Hasil Pencarian  ::  Simpan CSV :: Kembali

"Summary: Spatial data of disaster areas in Indonesia"

"Kerentanan merupakan derajat tingkat dimana manusia dengan sistem lingkungannya mengalami gangguan/tekanan akibat adanya bahaya (bahaya alam maupun bahaya buatan) yang terjadi dan dapat menimbulkan bencana atau tidak. Dalam beberapa disiplin ilmu terdapat perbedaan penggunaan pengertian konsep kerentanan, karena dalam pengukurannya mempunyai bermacam-macam metode. Secara umum kajian terbaru tentang kerentanan sekarang ini telah mengalami pergeseran dari penilaian kerentanan tradisional yang hanya berkonsentrasi pada satu tekanan faktor atau sumber daya, menjadi banyak faktor yang mempengaruhinya. Penelitian ini mengkaji pola spasial kerentanan bencana alam di Kabupaten Cianjur, yang diakibatkan oleh karakteristik fisik lingkungan dan bencana (biofisik) dan pengaruh sosial, ekonomi serta demografi (sosial). Metode pendekatan yang digunakan untuk menentukan pola spasial dan tingkat kerentanan adalah analisa cluster dan analisa spasial berbasis sistem informasi geografi. Pola spasial kerentanan tinggi terhadap faktor biofisik tersebar di seluruh wilayah dengan pola merata terutama disebelah selatan Cianjur dan hanya sebagian kecil dibagian utara yang tidak berada dalam kerentanan tinggi. Tidak seluruh wilayah yang berada dalam kerentanan tinggi terhadap faktor biofisik berada dalam kerentanan tinggi karena faktor sosial ekonomi atau ada 36,68% saja wilayah dengan kerentanan tinggi terhadap faktor biofisik yang memiliki kerentanan tinggi karena faktor sosial ekonomi.

---

Vulnerability can be defined as the degree to which human and environmental systems are likely to experience harm due to a perturbation or stress. However, different disciplines often use different meanings and concepts of vulnerability, which have led to diverse methods of measuring it. In general, recent studies on vulnerability often divert from traditional vulnerability assessment which centers on single stressor to single resource or receptor, moving to focusing on many aspects of the system being stressed.

This research to examine spatial patterns of natural disaster vulnerability in Cianjur District, which is caused by the physical characteristics of the environment and disasters (biophysical) and social influence, economic and demographic (social). Approach method used to determine the spatial pattern and degree of vulnerability is the cluster analysis and spatial analysis based on geographic information systems Spatial pattern of high vulnerability of biophysical factors in all regions with uneven patterns especially in the south of Cianjur and only a small portion in the north who are not in a high vulnerability. Not all areas are in the high vulnerability of biophysical factors in a high vulnerability due to socioeconomic factors or is 36.68% only region with a high vulnerability to biophysical factors that have a high vulnerability due to socio economic factors."

"Indonesia termasuk negara yang rentan akan bencana. Relawan adalah seseorang yang mempunyai hasrat untuk membantu orang lain tanpa mengharapkan imbalan atau dikenal dengan istilah altruisme. Jika melihat relawan, yang diharapkan adalah individu yang mempunyai kapasitas untuk bertahan meskipun dalam keadaan yang sulit dalam keadaan bencana atau disebut dengan istilah resiliensi. Penelitian ini bertujuan untuk mengetahui hubungan antara resiliensi dengan altruisme. Responden penelitian adalah relawan bencana alam yang tergabung dalam Lembaga Sosial Masyarakat (LSM) sebanyak 100 orang. Penelitian ini menggunakan pendekatan kuantitatif dan konsep penelitian deskriptif korelasional Person product moment. Terdapat hubungan positif dan signifikan antara variabel resiliensi dengan altruisme pada relawan bencana. "

"Faktor bencana alam sangat penting untuk dipertimbangkan dalam perancangan permukiman mengingat Indonesia adalah salah satu negara yang berada pada area rawan bencana, dan permukiman adalah salah satu kebutuhan pokok manusia. Selama ini faktor bencana alam hanya didudukan pada urutan yang tidak begitu penting dalam perencanaan permukiman baik oleh masyarakat umum ataupun kalangan profesional. Makalah ini mengusulkan upaya-upaya yang perlu dilakukan untuk meminimalkan dampak bencana alam khususnya pada area permukiman melalui kajian analitis dalam proses perancangan permukiman."

