MétaCan
Menu
Retour à la cohorte
Enregistrement W7132815146 · doi:10.14710/jkli.75202

Analisis Eksploratif Sampah Laut di Wilayah Pesisir Studi Kasus Pantai Labuhan Haji, Nusa Tenggara Barat, Indonesia

2025· article· W7132815146 sur OpenAlexaboutno aff
Ayunda Izzatun Nafsi, Lidya Lestari Sitohang

Notice bibliographique

RevueJURNAL KESEHATAN LINGKUNGAN INDONESIA · 2025
Typearticle
Langue
DomaineHealth Professions
ThématiqueAdolescent Health and Behaviors
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPopulationPastureAmazon rainforest

Résumé

récupéré en direct d'OpenAlex

Latar belakang:Indonesia merupakan negara kepulauan dengan garis pantai terpanjang kedua di dunia setelah Kanada, dengan panjang mencapai 81.000 kilometer atau 14% dari garis pantai di dunia, yang menempatkannya pada posisi rentan terhadap masalah sampah laut. Sampah laut merupakan masalah lingkungan yang signifikan, terutama di kawasan pesisir Indonesia, termasuk di Pantai Labuhan Haji, Lombok Timur. Pantai Labuhan Haji, Lombok Timur mengalami pencemaran serius dengan timbulan sampah mencapai 9,18 ton (0,77 kg/m²) pada 2021, dipicu oleh aktivitas wisata, dermaga, dan kurangnya infrastruktur pengelolaan sampah. Penelitian ini bertujuan untuk mengidentifikasi komposisi dan kepadatan sampah laut serta menganalisis hubungan antara komposisi dan kepadatan sampah dengan indeks kebersihan pantai (general index). Metode: Penelitian kuantitatif deskriptif menggunakan metode transek garis (KLHK 2020) periode Januari-Februari 2025. Populasi adalah seluruh sampah di garis pantai sepanjang 1500 m; sampel pada area 4.500 m² (300×15 m) mencakup 20% pantai. Teknik systematic random sampling dengan 5 subtransek, masing-masing 5 kotak 1×1 m² dipilih acak. Sampah dikategorikan makro (2,5 cm-1 m) dan meso (0,5-2,5 cm). Analisis meliputi perhitungan komposisi (%), kepadatan (item/m²), General Index (GI), dan regresi linear berganda (α=0,05).Hasil: Hasil penelitian menunjukkan sampah plastik mendominasi dengan berat 4606,84 gram (76,10% dari total sampah), diikuti sampah kain sebesar 1317,25 gram (21,76%). Jenis sampah lainnya (karet, kertas, kardus, busa plastik, dan logam) hanya berkontribusi kurang dari 3%. Total sampah terkumpul mencapai 2.899 item, terdiri dari 2.432 item sampah makro dan 467 item sampah meso. Kepadatan sampah makro mencapai 97,28 item/m², sementara sampah meso 18,68 item/m². Hasil perhitungan General Index (GI) sebesar 463,84 mengklasifikasikan Pantai Labuhan Haji dalam kategori "Sangat Kotor" (GI > 20). Analisis regresi dengan R² = 1,000 dan F = 130.620,650 (p < 0,05) menjelaskan seluruh variasi indeks kebersihan pantai, dimana kepadatan sampah berpengaruh sangat signifikan (β = 3,940; p = 0,000), namun komposisi sampah tidak signifikan (β = 0,095; p = 0,115).Simpulan: Pencemaran sampah laut di Pantai Labuhan Haji tergolong “Sangat Kotor” dengan dominasi sampah plastik, dimana hipotesis penelitian menunjukkan sebagian diterima karena hanya kepadatan sampah yang berpengaruh signifikan namun komposisi sampah tidak berpengaruh signifikan terhadap indeks kebersihan pantai, yang mencerminkan pengelolaan sampah buruk dan mengancam ekosistem lokal. Pengurangan kepadatan sampah harus menjadi prioritas strategi pengelolaan kebersihan pantai. ABSTRACT Title: Exploratory Analysis Of Marine Debris in Coastal Areas: A Case Study of Labuhan haji Beach, West Nusa Tenggara, IndonesiaBackground: Indonesia is an archipelagic nation with the second-longest coastline in the world after Canada, stretching 81,000 kilometers or comprising 14% of the world's coastlines, which places it in a vulnerable position regarding marine debris issues. Marine debris represents a significant environmental problem, especially in Indonesia's coastal areas, including Labuhan Haji Beach, East Lombok. Labuhan Haji Beach, East Lombok, experiences serious pollution with debris accumulation reaching 9.18 tons (0.77 kg/m²) in 2021, driven by tourism activities, port operations, and inadequate waste management infrastructure. This research aims to identify the composition and density of marine debris and analyze the relationship between debris composition and density with beach cleanliness index (general index).Method: A quantitative descriptive study using line transect method (KLHK 2020 guidelines) was conducted during January-February 2025. The population consisted of all debris along the 1500 m coastline; samples were collected from a 4,500 m² area (300×15 m) covering 20% of the beach. Systematic random sampling technique was employed with 5 subtransects, each with 5 randomly selected 1×1 m² plots. Debris was categorized as macro (2.5 cm-1 m) and meso (0.5-2.5 cm). Analysis included calculation of composition (%), density (items/m²), General Index (GI), and multiple linear regression (α=0.05).Result: results indicated that plastic waste dominated with a weight of 4,606.84 grams (76.10% of total debris), followed by textile waste at 1,317.25 grams (21.76%). Other debris types (rubber, paper, cardboard, plastic foam, and metal) contributed less than 3% collectively. Total collected debris reached 2,899 items, comprising 2,432 macro debris items and 467 meso debris items. Macro debris density reached 97.28 items/m², while meso debris density was 18.68 items/m². The General Index (GI) calculation of 463.84 classified Labuhan Haji Beach in the "Very Dirty" category (GI > 20). The regression analysis with R² = 1.000 and F = 130,620.650 (p < 0.05) explained the entire variation in the beach cleanliness index, in which waste density had a highly significant effect (β = 3.940; p = 0.000), but waste composition was not significant (β = 0.095; p = 0.115).Conclusion: Marine debris pollution at Labuhan Haji Beach is classified as "Very Dirty" with plastic waste dominance, in which the research hypothesis was partially accepted because only waste density had a significant effect on the beach cleanliness index, while waste composition did not have a significant effect, reflecting poor waste management that threatens the local ecosystem. Reducing waste density should be the priority in beach cleanliness management strategies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesMéta-épidémiologie (sens strict), Intégrité de la recherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0030,003
Méta-épidémiologie (sens large)0,0050,001
Bibliométrie0,0030,007
Études des sciences et des technologies0,0090,001
Communication savante0,0010,002
Science ouverte0,0030,002
Intégrité de la recherche0,0040,011
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,385
Écart entre enseignants0,334 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJURNAL KESEHATAN LINGKUNGAN INDONESIAMême sujetAdolescent Health and BehaviorsTravaux en français237 207