Hasil Pencarian  ::  Simpan CSV :: Kembali

"This book focuses on key research from new developments in econometrics."

"The oresent study aims to compute the temporal and spatial distribution of road traffic induced noise pollution in an urban environment by monitoring and mapping...."

"Kota Bogor merupakan salah satu daerah dengan perkembangan yang di tinggi di Jawa Barat. Kota Bogor mengalami peningkatan jumlah penduduk dari tahun ke tahun dan kemudian memberikan tekanan terhadap lingkungan yang mengakibatkan meningkatnya kebutuhan akan tempat tinggal. Hal ini membuat Kota Bogor mengalami perubahan tutupan lahan bervegetasi menjadi lahan terbangun. Perubahan tutupan lahan akan mempengaruhi tingkat suhu permukaan daratan akibat konversi permukaan bervegetasi ke permukaan kedap air. Penelitian ini bertujuan untuk menganalisis pola perubahan suhu permukaan daratan serta keterkaitannya dengan indeks spektral MNDWI, NDBI, NDVI, dan NMDI di Kota Bogor. Perubahan suhu permukaan daratan diamati melalui data citra satelit Landsat 8 OLI-TIRS tahun 2013 dan Landsat 9 OLI/TIRS tahun 2022. Data yang dikumpulkan kemudian di analisis secara spasial-temporal untuk pemantauan suhu permukaannya. Hasil penelitian menunjukkan bahwa selama tahun 2013-2022 terjadi peningkatan suhu permukaan daratan dengan pola perubahan mengikuti perubahan tutupan lahan di Kota Bogor ke arah utara yang sejalan dengan arah pembangunan Kota Bogor. Sedangkan, hubungan yang dibangun suhu permukaan daratan dengan indeks spektral bervariasi mulai dari sedang negatif pada LST-MNDWI dan LST-NDVI, kuat positif LST-NDBI, dan korelasi kuat negatif pada LST-NMDI. Sehingga penelitian menyimpulkan bahwa perubahan tutupan lahan berdampak pada peningkatan suhu secara spasial-temporal di Kota Bogor.

---

Bogor City is one of the areas with high development in West Java. The city of Bogor has experienced an increase in population from year to year and then put pressure on the environment which has resulted in an increase in the need for housing. This has made Bogor City experience a change in vegetated land cover into built-up land. Changes in land cover will affect the temperature level of the land surface due to the conversion of the vegetated surface to a watertight surface. This study aims to analyze the pattern of land surface temperature changes and their association with the MNDWI, NDBI, NDVI, and NMDI spectral indices in Bogor City. Changes in land surface temperature were observed through satellite imagery data from Landsat 8 OLI-TIRS in 2013 and Landsat 9 OLI/TIRS in 2022. The data collected was then analyzed spatially-temporally to monitor surface temperature. The results of the study show that during 2013-2022 there was an increase in land surface temperature with a change pattern following changes in land cover in Bogor City to the north which is in line with the development direction of Bogor City. Meanwhile, the relationship established by land surface temperature with spectral indices varies from moderately negative at LST-MNDWI and LST-NDVI, strong positive LST-NDBI, and strong negative correlation at LST-NMDI. So the research concluded that changes in land cover had an impact on increasing spatial-temporal temperatures in the city of Bogor."

"Pemahaman terhadap alur sungai dan dinamikanya sangat diperlukan sebagai salah satu agen perubahan bentang alam. Studi tentang migrasi alur sungai salah satunya dapat diterapkan pada jenis sungai yang berkelok-kelok (meander) seperti Sungai Batanghari. Saat ini, keseimbangan ekosistem Sungai Batanghari terganggu akibat aktivitas pertambangan dan perkebunan di sepanjang aliran sungai yang mengakibatkan perubahan pada beberapa alur sungai. Perubahan alur sungai dapat menyebabkan berbagai masalah sosial, ekonomi, dan lingkungan. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk menganalisis variasi spasial dan temporal dari laju migrasi perubahan alur Sungai Batanghari serta menganalisis kaitannya dengan faktor pendorong di wilayah hilir DAS Batanghari pada periode 1985 – 2020. Citra Landsat digunakan untuk menganalisis migrasi perubahan alur Sungai Batanghari wilayah hilir berdasarkan indikator migrasi garis sentral sungai (MGSS), migrasi garis tepi sungai (MGTS), dan sinuousity index. Hasil penelitian menyebutkan bahwa hampir seluruh indikator laju migrasi perubahan alur Sungai Batanghari cenderung terjadi peningkatan di sepanjang periode 1985-2020. MGSS mengalami penurunan pada periode 1985-2013 dan peningkatan pada periode 2013-2020. MGTS menunjukkan terjadi peningkatan tren dimana laju erosi lateral tahunan (LELT) dan total luas erosi lateral (TLEL) juga meningkat. Hal sebaliknya terjadi dimana adanya penurunan tren pada laju pengendapan lateral tahunan (LPLT) dan total luas pengendapan lateral (TLPL). Diketahui pula bahwa terdapat hubungan yang signifikan antara laju migrasi perubahan alur Sungai Batanghari dengan faktor pendorongnya yaitu debit sungai, vegetasi riparian, litologi, dan gradien sungai.

