IDENTIFIKASI FAKTOR KEBERHASILAN PENERAPAN SISTEM MANAJEMEN KESEHATAN DAN KESELAMATAN KERJA (SMK3) PADA PROYEK KONSTRUKSI BANGUNAN GEDUNG BERTINGKAT DI JAKARTA
Bibliographic record
Abstract
Indikasi keberhasilan pada suatu proyek konstruksi terletak pada sejauh mana sistem manajemen kesehatan dan keselamatan kerja telah diterapkan dengan baik pada proyek konstruksi tersebut. Sistem manajemen kesehatan dan keselamatan kerja fokus pada akar penyebab dari kecelakaan, perilaku, dan cara melakukan pekerjaan.Pemilihan titik tinjau pada penelitian ini dilakukan berdasarkan tingginya pembangunan konstruksi gedung di daerah khusus ibukota Jakarta.Tujuan penelitian ini adalah mengetahui faktor terbesar yang mempengaruhi keberhasilan penrapan sistem manajemen kesehatan dan keselamatan kerja (SMK3) pada suatu proyek Gedung bertingkat di wilayah Jakarta dengan menggunakan faktor dan indikator yang lebih lengkap dari penelitian sebelumnya. Metode penelitian penelitian ini dengan menyebarkankuisioner kepada 30 kontraktor bangunan gedung bertingkat di Jakarta dengan responden sebanyak 80 orang pada bagian Health and SafetyEnvironment(HSE). Penelitian ini menunjukan bahwa komitmen pimpinanterhadap SMK3 mempunyai pengaruh yang signifikan terhahap keberhasilan penerapan SMK3 pada proyek konstruksi bangunan Gedung yaitu sebesar60,5%.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".