PEMETAAN TANAH LONGSOR SEBAGAI UPAYA MITIGASI BENCANA SEBUAH KOTA (STUDI KASUS: KECAMATAN BOGOR TENGAH, KOTA BOGOR)
Notice bibliographique
Résumé
Kawasan strategis Kota Bogor sebagian besar berada di wilayah Kecamatan Bogor Tengah. Kota Bogor juga dilewati oleh dua DAS besar yakni Cisadane dan Ciliwung yang dipadati oleh permukiman. Secara litologi daerah ini dibentuk oleh produk hasil letusan gunung api yang bersifat kompak namun pada permukaan lebih sering ditemui pelapukan, sehingga dapat memicu gerakan tanah/longsor apalagi kondisi curah hujan tinggi atau pada kemiringan lereng yang terjal. Data kejadian longsor di Bogor Tengah menunjukkan meningkat 2 kali lipat selama 2 tahun (2016-2017), maka perlu upaya mitigasi bencana melalui pemetaan tanah longsor. Tujuan penelitian ini adalah membuat peta rawan longsor dan peta kesesuaian pemanfaatan ruang di Bogor Tengah. Metode yang digunakan adalah pemetaan geologi dan analisis spasial kesesuaian pemanfaatan ruang dengan Pola Ruang. Berdasarkan hasil penelitian, jumlah longsoran yakni sebanyak 8 titik yang tersebar di 3 kelurahan di wilayah kemiringan lereng landai-terjal. Setelah diteliti, parameter dominan penyebab longsoran di Kecamatan Bogor Tengah adalah kemiringan lereng, sifat tanah, dan muka air tanah. Adapun faktor pemicu longsoran di Kec. Bogor Tengah adalah curah hujan dan tutupan lahan pemukiman/sarana umum yang berada di sempadan lereng terjal. Dalam Pola ruang Kota Bogor ada yang tidak sesuai karena longsor sebesar 7,16% dan akibat banjir sebesar 5,72%, namun sebesar 87,12% masih sesuai dengan polar uang. Maka dari itu perlu penyesuaian pola ruang pada kedua Kawasan tersebut dengan membuat buffering dari zona longsoran ataupun lereng terjal. Kata Kunci : Bencana, Mitigasi Bencana, Pemetaan, Tanah Longsor
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».