Analisis Kasus Kecelakaan Pemboran pada Industri Migas di PT.X Berdasarkan Faktor Manusia Tahun 2022
Bibliographic record
Abstract
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.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".