TANAH LONGSOR : MEMPERKECIL RESIKO BENCANA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS ( Studi Kasus : Kecamatan Kokap, Kulon Progo, DIY )
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Setiap saat Indonesia mengalami ancaman bencana alam. Hal ini sudah dibuktikan dengan adanya bencana alam yang beruntun menimpa negara ini. Mulai dari tsunami, gunung meletus, banjir, tanah longsor, dan gempa. Dengan adanya hal-hal semacam ini, terpikirkan bagaimana caranya untuk melakukan pencegahan awal agar dampak kerugian material dan korban yang ditimbulkan dapat lebih diminimalisir. Misalnya saja bencana tanah longsor sering terjadi di Kabupaten Kulon Progo. Hal ini terjadi karena penambangan dan minimnya daerah tangkapan air sehingga menjadi penyebab maraknya kasus-kasus longsor di Kulon Progo baik karena aktivitas penambangan yang dilakukan legal atau ilegal. Khusus daerah yang menjadi sasaran penambangan emas di Yogya adalah Kecamatan Kokap. Sehingga menyebabkan banyak kejadian tanah longsor di daerah tersebut. Dengan kondisi daerah yang sering mengalami bahaya longsor, nampaknya perlu dikembangkan sebuah sistem informasi geografis yang dapat membantu dalam manajemen resiko bencana tanah tanah longsor yang terjadi di Kecamatan Kokap, Kabupaten Kulon Progo. Sehingga nantinya jika sistem ini dapat dikembangkan, dapat membantu melakukan analisis resiko dari dampak bencana tanah longsor di era cyber seperti saat ini. Lokasi yang menjadi titik rawan bencana, diharapkan dapat dideteksi dan hasilnya dapat dianalisis untuk kepentingan lebih lanjut. Hasil dari penelitian ini adalah sudah dapat menghasilkan peta bahaya longsor dalam tiga kategori yaitu tinggi, sedang, dan rendah. Kata-kata kunci: Tanah Longsor, Bencana Alam, Sistem Informasi Geografis.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,007 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 découle