"Kajian risiko bencana di Indonesia oleh BNPB menunjukkan jumlah jiwa terpapar risiko bencana tersebar di seluruh Indonesia dengan total potensi jiwa terpapar lebih dari 255 juta jiwa. Hasil kajian ini menunjukkan bahwa dampak bencana di Indonesia terbilang sangat tinggi. Sistem penanggulangan khususnya pada masa tanggap darurat menjadi hal yang krusial untuk dapat meminimalisir risiko. Namun, pemberian bantuan kepada korban bencana terkendala beberapa hal, antara lain keterlambatan dalam penyaluran, kurangnya informasi lokasi korban, dan distribusi bantuan yang tidak merata. Untuk memberikan informasi yang cepat dan tepat, BNPB telah membangun beberapa sistem informasi seperti DIBI, InAware, Geospasial, Petabencana.id dan InaRisk. Akan tetapi tidak secara realtime menampilkan wilayah terdampak bencana dengan memnunjukkan jenis kebutuhan bantuan apa yang dibutuhkan korban pada saat itu. Untuk memberikan solusi atas permasalah tersebut, penelitian ini membangun model yang mampu mengklasifikasikan data teks dari Twitter terkait bencana kedalam jenis bantuan yang diminta oleh korban bencana secara realtime. Selain itu visualisasi berupa dashboard dibangun dalam bentuk aplikasi berbasis peta untuk menampilkan lokasi korban yang terdampak. Penelitian ini mengunakan teknik text mining mengolah data Twitter dengan pendekatan metode klasifikasi multi label dan ekstraksi informasi lokasi menggunakan metode Stanford NER. Algoritme yang digunakan adalan Naive Bayes, Support Vector Machine, dan Logistic Regression dengan kombinasi metode tranformasi data multi label OneVsRest, Binary Relevance, Label Power-set, dan Classifier Chain. Representasi teks menggunakan N-Grams dengan pembobotan TF-IDF. Model terbaik untuk klasifikasi multi label pada penelitian ini adalah kombinasi Support Vector Machine dan Clasifier Chain dengan fitur UniGram+BiGram dengan nilai precision 82%, recall 70%, dan F1-score 75%. Stanford NER menghasilkan F1-score 83% untuk klasifikasi lokasi yang menjadi masukan untuk teknik geocoding. Hasil geocoding berupa informasi spasial ditampilkan dalam bentuk dashboard berbasis peta.

---

The study of disaster risk in Indonesia by BNPB shows the number of people exposed to disaster risk throughout Indonesia with a total potential life of 255 million people. The results of this study indicate that the impact of disasters in Indonesia is quite high. The response system, especially during the emergency response period, is crucial to be able to minimize risks. However, providing assistance to disaster victims is hampered by several things, including delays in providing assistance, lack of information on the location of victims, and uneven distribution of aid. To provide fast and accurate information, BNPB has built several information systems such as DIBI, InAware, Geospatial, Petabencana.id and InaRisk. However, it does not display the disaster area in real-time by showing what kind of assistance needs the victim needs at that time. To provide a solution to these problems, this study builds a model that is able to classify text data from Twitter related to the type of assistance requested by disaster victims in real-time. In addition, a dashboard is built in the form of a map-based application to display the location of the realized victim. This study uses text mining techniques to process Twitter data with a multi-label classification approach and location information extraction using the Stanford NER method. The algorithms used are Naive Bayes, Support Vector Machine, and Logistic Regression with a combination of OneVsRest, Binary Relevance, Power-set Label, and Classifier Chain. Text representation using N-Grams with TF-IDF weighting. The best model for multi-label classification in this study is a combination of Support Vector Machine and Classifier Chain with UniGram+BiGram features with 82% precision, 70% recall, and 75% F1-score. Stanford NER produces an F1-score of 83% for location classification which is the input for geocoding techniques. Geocoding results in the form of spatial information are displayed in a map-based dashboard."