Claim Missing Document
Check
Articles

Found 4 Documents
Search

MEMBANGUN KEJAR (KAMPOENG BELAJAR) DAN PENGADAAN SARANA PEMBUATAN PLANG NAMA TOKOH MASYARAKAT SERTA PENUNJUK JALAN TPS3R Muhammad Nabil Abdillah; Aidil Fitriansyah; Masna Nuraini; Muhammad Fakhrul Anam; Annisa Wulandari; Habib Thariq Alfath; Muhammad Daffa Hanifan; Novita Arifani Firdausa; Yolanda Maysinta; Yayah Chanafiah
TRIBUTE: JOURNAL OF COMMUNITY SERVICES Vol. 4 No. 1
Publisher : UNIB Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33369/tribute.v4i1.27456

Abstract

Kuliah Kerja Nyata merupakan salah satu bentuk pengabdian kepada masyarakat yang termasuk dalam Tri Dharma Perguruan Tinggi. Kuliah Kerja Nyata (KKN) adalah bentuk pendidikan mahasiswa yang dilakukan dengan cara memberikan pengalaman belajar secara nyata untuk hidup di tengah-tengah masyarakat secara langsung, mengidentifikasi, serta membantu menangani masalah-masalah yang ada di lingkungan masyarakat. Tujuan dilaksanakannya KKN oleh Universitas Bengkulu adalah agar mahasiswa memperoleh pengalaman belajar melalui keterlibatannya dalam masyarakat secara langsung, dapat memberikan sumbangan pikiran berdasarkan ilmu pengetahuan dan teknologi yang diperoleh selama kuliah, serta dapat meningkatkan hubungan antara Universitas Bengkulu dengan pemerintahan daerah, Instansi serta warga di lokasi KKN. Salah satu lokasi KKN mahasiswa UNIB Periode 99 adalah di Kelurahan Sumber Jaya RT 18 RW 06, Kecamatan Kampung Melayu, Kota Bengkulu. Pelaksanaan KKN di samping dilakukan secara reguler, juga dilaksanakan melalui program khusus sesuai dengan situasi dan kondisi yang ada pada masyarakat. Kegiatan mahasiswa KKN dilakukan dengan proses pendampingan dan kontrol oleh Dosen Pembimbing Lapangan (DPL) secara terprogram. Melalui program KKN, Universitas Bengkulu menugaskan mahasiswa KKN dalam melaksanakan tema OSSOF (One Student Save One Family) serta menugaskan mahasiswa KKN untuk ikut serta memberikan gagasan, ide, pemikiran dan tindakan. Oleh karena itu kelompok kami menetapkan program kerja yang sesuai dengan tema KKN tersebut yaitu Membangun kejar (kampoeng belajar) untuk anak-anak di kelurahan sumber jaya RT 18 RW06 sebagai wadah anak-anak untuk meningkatkan minat belajar. Selain itu, kelompok kami juga memiliki proker lainnya, yaitu pembuatan plang nama untuk tokoh masyarakat (RT, RW, Ketua muda mudi) serta plang penunjuk jalan menuju TPS3R, sebagai penanda dan mempermudah untuk mencari sebuah alamat yang akan dituju. Adapun metode yang digunakan dalam Kuliah Kerja Nyata ini adalah observasi, yaitu dilakukannya peninjauan atau pengamatan secara langsung dengan melihat kegiatan-kegiatan sekitar lokasi kegiatan pelaksanaan KKN. Pada tahapan pelaksanaan, mahasiswa mempersiapkan materi terlebih dahulu terkait dengan kegiatan yang akan dilakukan.
Sosialisasi Mitigasi Gempa dan Tsunami bagi Masyarakat Desa Sido Urip, Kabupaten Bengkulu Utara Lindung Zalbuin Mase; Muharram Nur Fikri; Aidil Fitriansyah
Jurnal Pengabdian Masyarakat Konstruksi Vol 4 No 1 (2026): Majjama - Jurnal Pengabdian Masyarakat Konstruksi
Publisher : PSTS FT UIM

