Hasil Pencarian  ::  Simpan CSV :: Kembali

"Wilayah Pulau Bali dan Nusa Tenggara merupakan bagian dari seismotektonik busur aktif. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis karakteristik gempa swarm di Bali–Nusa Tenggara. Gempa swarm diidentifikasi menggunakan analisis spasiotemporal dari data BMKG tahun 2012-2021 dengan ketentuan sekumpulan gempa yang berkurumun rapat dalam ruang dan waktu yang singkat tanpa ada gempa utama dengan magnitudo tertinggi. Gempa swarm ditemukan di tujuh daerah, yaitu bagian utara Pulau Lembata, di Nusa Tenggara Timur bagian Tengah, di Pulau Sangeang, di Pulau Bali, di bagian utara Lombok, di barat daya dari Pulau Sumba, dan di Bima, Nusa Tenggara Barat. Dari ketujuh daerah tersebut, dipilih kumpulan gempa di barat daya Pulau Sumba untuk diteliti menggunakan cross-correlation karena berada diantara Busur Sunda dan Sesar Flores. Secara manual dipilih waktu kedatangan fase P dan gelombang seismik dilakukan cross-correlation untuk mengidentifikasi korelasi antar gelombang. Hasil dari cross-correlation menunjukkan nilai koefisien korelasi tertinggi pada 0.68597 antara gempa pada 2020-08-08 11:37 dengan gempa pada 2020-08-09 04:53. Hasil analisis cross-correlation menunjukkan bahwa gelombang kurang saling berkorelasi. Hal ini menunjukkan kejadian-kejadian gempa tersebut tidak bersumber dari sumber yang sama.

---

The areas of the islands of Bali and Nusa Tenggara are part of an active seismotectonic arc. This research aims to identify and analyze the characteristics of earthquake clusters in Bali–Nusa Tenggara. Earthquake clusters were identified using spatiotemporal analysis from BMKG data for 2012-2021 with the provisions of earthquake clusters that are tightly clustered in a short space and time without any main earthquake with the highest magnitude. Earthquake swarms were found in seven areas, namely the northern part of Lembata Island, in the central part of East Nusa Tenggara, on Sangeang Island, on Bali Island, in the northern part of Lombok, in the southwest of Sumba Island, and in Bima, West Nusa Tenggara. Of the seven areas, the earthquake group in the southwest of Sumba Island was chosen to be studied using cross correlation because it is located between the Sunda Arc and the Flores Fault. Manually selected arrival times of the P phase and seismic waves were cross-correlated to identify correlations between waves. The results of the cross correlation show the highest correlation coefficient value at 0.68597 between the earthquake on 08-08-2020 11:37 and the earthquake on 08-09-2020 04:53. The cross-correlation analysis indicated that the waves were weakly correlated, suggesting that these earthquake events did not originate from the same source."

"Kekayaan mineral yang ada di Indonesia terutama besi menjadi salah satu komoditi kebutuhan kehidupan manusia pada zaman ini. Kalimantan Tengah menjadi salah satu daerah dengan prospek bijih besi di Indonesia. Dalam meninjau endapan bijih besi digunakan metode Resisitivitas dan Induced Polarization yang berguna untuk mendeteksi keberadaan suatu mineral dalam litologi batuan bawah permukaan. Penelitian ini menggunakan nilai dari resistivitas dan chargeability untuk menghasilkan gambaran endapan bijih besi. Konfigurasi yang digunakan adalah Wenner karena memiliki resolusi vertikal yang baik dan memiliki sensitivitas yang tinggi terhadap perubahan secara lateral. Terdapat tujuh lintasan akuisisi data dengan panjang ±470 meter dengan arah lintasan dari Barat Laut ke Tenggara. Proses pengolahan data menggunakan metode inversi untuk menghasilkan penampang 2D. Variasi nilai resistivitas berkisar diantara 10 – 8000 Wm yang menunjukkan litologi pasir, lempung, batuan andesit dan tuf serta nilai chargeability berkisar 5 – 450 msec yang menunjukkan adanya mineral konduktif yang berupa bijih besi. Visualisasi dari pemodelan 3-D didapatkan dari penggabungan hasil inversi penampang 2-D. Pemodelan ini menghasilkan volume dari anomali yang diduga bijih besi pada daerah tersebut adalah 823.129 m³

