Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Peristiwa Indian Ocean Dipole ditahun 2019 telah menyebabkan beberapa kejadian kering di DAS Cilutung. Dibutuhkan informasi nilai kelembaban tanah baik secara spasial, temporal dan perubahannya untuk mengidentifikasi nilai kelembaban tanah sebagai faktor kekeringan di DAS Cilutung. Data Landsat 8 OLI-TIRS dimanfaatkan untuk mendapatkan nilai kelembaban tanah berdasarkan metode Soil Moisture Index (SMI) dengan menerapkan metode segitiga antara Land Surface Temperature (LST) dan Normalized Difference Vegetation Index (NDVI). Penelitian ini melakukan analisis pola spasial kelembaban tanah dan mengidentifikasi karakteristik fisik yang terbentuk di wilayah dengan nilai kelembaban tanah kering dan sangat kering di DAS Cilutung selama periode bulan kering tahun 2019. Hasil penelitian menunjukan selama periode bulan kering tahun 2019 di DAS Cilutung nilai Soil Moisture Index akan semakin tinggi pada lereng yang curam, penggunaan tanahnya berupa semak belukar, hutan, dan pertanian lahan kering campuran, pada jenis tanah podsolik merah kuning sedangkan nilai Soil Moisture Index akan semakin rendah pada lereng datar, penggunaan tanah permukiman dan tanah terbuka, pada jenis tanah grumusol. Berdasarkan analisis pengelompokan metode K-Means, wilayah dengan nilai kelembaban tanah kering dan sangat kering memiliki karakteristik fisik lereng datar, penggunaan tanah hutan, seperti permukiman, pertanian lahan kering campuran, tanah terbuka dan sawah serta memiliki jenis tanah grumusol, latosol dan andosol.

---

The Indian Ocean Dipole event in 2019 has caused several drought events in the Cilutung Watershed. The information about the spatial and temporal soil moisture distribution along its changes is needed to identify soil moisture values as a drought factor in the Cilutung Watershed. The Landsat 8 OLI-TIRS data used to get the value of soil moisture based on Soil Moisture Index method by applying the triangle method between Land Surface Temperature (LST) and Normalized Difference Vegetation Index (NDVI). This study analyses the spatial patterns of soil moisture and identifies physical characteristics that are forming in the areas with dry and very dry soil moisture values in the Cilutung Watershed during the dry period in 2019. The results showed that in the Cilutung Watershed during the dry month period in 2019, the Soil Moisture Index value would be higher on steep slopes, with the land-use consisting of shrubs, forests and mixed dryland agriculture, with the type of soils, red-yellow podzolic while the Soil Moisture Index value would be lower on the flat slopes, with the land-use consisting of residential land and open land, with the type of soils grumusol. Based on the K-Means grouping analysis method, the areas with dry and very dry soil moisture values in the Cilutung Watershed tends to have physical characteristics of flat slopes, the type land use such as settlement, mixed dryland agriculture, open land and rice fields, with the soil types grumusol, latosol and andosol.

"

"

Kelembaban tanah merupakan kebutuhan dasar untuk pertumbuhan dan perkembangan tanaman, dan informasi kelembaban tanah regional diperlukan untuk tujuan pertanian. Pemanfaatan data satelit merupakan salah satu alternatif untuk mendapatkan informasi kelembaban tanah di suatu wilayah. DAS Cirasea dipilih sebagai daerah penelitian karena mempunyai lahan pertanian yang luas dan intensif. Tujuan penelitian ini adalah menganalis pola spasial kelembaban tanah dan sebaran wilayah kering dan hubungannya dengan kondisi fisik wilayah. Data kelembaban tanah diperolah melalui proses pengolahan data Citra Landsat 8 menggunakan metode Temperature Vegetation Dryness Index (TVDI) selama periode musim kemarau (Mei-Oktober) 2019. Pengukuran kelembaban tanan secara langsung di lapangan juga dilakukan pada bulan Agustus 2019 menggunakan alat Soil Moisture Meter. Kelembaban tanah di DAS Cirasea menunjukan pola yang seragam selama periode musim kemarau tahun 2019. Wilayah kelembaban tanah basah tersebar mengelompok pada wilayah ketinggian >1500 dan berasosiasi dengan penggunaan tanah hutan dan perkebunan, sedangkan wilayah dengan kelembaban tanah kering tersebar tidak beraturan pada ketinggian 500 – 2000 dan berasoiasi dengan penggunaan tanah tegalan. Sebaran wilayah kering di DAS Cirasea cenderung tersebar di bagian barat hingga selatan selama periode musim kemarau. Luas wilayah kering mempunyai korelasi yang signifikan dengan jenis tanah, lereng, dan penggunaan tanah. Wilayah kering banyak tersebar pada wilayah dengan jenis tanah Andosol Coklat, wilayah lereng 8 – 13%, dan penggunaan tanah tegalan.

