Hasil Pencarian  ::  Simpan CSV :: Kembali

"Prospek hidrokarbon di Cekungan Jawa Barat Selatan masih dipertanyakan dan perlu identifikasi lebih detail. Lokasi penelitian ini tepatnya berada di Anggota Konglomerat Formasi Bayah (Teb). Formasi ini di dominasi oleh konglomerat, batupasir kuarsa, batulempung, tuf, dan batu bara. Di Formasi Bayah, salah satunya, sungai cidahu dan cipanadogan ditemukan batuan serpih dengan indikasi rembesan minyak yang sudah mengering di sela-sela batuan. Rembesan minyak yang berada di batuan ini belum diketahui karakteristik lingkungan pengendapan dan kematangannya. Selain memiliki struktur yang kompleks, Formasi Bayah memiliki pemaparan litologi yang luas, salah satunya adalah batu bara. Batu bara yang berada di daerah penelitian memiliki luas ± 100 m yang tersebar di Sungai Cidahu, Cipanadogan, Cimandiri, dan Pantai Cibobos. Karakteristik batu bara Formasi Bayah pada daerah penelitian masih belum diketahui. Oleh karena itu, hal ini perlu diidentifikasi lebih lanjut dengan melakukan analisis pada penelitian ini agar dapat mengetahui kualitas batuan induk dan karakterisasi batu bara. Penelitian ini bertujuan untuk mengetahui kualitas batuan induk dan karakterisasi batu bara di Cekungan Jawa Barat Selatan di wilayah Formasi Bayah menggunakan analisis kromatografi gas, analisis kromatografi gas-spektropi massa, dan petrografi maseral. Empat sampel batuan serpih dan lima sampel batu bara dari daerah penelitian telah dikumpulkan dan dianalisis. Analisis kromatografi gas dan kromatografi gas-spektropi massa menunjukkan CDH 05, SHALE 01, dan SHALE 04 berada pada lingkungan pengendapan delta (terrigeneous) sedangkan, CP 04 berada pada lingkungan pengendapan transisi antara laut dan darat. Berdasarkan kematangan termalnya conto CDH 05, CP 04, SHALE 01, dan SHALE 04 berada pada tingkat kematangan awal (early mature), sehingga menunjukkan kualitas batuan induk yang cukup baik. Analisis petrografi maseral menunjukkan CDH 09, dan CMN 01 berada di lingkungan pengendapan hutan rawa basah, sedangkan CP 04, CP 07, PCBB berada pada hutan rawa yang sedikit dipengaruhi oleh pasang surut air laut, sehingga kualitas batu bara buruk. Dari hasil tersebut, dapat disimpulkan bahwa kualitas batuan induk memiliki kualitas yang cukup baik dan batu bara memiliki kualitas yang buruk.

---

The prospect of hydrocarbons in the South West Java Basin is still questionable and needs more detailed identification. The exact location of this research in the Members of the Bayah (Teb) Formation Conglomerate. This formation is dominated by conglomerates, quartz sandstone, claystone, tuff, and coal. In the Bayah Formation, one of which, the Cidahu and Cipanadogan rivers are found with shale rocks with an indication of oil seepage that has dried up between the rocks. Oil seeps in these rocks are not yet known characteristics of the depositional environment and its maturity. Besides having a complex structure, the Bayah Formation has extensive lithological exposure, one of which is coal. Coal in the study area has an area of ± 100 m spread over the Cidahu River, Cipanadogan, Cimandiri, and Cibobos Beach. The characteristics of the Bayah Formation coal in the study area are still unknown. Therefore, this needs to be further identified by analyzing this study in order to find out the quality of source rock and coal characterization. This study aims to determine the quality of the source rock and the characterization of coal in the South West Java Basin in the Bayah Formation region using gas chromatography analysis, gas chromatography-mass spectrophy analysis, and mass petrography. Four shale rock samples and five coal samples from the study area were collected and analyzed. Analysis of gas chromatography and gas chromatography-mass spectrophy show that CDH 05, SHALE 01, and SHALE 04 are in the terrigeneous deltaic environment whereas, CP 04 in the transitional depositional environment between marine and land. Based on the thermal maturity, the samples of CDH 05, CP 04, SHALE 01, and SHALE 04 are early mature level, show that the quality of the source rock has quite good. Mass petrographic analysis shows CDH 09, and CMN 01 are in the sedimentation environment of wet forest swamp, while CP 04, CP 07, PCBB are in forest swamp which is slightly affected by tidal water, so that of coal has a poor quality. From these results, it can be concluded that the quality of source rock has a fairly good quality and coal has a poor quality."

