Arahan Mitigasi Rawan Tanah Longsor Berbasis Sistem Informasi Geografis (SIG) di Kecamatan Bontocani Kabupaten Bone
Bibliographic record
Abstract
Kejadian tanah longsor di Kecamatan bontocani dalam lima tahun terakhir telah menjadi masalah yang serius. Penyebab utama dari tanah longsor yaitu curah hujan yang tinggi sehingga berdampak langsung pada kondisi tanah dan stabilitas lereng, menyebabkan tanah longsor yang merusak infrastruktur dan menghambat akses transportasi di Kecamatan Bontocani. Metode yang digunakan yaitu analisis overlay dan mitigasi bencana, dengan mengolah data spasial berupa peta curah hujan, peta kemiringan lereng, peta jenis tanah, peta jenis batuan, dan peta pentupan lahan sebagai faktor yang dapat memicu terjadinya longsor, kemudian dari semua variabel tersebut dilakukan metode overlay menggunakan softwere ArcGIS untuk menghasilkan peta kerawanan tanah longsor, sedangkan untuk mitigasi dilakukan berdasarkan hasil pemetaan untuk mengurangi dampak bencana longsor di Kecamatan Bontocani. Hasil penelitian ini terdapat 3 tingkat kerawanan yaitu Kelas kerawanan tinggi dengan luas 190,61 km² atau 41,80%, kelas kerawanan sedang dengan luas 256,47 km² atau 56,24%, dan kelas kerawanan rendah dengan luas 9,10 km² atau 1,99%. Untuk Mitigasi bencana tanah longsor dengan strategi berbeda untuk setiap kelas kerawanan. Pada kelas kerawanan rendah, fokus pada kelembagaan dan pemantauan kawasan lindung. Pada kelas kerawanan sedang, pendekatan meliputi kombinasi vegetasi, infrastruktur, dan rekayasa teknis sesuai dengan lokasi spesifik. Pada kelas kerawanan tinggi, mitigasi melibatkan berbagai aspek termasuk kelembagaan, infrastruktur, vegetasi, dan rekayasa teknis, diterapkan sesuai kebutuhan di masing-masing titik.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.005 |
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".