Analisis Kasus Kecelakaan Pemboran pada Industri Migas di PT.X Berdasarkan Faktor Manusia Tahun 2022
Notice bibliographique
Résumé
Kegiatan pemboran migas memiliki risiko tinggi terkait. 80% penyebab kecelakaan pemboran disebabkan oleh human performance. Tahun 2020, aktivitas pemboran di PT. X menyumbang sebesar 3 dari 8 kecelakaan dan penyebab umum yang terjadi karena faktor manusia. Unsafe acts dianggap menjadi penyebab utama dalam kecelakaan pemboran di industri migas. Penelitian ini membahas mengenai analisis kasus kecelakaan pemboran migas di PT.X dari sudut pandang faktor manusia. Tujuan dari penelitian ini yaitu menganalisis faktor kontribusi dari kegagalan aktif dan laten serta menganalisis kasus kecelakaan kerja dari sudut pandang faktor manusia pada aktivitas pemboran di PT. X tahun 2022, dan menentukan rekomendasi untuk perbaikan kedepannya dari kegiatan pengeboran di PT. X. Metode penelitian ini menggunakan deskriptif analitik dari data sekunder dan hasil wawancara. Didapatkan hasil bahwa kondisi laten yang berkontribusi terhadap kecelakaan pemboran yang terjadi di PT. X pada tahun 2022 yaitu gagal mengupdate regulasi terbaru, pengendalian yang dilakukan masih bersifat administratif, dll. Sedangkan kegagalan aktif yang berkontribusi yaitu gagal menginterpretasikan peralatan yang rusak, pelanggaran SOP, dll. Sehingga ditemukan bahwa kondisi laten lebih banyak berkontribusi sehingga menimbulkan unsafe acts. Sintesa dari hasil analisis didapat bahwa safety value belum tertanam di PT. X. Sehingga rekomendasi yang diberikan penulis yaitu menjadikan K3 sebagai safety of work.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».