PENENTUAN STATUS MUTU DAN STRATEGI PENGENDALIAN PENCEMARAN AIR SUNGAI SEBAGAI UPAYA PENGELOLAAN KUALITAS LINGKUNGAN(Studi Kasus: Sungai Rambut, Kabupaten Pemalang-Tegal, Jawa Tengah)
Notice bibliographique
Résumé
ABSTRAK Penentuan Status Mutu dan Strategi Pengendalian Pencemaran Air Sungai Sebagai Upaya Pengelolaan Kualitas Lingkungan (Studi Kasus: Sungai Rambut, Kabupaten Pemalang-Tegal, Jawa Tengah) Aaf Efiana, Dwi Siwi Handayani, Winardi Dwi Nugraha Sungai Rambut merupakan bagaian dari DAS Rambut yang terletak di perbatasan antara Kabupaten Pemalang dan Kabupaten Tegal, Provinsi Jawa Tengah. Hulu sungai utama berada di Desa Kajenengan, Kecamata Bojong dan hilir berada di Desa Kedungkelor Kecamatan Warureja. Berdasarkan tata guna lahan, di sepanjang sungai Rambut didominasi oleh lahan pertanian, perkebunan dan pemukiman. Adanya aktifitas di sekitar Sungai Rambut dapat menurunkan kualitas air karena masuknya air limbah seperti limbah domestik dan limbah pertanian ke sungai. Penelitian ini bertujuan untuk menentukan status mutu air sungai dengan menggunakan metode NSF WQI (Nation Sanitation Foundation Water Quality Index) dan CCME WQI (Canadian Council of Ministers of The Environment Water Quality Index). Parameter yang diukur yaitu Temperatur, Kekeruhan, Total Solid, pH, Phospat, DO, BOD, Nitrat, dan Fecal Coliform. Hasil perhitungan status mutu air dengan metode NSF WQI adalah Sungai Rambut masuk dalam kategori “Sedang-Baik” dengan kisaran nilai 63,83-74,15, sedangkan hasil perhitungan metode CCME WQI, status mutu Sungai Rambut adalah “Buruk-Sangat Baik” dengan kisaran nilai 53,54-100. Pengendalian pencemaran air Sungai Rambut dilakukan dengan berdasarkan analisis kualitas air, hasil status mutu air, tata guna lahan, studi literatur. Kata kunci: kualitas air, Sungai Rambut, NSF WQI, CCME WQI
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 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».