Kajian Distribusi Salinitas Airtanah di Daerah Pesisir Kecamatan Adimulyo Kab. Kebumen Jawa Tengah
Bibliographic record
Abstract
Salinisasi airtanah terjadi di kecamatan adimulyo kabupaten kebumen disebabkan oleh aktivitas manusia. Aliran sungai yang aliran nya sangat lambat, akibat gradien hidrolisnya yang kecil menuju daerah estuari. Berkurangnya airtanah akibat peningkatan pengambilan oleh aktivitas manusia menyebabkan air sungai yang intrusif berdampak pada airtanah terasa payau. Analisis data yang dilakukan dalam penelitian berdasarkan data primer sampel yang diukur salinitas airtanahnya menunjukkan adanya pengaruh dari larutan garam pada kadar tertentu yang mengindikasikan adanya tingkat keasinan dengan kandungan ion klorida yang bersifat negatif. Nilai salinitas yang termasuk jenis air payau. Daya Hantar Listrik Daya hantar listrik airtanah menunjukkan adanya sifat menghantarkan listrik dari air. Salinitas air tanah tertinggi terdapat di wilayah Kecamatan Adimulyo, Kabupaten Kebumenbagian tengah yaitu berkisar antara 4,45‰ – 10,15‰. Ada faktor lain selain jarak wilayah dari garis pantai, yaitu air sungai (estuary) yang berasa payau, dan banyaknya pengambilan air tanah oleh penduduk yang dapat memperbesar meresapnya air sungai (estuary) yang payau ke dalam air tanah. Di wilayah bagian Utara Kecamatan Adimulyo, Kabupaten Kebumenmerupakan wilayah yang mempunyai salinitas air tanah yang paling rendah yaitu berkisar antara 0,12‰ – 2,50‰. Adapun di wilayah Kecamatan Adimulyo, Kabupaten Kebumenbagian Selatan mempunyai salinitas air tanah yang menengah yaitu berkisar antara 0,80‰ – 2,87‰.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.006 |
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".