Hasil Pencarian  ::  Simpan CSV :: Kembali

"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)."

"Permasalahan polusi udara PM2.5 di Pulau Jawa semakin meningkat seiring dengan pertumbuhan aktivitas industri. Penelitian ini bertujuan menganalisis distribusi spasial-temporal PM2.5 dan kontribusi sektor industri menggunakan model Random Forest Regression berbasis data observasi dan citra satelit. Metodologi penelitian meliputi pengembangan model prediksi, analisis pola sebaran, dan evaluasi dampak industri dengan pendekatan wilayah buffer cluster . Hasil model menunjukkan kinerja yang baik untuk estimasi konsentrasi PM2.5 , dengan nilai R² dari data pelatihan mencapai 0.86 (RMSE = 6.24) dan R² dari data pengujian sebesar 0.552. Meskipun terdapat indikasi overfitting, model tetap menunjukkan kemampuan prediksi yang baik untuk estimasi konsentrasi PM2.5 dalam rentang yang moderat. Analisis temporal identifikasi dua puncak konsentrasi (27,6 μg/m³ September-Oktober 2019; 27,9 μg/m³ Oktober-November 2023) dengan pola musiman yang konsistensi: terendah pada DJF (18-20 μg/m³) dan tertinggi pada SON (25-27 μg/m³). Secara spasial, konsentrasi tertinggi (35-45 μg/m³) di kawasan industri dan perkotaan. Analisis wilayah identifikasi empat klaster utama: Cilegon-Tangerang (32,45 μg/m³; 33 KI, 10 PLTU), Bekasi-Karawang (27,64 μg/m³; 45 KI, 10 PLTU), Semarang (26,41 μg/ m³; 14 KI, 1 PLTU), dan Surabaya (27,83 μg/m³; 20 KI, 3 PLTU), menunjukkan gradien konsentrasi industri yang menurun dari barat ke timur Pulau Jawa. Penelitian ini menggarisbawahi pentingnya pendekatan terpadu dalam pengendalian pencemaran udara dengan mempertimbangkan variasi spasial-temporal dan kontribusi sektor industri.

---

The problem of PM2.5 air pollution in Java is increasing along with the growth of industrial activities. This study aims to analyze the spatial-temporal distribution of PM2.5 and the contribution of the industrial sector using the Random Forest Regression model based on observational data and satellite imagery. The research methodology includes developing a prediction model, analyzing distribution patterns, and evaluating the impact of industry with a buffer cluster region approach. The results model showed good performance for PM2.5 concentration estimation, with the R² value of the training data reaching 0.86 (RMSE = 6.24) and the R² of the testing data of 0.552. Although there are indications of overfitting, the model still shows applicable predictive ability for PM2.5 concentration estimation within a moderate range. Temporal analysis identified two concentration peaks (27.6 μg/m³ September-October 2019; 27.9 μg/m³ October-November 2023) with consistent seasonal patterns: lowest in DJF (18-20 μg/m³) and highest in SON (25-27 μg/m³). Spatially, the highest concentrations (35-45 μg/m³) were concentrated in industrial and urban areas. The region analysis identified four main clusters: Cilegon-Tangerang (32.45 μg/m³; 33 KIs, 10 PLTUs), Bekasi-Karawang (27.64 μg/m³; 45 KIs, 10 PLTUs), Semarang (26.41 μg/m³; 14 KIs, 1 PLTU), and Surabaya (27.83 μg/m³; 20 KIs, 3 PLTUs), showing a decreasing industrial concentration gradient from west to east of Java Island. This study underscores the importance of an integrated approach in air pollution control by considering spatial-temporal variations and the contribution of the industrial sector."