---

The mineral wealth in Indonesia, particularly iron, has become a crucial commodity for human life in the modern era. Central Kalimantan is one of the regions in Indonesia with promising iron ore prospects. To investigate iron ore deposits, the Resistivity and Induced Polarization (IP) methods are utilized, which are effective in detecting the presence of minerals within subsurface lithology. This study employs resistivity and chargeability values to generate a depiction of iron ore deposits. The Wenner configuration was chosen for its good vertical resolution and high sensitivity to lateral changes. Seven data acquisition lines, each approximately 470 meters in length, were oriented from the northwest to the southeast. Data processing involved inversion methods to produce 2D cross-sections. The resistivity values ranged from 10 - 8000 Ωm, indicating lithologies of sand, clay, andesitic rock, and tuff, while the chargeability values ranged from 5 - 450 msec, suggesting the presence of conductive minerals, specifically iron ore. A 3D visualization was obtained by combining the inversion results of the 2D cross-sections. This modeling estimated the volume of the anomaly, presumed to be iron ore, in the area to be 823.129 m³."

"Daerah Sipoholon merupakan daerah yang terletak pada zona Sesar Sumatera dimana sekitar wilayah ini ditemukan keberadaan manifestasi panas bumi berupa sumber air panas yang berada di sepanjang zona patahan dan Cekungan Tarutung. Penelitian ini dilakukan untuk mengidentifikasi litologi bawah permukaan wilayah Sipoholon melalui analisis karakter nilai kecepatan grup gelombang Rayleigh yang diperoleh menggunakan metode ambient noise tomography (ANT). Dalam penelitian ini menggunakan data waveform berkomponen vertikal yang berasal 15 jaringan sensor seismik milik BMKG-GFZ yang tersebar luas di sekitar bagian barat Danau Toba hingga Tapanuli Tengah selama rentang bulan Juni – September 2008. Proses pengolahan dilakukan melalui rangkaian single data preparation, korelasi silang & stacking, kurva dispersi, dan tomografi. Hasil tomografi menunjukan variasi zona anomali kecepatan grup gelombang Rayleigh dengan rentang nilai 1.20 km/s - 2.50 km/s. Berdasarkan hasil checkerboard test wilayah bawah permukaan yang mampu dipercaya untuk diinterpretasikan sampai dengan periode 13 detik. Keberadaan kaldera tersembunyi mampu teridentifikasi pada zona anomali kecepatan grup rendah yang berkaitan dengan deformasi dari batuan beku vulkanik yang mengalami pelapukan. Sementara itu, zona anomali kecepatan grup tinggi berasosiasi dengan keberadaan litologi tuffa Toba yang diikuti keberadaan batuan granit sebagai batuan intrusi pada lapisan bawah.

---

The Sipoholon area is an area located in the Sumatra Fault zone where around this area there are geothermal manifestations in the form of hot springs located along the fault zone and Tarutung Basin. This study was conducted to identify the subsurface lithology of the Sipoholon area through the Rayleigh wave group velocity value obtained using the ambient noise tomography (ANT) method. In this study, we used vertical waveform data from a network of 15 seismic sensors owned by BMKG-GFZ that were widely distributed around the western part of Lake Toba to Central Tapanuli during June - September 2008. Processing stages are carried out from the single data preparation stage, cross-correlation & stacking, dispersion curves, and tomography. The tomography results show variations in the Rayleigh wave group velocity anomaly zone with a value range of 1.20 km/s - 2.50 km/s. Based on the results of the checkerboard test, subsurface areas that can be reliably interpreted up to a period of 13 seconds. The existence of a hidden caldera can be identified in the low group velocity anomaly zone related to the deformation of volcanic igneous rocks undergoing weathering. Meanwhile, the high group velocity anomaly zone is associated with the presence of Toba tuff lithology followed by the presence of granite rocks as intrusive rocks in the lower layers."

