Evaluasi Produktivitas Alat Angkut Berdasarkan Grade Jalan PT.XYZ Kabupaten Sanggau Kalimantan Barat
Bibliographic record
Abstract
PT. XYZ merupakan salah satu perusahaan tambang bauksit yang terletak di Kecamatan Tayan Hilir Kabupaten Sanggau Kalimantan Barat. Penambangan bauksit sangat erat kaitannya dengan kegiatan pengangkutan. Dump truck memiliki dimensi yang lebih besar dibandingkan dengan kendaraan angkut di jalan raya. Alat angkut memiliki kontribusi besar terhadap total produksi. Penelitian ini bertujuan untuk menentukan produktivitas alat angkut berdasarkan grade jalan angkut tambang secara aktual, serta memberikan rekomendasi kemiringan jalan ( grade ) dalam upaya peningkatan produksi bauksit di perusahaan. Hasil penelitian ini nantinya akan dijadikan sebagai salah satu parameter yang dapat digunakan untuk analisis geometri jalan. Berdasarkan hasil data aktual, diketahui bahwa dari 16 segmen jalan, terdapat 3 segmen jalan yang memiliki grade belum sesuai dengan standar jalan tambang yang baik. Grade jalan masing-masing segmen adalah 10,51%; 14,05%; dan 21,26%. Produktivitas alat angkut berdasarkan data aktual dengan waktu edar 12,86 menit adalah 75.669,20 ton/bulan. Perbaikan grade jalan mengurangi waktu edar ( cycle time ) sebesar 0,55 menit sehingga meningkatkan produktivitas alat angkut sebesar 3.324,84 ton/bulan.Target produksi perusahaan saat ini adalah 100.000 ton/bulan, artinya target produksi perusahaan masih belum tercapai walaupun kemiringan jalan ( grade ) sudah sesuai standar yang telah ditetapkan. Oleh karena itu perlu adanya analisis lebih lanjut tidak hanya pada grade jalan akan tetapi juga dilakukan analisis pada keserasian alat muat-angkut serta parameter geometri jalan angkut lainnya.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.005 |
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".