"Variasi kegiatan antropogenik di DKI Jakarta sebagai kota urban yang berkembang pesat menimbulkan limbah yang dilepas ke sungai yang pada akhirnya bermuara di Teluk Jakarta. Di sisi lain, Teluk Jakarta dikenal masih dimanfaatkan sebagai tempat pariwisata, fasilitas transportasi laut, maupun sumber tangkapan. Tujuan penelitian ini adalah guna melihat persebaran konsentrasi serta beban pencemar organik dan nutrien yang dilihat berdasarkan angka konsentrasi dan debit pada titik pantau sungai serta menilai aktivitas antropogenik mana yang paling berpengaruh terhadap besaran beban pencemar. Konsentrasi pencemar organik dan nutrien dilihat dari Data Alam KLHK, sedangkan besaran debit akan diproyeksikan berdasarkan besaran curah hujan, luas sub-DAS, dan morfologi saluran sungai pada periode 2016 – 2019 dengan Hec-HMS. Penelitian memperlihatkan bahwa curah hujan sangat berpengaruh pada besaran beban pencemar yang dinyatakan dalam ton/tahun walau konsentrasi terukur tidak terlalu signifikan. Guna melihat pengaruh aktivitas antropogenik terhadap beban pencemar, dilakukan analisis korelasi antara beban pencemar dengan persentase tutupan lahan yang diperkuat dengan grafik scatter. Penelitian memperlihatkan bahwa korelasi antara jenis lahan aktivitas antropogenik dengan pencemar (kecuali DO atau oksigen terlarut) tidak selalu berkorelasi positif, sebagaimana halnya yang terlihat pada korelasi lahan komersial dan TSS yang justru berkorelasi negatif.

---

Variations of anthropogenic issues in DKI Jakarta as urban city produce waste that flows into water bodies that ends up in Jakarta Bay. In fact, Jakarta Bay is known to be still used by local residents as a place of tourism, marine transportation facilities, and a source of marine catch as consumption and ornamental animals. The purpose of this study is to see the distribution of concentrations and the rate or loading of organic and nutrient pollutants seen based on concentration and discharge figures at river monitoring points and assess which anthropogenic activity has the most influence on the amount of beban of pollutant. The concentration of organic and nutrient pollutants is seen from Data Alam by Ministry of Environment and Forestry, while the amount of discharge will be projected based on the amount of rainfall rate, sub-basin area, and morphology of river channels in the period 2016 – 2019. Research shown that rainfall rate greatly affects the amount of pollutant loading expressed in tons/year even though the measured concentration is not too significant. In order to see the influence of anthropogenic activity, a correlation analysis was carried out between the loading of pollutants and the percentage of land cover which was strengthened by a scatter chart. Research also shows that the correlation between anthropogenic activity land types and polluters (except Dissolved Oxygen) is not always positively correlated, as it is seen in the correlation of commercial land and TSS which is actually negatively correlated."

"Beberapa tahun terakhir terjadi penyakit pada tanaman karet yang disebabkan oleh jamur Pestalotiopsis sp yang menyebabkan gugur daun karet secara massif. Pestalotiopsis sp tumbuh dan berkembang pada wilayah dengan curah hujan dan kelembaban udara yang cukup tinggi dan lembab. Kebun Pusat Penelitian Karet Sembawa merupakan kebun yang digunakan dalam melakukan penelitian dan mengembangkan tanaman karet. Penelitian ini bertujuan untuk mengkaji secara spasial dan temporal fenomena gugur daun tanaman karet akibat Pestalotiopsis sp serta curah hujan dan kelembaban pada wilayah kebun Pusat Penelitian Karet Sembawa. Sentinel 2A merupakan citra satelit yang memiliki resolusi spasial dan temporal yang cukup baik dan sering digunakan dalam melakukan monitoring tanaman khususnya hutan dan perkebunan. NDVI digunakan dalam yang mendeteksi tingkat gugur daun pada tanaman karet melalui citra Sentinel 2A. Curah hujan dan kelembaban didapatkan melalui citra CHIRPS dan SMAP. Terdapat hubungan yang cukup signifikan antara nilai NDVI dengan tingkat gugur daun tanaman karet. Pada Agustus 2020 terjadi gugur daun karet secara alami dengan rendahnya tingkat curah hujan dan kelembaban pada wilayah kebun. Desember 2020, Maret, Mei dan November 2021 terjadi gugur daun akibat serangan Pestalotiopsis sp yang ditandai dengan tingginya nilai curah hujan dan kelembaban. Tingkat gugur daun karet akibat Pestalotiopsis sp memiliki hubungan yang signifikan dengan curah hujan secara spasial dan temporal. Kelembaban tidak memiliki korelasi yang cukup signifikan dengan kejadian gugur daun karet.

