ANALISIS POTENSI RISIKO K3 DENGAN METODE HIRARC (Hazard Identification, Risk Assesment and Risk Control) DI LABORATORIUM MIKROBIOLOGIFAKULTAS KEDOKTERAN UNAND
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
Pada data kasus kecelakaan kerja umumnya disebabkan oleh kurangnya penerapan budaya K3 (Keselamatan dan Kesehatan Kerja) di tempat kerja, tidak hanya menyebabkan kematian, kerugian materi moril, dan kerusakan lingkungan namun juga mempengaruhi produktivitas serta kesejahteraan masyarakat. Laboratorium merupakan tempat berkembangnya ilmu pengetahuan melalui berbagai macam penelitian dan percobaan. Penelitian bertujuan untuk mengenali jenis-jenis risiko dan tingkat bahaya K3 yang terjadi di Laboratorium Mikrobiologi Fakultas Kedokteran UNAND dan untuk memperkecilkan terjadinya potensi kecelakaan kerja, pada penelitian ini menggunakan metode HIRARC. Dari hasil penelitian didapat 40 potensi bahaya kecelakaan kerja di Laboratorium Mikrobiologi FK UNAND, terdapat 21 potensi bahaya kecelakaan kerja yang tingkat penilaian low (rendah), 11 potensi bahaya kecelakaan kerja tingkat medium (sedang) dan 8 resiko kecelakaan kerja dengan tingkat high (tinggi). Jika dipresentasekan terdapat 52% tingkat risiko low (rendah), 28% tingkat risiko medium (sedang) dan 20% tingkat risiko high (tinggi). Pengendalian risiko yang dapat dilakukan untuk mengurangi tingkat kecelakaan kerja seperti: membaca SOP sebelum bekerja, menyediakan dan memakai APD lengkap, penyediaan antiseptik dan P3K, penyediaan APAR, pemasangan rambu-rambu peringatan, pengecekan lampu yang kurang terang atau tidak menyala, service AC berkala dan pembatasan orang di dalam laboratorium, serta memberi sanksi kepada yang melangar aturan. Kata kunci: K3, Laboratorium Mikrobiologi, HIRARC.
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 | 0,010 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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