UJI KANDUNGAN LOGAM BERAT TIMBAL (Pb) PADA AIR \nIRIGASI, TANAH DAN SAYURAN BAYAM DI KAWASAN \nINDUSTRI KECAMATAN MARGAASIH KABUPATEN \nBANDUNG
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
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.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,038 | 0,008 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,000 |
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