---

In recent years there has been a disease in rubber plants caused by the fungus Pestalotiopsis sp which causes massive rubber leaf falls. Pestalotiopsis sp grows and develops in areas with high and humid rainfall and humidity. The Sembawa Rubber Research Center garden is a garden for conducting research and developing rubber plants. This study aims to examine the phenomenon of leaf fall of rubber plants due to Pestalotiopsis sp spatially and temporally as well as the influence of rainfall and humidity factors in the garden area. Rubber leaf fall was calculated using the vegetation index and %treecover from Sentinel 2A images and drone images. Rainfall and humidity were obtained through CHIRPS and SMAP images. The results showed a significant relationship between the NDVI value and the leaf fall rate of rubber plants. Rubber leaf fall rate due to Pestalotiopsis sp has a significant relationship with rainfall spatially and temporally. Meanwhile, the humidity did not have a significant correlation with the incidence of rubber leaf falls. Natural leaf fall occurred in August 2020 marked by low levels of rainfall and humidity. December 2020, March, May, and November 2021, leaves fall due to the attack of Pestalotiopsis sp which is characterized by high rainfall and humidity values."

"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."

"Fitoplankton adalah tumbuhan mikroskopis yang berfungsi sebagai penghasil oksigen dan bahan organik, serta memiliki peran sebagai produsen utama dalam rantai makanan di suatu ekosistem perairan. Klorofil-a merupakan pigmen yang paling umum terdapat pada fitoplankton sehingga konsentrasi klorofil-a dapat digunakan sebagai representasi kelimpahan fitoplankton. Penelitian ini bertujuan untuk mengidentifikasi pola sebaran klorofil-a secara temporal dan spasial di perairan laut Cirebon, Jawa Barat. Selanjutnya dalam penelitian ini juga membahas hubungan antara konsentrasi klorofil-a dengan kondisi oseanografis yaitu salinitas, Suhu Permukaan Laut SPL, Total Suspended Solid TSS, dan arus laut. Konsentrasi klorofil-a, salinitas, SPL, dan TSS diidentifikasi menggunakan data penginderaan jauh yaitu citra Landsat 8 OLI multitemporal berdasarkan bulan basah dan bulan kering pada tahun 2014-2015 yang sudah divalidasi. Arus laut diidentifikasi menggunakan data Ocean Surface Current Analysis Realtime OSCAR. Analisis yang digunakan yaitu analisis deskriptif dan statistik dengan pendekatan keruangan. Hasil penelitian menunjukkan bahwa secara temporal konsentrasi klorofil-a cenderung lebih tinggi pada bulan basah dibandingkan pada bulan kering, sedangkan secara spasial konsentrasi klorofil-a lebih tinggi pada wilayah dekat garis pantai dibandingkan ke arah laut lepas. Persebaran klorofil-a memiliki hubungan kuat dengan salinitas dan TSS pada kedua musim, sedangkan SPL berhubungan kuat hanya pada bulan basah, serta arus laut tidak secara langsung mempengaruhi klorofil-a. Salinitas dan SPL yang tinggi menyebabkan konsentrasi klorofil-a semakin rendah, sedangkan TSS yang tinggi akan menyebabkan konsentrasi klorofil-a semakin tinggi.

---

Phytoplankton is a microscopic plant which has a function to produce oxygen and organic materials. It also used as primary producer in marine food chain. It has chlorophyll which is used as one of substances to make a food. The chlorophyll a is the most common type of chlorophyll which phytoplankton has. Therefore, chlorophyll a concentration can be used to represent the abudance of phytoplankton. The purpose of this research is to identifying the temporal and spatial distribution of chlorophyll a concentration in the sea waters area around Cirebon Region, West Java. Furthermore, this research discusses about the correlation between chlorophyll a with salinity, Sea Surface Temperature SST, Total Suspended Solid TSS, and sea current. This research analyzed the distribution temporally during years of 2014 2015 based on wet and dry month which determined by rainfall of the study area. Clorophyll a concentration, Salinity, SST, and TSS obtained from the Landsat 8 OLI data using the algorithm that can be used to estimate chlorophyll a concentration which has been validated. Sea current is obtained from Ocean Surface Current Analysis Realtime OSCAR data. This research used descriptive and statistics analysis with spatial approach. The results of the research show that temporally, chlorophyll a concentration have a tendency to be higher in wet months compared to dry months, while chlorophyll a is higher on areas near the coastline compared to open sea areas. The distribution of chlorophyll a concentration has high relationship with salinity and TSS distribution on both season, while SST just affected on wet month, and sea current is not affecting chlorophyll a directly. The higher value of Salinity and SST will make lower chlorophyll a, while the higher TSS value will make higher chlorophyll a."

