TANAH LONGSOR : MEMPERKECIL RESIKO BENCANA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS ( Studi Kasus : Kecamatan Kokap, Kulon Progo, DIY )
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Setiap saat Indonesia mengalami ancaman bencana alam. Hal ini sudah dibuktikan dengan adanya bencana alam yang beruntun menimpa negara ini. Mulai dari tsunami, gunung meletus, banjir, tanah longsor, dan gempa. Dengan adanya hal-hal semacam ini, terpikirkan bagaimana caranya untuk melakukan pencegahan awal agar dampak kerugian material dan korban yang ditimbulkan dapat lebih diminimalisir. Misalnya saja bencana tanah longsor sering terjadi di Kabupaten Kulon Progo. Hal ini terjadi karena penambangan dan minimnya daerah tangkapan air sehingga menjadi penyebab maraknya kasus-kasus longsor di Kulon Progo baik karena aktivitas penambangan yang dilakukan legal atau ilegal. Khusus daerah yang menjadi sasaran penambangan emas di Yogya adalah Kecamatan Kokap. Sehingga menyebabkan banyak kejadian tanah longsor di daerah tersebut. Dengan kondisi daerah yang sering mengalami bahaya longsor, nampaknya perlu dikembangkan sebuah sistem informasi geografis yang dapat membantu dalam manajemen resiko bencana tanah tanah longsor yang terjadi di Kecamatan Kokap, Kabupaten Kulon Progo. Sehingga nantinya jika sistem ini dapat dikembangkan, dapat membantu melakukan analisis resiko dari dampak bencana tanah longsor di era cyber seperti saat ini. Lokasi yang menjadi titik rawan bencana, diharapkan dapat dideteksi dan hasilnya dapat dianalisis untuk kepentingan lebih lanjut. Hasil dari penelitian ini adalah sudah dapat menghasilkan peta bahaya longsor dalam tiga kategori yaitu tinggi, sedang, dan rendah. Kata-kata kunci: Tanah Longsor, Bencana Alam, Sistem Informasi Geografis.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.005 |
| Open science | 0.007 | 0.003 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.000 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it