 

---

Soil moisture is a basic requirement for plant growth and development, and regional soil moisture information needed for agricultural purposes. Utilization of satellite data is an alternative to obtain soil moisture information in an area. Cirasea watershed was chosen as the study area because it has extensive and intensive agricultural land. This study aims to determine the spatial pattern of soil moisture and to determine the distribution of dry areas and its relationship with the physical condition. Soil moisture data processed through Landsat 8 Image using the Temperature Vegetation Dryness Index (TVDI) method during the dry season (May-October) 2019. Measurement of field soil moisture was also carried out in September 2019 using a Soil Moisture Meter. The results showed that soil moisture in the Cirasea watershed shows a uniform pattern during the dry season period in 2019. Areas with wet soil moisture scattered in groups at an altitude >1500 m msl and are associated with forest and plantation land use, while areas with dry soil moisture are randomly distributed altitude 500 – 2000 m msl and associated with the moor landuse. The distribution of dry areas in the Cirasea watershed tends to spread out in the west to the south during the dry season period. The dry area has a significant correlation with physical conditions such as soil type, slope, and land use. Dry areas widely distribution with brown Andosol soil types, slopes of 8-13%, and land use is a moor.

 

"

"Mekanika tanah tak jenuh mempelajari perilaku tanah yang mengandung air dan udara dalam pori-porinya. Salah satu parameter utama adalah matric suction, yaitu perbedaan tekanan antara air dan udara di dalam tanah. Perubahan cuaca seperti curah hujan dan suhu udara memengaruhi proses infiltrasi dan evapotranspirasi. Hal tersebut akan berdampak pada kadar air serta matric suction sehingga membentuk hubungan khas dalam SoilWater Characteristic Curve (SWCC). Untuk memahami dinamika ini, dilakukan pengukuran real-time menggunakan moisture sensor untuk kadar air, tensiometer untuk matric suction dan weather station untuk curah hujan. Penelitian ini dilakukan di Fakultas Teknik Universitas Indonesia dengan pemantauan pada top soil. Data yang diperoleh dianalisis untuk melihat bagaimana perubahan kadar air dan matric suction terjadi akibat siklus basah-kering yang dipicu oleh curah hujan. Hasilnya memberikan gambaran yang lebih jelas mengenai respons tanah tak jenuh terhadap perubahan cuaca dan dapat digunakan dalam studi geoteknik serta pemantauan kondisi tanah secara langsung.

---

Unsaturated soil mechanics studies the behavior of soil containing both water and air within its pores. One of the key parameters is matric suction, which represents the pressure difference between water and air in the soil. Weather changes, such as rainfall and temperature variations, influence infiltration and evapotranspiration processes, affecting soil water content and matric suction, thus forming a distinctive relationship known as the Soil-Water Characteristic Curve (SWCC). To understand this dynamic, real-time measurements were conducted using a moisture sensor for water content, a tensiometer for a matric suction, and a weather station for rainfall data. The study was carried out at the Faculty of Engineering, Universitas Indonesia, with monitoring at the top of soil. The collected data was analyzed to observe changes in soil water content and matric suction due to wetting-drying cycles triggered by rainfall. The results provide a clearer understanding of how unsaturated soil responds to weather variations and can be utilized for geotechnical studies and direct soil condition monitoring"

"Perluasan urbanisasi yang cepat dan pertumbuhan infrastruktur di Indonesia telah menyebabkan perubahan signifikan pada lanskap fisik, memengaruhi stabilitas lereng dan meningkatkan risiko tanah longsor. Selain itu, kenaikan tekanan air pada tanah khususnya pada daerah tanah yang tidak jenuh air dapat menyebabkan terjadinya tanah longsor. Oleh karena itu, pengetahuan kelembaban tanah pada suatu daerah merupakan hal yang sangat penting untuk mengetahui stabilitas lereng. Penelitian ini bertujuan mengembangkan sistem pemantauan kelembaban tanah real-time berbasis IoT dengan integrasi sistem data streaming dan implementasi model machine learning guna mengantisipasi dan mengurangi risiko tanah longsor. Pengembangan sistem dibagi menjadi dua bagian utama: pengembangan infrastruktur sistem data streaming untuk mengintegrasikan aliran data dari berbagai perangkat IoT, dan implementasi model pembelajaran mesin untuk prediksi kelembaban tanah dan daya hisap tanah. Sistem data streaming memungkinkan data dari sensor tersimpan ke database dan tervisualisasikan melalui antarmuka web yang ramah pengguna secara real-time, sedangkan model pembelajaran mesin mampu memperkirakan kondisi tanah di area yang belum terpantau sensor, untuk melakukan inspeksi prefailure secara efektif. Hasil pengujian menunjukkan bahwa sistem mampu mendistribusikan data dari 500 sensor dengan latensi kurang dari 1 detik, menunjukkan skalabilitas yang baik dengan penggunaan CPU yang rendah dan stabil, memastikan respons yang cepat dan efisien dalam pemantauan kondisi tanah. Selain itu, sistem juga telah mampu melakukan prediksi menggunakan algoritma pembelajaran mesin konvensional dan tradisional yang memanfaatkan beberapa fitur cuaca ataupun hanya dengan menggunakan interpolasi spasial dengan baik walaupun akurasi bukan menjadi fokus utama penelitian ini.

