UJI KANDUNGAN LOGAM BERAT TIMBAL (Pb) PADA AIR \nIRIGASI, TANAH DAN SAYURAN BAYAM DI KAWASAN \nINDUSTRI KECAMATAN MARGAASIH KABUPATEN \nBANDUNG
Notice bibliographique
Résumé
Kecamatan Margaasih adalah salah satu kecamatan yang terdapat di Kabupaten \nBandung Jawa Barat yang terdapat banyak industri-industri dan lahan pertanian \nyang terindentifikasi kemungkinan adanya logam berat Timbal (Pb). Penelitian ini \nbertujuan untuk mengetahui logam berat Timbal (Pb) yang terdapat pada air irigasi, \ntanah dan sayuran bayam di Kawasan Industri Kecamatan Margaasih Kabupaten \nBandung. Pada tanggal 11 Mei 2022. Metode yang digunakan adalah deskriptif \ndengan pengambilan sampel secara purposive sampling pada tiga plot dengan \nmenggunakan instrumen analisis Atomic Absoption Spectrofotometri (AAS) di \nLaboratorium Sentral Universitas Padjadjaran. Hasil penelitian analisis data utama \nmenunjukkan kandungan logam berat Timbal (Pb) pada air irigasi sebesar 0,0132 \nmg/L masih berada dibawah baku mutu berdasarkan PP RI No.22 Tahun 2021; \nkandungan logam berat Timbal (Pb) pada tanah sebesar 13,64576 mg/Kg masih \nberada dibawah baku mutu berdasarkan Ministry of State for Popution and \nEnvironment of Indonesia, and Dalhousie University, Canada (1992); dan \nkandungan logam berat Timbal (Pb) pada sayuran bayam sebesar 0,2942 mg/Kg \nmasih berada dibawah baku mutu berdasarkan SNI No.7387 Tahun 2009. Faktor \nklimatik sebagai data penunjang dengan parameter yang diukur yaitu suhu udara \nberada pada kisaran 26 - 31˚C, intensitas cahaya berada pada kisaran 7070 – 51367 \nLux, dan pH tanah didapatkan 5,6. \nKata Kunci: Air Irigasi, Logam Berat, Tanah, Sayuran Bayam, Timbal (Pb)
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,047 | 0,014 |
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 ».