Analisis Kinerja Bongkar Muat Kapal yang Mengalami Perpanjangan Masa Tambat Di Terminal Multipurpose PT Pelabuhan Tanjung Priok
Notice bibliographique
Résumé
Kinerja bongkar muat kapal memiliki peran yang sangat besar dalam menentukan baik atau buruknya performa suatu pelabuhan. Tujuan analisis kinerja bongkar muat kapal yang mengalami perpanjangan masa tambat yaitu untuk melihat faktor apa saja yang mempengaruhi kegiatan bongkar muat, mengetahui tingkat pelayanan waktu tambat, dan menilai produktivitas kegiatan bongkar muat kapal. Metode penelitian yang digunakan dalam penyusunan ini adalah pendekatan metode kualitatif dan kuantitatif. Hasil penelitian dapat disimpulkan selama periode bulan januari sampai dengan bulan maret 2021 terdapat 93 kapal yang mengalami perpanjangan masa tambat dengan berbagai faktor yaitu; Clearence Out, Crane Trouble, Tenaga Kerja Bongkar Muat (TKBM), Waiting Truck, Weather, Handling Cargo. Hasil perhitungan rata-rata tingkat pelayanan waktu tambat kapal yang mengalami perpanjangan masa tambat berdasarkan perhitungan Effective Time dibanding dengan Berthing Time yaitu sebesar 66.15% dibawah dari standar KSOP yaitu 70%. Hasil perhitungan produktivitas bongkar muat kapal yang mengalami perpanjangan masa tambat menunjukkan nilai yang cukup baik.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».