---

The rapid expansion of urbanization and infrastructure growth in Indonesia has significantly altered the physical landscape, affecting slope stability and increasing the risk of landslides. Additionally, increased water pressure in soil, particularly in unsaturated soil areas, can lead to landslides. Therefore, knowledge of soil moisture in an area is crucial for understanding slope stability. This study aims to develop a real-time soil moisture monitoring system based on IoT, integrating a data streaming system and implementing machine learning models to anticipate and mitigate landslide risks. The development of the system is divided into two main parts: the development of a data streaming system infrastructure to integrate data flows from various IoT devices, and the implementation of machine learning models to predict soil moisture and soil suction. The data streaming system allows sensor data to be stored in a database and visualized through a user-friendly web interface in real-time, while the machine learning models can estimate soil conditions in areas not monitored by sensors to effectively conduct pre-failure inspections. Test results show that the system can distribute data from 500 sensors with a latency of less than 1 second, demonstrating good scalability with low and stable CPU usage, ensuring quick and efficient soil condition monitoring. Furthermore, the system can also perform predictions using both conventional and traditional machine learning algorithms that utilize several weather features or solely rely on spatial interpolation, although accuracy is not the main focus of this study."

"Perluasan urbanisasi yang cepat dan pertumbuhan infrastruktur di Indonesia telah menyebabkan perubahan signifikan pada lanskap fisik, memengaruhi stabilitas lereng dan meningkatkan risiko tanah longsor. Selain itu, kenaikan tekanan air pada tanah khususnya pada daerah tanah yang tidak jenuh air dapat menyebabkan terjadinya tanah longsor. Oleh karena itu, pengetahuan kelembaban tanah pada suatu daerah merupakan hal yang sangat penting untuk mengetahui stabilitas lereng. Penelitian ini bertujuan mengembangkan sistem pemantauan kelembaban tanah real-time berbasis IoT dengan integrasi sistem data streaming dan implementasi model machine learning guna mengantisipasi dan mengurangi risiko tanah longsor. Pengembangan sistem dibagi menjadi dua bagian utama: pengembangan infrastruktur sistem data streaming untuk mengintegrasikan aliran data dari berbagai perangkat IoT, dan implementasi model pembelajaran mesin untuk prediksi kelembaban tanah dan daya hisap tanah. Sistem data streaming memungkinkan data dari sensor tersimpan ke database dan tervisualisasikan melalui antarmuka web yang ramah pengguna secara real-time, sedangkan model pembelajaran mesin mampu memperkirakan kondisi tanah di area yang belum terpantau sensor, untuk melakukan inspeksi prefailure secara efektif. Hasil pengujian menunjukkan bahwa sistem mampu mendistribusikan data dari 500 sensor dengan latensi kurang dari 1 detik, menunjukkan skalabilitas yang baik dengan penggunaan CPU yang rendah dan stabil, memastikan respons yang cepat dan efisien dalam pemantauan kondisi tanah. Selain itu, sistem juga telah mampu melakukan prediksi menggunakan algoritma pembelajaran mesin konvensional dan tradisional yang memanfaatkan beberapa fitur cuaca ataupun hanya dengan menggunakan interpolasi spasial dengan baik walaupun akurasi bukan menjadi fokus utama penelitian ini.

---

The rapid expansion of urbanization and infrastructure growth in Indonesia has significantly altered the physical landscape, affecting slope stability and increasing the risk of landslides. Additionally, increased water pressure in soil, particularly in unsaturated soil areas, can lead to landslides. Therefore, knowledge of soil moisture in an area is crucial for understanding slope stability. This study aims to develop a real-time soil moisture monitoring system based on IoT, integrating a data streaming system and implementing machine learning models to anticipate and mitigate landslide risks. The development of the system is divided into two main parts: the development of a data streaming system infrastructure to integrate data flows from various IoT devices, and the implementation of machine learning models to predict soil moisture and soil suction. The data streaming system allows sensor data to be stored in a database and visualized through a user-friendly web interface in real-time, while the machine learning models can estimate soil conditions in areas not monitored by sensors to effectively conduct pre-failure inspections. Test results show that the system can distribute data from 500 sensors with a latency of less than 1 second, demonstrating good scalability with low and stable CPU usage, ensuring quick and efficient soil condition monitoring. Furthermore, the system can also perform predictions using both conventional and traditional machine learning algorithms that utilize several weather features or solely rely on spatial interpolation, although accuracy is not the main focus of this study."