Pengaruh Kadar Air Pada Parameter Geser Tanah Organik yang \nDistabilisasi dengan Limbah Karbit dan Abu Ampas Tebu
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 organik terbentuk oleh pelapukan tumbuhan dan binatang yang memiliki sifat-sifat fisika dan \nmekanika sangat buruk. Oleh sebab itu, perbaikan tanah organik perlu diupayakan. Penelitian ini \nbertujuan untuk mengkaji efektifitas bahan stabilisator limbah karbit (CCR) dan abu ampas tebu \n(AAT) untuk stabilisasi tanah organik, dan melakukan investigasi mengenai pengaruh kadar air \nterhadap perubahan parameter geser tanah organik yang distabilisasi dengan CCR dan AAT. Untuk \nmencapai tujuan tersebut dilakukan serangkaian pengujian laboratorium. Pertama pengujian \nkomposisi kimia tanah organik, limbah karbit, dan abu ampas tebu. Kedua pengujian sifat mekanika \ntanah yang meliputi pengujian kohesi dan sudut gesek dalam tanah asli maupun tanah yang \ndistabilisasi CCR dan AAT. Tanah organik dicampur dengan bahan tambah (60%CCR + 40%AAT) \ndengan proporsi : 5,10,15,20,25, dan 30% pada kadar air yang berbeda (468%, 518%, dan 568%) \ndan diperam dalam waktu : 7,14,21 dan 36 hari. Kemudian tanah yang sudah distabilisasi diuji geser \nlangsung untuk menentukan parameter geser. Hasil penelitian menunjukkan bahwa kohesi (c) dan \nsudut gesek dalam (ϕ) meningkat proporsional dengan peningkatan kadar bahan tambah. Zona aktif \nterlihat pada kadar bahan tambah antara 10 s.d. 20%, yang berarti kadar bahan tambah optimum \nterjadi pada proporsi 20%. Peningkatan parameter geser tersebut juga proporsional terhadap waktu \npemeraman. Sampai dengan waktu peram 36 hari, parameter geser terus meningkat. Namun \ndemikian perubahan kadar air tidak banyak berpengaruh pada peningkatan parameter geser tanah \nyang distabilisasi.
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) | 0.003 | 0.004 |
| Meta-epidemiology (broad) | 0.005 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.005 | 0.002 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.022 |
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