---

An understanding of river channels and their dynamics is needed as an agent of landscape change. One of the studies on river channel migration can be applied to meandering rivers such as the Batanghari River. Currently, the Batanghari River ecosystem is disrupted due to mining and plantation activities along the river basin, which have resulted in changes to several river channels. Changes in river flow can cause various social, economic, and environmental problems. Therefore, this study was conducted with the aim of analyzing the spatial and temporal variations of the migration rate of changes in the Batanghari River channel and analyzing its relation to driving factors in the downstream region of the Batanghari Watershed in the period 1985 – 2020. Landsat imagery was used to analyze the migration of changes in the downstream of Batanghari River channel based on indicators of centerline migration (MGSS), bankline migration (MGTS), and sinuousity index. The results of the study stated that almost all indicators of the migration rate of changes in the flow of the Batanghari River tended to increase throughout the 1985-2020 period. MGSS experienced a decrease in the 1985-2013 period and an increase in the 2013-2020 period. MGTS shows an increasing trend where the annual lateral erosion rate (LELT) and total lateral erosion area (TLEL) also increase. The opposite occurs where there is a decreasing trend in the annual lateral deposition rate (LPLT) and the total lateral deposition area (TLPL). It is also known that there is a significant relationship between the migration rate of changes in the Batanghari River channel and the driving factors, namely river discharge, riparian vegetation, lithology, and river gradient."

"Polusi udara terjadi ketika campuran gas beserta partikel lainnya mencapai konsentrasi berbahaya baik yang terjadi di dalam maupun luar ruangan. Polusi udara juga menjadi penyebab kematian di beberapa negara dengan tingkat polusi yang parah. Salah satu polutan yang berbahaya adalah Partikulat halus (PM_2.5/ Particulate Matter_2.5), dimana dengan diameter kurang dari 2,5 μm, kira-kira 3% dari diameter rambut manusia, partikulat halus ini menjadi perhatian utama dalam pengamatan kualitas udara, dikarenakan PM_2.5 dianggap sebagai agen pembunuh utama yang menyebabkan penyakit kardiovaskular, pernapasan dan kanker. Jakarta dinyatakan sebagai kota dengan tingkat polusi udara yang sangat signifikan, isu pencemaran udara menjadi topik pembicaraan banyak pihak, terutama kondisi kualitas udara di ibu kota. Dalam pengukuran kualitas udara di Provinsi DKI Jakarta jaringan pengamatan observasinya masih sangat terbatas. Sehingga dibutuhkan pemodelan dalam andil untuk melakukan pengukuran kualitas udara dalam hal ini adalah PM_2.5. Pemodelan menggunakan algoritma pemebelajaran mesin atau machine learning random forest digunakan dalam penelitian ini dengan memanfaatkan metode regresi spasial. Adapun variabel yang digunakan berupa unsur meteorologi, partikulat dan gas yang diperoleh dengan memanfaatkan penginderaan jauh. Didapatkan variabel yang paling berpengaruh pada pemodelan spatial temporal PM_2.5 ini adalah NO2 dan CO serta dengan fungsi berkebalikan pada variabel curah hujan dan Ozon. Dalam pemodelan yang telah dilakukan ini didapatkan nilai 0,90 dalam korelasi hasil prediksi dengan nilai observasi, dengan nilai ini maka prediksi yang dilakukan oleh Machine Learning Random Forest terbilang baik, serta nilai RMSE sebesar 7,83 µg/m3 juga memberikan gambaran yang baik bagi model yang dibentuk, serta nilai R² sebesar 0,825 mengisyaratkan akurasi variabel yang digunakan mencapai 82,5 persen. Adapun pasial yang terbentuk dalam pemodelan spasial ini mengikuti pola musim hujan dan musim kemarau, dimana nilai tertinggi dari pola spasial parameter PM_2.5 berada pada bulan JJA (Juni, Juli dan Agustus), serta mulai menurun di bulan SON (September, Oktober, dan November), dan pada akhirnya berada di nilai terendah pada bulan DJF (Desember, Januari dan Februari).