"Leptospirosis merupakan penyakit yang disebabkan oleh bakteri Leptospira yang hidup pada tubulus ginjal hewan reservoir, salah satunya tikus. Leptospira dapat masuk ke dalam tubuh manusia melalui selaput mukosa (mulut dan mata) serta kulit. Leptospirosis merupakan penyakit zoonosis yang penyebarannya paling luas di dunia. Leptopirosis memiliki potensi tinggi untuk terjadi di negara berkembang dan beriklim panas, seperti Indonesia. Di Indonesia, kasus leptospirosis hanya dilaporkan dari beberapa provinsi, termasuk DKI Jakarta. Selama tahun 2003-2007, kasus leptospirosis terbanyak dilaporkan dari DKI Jakarta dibandingkan dengan daerah endemis lainnya.Penelitian ini bertujuan untuk mengetahui hubungan beberapa faktor risiko kejadian leptospirosis, yaitu unsur iklim (curah hujan, kelembaban dan suhu), kepadatan penduduk dan daerah rawan banjir dengan kasus leptospirosis. Disain studi yang digunakan adalah studi ekologi dengan menggunakan data sekunder.Hasil uji statistik menunjukkan adanya hubungan yang signifikan antara curah hujan (p=0,003), kelembaban rata-rata (p=0,000), suhu rata-rata (p=0,000) dan daerah rawan banjir (p=0,003) dengan kasus eptospirosis dan tidak ada hubungan yang signifikan antara kepadatan penduduk dengan kasus leptospirosis (p=0,272). Tidak ada hubungan spasial yang signifikan antara curah hujan, kelembaban ratarata, suhu rata-rata, kepadatan penduduk dan daerah rawan banjir dengan kasus leptospirosis.

---

Leptospirosis is caused by Leptospira bacteria, which live in renal tubule of reservoir host, especially rodent. Leptospira can entry into the host?s body through mucosa (mouth and eye) and skin. Leptospirosis is the most widespread zoonotic disease in the world. Leptospirosis has high potential to occur in developing countries and humid tropic zones, like Indonesia. In Indonesia, leptospirosis case is only reported from several provinces, including DKI Jakarta. During 2003-2007, the highest case of leptospirosis is reported from DKI Jakarta compared by the other endemic areas.

The purpose of this study is to know the correlation among several risk factors of leptospirosis, such as climate factors (rainfall, relative humidity and temperature), population density and flood risk area. Ecology study and secondary data are used in this study.

Result of statistic shows that there are significant correlation between leptospirosis case and rainfall (p=0,003), relative humidity (p=0,000), temperature (p=0,000), flood risk area (0,003). On the other hand there is no significant correlation between leptospirosis case and population density (p=0,272). There are no significant spatial association between leptospirosis case and rainfall, relative humidity, temperature, population density and flood risk area."

"

Pertumbuhan penduduk yang terjadi di D.I Yogyakarta meningkatkan jumlah limbah yang dibuang sehingga mempengaruhi kualitas air sungai. Selain itu, pertumbuhan populasi juga berkontribusi pada perubahan penutup lahan di daerah aliran sungai yang kemudian akan berdampak pada kualitas air sungai. Tujuan penelitan ini adalah untuk menganalisis variabilitas spasial dan temporal kualitas air pada Sungai Code di Provinsi D.I Yogyakarta, selain itu mengetahui tren perubahan penutup lahan di Daerah Tangkapan Air (DTA) Sungai Code serta hubungannya dengan perubahan kualitas air sungai, dan mengidentifikasi serta menganalisis parameter kualitas air dominan yang  mempengaruhi variabilitas kualitas air Sungai Code secara keseluruhan. Data yang di analisis adalah data sekunder yang berasal dari Pemerintah Provinsi D.I Yogyakarta yang terbatas pada periode pemantauan 2011-2017. Metodologi yang dilakukan adalah analisis deskriptif untuk menganalisis variasi spasial dan temporal kualitas air secara visual, kemudian melakukan klasifikasi penutup lahan untuk Daerah Tangkapan Air (DTA) Sungai Code dengan software ArcGIS 10.3 serta menganalisis hubungan perubahannya dengan perubahan kualitas air Sungai Code, dan menganalisis variabilitas data kualitas air dengan Cluster analysis (CA) & Principal Component Analysis (PCA) menggunakan software IBM SPSS. Hasil penelitian menunjukan terdapat parameter yang konsentrasinya mediannya memiliki tren positif untuk variasi spasial dari hulu ke hilir, diantaranya: suhu, TDS, BOD, COD, Nitrat, Nitrit, Seng, Tembaga, Timbal, Bakteri koli tinja, selain itu terdapat juga parameter yang konsentrasi mediannya memiliki tren positif untuk variasi temporal dari tahun 2011-2017, diantaranya: pH, TDS, Nitrat, Nitrit, Deterjen, Seng, Warna. Terdapat juga parameter-parameter yang perlu diperhatikan karena konsentrasinya sebagian besar sudah melebihi baku mutu kelas 3 dan/atau kelas 4 yang ditetapkan dalam Pergub DIY No. 20 Tahun 2008 tentang Baku Mutu Air, diantaranya: BOD, Nitrit, Tembaga, Bakteri koli tinja. Hasil korelasi penutup lahan dan kualitas air mendapatkan bahwa penutup lahan vegetasi alami dapat memberikan dampak positif terhadap perubahan kualitas air Sungai Code, sedangkan penutup lahan agrikultur dan area bangunan cenderung memberikan dampak negatif terhadap perubahan kualitas air Sungai Code. Untuk CA, paramater kualitas air Sungai Code berhasil dikelompokan menjadi 4 cluster, diantaranya: kelompok pencemar nuterien, kelompok pencemar logam, kelompok pencemar materi organik dan kelompok pencemar grey water. Analisis komponen utama (PCA) menghasilkan empat komponen utama (PC1, PC2, PC3, PC4) yang mempunyai variansi secara berturut-turut 22,815%, 17,631%, 16,016%, 12,806% dan menjelaskan total 69,268% variabilitas data kualitas air Sungai Code. PC1 diinterpretasikan sebagai pencemar materi organik Sungai Code. PC2 diinterpretasikan sebagai pencemar nutrien dan kontaminasi tinja pada Sungai Code yang dapat berasal dari limbah dan air limpasan agrikultur. PC3 diinterpretasikan sebagai pencemar logam Sungai Code yang dapat berasal dari air limpasan urban dan limbah domestik. PC4 dapat diinterpretasikan sebagai dampak pencemaran grey water pada Sungai Code.

