
Pertumbuhan upah minimum provinsi di Indonesia ditentukan oleh formula yang ditetapkan dalam Peraturan Pemerintah No. 78/2015.
Upah Minimum Tahun Baru = (Upah Minimum Tahun Lama x {Laju Inflasi Nasional Tahunan + Laju Pertumbuhan PDB Nasional Tahunan})

3. Lebih dari 130 juta tenaga kerja terdidik 

Indonesia menempati peringkat ke-4 sebagai negara terpadat di dunia, dengan jumlah penduduk 272 juta jiwa pada tahun 2020. Dua pertiga dari populasi ini termasuk dalam kelompok usia kerja, yang berkontribusi pada angkatan kerja yang dinamis di Indonesia. Selain itu, usia rata-rata penduduk Indonesia adalah 28 tahun, yang mencerminkan profil demografis yang dinamis dan berjiwa muda.

4. Kebijakan terbuka untuk investasi internasional

• Sebagian besar bidang usaha terbuka untuk 100% kepemilikan asing

Konsep bidang usaha yang berkaitan dengan Penanaman Modal Asing (PMA) dan Penanaman Modal Dalam Negeri (PMDN) dirangkum dalam “daftar negatif investasi”. Khususnya, revisi Peraturan Presiden No. 44/2016 tentang penanaman modal telah memperluas cakupan bidang usaha yang tersedia untuk PMA, mendorong peningkatan peluang.

• Minimum PMA sebesar Rp10 miliar

Dengan modal disetor minimum Rp2,5 miliar (US$175.000) untuk Perseroan Terbatas (PT) (catatan: US$1 = Rp14.500)

• PMA dan PMDN memperoleh izin investasi melalui sistem Online Single Submission (OSS)

Layanan investasi disediakan di Pusat Pelayanan Terpadu Satu Pintu (PTSP) di tingkat pusat dan daerah.

• Didirikan dalam bentuk Perseroan Terbatas (PT)

Bentuk lain yang diizinkan untuk entitas asing adalah Kantor Perwakilan Asing, yang mencakup perdagangan umum, minyak dan gas, dan jasa konstruksi. Selain itu, pilihan untuk mendirikan Yayasan atau Bentuk Usaha Tetap (BUT) juga tersedia.

• Diperbolehkan mempekerjakan ekspatriat
• Jaminan tidak ada pengambilalihan
• Jaminan untuk mentransfer dan memulangkan secara bebas

Modal/saham, dividen, bunga, royalti, dan laba (cabang); dikenakan With Holding Tax (WHT)

Harus mempertimbangkan Tanggung Jawab Sosial Perusahaan (CSR), menghormati budaya lokal dan melestarikan lingkungan

5. Populasi kelas menengah yang mudah dan meningkat 

Banyak orang Indonesia yang bergabung dengan kelompok kelas menengah. Faktanya, Indonesia memiliki salah satu kelas menengah dengan pertumbuhan tercepat di dunia. Mereka sebagian besar adalah pembeli yang muda, optimis, dan canggih.

Menurut Bank Dunia, orang-orang dengan pengeluaran harian antara US$7,75-US$38 diklasifikasikan sebagai kelas menengah. Ada 52 juta orang Indonesia yang termasuk dalam kelompok kelas menengah konkret.

Kelompok lainnya adalah kelas menengah yang bercita-cita tinggi dengan pengeluaran antara US$3,3-US$7,75 per hari. Sekitar 115 juta orang Indonesia termasuk dalam kategori ini.

Disadur dari: kemlu.go.id