"Berdasarkan statistik BNPB, Jawa Tengah menjadi Provinsi dengan bencana longsor terbanyak di Indonesia sepanjang tahun 2021–2023 sebanyak 1283 peristiwa, dengan 427 di antaranya terjadi di Kebumen. Pada Kampus Lapangan Geologi Karangsambung, Kab. Kebumen, Jawa Tengah sejumlah lahan telah ditimbun tanah untuk rencana pembangunan dengan longsoran rotasi yang pernah terjadi. Oleh karena itu, dilakukan identifikasi potensi longsor beserta geologinya di daerah Karangsambung pada area timbunan tanah baru. Penelitian ini melibatkan studi lapangan dengan metode geolistrik resistivitas dan data SPT untuk mengetahui kekuatan daya dukung tanah. Penelitian mencakup enam lintasan sepanjang 195–245 meter dengan spasi elektroda 5 meter dan konfigurasi Wenner-Schlumberger. Keluaran yang diperoleh berupa penampang resistivitas 2D yang dikorelasikan dengan data SPT, plan map 3D, serta model resistivitas 3D. Hasil penampang resistivitas 2D menunjukkan bahwa terdapat zona resistivitas tinggi 270–13.293 Ωm di daerah timur laut penelitian. Zona resistivitas tinggi ini merupakan rekahan batulempung selebar 5–13 meter di permukaan dengan ketebalan 10–15 meter yang di bawahnya merupakan intrusi batu andesit. Selain itu umumnya daerah penelitian terdiri atas lempung lanauan padat di permukaan dengan ketebalan 3–33 meter dan resistivitas 0,5–90 Ωm, serta lempung pasiran yang sangat padat di bawahnya dengan ketebalan lebih dari 15 meter dan resistivitas 0,01–30 Ωm. Berdasarkan hasil tersebut terdapat potensi longsor di timur laut daerah penelitian yang melewati lintasan LKR01, LKR02, dan LKR03, tepatnya pada zona resistivitas tinggi. Keberadaan potensi longsor ini diharapkan dapat menjadi acuan terkait pengawasan pembangunan di Kampus Lapangan Geologi Karangsambung.

---

Based on BNPB statistics, Central Java is the province with the most landslide disasters in Indonesia throughout 2021-2023 with 1283 events, 427 of which occurred in Kebumen. At the Karangsambung Geological Field Campus, Kebumen Regency, Central Java, a number of lands have been stockpiled for development plans with rotational landslides that have occurred. Therefore, an identification of landslide potential and its geology in Karangsambung area in the area of new landfill was conducted. This research involved field study using geo-electrical resistivity method and SPT data to determine the bearing capacity of the soil. The research included six passes along 195-245 meters with 5 meters electrode spacing and Wenner-Schlumberger configuration. The output is 2D resistivity cross section correlated with SPT data, 3D plan map, and 3D resistivity model. The 2D resistivity cross section results show that there is a high resistivity zone of 270-13,293 Ωm in the northeast area of the study. This high resistivity zone is a fractured claystone 5-13 meters wide at the surface with a thickness of 10-15 meters under which is an andesite intrusion. In addition, the study area generally consists of dense silt loam at the surface with a thickness of 3-33 meters and a resistivity of 0.5-90 Ωm, and very dense passive loam underneath with a thickness of more than 15 meters and a resistivity of 0.01-30 Ωm. Based on these results, there is a potential for landslides in the northeast of the research area that passes through the LKR01, LKR02, and LKR03 tracks, precisely in the high resistivity zone. The existence of this landslide potential is expected to be a reference related to development supervision in Karangsambung Geological Field Campus."

