Hierdie studie ondersoek die faktore wat dikwels oor die hoof gesien word wat industríele produktiwiteit beïnvloed, met die fokus op arbeid en masjienonderhoud as sleuteldrywers. Omvattende navorsing is onderneem in 'n werkswinkel wat motorkomponente vervaardig om hierdie faktore te identifiseer en te evalueer. Deur gebruik te maak van multi-kriteria besluitnemingsmodelle soos analitiese hiërargie proses, vae analitiese hiërargie proses, tegniek vir orde van voorkeur volgens ooreenkoms met ideale oplossing (TOPSIS), viekriterijumsko kompromisno rangiranje metode, onderneming verspreide toepassingsdiens, en entropie TOPSIS, het die studie verskeie produktiwiteitskriteria gerangskik. Kunsmatige neurale netwerke is toe aangewend om die rangorde te valideer. Die navorsing het die belangrikheid van vervaardigingstoerusting en rou materiaal beklemtoon, en ook die prioritisering van die arbeidsmag. Die implementering van materiaalhanteringstelsels wat daarop gemik is om foute te verminder en produktiwiteit te verbeter, was deurslaggewend. As gevolg van hierdie strategieë het nie-waardetoegevoegde aktiwiteite met 65,56% afgeneem, prosestyd het met 61,03% verbeter, wagtyd het beduidend met 66.66% verminder, mannekrag het met 35% afgeneem, en koste het met 45% afdaal. Hierdie uitkomste het gelei tot 'n noemenswaardige 23% toename in produksievlakke in die kernwinkel. Die studie beklemtoon die doeltreffendheid van innoverende werkmetodes en gestandaardiseerde bedryfsprosedures om produktiwiteit te maksimeer.
This study delves into the often-overlooked factors influencing industrial productivity, focusing on labour and machine maintenance as key drivers. Extensive research was undertaken in a core shop producing automotive components to identify and assess these factors. Using multi-criteria decision models (MCDM) such as analytic hierarchy process (AHP), fuzzy analytic hierarchy process (FAHP), technique for order of preference by similarity to ideal solution (TOPSIS), viekriterijumsko kompromisno rangiranje (VIKOR) method, enterprise distributed application service (EDAs), and Entropy TOPSIS, the study ranked various productivity criteria. Artificial neural networks were then employed to validate these rankings. The research emphasised the significance of manufacturing equipment and raw materials, following the prioritisation of the workforce. Implementing material handling systems aimed at reducing errors and enhancing productivity proved pivotal. As a result of these strategies, non-value-added activities (NVA) decreased by 65.56%, process time improved by 61.03%, waiting time reduced significantly by 66.66%, manpower decreased by 35%, and costs decreased by 45%. These outcomes translated into a notable 23% increase in production levels in the core shop. The study underscores the efficacy of innovative work methods and standardised operating procedures in maximising productivity.