PENGGUNAAN ABU CANGKANG SAWIT DAN SEMEN UNTUK MENINGKATKAN KEPADATAN TANAH LEMPUNG DESA TANJUNG REJO
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
Tanah yang terdapat di daerah Dusun Paloh 80, Desa Tanjung Rejo, Kecamatan Percut Sei Tuan, Kabupaten Deli Serdang, Sumatera Utara merupakan tanah lempung yang memiliki sifat kembang susut tinggi dan daya dukung tanah yang rendah sehingga tingkat kestabilannya rendah. Oleh karena itu, harus dilakukan suatu metode stabilisasi tanah lempung agar mendapatkan tanah yang stabil. Tujuan penelitian ini adalah untuk mengetahui tingkat kepadatan tanah dilapangan berdasarkan kepadatan dilaboratorium melalui uji sand cone berdasarkan SNI 03-2828-1992. Stabilisai tanah lempung menggunakan abu cangkang sawit dan semen. Abu cangkang sawit yang digunakan untuk penelitian ini diperoleh dari PT. Multi Agro Sumatera, Kabupaten Serdang Bedagai, Sumatera Utara dan semen yang digunakan adalah semen portland. Pengujian yang dilakukan di Laboratorium Mekanika Tanah Teknik Sipil Politeknik Negeri Medan untuk memperbaiki sifat fisik tanah dan mekanik tanah lempung. Pengujian sand cone dilakukan secara langsung dengan mengukur volume tanah yang digali. Alat yang digunakan terdiri dari botol kaca diisi dengan pasir ottawa kering lalu dipasang dengan kerucut logam. Penggunaan abu cangkang sawit dan semen pada tanah lempung dapat merubah sifat fisik tanah yaitu terjadi penurunan indeks plastisitas tanah lempung dan pada sifat mekanik tanah yaitu diperoleh kadar air optimum dan berat isi kering maksimum yang menjadi acuan untuk pengujian kepadatan tanah di lapangan. Dari hasil pengujian kepadatan tanah di lapangan diperoleh persentase rata-rata kepadatan sebesar 82,42%. Nilai yang diperoleh tersebut belum mencapai kepadatan yang maksimal, sehingga tanah perlu dipadatkan kembali.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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