Identifikasi Potensi Airtanah pada Area dengan Beragam Bentuklahan Menggunakan Beberapa Parameter Lapangan dan Pendekatan SIG di Kawasan Parangtritis, DIY
Bibliographic record
Abstract
Sebuah studi kasus telah dilakukan untuk membuatzona potensi airtanah di daerah sekitar PantaiParangtritis, Provinsi DIY. Tujuan dari penelitianadalah untuk untuk memetakan zona potensiairtanah berdasarkan parameter airtanah yang dapatdisurvei di lapangan pada suatu daerah yangmemiliki variasi bentuklahan yangberagam. Interpretasi sebaran bentuklahan dimulaidengan menyiapkan data pendukung seperti PetaRupa Bumi Indonesia yang berisi informasi gariskontur dan data penggunaan lahan data, peta geologiregional untuk mengetahui kondisi litologi danstruktur geologi, data tanah, iklim, dan datahidrologis awal. Penentuan satuan bentuk lahandilakukan secara manual melalui interpretasi visualdari citra Digital Landsat ETM+ dengan beberapakunci interpretasi yang diperoleh dari data sekunderdan disurvei di lapangan. Selanjutnya dilakukanpengukuran parameter lapangan potensi airtanahyaitu (a) kedalaman muka airtanah, (b) ketebalanakuifer, dan (c) Daya Hantar Listrik (DHL) yangmewakili kualitas airtanah. Zonasi potensi airtanahdiperoleh dengan melakukan overlay semuaparameter lapangan airtanah dengan metode overlaytertimbang menggunakan alat analisis spasial SistemInformasi Geografi (SIG) pada perangkat lunakArcGIS 9.2. Pada proses overlay tertimbang,peringkat yang dihasilkan untuk setiap parameterindividu pada masing-masing parameter lapanganairtanah dibobot berdasarkan tingkat pengaruh yangmereka miliki terhadap potensi airtanah, yaitu,kedalamanan muka airtanah sebesar 35%, ketebalanakuifer sebesar 35%, dan DHL sebesar 30%. Hasilpenelitian menunjukkan bahwa dari seluruh luasanwilayah kajian yang diteliti, mayoritas potensiairtanah tergolong pada kelas baik (49,8%) dansedang (48,7%). Sementara itu, kelas miskin airtanahhanya menempati luasan yang sangat kecil, yaituhanya 1,5% dari total luas wilayah kajian. Sementaraitu, jika ditinjau tiap satuan bentuk lahan, makabentuklahan Beting Gisik mempunyai sebaran potensiairtanah yang paling luas (30,4%), yang disusul olehbentuklahan Dataran Aluvial (11%).
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
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".