"DKI Jakarta merupakan pusat pemerintahan dan bisnis di negara Indonesia yang memiliki jumlah populasi penduduk sebesar 10 juta jiwa. Jumlah penduduk yang besar tidak sebanding dengan luas wilayah yang hanya sebesar 661,52 km2 sehingga timbul berbagai macam permasalahan yang terjadi di Jakarta. Salah satu permasalahan yang sering terjadi adalah banjir. Banjir terjadi setiap tahunnya ketika memasuki musim hujan. Jakarta telah mengalami bencana banjir besar pada tahun 2002, 2007, 2013, dan yang terbaru awal tahun 2020. Upaya dalam pengurangan risiko bencana banjir perlu dilakukan agar tidak terjadi bencana banjir besar di masa yang akan datang. Salah satu upaya dalam menanggulangi bencana tersebut adalah melakukan penelitian terhadap kondisi lingkungan di daerah Cekungan Jakarta. Metode yang digunakan dalam penelitian ini yaitu sistem informasi geografis (SIG), analisis hidrogeokimia, dan kecerdasan buatan. Ketiga metode ini dikombinasikan sehingga menghasilkan sebuah peta yang representatif dalam mengetahui kondisi wilayah yang memiliki risiko tinggi bencana banjir dan kandungan air asin. Hasil dari analisis hidrogeokimia menunjukkan wilayah utara Jakarta memiliki jenis salinitas air payau .Hasil dari metode SIG yang merupakan pengolahan data masukan seperti curah hujan, tutupan lahan, ketinggian, kemiringan lereng, kedalaman air tanah, jarak sungai utama, dan jarak anak sungai digabungkan dengan metode kecerdasan buatan menunjukkan bahwa model GARP (AUC-ROC training = 0.91 dan AUC-ROC validating = 0,87) dan model QUEST (AUC-ROC training = 0,88 dan AUC-ROC validating = 0,83) menghasilkan persebaran titik banjir sebagian besar berada di wilayah utara Jakarta. Berdasarkan studi literatur dan hasil peta sebaran banjir faktor utama penyebab banjir adalah ketinggian wilayah. Wilayah yang memiliki ketinggian rendah lebih berpotensi terjadinya banjir. Hasil gabungan analisis hidrogeokimia dan kecerdasan buatan dijadikan dasar pembuatan peta risiko bencana Jakarta yang terdiri dari lima kelas risiko, yaitu: sangat rendah, rendah, menengah, tinggi, dan sangat tinggi. Hasil peta risiko menunjukkan wilayah di Jakarta yang memiliki risiko tertinggi ada di Jakarta Utara. Peta risiko ini dapat digunakan sebagai penentuan solusi yang tepat dalam mengurangi risiko bencana banjir di masa yang akan datang.

---

DKI Jakarta is the center of government and business in the country of Indonesia which has a population of 10 million. The large population is not proportional to the area of only 661.52 km2 so that various kinds of problems arise in the city of Jakarta. One problem that often occurs is floods. Floods occur every year when entering the rainy season. Jakarta has experienced major floods in 2002, 2007, 2013, and most recently the beginning of 2020. Efforts to reduce the risk of flood disasters need to be done so that there will be no major floods in the future. One effort in overcoming the disaster is to conduct research on environmental conditions in the Jakarta Basin area. The methods used in this study are geographic information systems (GIS), hydrogeochemical analysis, and artificial intelligence. These three methods are combined to produce a representative map to find out the condition of the area which has a high risk of flood disaster and saltwater content. The results of hydrogeochemistry analysis show that the northern area of Jakarta has brackish water salinity. The results of the GIS method are input data processing such as rainfall, land cover, altitude, slope, ground water depth, distance of major rivers, and distance of channels combined with the artificial intelligence methods shows that the Garp model (AUC-ROC training = 0.91 and AUC-ROC validating = 0.87) and the QUEST model (AUC-ROC training = 0.88 and AUC-ROC validating = 0.83) produce a partial flood point distribution large are in the northern region of Jakarta. Based on literature studies and flood distribution map results the main factor causing flooding is the height of the region. Areas with low altitude are more likely to have floods. The combined results of hydrogeochemical analysis and artificial intelligence are the basis for making the Jakarta disaster risk map consisting of five risk classes, namely: very low, low, medium, high, and very high. The risk map results show areas in Jakarta that have the highest risk are in North Jakarta. This risk map can be used as the determination of the right solution in reducing the risk of floods in the future."

