Analisis Faktor Risiko Kelelahan Kerja pada Kurir PT Tiki Jalur Ekakurir (JNE) di Wilayah Kecamatan Pondok Gede Kota Bekasi tahun 2022
Notice bibliographique
Résumé
Penelitian ini memiliki tujuan untuk melihat gambaran faktor risiko kelelahan yang dialami oleh kurir PT JNE di wilayah Kecamatan Pondok Gede Kota Bekasi tahun 2022. Penelitian dilakukan pada 31 orang kurir yang beroperasi di wilayah Pondok Gede dan sekitarnya pada Mei – Juni 2022. Penelitian ini menggunakan studi cross-sectional dengan metode kuantitatif. Variabel dependen penelitian ini adalah kelelahan kerja, dan variabel independen yaitu faktor risiko terkait pekerjaan (shift kerja, durasi kerja, waktu istirahat), faktor risiko non pekerjaan (masa kerja, commuting time, dan kepuasan terhadap sistem insentif dan reward), dan faktor individu (usia, status gizi, kualitas tidur, kuantitas tidur, ketakutan pada akan Covid-19, dan kebiasaan sarapan). Hasil menunjukkan bahwa 51,6% (16 orang) mengalami kelelahan sedang, 35,5% (11 orang) kelelahan ringan, dan 12,9%(4 orang) tidak kelelahan. Kelelahan sedang cenderung dialami oleh durasi kerja berlebih (39,3%), beban kerja rendah (75%), istirahat cukup (45%), shift kerja siang (41,7%), masa kerja >5 tahun (47,1%), commuting time lama (57,1%), puas dengan sistem reward (45%), puas dengan sistem insentif (47,4%), usia ≤35 tahun (37,9%), tidur kurang dari 7 jam (53,8%), status gizi berlebih (40%), dan ketakutan terhadap covid-19 yang ringan (40%).
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 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 ».