---

Air pollution occurs when a mixture of gases and other particles reach dangerous concentrations both indoors and outdoors. Air pollution is also a cause of death in some countries with severe pollution levels. One of the harmful pollutants is fine particulate matter (PM_2.5), which is less than 2.5 μm in diameter, approximately 3% of the diameter of a human hair. This fine particulate matter is a major concern in air quality observations, as PM_2.5 is considered a major killer agent that causes cardiovascular, respiratory diseases and cancer. Jakarta is declared as a city with a very significant level of air pollution, the issue of air pollution has become a topic of conversation for many parties, especially the condition of air quality in the capital city. In measuring air quality in DKI Jakarta Province, the observation network is still very limited. So that modeling is needed in order to measure air quality, in this case PM_2.5. Modeling using machine learning algorithms or machine learning random forest is used in this study by utilizing the spatial regression method. The variables used are meteorological elements, particulates and gases obtained by utilizing remote sensing. It was found that the most influential variables in the spatial temporal modeling of PM_2.5 were NO₂ and CO and with the opposite function in the rainfall and Ozone variables. In the modeling that has been done, a value of 0.90 is obtained in the correlation of the predicted results with the observed values, with this value, the prediction carried out by Machine Learning Random Forest is fairly good, and the RMSE value of 7.83 µg/m3 also provides a good description of the model formed, and the R² value of 0.825 implies that the accuracy of the variables used reaches 82.5 percent. The spatial pattern formed in this spatial modeling follows the pattern of the rainy season and dry season, where the highest value of the spatial pattern of the PM_2.5 parameter is in the JJA month (June, July and August), and begins to decrease in the SON month (September, October and November), and finally at the lowest value in the DJF month (December, January and February)."

"Deforestasi merupakan masalah konservasi global, khususnya di hutan tropis. Analisis spasial dan temporal diperlukan untuk menentukan pola dan penyebab deforestasi serta memandu intervensi yang efektif. Pulau Sumatera di Indonesia telah mengalami laju deforestasi tinggi, dan bentang alam Kerinci Seblat menjadi salah satu kawasan hutan terpenting yang tersisa. Penelitian ini menggunakan data pemantauan hutan spasial dan temporal dari dataset European Commission's Tropical Moist Forest, dan data validasi lapangan untuk mengkarakterisasi deforestasi menggunakan sembilan variable prediktor: zonasi di Taman Nasional Kerinci Seblat, deforestasi sekitar, konsesi kehutanan, ketinggian tempat, rute patroli, perhutanan sosial, titik api, jarak dari pemukiman, dan konsesi pertambangan. Data deforestasi historis digunakan pada tahun 1986-2015, dan deforestasi pada tahun 2016-2020 digunakan sebagai variabel respon. Studi ini menggunakan kerangka pemodelan GLM di R dalam menemukan model terbaik untuk proyeksi deforestasi di Lanskap Kerinci Seblat dari tahun 2020 hingga 2045. Hasil penelitian menunjukkan bahwa deforestasi semakin cenderung menurun dan terjadi di dekat aktivitas manusia dan pemukiman. Efektivitas kegiatan patroli dalam mencegah deforestasi menunjukkan perlunya pengerahan sumber daya yang lebih strategis. Perhutanan Sosial, konsesi pertambangan dan kehutanan di sekitar kawasan lindung Taman Nasional Kerinci Seblat berkontribusi signifikan terhadap deforestasi, sehingga menekankan pentingnya praktik berkelanjutan dan intervensi konservasi alam yang lebih luas.

---

Deforestation is a worldwide conservation problem in tropical forests. Conducting spatial and temporal analysis is necessary to identify the trends and causes of deforestation. Sumatra, an island in Indonesia, experienced significant deforestation, with the Kerinci Seblat landscape being one of the few crucial forests. This study utilizes spatial and temporal forest monitoring data from the Tropical Moist Forest dataset, along with field validation data, to analyze and describe deforestation. The analysis is based on nine predictor variables, namely Kerinci Seblat National Park zonation, deforestation neighbourhood, forestry concessions, altitude, patrol routes, social forestry, fire hotspots, distance from settlements, and mining concessions. The study utilized historical deforestation data from 1986 to 2015, with deforestation from 2016 to 2020 being analyzed as the response variable. This study employs the Generalized Linear Modeling framework in the R programming language to identify the optimal model for predicting deforestation in the Kerinci Seblat Landscape between the years 2020 until 2045. The study findings indicate that deforestation tends to decline and mostly transpires near human activities and communities. The efficacy of patrol operations in forestalling deforestation highlights the necessity for a more strategic allocation of resources. The presence of social forestry, mining, and forestry concessions in the vicinity of Kerinci Seblat National Park has a substantial impact on deforestation. This emphasizes the need for sustainable practices and more comprehensive interventions for environment protection."