---

Population growth that occurred in D.I Yogyakarta increased the amount of waste discharged so that it affected river water quality. In addition, population growth also contributes to changes in land cover in watersheds which will then have an impact on river water quality. The purpose of this research is to analyze the spatial and temporal variability of water quality in the River Code, in addition to knowing trends in land cover changes in the Code watershed and its relationship to changes in river water quality, and analyzing dominant water quality parameters that affect Code River water quality variability as a whole. This research using secondary data from the Provinsi D.I Yogyakarta, which limited to the 2011-2017 monitoring period. The methodology used is descriptive analysis to analyze spatial and temporal variations in water quality, then classify land cover in Code watershed with ArcGIS 10.3 software and analyze the relationship of changes with changes in Code River water quality, analyze variability of water quality data with Cluster analysis (CA) & Principal Component Analysis (PCA) using IBM SPSS software. The results showed there are parameters whose median concentration has a positive trend for spatial variations from upstream to downstream, including: temperature, TDS, BOD, COD, Nitrate, Nitrite, Zinc, Copper, Lead, Fecal Coli Bacteria. There are also concentration parameters the median has a positive trend for temporal variations from 2011-2017, including: pH, TDS, Nitrate, Nitrite, Detergent, Zinc, Color. There are also parameters that need to be considered because most of the concentrations have exceeded the grade 3 and / or grade 4 water quality standards stipulated in Pergub DIY No. 20 Tahun 2008, including: BOD, Nitrite, Copper, fecal coli bacteria. The correlation results between land cover and water quality found that natural vegetation land cover can have a positive impact on changes in Code River water quality, while agricultural and building areas land cover tend to have a negative impact on changes in Code River water quality. For CA, the Code River water quality parameters were grouped into 4 clusters, including: the nutrient polluter group, the metal polluter group, the organic material polluter group and the gray water polluter group. Principal component analysis (PCA) produced four main components (PC1, PC2, PC3, PC4) which had variances respectively 22.815%, 17.631%, 16.016%, 12.806% and explained a total of 69.268% variability of Code River water quality data. PC1 is interpreted as organic matter pollutans in Code River. PC2 is interpreted as nutrients pollutants and fecal contamination in the Code River which may come from agricultural waste and runoff. PC3 is interpreted as a Code River metal pollutant that may come from urban runoff water and domestic waste. PC4 may interpreted as the impact of gray water pollution on the Code River.

"

"PM2.5 merupakan salah satu penyebab tingginya angka polusi di Jakarta. Skripsi ini akan membahas penerapan Recurrent Neural Network jenis Long Short-Term Memory (RNN-LSTM) dan Autoregressive Integrated Moving Average (ARIMA), dua metode yang dapat digunakan untuk melakukan prediksi pada dataset jenis time series, sebagai algoritma untuk melakukan prediksi pada kandungan polutan PM2.5 di Jakarta. Terdapat dua jenis preprocessing yang diujicoba pada pengujian ini, yaitu dengan imputation menggunakan mean dan linear interpolation. Saat pembuatan model pada ARIMA, dilakukan pengaturan order untuk mencari model terbaik yang dapat melakukan prediksi dengan akurasi tertinggi. Sementara untuk RNN-LSTM, pencarian model terbaik dilakukan dengan melakukan serangkaian ujicoba dengan perubahan pada beberapa parameter seperti ukuran dari rolling window, batch size, dan optimizer. Berdasarkan hasil akurasi, didapatkan model dengan ARIMA order (2,0,1) sebagai model paling baik ketika dilakukan ujicoba dengan imputation jenis mean dengan RMSE sebesar 17,84. Lebih baik dari hasil yang didapatkan RNN-LSTM pada metode imputation tersebut yang hanya mendapat RMSE 18,00. Namun RNN-LSTM memiliki hasil akurasi yang lebih baik ketika dilakukan ujicoba dengan metode imputation dengan linear interpolation dimana RMSE yang didapatkan sebesar 17,47. Lebih baik dari ARIMA yang hanya mendapat RMSE sebesar 17,66.

---

PM2.5 is one of the causes of Jakarta’s high pollution level. This thesis will discuss the implementation of Recurrent Neural Network type Long Short-Term Memory (RNN-LSTM) and Autoregressive Integrated Moving Average (ARIMA), two algorithm that are able to predict a time series dataset, as two algorithms used to do a forecasting in PM2.5 pollutant level in Jakarta. There are two preprocessing used in this test, mean imputation and linear interpolation. In ARIMA, tweaking to find

model with best accuracy was done by altering its order. While in RNN-LSTM, the search for the best model was done by tweaking several parameters such as the size of its rolling window, batch size, and optimizer. Based on its accuracy, an ARIMA model with order of (2,0,1) was found as the best model during the test with mean imputation with RMSE of 17,84 compared to RNN-LSTM’s 18,00. But RNNLSTM has better accuracy when tested with linear interpolation, where it got RMSE of 17,47. Where ARIMA only has RMSE of 17,66."

"ABSTRACTSince the Jakarta Bay is economically important for various stake holders, then understanding the eutrophication processes, condition and its status, in the past, present time, and in the future through scientific research is inevitable.The objectives of this research are (1) To analyze the water quality parameters that can be used as an indicator of eutrophication phenomenon, (2) To develop monitoring tools for observing eutrophication process, and (3) To assess the tendency of eutrophication in the future using ASSETS (Assessment of Estuarine Trophic Status) model.The method used in this research is marine remote sensing techniques through the application of multi-temporal and multi-sensor of Landsat satellites data. Results from field sampling of water quality data indicated that the mean of water transparency were stable during 1970?s to 1990?s around 7.5 m, but sharply decreased to 3.8 m in 2000?s On the other hand, the mean chlorophyll-a concentration showed a reversal pattern from water transparency, that the concentration was rapidly increased from 1.71 to 7.8 g/m3 during 1970?s to 2000?s. Based on these data, eutrophication is occuring in the Jakarta Bay.Empirical model for predicting water transparency developed using multitemporal Landsat-7 ETM+ data and field data collected in 2004 indicated that the model was good and capable to predict water transparency. The model was applied to both old Landsat aquired in 1970?a (Landsat-1, 2 and 3 MSS), 1980?s (Landsat-4 and 5 MSS and TM), and 1990?s (Landsat-5 and 7, TM and ETM+), as well as the latest data of 2000?s (Landsat-7 ETM+). Maps of water transparency and Trophic State Indeks (TSI) derived from emprical predicting model indicated a decreasing tendency of water transparency from 7.5 to 4.0 m during the 1970?s to 2000?s with the higest decreasing rate from 1980?s to 2000?s, while the TSI showed an oligotrophic condition during 1970?s to 1980?s, but move to mesotrhopic condition in 1990, and decreasing to eutrophic and hypertrophic condition in 2000?s. Thus, all these facts proved that the eutrophication is still going from the past to the present time. Utilization of ASSETS model for knowing the eutrophication of Jakarta Bay in the future based on several input parameters showed that strong eutrophicatiom will be continued in the future in which caused worsen condition of the water quality."