PEMETAAN TANAH LONGSOR SEBAGAI UPAYA MITIGASI BENCANA SEBUAH KOTA (STUDI KASUS: KECAMATAN BOGOR TENGAH, KOTA BOGOR)
Bibliographic record
Abstract
Kawasan strategis Kota Bogor sebagian besar berada di wilayah Kecamatan Bogor Tengah. Kota Bogor juga dilewati oleh dua DAS besar yakni Cisadane dan Ciliwung yang dipadati oleh permukiman. Secara litologi daerah ini dibentuk oleh produk hasil letusan gunung api yang bersifat kompak namun pada permukaan lebih sering ditemui pelapukan, sehingga dapat memicu gerakan tanah/longsor apalagi kondisi curah hujan tinggi atau pada kemiringan lereng yang terjal. Data kejadian longsor di Bogor Tengah menunjukkan meningkat 2 kali lipat selama 2 tahun (2016-2017), maka perlu upaya mitigasi bencana melalui pemetaan tanah longsor. Tujuan penelitian ini adalah membuat peta rawan longsor dan peta kesesuaian pemanfaatan ruang di Bogor Tengah. Metode yang digunakan adalah pemetaan geologi dan analisis spasial kesesuaian pemanfaatan ruang dengan Pola Ruang. Berdasarkan hasil penelitian, jumlah longsoran yakni sebanyak 8 titik yang tersebar di 3 kelurahan di wilayah kemiringan lereng landai-terjal. Setelah diteliti, parameter dominan penyebab longsoran di Kecamatan Bogor Tengah adalah kemiringan lereng, sifat tanah, dan muka air tanah. Adapun faktor pemicu longsoran di Kec. Bogor Tengah adalah curah hujan dan tutupan lahan pemukiman/sarana umum yang berada di sempadan lereng terjal. Dalam Pola ruang Kota Bogor ada yang tidak sesuai karena longsor sebesar 7,16% dan akibat banjir sebesar 5,72%, namun sebesar 87,12% masih sesuai dengan polar uang. Maka dari itu perlu penyesuaian pola ruang pada kedua Kawasan tersebut dengan membuat buffering dari zona longsoran ataupun lereng terjal. Kata Kunci : Bencana, Mitigasi Bencana, Pemetaan, Tanah Longsor
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 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".