"Mata merupakan salah satu dari panca indra yang digunakan untuk melihat dan menjadi aset terpenting dalam hidup manusia. Salah satu bagian terpenting dari mata ialah kelopak mata di mana terdapat sebuah kelenjar yang disebut kelenjar meibom. Kelenjar ini berada pada lapisan air mata yang berguna untuk menyekresikan komponen minyak atau lipid dan berperan penting dalam memperlambat proses evaporasi yang menyebabkan terjaganya kelembapan pada mata. Kekurangan kelenjar meibom yang dikenal sebagai Disfungsi Kelenjar Meibom (DKM) merupakan penyebab utama dari penyakit mata kering. Karena proses diagnosis yang dikerjakan oleh tenaga medis terbilang subjektif, maka penelitian ini menggunakan pendekatan deep learning untuk melakukan klasifikasi pada tingkat keparahan dari DKM. Klasifikasi dilakukan dengan membagi tingkat keparahan atau kehilangan kelenjar meibom berdasarkan hasil meiboscore-nya menjadi 4 kelas, yaitu kelas 0 untuk meiboscore ≤ 25%, kelas 1 untuk 25% < meiboscore ≤ 50%, kelas 2 untuk 50% < meiboscore ≤ 75%, dan kelas 3 untuk meiboscore  > 75%. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data yang digunakan pada penelitian ini adalah 139 citra meibography yang bersumber dari Rumah Sakit Ciptomangunkusumo (RSCM) Departemen Kirana dari 35 pasien mata kering yang sudah mengalami augmentasi dan segmentasi, sehingga data akhir yang digunakan yaitu sebanyak 417 citra segmentasi. Pada tahap pre-processing, dilakukan perhitungan meiboscore dengan bantuan software dan membaginya ke dalam 4 kelas sesuai dengan nilai meiboscore­-nya. Citra yang sudah dilabel ini kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 10% untuk dijadikan data validation, sehingga 417 data tersebut terbagi menjadi 299 data training, 84 data testing, serta 34 data validation. Training model dilakukan menggunakan arsitekur AlexNet dengan hyperparameter berupa epoch sebanyak 100, batch size 32, dan learning rate 0,0001. Pada arsitektur ini juga diterapkan fungsi optimasi yaitu Adam (Adaptive moment estimation) dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan memperoleh nilai rata-rata akurasi training dan validation sebesar 99,59% dan 99,41% dan nilai dari loss training dan loss validation sebesar 0,1259 dan 0,0524. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 87,38%; testing loss sebesar 0,5151; dan Area Under Curve (AUC) sebesar 0,9715.

---

The eye is one of the five senses used to see and is the most important asset in human life. One of the most important parts of the eye is the eyelid where there is a gland called meibomian gland. This gland is located in the tear film which is useful for secreting oil or lipid components and plays an important role in slowing down the evaporation process which leads to maintaining moisture in the eye. Meibomian gland deficiency, known as Meibomian Gland Dysfunction (MGD), is a major cause of dry eye disease. Since the diagnosis process carried out by medical personnel is subjective, this study uses a deep learning approach to classify the severity of MGD. Classification is done by dividing the severity or loss of meibomian glands based on meiboscore results into 4 classes, namely class 0 for meiboscore ≤ 25%, class 1 for 25% < meiboscore ≤ 50%, class 2 for 50% < meiboscore ≤ 75%, and class 3 for meiboscore > 75%. The deep learning method used is Convolutional Neural Network (CNN) with AlexNet architecture. The data used in this study are 139 meibography images sourced from Ciptomangunkusumo Hospital (RSCM) Kirana Department from 35 dry eye patients that have undergone augmentation and segmentation, so that the final data used is 417 segmentation images. In the pre-processing stage, meiboscore was calculated with the help of software and divided into 4 classes according to the meiboscore value. The labeled images were then divided into 80% training data and 20% testing data. From 80% of the training data, 10% is taken to be used as validation data, so that the 417 data is divided into 299 training data, 84 testing data, and 34 validation data. The training model is carried out using the AlexNet architecture with hyperparameters in the form of epochs of 100, batch size 32, and learning rate 0,0001. In this architecture, the optimization function Adam (Adaptive moment estimation) and categorical cross entropy loss function are also applied. The modeling process was carried out 5 times and obtained an average training and validation accuracy value of 99,59% and 99,41% and the value of training loss and validation loss of 0,1259 and 0,0524. While the average performance of the testing model successfully obtained a testing accuracy of 87,38%; testing loss of 0,5151; and Area Under Curve (AUC) of 0,9715."