"Jakarta merupakan ibukota Indonesia yang berfungsi sebagai pusat pemerintahan dan ekonomi, dimana urbanisasi menjadi masalah di Jakarta yang memiliki laju pertumbuhan penduduk yang mencapai 0,86% menurut Badan Pusat Statistik. Dengan pertumbuhan penduduk yang masih terus bertambah, pengelolaan sumber air menjadi aspek yang krusial dalam tata kota dan urban planning. Salah satu aspek utama dalam pengelolaan tersebut adalah mengelola hubungan curah hujan-limpasan permukaan pada daerah tersebut. Salah satu cara dalam pengelolaan tersebut adalah melalui metode pemodelan dimana metode ini dapat memberikan analisis secara mendalam serta kemampuannya dalam memprediksi yang berguna untuk pengelolaan sumber air. Terdapat berbagai cara dalam memodelkan hubungan curah hujan-limpasan permukaan dimana salah satunya adalah pemodelan berbasis data. Salah satu metode pemodelan tersebut adalah melalui deep learning dimana pada penelitian ini penulis mengunakan metode Long Short-term Memory (LSTM). Penelitian ini akan menggunakan LSTM sebagai alat untuk memodelkan data curah hujan dari tiga stasiun pengukuran dan data debit sungai dari tiga stasiun pengukuran dengan rentang waktu sepanjang 12 tahun (2009-2020). Hasil dari prediksi menunjukkan bahwa model LSTM memiliki performa yang buruk dalam dataset curah hujan dimana nilai R² tertinggi yang mencapai 0.09 dengan nilai MAE dan RMSE yang masing-masing berada pada 9,7 mm dan 18,14 mm. Performa pada dataset limpasan permukaan menunjukkan bahwa LSTM memiliki performa yang cukup baik dimana masing-masing rata-rata nilai R², MAE dan RMSE tertinggi berada pada 0,58, 4,15 m³/s dan 8 m³/s. Berdasarkan dari hasil evaluasi tersebut, penulis menyimpulkan bahwa meskipun dengan nilai akurasi yang rendah, model LSTM masih memiliki potensi untuk dikembangkan secara lebih lanjut apabila melihat nilai MAE dan RMSE yang berada pada kisaran yang cenderung lumayan sehingga LSTM dapat dikembangkan dengan penambahan data masukan.

---

Jakarta is a capital city which functioned as both a governmental and economic centre in Indonesia, which makes urbanization a problem in Jakarta, on which Jakarta itself has a population growth rate of 0.86% according to Statistic Indonesia. As Jakarta is still growing in terms of its population, managing water resources in the city is such a critical aspect of its urban planning. ­One of the key aspects of water resources management is managing the rainfall-runoff relationship in the area. One of the ways of managing it is through modelling the relationship itself which can give an in-depth analysis and its capability for forecasting which can be valuable in water resources management. Various approaches to modelling rainfall-runoff have been developed over the years, which data-driven modelling is one of them. One of the methods is through deep learning, which in this study we will use long short-term memory (LSTM) neural network. This study will use LSTM neural network as a tool to model 9 years (2009-2020) of rainfall data from three rain gauge stations and three discharge gauge stations to train the model. Results from the prediction shows that the LSTM model performed terribly on rainfall datasets, which the highest from the R² values are 0.09 with MAE and RMSE are on 9.7 mm and 18.4 respectively. Performance on runoff datasets shows that LSTM performed on a decent level, which mean from the R², MAE and RMSE are on 0.58, 4.15 m³/s and 8 m³/s respectively. Based on the evaluation results, author suggests that despite of its low level of accuracy, models based on LSTM still have some room for improvement based on their MAE and RMSE value that at least are on a respectable level shown that they could benefit from adding more data as an input for better performance of the model."

