Claim Missing Document
Check
Articles

LOKA KARYA (WORKSHOP) PENERAPAN APLIKASI PENILAIAN KINERJA SISTEM IRIGASI DI UPTD CIBADAK KABUPATEN SUKABUMI Harsanto, Puji; Tahadjuddin, Tahadjuddin; Ikhsan, Jazaul; Hartono, Hartono; Kartika, Nia; Adi Sunarto, Asril
Martabe : Jurnal Pengabdian Kepada Masyarakat Vol 6, No 9 (2023): Martabe : Jurnal Pengabdian Kepada Masyarakat
Publisher : Universitas Muhammadiyah Tapanuli Selatan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31604/jpm.v6i9.3397-3402

Abstract

Pengabdian Kepada Masyarakat ini merupakan implementasi kerjasama bidang pengabdian dengan mitra dari Universitas Muhammadiyah Sukabumi, dengan personal in charge adalah Ir. Tahajudin, SP., IPM program Studi Teknik Sipil. Kegiatan direncanakan berupa pendampingan penggunaan Aplikasi Sistem Informasi Geografi Operasional dan Pemeliharaan Irigasi (SIGOPI) di dinas UPTD Dinas PU Kabupaten Sukabumi. Aplikasi ini berguna dalam melihat kondisi kinerja Daerah Irigasi (DI) dari sisi kondisi bangunan dan sistem irigasi. Hasilnya berupa rekomendasi skema operasional yang tepat dan pemeliharaan bangunan yang tepat pula. Diharapkan dengan aplikasi ini, dapat memberi masukan dalam keputusan pemeliharaan bangunan yang tepat sasaran. Dengan demikian kinerja DI menjadi optimal dan dalam jangka menengah dapat meningkatkan produksi pangan terutama padi. Secara kebencanaan dapat mengurangi resiko bencana kekeringan dan meningkatkan ketahanan pangan di Kabupaten Sukabumi. Kegiatan ini sesuai dengan Peta jalan ketua pengabdian di tahun 2022 yaitu tindak kanjut dari evaluasi dalam peran mengurangi resiko bencana kekeringan, yaitu dengan optimalisasi Aplikasi SIGOPI. Peranan dari tenaga ahli dari UMY dapat memberi masukan dari sisi Sistem Informasi Geografis dan Irigasi yang diwakili oleh Ir. Puji Harsanto, ST., MT., Ph.D dan Ir. Jazaul Ikhsan, ST., MT., Ph.D., IPM.
Pemodelan Banjir Lahar Dingin di Daerah Vulkanis dengan Menggunakan SIMLAR Jazaul Ikhsan; Ani Hairani; Ridwan Ardiansyah
Jurnal Konstruksi Vol 22 No 2 (2024): Jurnal Konstruksi
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/konstruksi/v.22-2.1632

Abstract

Tahun 2010 erupsi Gunung Merapi memuntahkan material vulkanis lebih dari 140.000.000 m³, disusul dengan bencana sekunder yaitu banjir lahar dingin. Kali Putih adalah salah satu sungai yang diterjang banjir tersebut beserta pemukiman di bantarannya. Penyebabnya adalah bagian hulu Kali Putih, Kabupaten Magelang telah tertutup material vulkanis Gunung Merapi sebanyak ±9.3000.000 m³. Untuk mengurangi dampak negatif dari kejadian banjir lahar, perlu dilakukan simulai kejadian banjir lahar pada suatu daerah aliran sungai (DAS).  Penelitian ini bertujuan untuk mensimulasikan dampak kejadian banjir lahar pada DAS Kali Putih. Simulasi Lahar (SIMLAR) 2.1 digunakan untuk mensimulasikan banjir lahar dingin pada penelitian ini. Data masukan yang diperlukan pada SIMLAR adalah data curah hujan, data sedimen, dan DEM area studi. Efektifitas bangunan sabo dam dikaji dengan membandingkan hasil simulasi antara tanpa bangunan sabo dam dan dengan sabo dam. Hasilnya, bangunan sabo dam mampu memperlambat laju terjangan banjir lahar dingin. Berdasarkan simulasi dengan tambahan sabo dam, pada menit ke 240, banjir lahar belum mencapai titik 12 (Sabo dam PU-C8 Ngaglik) dan 13 (Sabo dam PU-C2 Gempal). Sedangkan simulasi tanpa sabo dam, banjir telah mencapai titik 12 pada menit ke 360 serta titik 13 pada menit ke 600.  Selain itu berfungsi sebagai penahan erosi tanah lalu merubahnya menjadi tumpukan sedimentasi sebesar 3,95 m pada sabo dam pertama (PU-D1 Mranggen) menit ke 360.
Development of Machine Learning for Debris Flow Event Prediction in a Volcanic Area Ikhsan, Jazaul; Deng, Abraham Ayuen Ngong; Mohd Arif Zainol, M. R. R.; Ibrahim, Muhammad Shazril Idris; Miyata, Shusuke
Civil Engineering Journal Vol. 12 No. 1 (2026): January
Publisher : Salehan Institute of Higher Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28991/CEJ-2026-012-01-02

Abstract

The integration of machine learning (ML) into debris flow prediction in volcanic areas, exemplified by the Gendol River watershed of Mount Merapi, offers transformative potential for hazard mitigation. This study aimed to develop real-time, computationally efficient ML models capable of integrating multi-source data, rainfall intensity of 25 mm/hour linked to 300 cm Debris Flow heights, antecedent precipitation, and geomorphological variables to predict debris flows with actionable lead times. Key objectives included optimizing prediction accuracy, minimizing the false positive rate to 18.2% for "Debris Flow" events, and enhancing model interpretability for deployment in data-scarce volcanic regions. Results demonstrated that ensemble methods and deep learning architecture outperformed traditional models, with Efficient Logistic Regression and Linear SVM achieving an accuracy of 82.35%, and Cosine KNN attaining a prediction speed of 272 observations per second. Critical predictors included temporal rainfall patterns (contributing more than 50% to flow initiation) and ash deposit thickness (with a 70% influence on decision-making). However, challenges persisted: imbalanced datasets of nine training instances for "Debris Flow" events led to misclassification rates of 100% for hybrid events like "Rainfall and Debris Flow," while models like Naive Bayes exhibited instability (accuracy dropping to 50%). Research gaps highlighted data scarcity for high-magnitude events, limited geographic transferability, and the absence of standardized evaluation metrics. Technical limitations included reliance on low-resolution remote sensing data, high computational costs for ensemble models requiring 10 operational cost units, and the opacity of neural networks, which hindered stakeholder trust. Despite these constraints, ML models achieved 85% accuracy in non-event recognition and 76.47% precision in Bagged Trees, offering scalable frameworks for early warning systems. The study highlights the importance of enriched datasets, adaptive algorithms, and interdisciplinary collaboration in transforming volcanic risk management from a reactive approach, ultimately safeguarding vulnerable communities through data-driven, life-saving predictions.