"Pendeteksian topik merupakan masalah komputasi yang menganalisis kata-kata dari suatu data teks untuk menemukan topik yang ada di dalam teks tersebut. Pada data yang besar, pendeteksian topik lebih efektif dan efisien dilakukan dengan metode machine learning. Data teks harus diubah ke dalam bentuk representasi vektor numeriknya sebelum dimasukkan ke model machine learning. Metode representasi teks yang umum digunakan adalah TF-IDF. Namun, metode ini menghasilkan representasi data teks yang tidak memperhatikan konteksnya. BERT (Bidirectional Encoder Representation from Transformer) merupakan metode representasi teks yang memperhatikan konteks dari suatu kata dalam dokumen. Penelitian ini membandingkan kinerja model BERT dengan model TF-IDF dalam melakukan pendeteksian topik. Representasi data teks yang diperoleh kemudian dimasukkan ke model machine learning. Salah satu metode machine learning yang dapat digunakan untuk menyelesaikan masalah pendeteksian topik adalah clustering. Metode clustering yang populer digunakan adalah Fuzzy C-Means. Namun, metode Fuzzy C-Means tidak efektif pada data berdimensi tinggi. Karena data teks berita biasanya memiliki ukuran dimensi yang cukup tinggi, maka perlu dilakukan proses reduksi dimensi. Saat ini, terdapat metode clustering yang melakukan reduksi dimensi berbasis deep learning, yaitu Deep Embedded Clustering (DEC). Pada penelitan ini digunakan model DEC untuk melakukan pendeteksian topik. Eksperimen pendeteksian topik menggunakan model DEC (member) dengan metode representasi teks BERT pada data teks berita menunjukkan nilai coherence yang sedikit lebih baik dibandingkan dengan menggunakan metode representasi teks TF-IDF.

---

Topic detection is a computational problem that analyzes words of a textual data to find the topics in it. In large data, topic detection is more effective and efficient using machine learning methods. Textual data must be converted into its numerical vector representation before being entered into a machine learning model. The commonly used text representation method is TF-IDF. However, this method produces a representation of text data that does not consider the context. BERT (Bidirectional Encoder Representation from Transformers) is a text representation method that pays attention to the context of a word in a document. This study compares the performance of the BERT model with the TF-IDF model in detecting topics. The representation of the text data obtained is then entered into the machine learning model. One of the machine learning methods that can be used to solve topic detection problems is clustering. The popular clustering method used is Fuzzy CMeans. However, the Fuzzy C-Means method is not effective on high-dimensional data. Because news text data usually has a high dimension, it is necessary to carry out a dimension reduction process. Currently, there is a clustering method that performs deep learning-based dimension reduction, namely Deep Embedded Clustering (DEC). In this research, the DEC model is used to detect topics. The topic detection experiment using the DEC (member) model with the BERT text representation method on news text data shows a slightly better coherence value than using the TF-IDF text representation method."

"Dibahas metode Needleman-Wunsch untuk menentukan pemadanan barisan dengan jumlah bobot maksimum, bila diberikan dua barisan nukleotida dengan panjang berbeda pada DNA. Pemadanan barisan dengan jumlah bobot maksimum dapat digunakan untuk menentukan kemiripan dari dua barisan yang diberikan. "

"Bayi prematur adalah bayi yang lahir dengan usia kehamilan kurang dari 37 minggu yang memiliki sistem saraf dan organ-organ yang belum sempurna sehingga lebih beresiko mengalami berbagai masalah kesehatan. Salah satu masalah kesehatan yang dapat terjadi adalah pada organ mata yang merupakan organ penting dalam perkembangan bayi. Retinopathy of Prematurity (ROP) merupakan salah satu penyakit mata yang terjadi pada bayi prematur yang disebabkan oleh pembentukan pembuluh darah retina yang tidak normal. Proses diagnosis yang dilakukan oleh dokter mata belum bisa mengatasi kenaikan jumlah kasus ROP, sehingga disini penulis menggunakan pendekatan deep learning untuk melakukan klasifikasi tingkat keparahan ROP pada citra fundus retina. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari online database Kaggle berupa 90 data citra fundus retina yang terbagi atas 38 citra bukan penderita ROP, 19 citra penderita ROP Stage 1, 22 citra penderita ROP Stage 2, dan 11 citra penderita ROP Stage 3. Pada tahap persiapan data, dilakukan perbaikan kontras citra menggunakan Contrast Limited Adaptive Histogram (CLAHE) dan image masking. Kemudian dilakukan resize citra menjadi ukuran 224×224. Data kemudian diaugmentasi menggunakan teknik flip horizontal dan rotation agar data menjadi lebih banyak yang kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 20% untuk data validation. Training model dilakukan menggunakan model dengan arsitektur ResNet50 dengan hyerparameter model yaitu batch size 64, learning rate 0.001, dan epoch sebanyak 30, fungsi optimasi Adam (Adaptive moment estimation), dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99.714% dan 92.85% pada akurasi training dan akurasi validation-nya, selain itu diperoleh nilai 0.01864 dan 0.18434 pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 97.352%, testing loss sebesar 0.0986374, dan AUROC sebesar 0.0955. Selain melakukan evaluasi kinerja, peneliti juga akan menggunakan GradCAM untuk menampilkan visualisasi ciri-ciri yang dianggap penting untuk nantinya membantu dokter dalam mengevaluasi ROP.

