PENGECEKAN DAN PERBAIKAN SECARA LANGSUNG FLOOD EARLY WARNING SYSTEM (FEWS) DI ALIRAN SUNGAI CIBONGAS, KABUPATEN BOGOR
Bibliographic record
Abstract
Banjir merupakan bencana alam yang menjadi langganan beberapa kota besar di Indonesia, ketika memasuki musim penghujan. Oleh sebab itu banyak pihak yang mengembangkan flood early warning system (FEWS), seperti yang dikembangkan oleh BPPT di aliran sungai Cibongas. Seiring berjalannya waktu dalam pengimplementasian alat tersebut perlu dilakukan pengecekan dan perbaikan, untuk memastikan hasil pengukuran sensor pendeteksi curah hujan dan ketinggian permukaan air sungai tetap presisi dan dapat terkirim ke server scara berkala menggunakan komunikasi GSM. Pengecekan dan perbaikan dibagi menjadi dua bagian, system dan fisik. Secara system dilakukan penggantian data logger yang telah disiapkan sebelumnya dimana di dalamnya sudah diperbaharui firmware, card I/O, baterai RTC, fuse, dan SIM card regular operator baru dengan sistem pembayaran pasca bayar. Peraturan baru mengenai pembatasan user dalam memiliki jumlah SIM card maksimal 3 buah saja. Secara fisik pengecekan dan perbaikan alat disebabkan oleh dua penyebab, faktor alam dan faktor manusia. Faktor alam rumput tinggi yang perlu dipotong secara periodik, lumut menutupi alat sensor curah hujan perlu dibersihkan juga, sarang serangga yang menutupi sensor sonar juga perlu dibersihkan dan karat pada gembok diminimalisir dengan disemprotkan WD40. Faktor manusia yang tidak bertanggung jawab memasukkan batu kedalam sensor curah hujan dimana perlu dibersihkan dan yang mengendurkan ulir antena dimana perlu di kencangkan lagi ulirnya.Diperlukan sinergitas dalam menjaga alat FEWS ini, baik dari segi menyikapi faktor alam, oknum yang tidak bertanggung jawab, dan teknis peralatannya, supaya manfaatnya dapat dinikmati masyarakat banyak dan meminimalisir jatuhnya korban jiwa maupun harta. Keywords: Banjir, FEWS, pengecekan, perbaikan, data logger, sensor
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.030 | 0.010 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".