UJI KANDUNGAN LOGAM BERAT SENG (Zn) PADA AIR \nIRIGASI, TANAH DAN SAYURAN KANGKUNG (Ipomoea \nreptans Poir.) DI KAWASAN INDUSTRI KECAMATAN \nMARGAASIH KABUPATEN BANDUNG
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 merupakan salah satu kawasan industri di Kabupaten \nBandung. Perkembangan industri selain memberikan lapangan pekerjaan juga \nmeningkatkan jumlah limbah yang dihasilkan. Penelitian ini bertujuan untuk \nmendapatkan data dan informasi mengetahui kandungan logam berat seng (Zn) \nyang terdapat pada air irigasi, tanah dan sayuran kangkung di kawasan industri \nKecamatan Margaasih Kabupaten Bandung. Penelitian ini dilakukan pada bulan \nMei 2022. Metode yang digunakan adalah analisis deskriptif dengan teknik \npengambilan sampel menggunakan metode purposive sampling pada tiga plot \npengamatan dan di analisis menggunakan Atomic Absorption Spectrophotometry \n(AAS) di Laboratorium Sentral Universitas Padjajaran. Hasil penelitian \nmenunjukkan kandungan logam berat seng (Zn) pada air irigasi sebesar 0,0452 \nmg/L berada dibawah baku mutu yang ditetapkan oleh Peraturan Pemerintah \nRepublik Indonesia No. 22 Tahun 2021. Pada tanah sebesar 171,4225 mg/Kg \nberada diatas baku mutu yang ditetapkan oleh Ministry of State for Population \nand Environment of Indonesia and Dalhousie University, Canada (1992). Pada \nsayuran kangkung sebesar 12,4450 mg/Kg berada dibawah baku mutu yang \nditetapkan oleh Dit Jend POM No 03725/B/SKVII/89. Keadaan lingkungan yang \ndiukur pada saat penelitian yakni suhu udara kisaran 28,77 \nC, intensitas cahaya \nkisaran 23.867,77 Lux, sedangkan pH pada tanah kisaran 6,4. Berdasarkan \npenelitian yang dilakukan menunjukkan status baku mutu sayuran kangkung di \nkawasan industri Kecamatan Margaasih Kabupaten Bandung tercemar ringan \nlogam seng (Zn). \n \nKata Kunci : Logam berat, seng (Zn), air irigasi, tanah dan sayur kangkung
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,029 | 0,005 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 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 découle