---

Premature infants are babies born with a gestational age of less than 37 weeks, and they have underdeveloped nervous systems and organs, making them more susceptible to various health issues. One of the health problems that can occur involves the eye, which plays a crucial role in the baby's development. Retinopathy of Prematurity (ROP) is one of the eye diseases that affects premature infants and is caused by abnormal blood vessel formation in the retina. The current diagnostic processes performed by ophthalmologists have not been effective in addressing the increase in ROP cases. Therefore, in this study, the author employs a deep learning approach to classify the severity of ROP in retinal fundus images. The deep learning method utilized is the Convolutional Neural Network (CNN) with the ResNet50 architecture. The research data consists of 90 retinal fundus images obtained from the online database Kaggle, comprising 38 images of non-ROP cases, 19 images of ROP Stage 1, 22 images of ROP Stage 2, and 11 images of ROP Stage 3. In the data preparation phase, the image contrast is enhanced using Contrast Limited Adaptive Histogram (CLAHE) and image masking techniques. Subsequently, the images are resized to 224×224 dimensions. Data augmentation is performed using horizontal flip and rotation techniques to increase the dataset, which is then split into 80% training data and 20% testing data. From the 80% training data, 20% is further allocated for validation data. The model is trained using the ResNet50 architecture with hyperparameters set to batch size 64, learning rate 0.001, and 30 epochs. The optimization function used is Adam (Adaptive Moment Estimation), and the loss function is categorical cross-entropy. The modeling process is repeated five times, and the average performance of the training model is achieved at 99.714% for training accuracy and 92.85% for validation accuracy, with training and validation losses of 0.01864 and 0.18434, respectively. As for the average performance of the testing model, the testing accuracy is 97.352%, the testing loss is 0.0986374, and the AUROC (Area Under the Receiver Operating Characteristic) is 0.0955. In addition to evaluating the model's performance, the researcher also employs GradCAM to visualize important features, which can assist doctors in evaluating ROP cases."

"Dalam proyek konstruksi, informasi akurat mengenai kondisi bawah permukaan dibutuhkan untuk menghindari potensi kegagalan di masa depan. Penelitian ini dilakukan untuk memenuhi kebutuhan pencitraan kondisi bawah permukaan yang akurat di proyek konstruksi Karangsambung. Studi ini membandingkan efektivitas penerapan metode inversi Least square dan Robust pada tomografi resistivitas 3D terhadap gorong-gorong dan tanah timbunan menggunakan program RES3DINV. Metode inversi Least Square bertujuan untuk meminimalkan selisih kuadrat antara data observasi dan model, sedangkan metode inversi Robust dirancang untuk mengurangi pengaruh noise. Hasil penelitian menunjukkan bahwa kedua metode mampu mencitrakan objek gorong-gorong dan tanah timbunan, namun memiliki keunggulannya masing-masing. Model inversi Least Square memiliki hasil yang lebih representatif untuk pencitraan tanah timbunan dengan rentang resistivitas yang diperoleh sebesar 1-6 Ωm dengan tebal lapisan 1-2.6 m. Sementara, inversi Robust memiliki hasil yang lebih representatif untuk pencitraan gorong-gorong dengan rentang resistivitas yang diperoleh sebesar 50-1500 Ωm dengan volume sebesar 21.64 m³.

---

In construction projects, accurate information about subsurface conditions is essential to avoid potential future failures. This study was conducted to meet the need for precise subsurface imaging in the Karangsambung construction project. The study compares the effectiveness of the Least Square and Robust inversion methods in 3D resistivity tomography for culverts and embankments using the RES3DINV program. The Least Square inversion method aims to minimize the squared differences between observed data and the model, while the Robust inversion method is designed to reduce the influence of noise. The results indicate that both methods are capable of imaging culverts and embankments, each with its advantages. The Least Square inversion model provides more representative results for imaging embankments, with a resistivity range of 1-6 Ωm and a layer thickness of 1-2.6 meters. Conversely, the Robust inversion method yields more accurate results for imaging culverts, with a resistivity range of 50-1500 Ωm and a volume of 21.64 m³"