Efektifitas Penyisihan Seng (Zn) Limbah Tailing Menggunakan Metode Fitoremediasi di Desa Pancurendang, Kecamatan Ajibarang, Kabupaten Banyumas, Provinsi Jawa Tengah
Notice bibliographique
Résumé
Penambangan emas oleh rakyat di Desa Pancurendang, Kecamatan Ajibarang Kabupaten Banyumas dilakukan secara tradisional. Pengolahan emas dilakukan dengan metode amalgamasi dan metode sianidasi. Limbah tailing hasil pengolahan emas secara sianidasi dibuang begitu saja di lahan persawahan dengan lapisan tanah tanpa adanya pengolahan terlebih dahulu. Tujuan dari penelitian ini yaitu menghitung efektifitas metode fitoremediasi untuk menurunkan konsentrasi seng (Zn) pada limbah tailing. Metode yang diterapkan dalam penelitian adalah metode rancangan percobaan dengan fitoremediasi. Percobaan fitoremediasi dilakukan menggunakan tanaman alang-alang (Imperata cylindrica) dan diuji konsentrasi seng (Zn) pada 10, 20, dan 30 hari pemaparan pada tanah dengan variasi prosentase tailing yaitu 0%, 30%, 50%, dan 100%. Baku mutu seng (Zn) dalam tanah mengacu pada PP RI Nomor 22 Tahun 2021 sebesar 50 mg/L. Hasil percobaan fitoremediasi menunjukkan nilai efektifitas penyisihan logam seng (Zn) tertinggi pada tanah dengan prosentase tailing 50% selama 10 hari pemaparan yaitu sebesar 43,35% dengan nilai konsentrasi seng (Zn) yang telah memenuhi baku mutu yaitu 46,121 mg/kg.Kata Kunci: Penambangan dan pengolahan emas rakyat; Tailing; Seng (Zn); Fitoremediasi; Alang-alang (Imperata cylindrica)
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».