"Penelitian ini merupakan langkah awal yang terbilang baru di Formasi Jatiluhur, Sungai Cibeet untuk menganalisis proses diagenesis, mengidentifikasi fitur diagenesis dan sejarahnya. Daerah penelitian tersusun oleh batuan silisiklastik berupa batupasir, batulanau, batulempung, terdapat pula batuan bersifat karbonatan. Sebanyak sepuluh sampel dilakukan analisis petrografi untuk menentukan karakterisasi tekstur dan mineralogi batuan. Selain analisis petrografi, analisis SEM dan XRD sebanyak masing-masing tiga sampel dapat digunakan untuk studi diagenesis. Beberapa proses diagenesis seperti kompaksi, sementasi, disolusi, dan penggantian mineral dapat memengaruhi keterbentukan batuan Formasi Jatiluhur. Proses kompaksi menghasilkan kontak antarbutir berupa point, long, concavo-convex, dan sutured serta semen yang ditemukan berupa semen kalsit dan mineral lempung seperti albit, ilit, kaolinit, dan smektit. Mineral kuarsa, mika, dan feldspar mengalami penggantian. Proses-proses diagenesis tersebut mengakibatkan perubahan porositas dari batuan. Tipe-tipe porositas didominasi oleh tipe intergranular dan intrapartikel dengan persentase antara 5-30%. Sejarah diagenesis pada daerah penelitian diawali oleh tahap eogenesis, mesogenesis, dan telogenesis. Dengan adanya pelaksanakan studi diagenesis, maka kualitas reservoar (misalnya) dapat ditentukan. Penelitian ini menunjukan bahwa proses diagenesis mengakibatkan adanya heterogenitas batuan Formasi Jatiluhur di sekitar aliran Sungai Cibeet.

---

This research is a relatively new to conduct in the Jatiluhur Formation, especially Cibeet River that aimed to analyse the diagenesis process and identify diagenesis features and its history. The research area is composed of siliciclastic rocks in the form of sandstone, siltstone, and claystone but there are also carbonate rocks. A total of ten samples were subjected to petrographic analysis to determine the characterisation of rock textures and mineralogy. In addition to petrographic analysis, SEM and XRD analysis of three samples each are used for diagenesis studies. Several diagenesis processes such as compaction, cementation, dissolution, and mineral replacement affected the rock formation of the Jatiluhur Formation. The compaction process produced contact between grains in the form of point, long, concavo-convex, and sutured contacts as well as cement found in the form of calcite cement and clay minerals such as albite, illite, kaolinite, and smectite. Quartz, mica, and feldspar minerals underwent mineral replacement. These diagenesis processes resulted in changes in the rock porosity. The types of porosity are dominated by intergranular and intraparticle types with the percentage between 5-30%. The history of diagenesis in the research area began with the stages of eogenesis, mesogenesis, and telogenesis. With the implementation of a diagenesis study, the quality of the reservoir (for example) can be defined. This study shows that the diagenesis process resulted in the heterogeneity of the Jatiluhur Formation rocks around the Cibeet River streams."

"Deposit paleotsunami telah ditemukan di berbagai lokasi di Indonesia, diantaranya ialah di kawasan Pacitan, Kulon Progo, Cilacap, Pangandaran, serta kawasan Lebak, Banten. Penelitian kali ini dilakukan dengan tujuan untuk mendapatkan model yang ideal dalam penentuan luasan zona inundasi paleotsunami di sepanjang kawasan pesisir selatan Malingping, Kabupaten Lebak, Provinsi Banten dengan metode pemodelan numerik finite difference melalui perangkat lunak ComMIT yang berbasis sistem MOST (Method Of Splitting Tsunamis). Kegiatan lapangan dilakukan guna mengidentifikasi keberadaan endapan paleotsunami pada kawasan lembahan atau swale. Beberapa skenario seperti peristiwa Pangandaran 2006, Aceh 2004, Tohoku 2011, serta gempa yang bersumber pada kawasan segmen megathrust Selat Sunda, dan megathrust sepanjang selatan Jawa digunakan dalam proses pemodelan untuk melihat karakteristik paleotsunami yang paling mungkin mengendapkan deposit di kawasan penelitian. Pemodelan dilakukan dengan berbagai macam skema yaitu dengan memanfaatkan unit source dengan bentuk segmen-segmen pada zona subduksi pada database ComMIT, serta menggunakan parameter sumber gempa yang dimasukkan secara manual untuk selanjutnya dilakukan pemodelan pada ComMIT. Hasil pemodelan menunjukkan skenario tsunami terburuk yang mungkin pernah terjadi di kawasan penelitian ialah peristiwa tsunami dengan nilai magnitudo mencapai 9.1Mw, dengan jangkauan inundasi maksimum sejauh 5,2 kilometer, serta amplitudo gelombang mencapai 32 meter, yang diperkirakan menjadi peristiwa tsunami yang mengendapkan deposit paleotsunami yang ditemukan di daerah penelitian.

---

Paleotsunami deposits have been found in various locations in Indonesia, such as in the Pacitan area, Kulon Progo, Cilacap, Pangandaran, and Lebak, Banten. This research was conducted with the aim of obtaining an ideal model in determining the area of the paleotsunami inundation zone along the southern coastal area of Malingping, Lebak Regency, Banten Province with the finite difference numerical modeling method through ComMIT software based on the MOST (Method Of Splitting Tsunamis) system. Field activities were carried out to identify the presence of paleotsunami deposits in the swale area. Several scenarios such as the Pangandaran 2006, Aceh 2004, Tohoku 2011, as well as earthquakes originating in the Sunda Strait megathrust segment area, and megathrust along the south of Java were used in the modeling process to see the characteristics of paleotsunami that were most likely to produced the tsunami deposits in the study area. Modeling is carried out with various schemes, such as using the ComMIT database unit source in the form of segments in the subduction zone, as well as using earthquake source parameters that are entered manually for further modeling on ComMIT. The modeling results show that the worst tsunami scenario that may have ever occurred in the study area is the tsunami event with a magnitude value of 9.1Mw, with a maximum inundation range of 5.2 kilometers, and a wave amplitude of up to 32 meters, which is estimated to be a tsunami event that deposits paleotsunami deposits found in the study area."

"Banjir menjadi salah satu bencana alam yang dapat merugikan makhluk hidup sekitarnya. Penyebab banjir umumnya terjadi akibat curah hujan yang ekstrem, kemudian didukung oleh faktor lainnya seperti elevasi, kemiringan lereng, jenis tanah/litologi, tata guna lahan, dan jarak ke sungai. Diperlukan sebuah terobosan baru dalam upaya peramalan untuk mengetahui kawasan kerentanan banjir, sehingga dapat dilakukan tindak pencegahan. Arsitektur deep learning menjadi sebuah solusi dalam permasalahan ini. Long Short-Term Memory (LSTM) merupakan salah satu arsitektur deep learning yang dipakai pada penelitian ini, karena baik dalam memprediksi kejadian jangka panjang. Model LSTM yang dibuat memiliki tren train dan validation loss yang masuk ke zona ideal serta memiliki skor R2 & adjusted R2 sebesar 0,73. Hal tersebut menunjukkan model ini substansial (kuat) dalam memprediksi.Hasil prediksi presipitasi dari model LSTM digunakan sebagai salah satu parameter prediksi wilayah kerentanan bencana banjir di Kota Da Nang, Vietnam yang dikombinasikan dengan parameter pendukung lainnya. Pada prediksi wilayah kerentanan banjir dibagi menjadi lima tingkat kerentanan yakni: sangat rendah, rendah, sedang, tinggi, dan sangat tinggi. Tingkat kerentanan sangat rendah dan rendah berada di bagian barat objek penelitian dengan luas sebesar 17,35% dan 40,97% dari total luas. Tingkat kerawanan sedang, tinggi, dan sangat tinggi berada di bagian timur objek penelitian dengan luas sebesar 31,61%, 9,79%, dan 0,27% dari total luas.

---

Floods are one of the natural disasters that can harm living creatures around them. The cause of flooding occurs due to extreme rainfall, supported by other factors such as elevation, slope, soil type/lithology, land use, and distance to the river. A breakthrough is needed in forecasting efforts to identify flood vulnerability areas so preventive measures can be taken. Deep learning architecture is a solution to this problem. Long Short-Term Memory (LSTM) is a deep learning architecture used in this study because it is good at predicting long-term events. The LSTM model created has a training and validation loss trend that enters the ideal zone and has R2 & adjusted R2 score of 0.73. This shows model has a substantial (strong) category in predicting.

The results of the precipitation prediction from the LSTM model are used as one of the prediction parameters for flood vulnerability areas in Da Nang City, Vietnam, which is combined with other supporting parameters. The prediction of flood vulnerability areas is divided into five levels of vulnerability: very low, low, moderate, high, and very high. Very low and low levels are in the western part of the research object with an area of 17.35% and 40.97% of the total area. The moderate, high, and very high levels are in the eastern part of the research object with an area of 31.61%, 9.79%, and 0.27% of the total area.

"

"Saat ini geosaintis memasuki era big data dan pembelajaran mesin memberikan potensi besar untuk berkontribusi dalam masalah geosains (Karpatne dkk., 2017). Automasi dalam analisis fasies perlu dilakukan untuk meningkatkan keakuratan, juga mengurangi waktu dan biaya dalam kegiatan pengembangan sumur sehingga dapat meningkatkan hasil produksi. Penelitian dilakukan menggunakan data log sumur pengeboran, laporan deskripsi batuan inti, dan deskripsi petrografi di reservoir gas Lapangan X. Akumulasi gas berada di reservoir utama hasil endapan vulkaniklastik pada Formasi Pucangan. Proses pengelompokan dilakukan menggunakan algoritma K-Means dan di analisis menggunakan Cutoff Crossplot. Kemudian dilanjutkan dengan klasifikasi yang dilakukan menggunakan pembelajaran tersupervisi dengan jenis algoritmaSupport Vector Machine (SVM), Random Forest, dan Extreme Gradient Boosting (XGBoost). Lokasi penelitian berada di wilayah kerja Minarak Brantas Gas Inc (MBGI) Kabupaten Sidoarjo, Jawa Timur. Lapangan X terletak pada reservoir vulkaniklastikberumur Pleistosen dan terletak di onshore Cekungan Jawa Timur. Interval produksi berada di bagian bawah yang terendapkan di lingkungan neritik luar atau lingkungan turbiditik. Lapangan X terdiri dari empat fasies yaitu, batulempung, batulanau, batupasirvulkanik, dan batupasir karbonatan. Algoritma pembelajaran mesin yang paling baik digunakan untuk identifikasi fasies pada Lapangan X adalah RandomForest dengan hasil akurasi f1-score tertinggi, dan nilai RMSE (Root Mean Square Error) paling rendah dibandingkan kedua algoritma lain.

---

Geoscientists are currently entering the era of big data and machine learning provides great potential to contribute to geoscience problems (Karpatne et al., 2017). Automation in facies analysis needs to be done to increase accuracy, also reduce time and costs in well development activities so as to increase production yields. The research was conducted using drilling well log data, core rock description reports, and petrographic descriptions of gas reservoirs in Field X. Gas accumulation is in the main reservoir as a result of volcaniclastic deposits in the Pucangan Formation. The clustering process was carried out using the K-Means algorithm and analyzed using the Cutoff Crossplot. Then proceed with the classification which is carried out using supervised learning with the types of Support Vector Machine (SVM), Random Forest, and Extreme Gradient Boosting (XGBoost) algorithms. The research location is in the working area of ​​Minarak Brantas Gas Inc. (MBGI) Sidoarjo Regency, East Java. Field X is in a Pleistocene volcaniclastic reservoir and is locatedonshore in the East Java Basin. The production interval is at the bottom which is deposited in an outer neriticenvironment or a turbiditic environment. Field X consists of four facies, namely, claystone, siltstone, volcanic sandstone, and carbonate sandstone. The bestmachine learning algorithm used for faciesidentification in Field X is Random Forest with thehighest f1-score accuracy, and the lowest RMSE (RootMean Square Error) value compared to the other two algorithms."

"Indonesia merupakan negara yang rentan dengan banjir. Salah satu sungai yang paling sering terdampak banjir adalah Sungai Citarum. Penelitian ini bertujuan untuk mengidentifikasi karakteristik endapan banjir menggunakan metode Penginderaan Jauh (SIG) dan Total Organik Karbon (TOC) pada Daerah Aliran Sungai (DAS) Citarum, Kabupaten Bandung. Hasil dari metode Penginderaan Jauh (SIG) merupakan pengolahan data Rupa Bumi Indonesia (RBI) berupa peta geologi, peta jenis tanah, peta penggunaan lahan, peta geomorfologi, peta ketinggian, dan peta kemiringan lereng. Selanjutnya, data diolah dan ditumpangtindih (overlay) menjadi peta kerentanan bencana banjir. Terdapat pula beberapa data pendukung seperti data cuaca dan iklim BMKG, data Global Weather, dan data CHIRPS dari Climate Hazard Center USA (CHC USA). Selanjutnya, peta di validasi dengan data banjir dari Badan Nasional Penanggulangan Bencana (BNPB). Hasil dari metode Total Organik Karbon (TOC) merupakan hasil dari analisis lab yang dibandingkan dengan data penelitian sebelumnya, yaitu data Granulometri dari Prayoga (2020). Kemudian, data TOC dikorelasi dengan data statigrafi untuk menganalisis keterjadian banjir. Hasil dari penelitian ini merupakan sintesis dan kolaborasi berbagai data untuk mengetahui daerah yang rentan akan bencana banjir serta menganalisis endapan banjir dengan mengkorelasi data Granulometri dari Prayoga (2020), data lapangan, dan data TOC di Daerah Aliran Sungai (DAS) Citarum, Kabupaten Bandung.

---

Indonesia is a country that is prone to flooding. One of the rivers most frequently affected by flooding is the Citarum River. This study aims to identify the characteristics of flood sediment using Remote Sensing (GIS) and Total Organik Carbon (TOC) methods in the Citarum Watershed (DAS), Bandung Regency. The results of the Remote Sensing (GIS) method of processing Rupa Bumi Indonesia (RBI) data are in the form of geological maps, soil type maps, land use maps, geomorphological maps, map elevations, and slope maps. Furthermore, the data is processed and being overlay into a flood hazard map. There are also some supporting data such as BMKG weather and climate data, Global Weather data, and CHIRPS data from the Climate Hazard Center USA (CHC USA). Furthermore, the map is validated with flood data from the National Disaster Management Agency (BNPB). The results of the Total Organik Carbon (TOC) method are the result of lab analysis compared to previous research data, namely Granulometric data from Prayoga (2020). Then, the TOC data was correlated with the statigraphic data to analyze the occurrence of flooding. The results of this study are a synthesis and colaboration of various data to identify areas prone to flood disasters and to analyze flood sediment by correlating Granulometric data from Prayoga (2020), field data, and TOC data in the Citarum River Basin (DAS), Bandung Regency."

"Tingginya intensitas atau frekuensi kejadian gerakan tanah atau tanah longsor di Jawa Tengah terlebih di Kabupaten Cilacap yang merupakan salah satu wilayah dengan frekuensi kejadian longsor yang tinggi maka diperlukan adanya upaya mitigasi bencana yang tepat untuk mengurangi resiko bencana. Sejak tahun 1998-2023 terdapat 303 kejadian gerakan tanah, data tersebut dibagi menjadi 70% data training dan 30% data testing (validasi). Sebagai upaya mitigasi, diperlukan adanya kajian terkait analisis persebaran zona rawan longsor. Kajian tersebut mencakup identifikasi faktor penyebab tanah longsor melalui metode frequency ratio dan statistical index. Faktor penyebab gerakan tanah terdiri dari tingkat kemiringan lereng, elevasi, aspek lereng, intensitas curah hujan, jenis penutup lahan, tipe litologi, kerapatan sungai utama dan anak sungai, kerapatan jalan, kerapatan kelurusan, dan data kejadian longsor. Tujuan Frequency ratio yaitu mengokorelasikan kejadian gerakan tanah dengan faktor kausatif terkait dan Statistical index dapat memberikan bobot korelasi faktor tersebut terhadap kejadian gerakan tanah. Analisis dengan kedua metode tersebut dapat memperkuat interpretasi terkait pengaruh parameter gerakan tanah terhadap kejadian gerakan tanah. Kemudian akan dilakukan uji validasi melalui analisis Grafik AUC. Pada penelitian ini, hasil analisis frequency ratio bernilai AUC 84,9 dan hasil analisis statistical index sebesar 81,5. Kedua nilai tersebut termasuk kategori baik. Sehingga diperoleh bahwa faktor penyebab gerakan tanah di Cilacap dominan dipengaruhi oleh litologi batuan, tingkat kemiringan lereng, elevasi dan aspek lereng.

