Kecelakaan Kerja Berdasarkan Loss Causation Model Pada Industri Informal Pengelasan
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Angka kecelakaan kerja masih tinggi, tidak hanya pada sektor formal tapi juga pada sektor informal, salah satunya pada industri informal pengelasan. Penyebab kecelakaan berupa faktor lack of control, basic cause, dan immediate cause. Penelitian ini bertujuan untuk mengetahui faktor yang berhubungan dengan kecelakaan kerja berdasarkan Loss Causation Model. Penelitian ini menggunakan pendekatan kuantitatif, jenis observasional dengan rancang bangun cross sectional. Penilitian dilakukan di 15 tempat pengelasan di Bandung Raya. Populasi pada penelitian ini adalah pekerja sektor informal pengelasan (juru las) di wilayah Bandung Raya. Didapatkan 75 sampel dengan teknik total sampling Pengumpulan data dilakukan dengan kuesioner penelitian, dan pedoman wawancara. Analsis data dengan uji chi-square, regresi logistik sederhana dan uji regresi logistik ganda. Hasil penelitian menunjukkan terdapat hubungan antara pogram K3, peran dan tanggung jawab, pengetahun, motivasi, pelatihan pengelasan, standar kerja, penggunaan APD, dan kepatuhan terhadap IK dengan kecelakaan kerja. Variabel paling berpengaruh terhadap kecelakaan kerja adalah motivasi keselamatan (B = 4,605). Penelitian ini menyimpulkan bahwa faktor lack of control, basic cause, dan immediate cause berhubungan dengan kecelakaan kerja. Pemilik kios pengelasan perlu bekerjasama dengan Pos UKK setempat untuk mengelola K3 di tempat kerja.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle