Article Per Year (5 Year)
p-Index From 2021 - 2026
1.363
P-Index
This Author published in this journals
All Journal Jurnal Teknik Sipil Jurnal Teknik Sipil JMM (Jurnal Masyarakat Mandiri) Jurnal Muara Sains, Teknologi, Kedokteran dan Ilmu Kesehatan KURVATEK Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Matriks Teknik Sipil Kreasi: Jurnal Inovasi dan Pengabdian Kepada Masyaraka Indonesian Journal of Environment and Disaster
Niken Silmi Surjandari
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Earth & Planetary Sciences Electrical & Electronics Engineering Engineering Environmental Science Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Social Sciences Transportation Other

Published : 74 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 74 Documents
Search

 4   5   6   7   8 
PENGARUH KEDALAMAN GROUTING SEMEN SEBAGAI LANGKAH MITIGASI PENURUNAN TANAH BERMASALAH PADA BANGUNAN SATU LANTAI DI KABUPATEN WONOSOBO Rahma, Rafinda; Galuh Chrismaningwang; Niken Silmi Surjandari
Indonesian Journal of Environment and Disaster Vol. 4 No. 1 (2025): Indonesian Journal of Environment and Disaster
Publisher : Disaster Research Center, Universitas Sebelas Maret, Surakarta, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/kjrwjr86

Abstract

Organic soils are characterized by low bearing capacity, which poses significant challenges in construction projects. This issue is exemplified in a one-story shop building located in the Dieng area, Wonosobo Regency, which has suffered severe structural damage after 7 years. One of the remediation methods employed to address this problem is cement grouting. This study aims to assess the impact of grouting depth on the settlement behavior of organic soil. The depths evaluated were 15 cm, 30 cm, and 50 cm. Settlement analysis was conducted using Plaxis 2D software with a Soft Soil Creep model, deemed suitable for calculating both primary and secondary consolidation settlements, representative of organic soils. The initial soil condition without grouting was analyzed as a control for the three variations in grouting depth. The analysis results indicated that the settlement in the initial condition was 42.85 cm. The settlements at depths of 15 cm, 30 cm, and 50 cm were 39.65 cm, 36.21 cm, and 30.86 cm, respectively. The corresponding deviations in settlement for depths of 15 cm, 30 cm, and 50 cm were 7.47%, 15.49%, and 27.99%, respectively. The analysis results demonstrate that greater grouting depths result in reduced settlement magnitudes.
Penggunaan Metode Machine Learning Random Forest untuk Prediksi Longsor pada Kabupaten Karanganyar Kusumawati, Rahayu; Dananjaya, Raden Harya; Surjandari, Niken Silmi
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol 5 No 2 (2023)
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v5i2.4489

Abstract

Tanah longsor adalah salah satu bencana alam yang banyak terjadi di Indonesia terutama Provinsi Jawa Tengah, dengan salah satu daerah yang memiliki kerawanan longsor yang cukup tinggi adalah Kabupaten Karanganyar. Penelitian ini dilakukan untuk menyediakan informasi mengenai kerawanan longsor wilayah Kabupaten Karanganyar dalam suatu bentuk peta yang nantinya dapat dijadikan sebagai sumber tinjauan informasi yang detail dalam upaya mitigasi bencana. Penelitian ini akan memertimbangkan sembilan faktor pengondisi longsor, yaitu jarak terhadap jalan sekunder dan tersier, elevasi, slope, Topographic Wetness Index (TWI), tataguna lahan, litologi, Normalized Difference Vegetation Index (NDVI), dan hujan. Penyusunan peta kerawanan longsor dilakukan menggunakan machine learning dengan metode Random Forest pada pengaturan parameter default dengan bantuan modul Scikit Learn. Validasi model dilakukan menggunakan metode ten-folds cross validation. Hasil prediksi longsor selanjutnya diklasifikasikan men-jadi lima kelas kerawanan longsor menggunakan metode Natural Breaks (Jenk’s) yang performanya akan dievaluasi dengan nilai landslide density.  Hasil penelitian ini menunjukkan bahwa metode machine learn-ing Random Forest dapat digunakan untuk memetakan wilayah kerawanan longsor pada Kabupaten Ka-ranganyar. Model yang dihasilkan mampu mengklasifikasikan seluruh wilayah kerawanan longsor dengan nilai AUC mencapai 0,9678, serta menunjukkan hasil klasifikasi yang baik ditandai dengan semakin meningkatnya nilai landslide density pada kelas kerawanan yang semakin tinggi.
Aplikasi Machine Learning Method pada Pemetaan Kerawanan Tanah Longsor di Kabupaten Karanganyar Putri, Nada Hanifah; Dananjaya, Raden Harya; Surjandari, Niken Silmi
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol 6 No 1 (2024)
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v6i1.4490

Abstract

Indonesia berada dalam zona iklim tropis yang rawan untuk mengalami bencana hidrometeorologi. Pemetaan kerawanan longsor merupakan salah satu upaya mitigasi yang dapat dilakukan untuk mengurangi dampak dari bencana tanah longsor. Penelitian ini bertujuan untuk membuat peta kerawanan longsor wilayah Kabupaten Karanganyar menggunakan machine learning yang diklasifikasikan menjadi lima kelas yaitu sangat rendah, rendah, sedang, tinggi, dan sangat tinggi. Metode yang digunakan untuk pembuatan model adalah Voting Classifier Ensemble Technique. Sembilan faktor pengondisi yang digunakan yaitu jarak terhadap jalan sekunder dan tersier, slope, TWI, elevasi, land use, litologi, NDVI, serta curah hujan. Algoritma machine learning didapatkan dari modul Scikit Learn. Kombinasi parameter yang digunakan yaitu pada metode Random Forest menggunakan parameter random_state = 0, n_estimators = 750, criterion = 'entropy', metode Support Vector Machine menggunakan parameter random_state = 0, Probability = True, gamma = 0.005, C = 1, metode K-Nearest Neighbors menggunakan parameter n_neighbors = 11, weights = 'distance', leaf_size = 20, dan metode Voting Classifier menggunakan parameter voting = 'soft', weights = [1,1,1] untuk parameter lain yang digunakan diatur sesuai dengan default modul. Model yang didapatkan memiliki AUC sebesar 0,9563 yang mendekati 1 sehingga dapat dikatakan bahwa model yang dimiliki performa yang baik untuk melakukan prediksi probabilitas longsor.
Penggunaan Metode Artificial Neural Network dalam Pembuatan Peta Kerentanan Longsor Wilayah Kabupaten Karanganyar Salwa, Atilla; Dananjaya, Raden Harya; Surjandari, Niken Silmi
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol 6 No 1 (2024)
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v6i1.4493

Abstract

Tanah longsor menjadi bencana alam yang marak terjadi di Indonesia. Selama sepuluh tahun terakhir terdapat 2975 kejadian tanah longsor yang terjadi di Jawa Tengah, di mana 101 kejadian tanah longsor berada di Kabupaten Karanganyar. Penelitian ini bertujuan untuk membuat peta kerentanan longsor pada wilayah Kabupaten Karanganyar. Peta kerentanan akan dibagi menjadi lima kelas, yaitu sangat rendah, rendah, sedang, tinggi dan sangat tinggi dengan menggunakan metode natural breaks (jenk’s). Penelitian ini menggunakan 9 faktor pengondisi longsor yaitu jarak terhadap jalan sekunder, jarak terhadap jalan tersier, slope, topographic wetness index (TWI), elevasi, tata guna lahan (landuse), litologi, normalized difference vegetation index (NDVI), dan hujan. Pembuatan peta dilakukan dengan menggunakan Artificial Neural Network dengan bantuan modul scikit learn dan metode ten-folds cross validation digunakan sebagai metode validasi model yang dihasilkan. Nilai landslide density dihitung pada penelitian ini untuk evaluasi performa dari hasil klasifikasi kerentanan longsor. Parameter machine learning yang digunakan pada penelitian ini adalah hidden layer sizes, activation, maximum iteration dan random state. Performa model Artificial Neural Network yang dihasilkan menggunakan parameter tersebut menunjukkan hasil yang excellent.  Nilai AUC yang didapat pada penelitian ini sebesar 0,9140 dengan nilai ten-folds cross validation 0,7444.
Co-Authors A.A. Ketut Agung Cahyawan W Abdul Majid Ade Kurnia Adib Syarifudin Adriyati, Meilani Afandi, Heri Agus P. Saido Agus P. Saido Alif Muzakki Amirotul Musthofiah Mahmudah Amirotul Musthofiah Mufidah Andi Tri Utomo Ardli Surakhmad Ari Purnomo Arrozi, Muh. Fachrudin Ary Setyawan As'ad, Sholihin Asri Pangesthi Nugrahanti Putri Atmaja, Yusup Resha Bahtiar, Muhammad Agus Bambang Setiawan Bella, Tita Maya Budhi Sulistyanto Budi Yulianto Chris Andre Immanuel Berutu Chrismaningwang, Galuh Deki Tecnikal Diliaristianto, Kurniawan Diyah Naili Fauziyah Djarwanti, Noegroho Djarwanti, Noegroho Djarwati, Noegroho Djarwati, Noegroho Duta Cahaya Marga Utama Elok Fajar Sagita Emha, Fieza Abraham Etika Cahyaning Utami Faisal, Riksa Fauziyah, Diyah Naili Febrian Rizal Trisatya Fieza Abraham Emha Firman Nugraha Freddy, Zefania Iqnes Galuh Chrismaningwang Habib Abduljabar Waskito Hakim, Naufal Herfin Ardita Prastiwi Heri Afandi Hermawan, Reza Bagus Hernowo, Lugut Tri Heru Pujianto Hesti Indrabaskara, Raden Harya Dananjaya Hilyanto, Rizal Raissa Hosiana, Nikita Immanuel Berutu, Chris Andre Insan Prasasti, Insan Kalimanto, Demarda Kalimanto, Demarda Kristianto, Angga Kristianto, Angga Kurniawan Diliaristianto Kusriyanto, Nur Sahid Lailaningrum, Shita Rosita Lugut Tri Hernowo M Zikry Tawakkal Mahfuzh, Andika Syahal Mahmudah Mahmudah Mahmudah, Amirotul Musthofiah Majid, Rensia Erlyana Mamok Suprapto Manurung, Ridho Manurung, Ridho Marga Utama, Duta Cahaya Masanggun Velentina Meilani Adriyati Mochamad Syarifudin Mohammad Shofiyyulloh Mufidah, Amirotul Musthofiah Muh. Fachrudin Arrozi Muhammad Agus Bahtiar Muhammad Bithriq Yusyfa Mustofa Agung Santoso Muzakki, Alif Nafisah Umri Ukroi Nasrulloh Nasrulloh Nasrulloh Nasrulloh Naufal Hakim Neura Citra Utami Noegroho Djarwanti Noegroho Djarwati nugraha, firman Nugrahanti Putri, Asri Pangesthi Nugrahanto, Terta Nur Sahid Kusriyanto Nurfauziyah, Imtinan Nurrohman, Irvan Nurrosied, Imam Nyco Maulana Wicaksono Prabawa, Desta Prabawa, Desta Pramitasari, Agnes Prastiwi, Herfin Ardita Priambodo, Danang Pujianto, Heru Purnomo, Ari Purnomo, M Toni Agus Putra, Try Darma Putri, Nada Hanifah R. Harya Dananjaya Hesti I Raden Harya Dananjaya Raden Harya Dananjaya, Raden Harya Rahayu Kusumawati, Rahayu Rahma, Rafinda Ramdhani, Martha Rensia Erlyana Majid Rifai, Rahman Riksa Faisal Rizal Raissa Hilyanto Rizki, Dwi Rostikasari, Astri Rostikasari, Astri Sagita, Elok Fajar Salwa, Atilla Santoso, Mustofa Agung Sawato Gea, Jermy Iwada Setiono Setiono Setiono Setiono Shita Rosita Lailaningrum Sholihin As'ad Sholihin As’ad Sugesti, Titin Ferryana Suhaemi, Muhammad Sulistyanto, Budhi Sumiyati Gunawan, Sumiyati Surakhmad, Ardli Suryo Pangeran Wenang Syarifudin, Adib Syarifudin, Mochamad Tawakkal, M Zikry Tecnikal, Deki Terta Nugrahanto Tita Maya Bella Titin Ferryana Sugesti Trisatya, Febrian Rizal Try Darma Putra Ukroi, Nafisah Umri Utami, Etika Cahyaning Utami, Neura Citra Utomo, Andi Tri Utomo, Vian Prasetya Velentina, Masanggun Wafda Salsabila Wahyudianto, Kurniadi Waskito, Habib Abduljabar Weninggar Galih Prastiti Wennya Ajeng Mardi Gracia Rah Sheen Wicaksono, Nyco Maulana Widia Nur Arini Widya Okta Hidayani Windy Dwi Noviyanti Winner Wibisono Witya Marta Qomariyah Yasir, Farid Yusep Purwana Muslih Yusup Resha Atmaja Yusyfa, Muhammad Bithriq Zefania Iqnes Freddy