---

The high intensity or frequency of land movement or landslides in Central Java, especially in Cilacap Regency, which is one of the areas with a high frequency of landslides, means that appropriate disaster mitigation efforts are needed to reduce disaster risk. From 1998-2023 there were 303 ground movement incidents, the data was divided into 70% training data and 30% testing (validation) data. As a mitigation effort, a study is needed regarding the analysis of the distribution of landslide-prone zones. The study includes identifying factors that cause landslides using frequency ratio and statistical index methods. Factors causing land movement consist of slope level, elevation, slope Aspect, rainfall intensity, land cover type, lithology, density of main river network and tributary, density of road network, Lineament density, and data on landslide events. The purpose of the Frequency ratio is to correlate ground movement events with related causative factors and the Statistical index can provide a weight for the correlation of these factors with ground movement events. Analysis using these two methods can strengthen interpretations regarding the influence of ground motion parameters on ground motion events. Then a validation test will be carried out through AUC graph analysis. In this study, the results of the frequency ratio analysis were AUC 84.9 and the results of the statistical index analysis were 81.5. Both values are in the good category. So it was found that the factors causing land movement in Cilacap were predominantly influenced by rock lithology, slope level, elevation and slope aspect."

"Kabupaten Cilacap termasuk ke dalam daerah rawan gempa bumi. Pada tanggal 25 Januari 2014 pernah terjadi gempa dengan magnitudo 6,5 di Cilacap. Peristiwa gempa bumi yang terjadi didominasi oleh gempa yang bersumber dari Megathrust selatan Jawa yang dekat dengan Cilacap. Wilayah penelitian, yang berada di Selatan Kecamatan Kawunganten, Kabupaten Cilacap (Desa Ujungmanik, Kubangkangkung, dan Sidaurip), sebagian tersusun atas endapan lempung yang rentan dengan amplifikasi. Adanya kehadiran sesar membuat daerah semakin rawan terhadap gempa bumi. Dengan jumlah penduduk yang cukup banyak dan keterdapatan sarana prasarananya, maka diperlukan analisis tipologi dan kestabilan kawasan rawan gempa bumi sebagai langkah mitigasi. Analisis ini menggunakan empat parameter utama yaitu data litologi batuan, data sesar, data kemiringan lereng, dan data PGA permukaan. Seluruh parameter tersebut dilakukan skoring sesuai Peraturan Menteri Pekerjaan Umum Nomor 21 Tahun 2007 tentang Pedoman Penataan Ruang Kawasan Rawan Gempa Bumi. Hasil skoring tiap parameter digabung untuk menghasilkan sebuah peta tipologi dan sebaran kestabilan wilayah kawasan rawan gempa bumi. Hasil penelitian didapat bahwa wilayah penelitian memiliki kestabilan yang stabil, kurang stabil, dan tidak stabil dengan range skor 33-55 dan dibagi menjadi 5 tipe tipologi kawasan rawan bencana gempa bumi yaitu Tipe A, Tipe B, Tipe C, Tipe D, dan Tipe E.

---

Cilacap Regency is included in an earthquake-prone area. On January 25, 2014, an earthquake with a magnitude of 6.5 occurred in Cilacap. The earthquake events that occurred were dominated by earthquakes originating from Megathrust South Java which is close to Cilacap. The research area in the South of Kawunganten District, Cilacap Regency (Ujungmanik, Kubangkangkung and Sidaurip Villages) is partly composed of clay deposits that are susceptible to amplification. The presence of faults makes the area more vulnerable to earthquakes. With a large population and the availability of infrastructure, typology and stability analysis of earthquake-prone areas is needed as a mitigation measure. This analysis uses four main parameters, rock lithology data, fault data, slope data and surface PGA data. All these parameters are scored in accordance with Minister of Public Works Regulation Number 21 of 2007 concerning Spatial Planning Guidelines in Earthquake Prone Areas. The scoring results for each parameter are combined to produce a typology map and distribution of regional stability in earthquake-prone areas. The research results showed that the research area had stable, less stable and unstable stability range score 33-55 and divided into 5 typological types of earthquake-prone areas, namely Type A, Type B, Type C, Type D, and Type E."