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63877/jpmk.v4i1.265

Abstract

Provinsi Bengkulu berada pada zona subduksi Sumatra yang aktif secara seismik, sehingga masyarakatnya rentan terhadap ancaman gempa bumi dan tsunami. Masyarakat Desa Sido Urip, Kecamatan Arma Jaya, Kabupaten Bengkulu Utara, masih memiliki keterbatasan pemahaman mengenai mekanisme gempa, potensi tsunami, dan langkah mitigasi sederhana. Kegiatan pengabdian ini bertujuan meningkatkan pengetahuan dasar dan kesadaran mitigasi bencana melalui sosialisasi tatap muka dan diskusi interaktif. Metode pelaksanaan meliputi penyampaian materi berbasis kajian seismotektonik Bengkulu, penyuluhan di balai desa, sesi tanya jawab, serta evaluasi kualitatif melalui observasi partisipasi peserta. Kegiatan dilaksanakan pada 14 Juli 2025 dengan melibatkan 40 peserta dari kalangan perangkat desa, masyarakat umum, dan mahasiswa KKN. Hasil menunjukkan antusiasme tinggi yang tercermin dari banyaknya pertanyaan kontekstual dan komitmen peserta untuk menyebarluaskan informasi kepada keluarga dan tetangga. Kegiatan ini mengindikasikan bahwa sosialisasi berbasis dialog efektif sebagai langkah awal pembentukan budaya sadar bencana di tingkat desa, meskipun pengukuran kuantitatif dan program lanjutan yang lebih sistematis masih diperlukan.
Bibliometric Analysis of Nature-Based Solutions Research in Infrastructure and Construction Aidil Fitriansyah
Jurnal Teknik Sipil Vol. 19 No. 1 (2026): Juni 2026
Publisher : Faculty Of Engineering University 17 August 1945 Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56444/jts.v19i1.3598

Abstract

Nature-based solutions (NbS) are increasingly promoted as alternatives or complements to conventional grey infrastructure for addressing climate risks, environmental degradation, and rapid urbanization. Despite rapid growth in global NbS scholarship, systematic synthesis of infrastructure- and construction-related applications remains limited. This study presents a bibliometric analysis of 186 journal articles indexed by Google Scholar, published between 2016 and 2025, with an explicit focus on infrastructure contexts. Data were collected using Publish or Perish, screened through predefined criteria, and analyzed using descriptive statistics and VOSviewer science mapping. Results show a marked publication increase after 2019, peaking in 2024 and 2025. Dominant outlets include Sustainability, Water, and Blue-Green Systems. Highly cited works address NbS for urban water management, stormwater control, and coastal flood risk reduction. Keyword co-occurrence analysis identified four thematic clusters: (1) NbS for water and coastal infrastructure, (2) NbS for flood and hydro-meteorological risk, (3) NbS, ecosystem services, and urban green infrastructure, and (4) conceptual frameworks and performance evaluation. Although infrastructure-oriented NbS research is expanding quickly, empirical work on construction management, life cycle performance, and implementation in low- and middle-income countries remains limited. Future research opportunities lie in integrating NbS within project planning and delivery, particularly in rapidly urbanizing settings such as Indonesia.
Integrating Finite Element Analysis and Machine Learning to Predict the Bearing Capacity of Strip Footings on Slopes Aditya Dwi Kurniawan; Lindung Zalbuin Mase; Muharram Nur Fikri; Rena Misliniyati; Aidil Fitriansyah
Engineering, MAthematics and Computer Science Journal (EMACS) Vol. 8 No. 2 (2026): EMACS (In Press)
Publisher : Bina Nusantara University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21512/emacsjournal.v8i2.16161

Abstract

Predicting the ultimate bearing capacity (qult) of strip footings on slopes remains a major challenge in geotechnical engineering, as classical methods were developed for level ground and lose reliability for complex slope-foundation geometries. Although finite element analysis (FEA) provides better accuracy, its high computational cost limits large-scale parametric studies. This study proposes a hybrid FEA–machine learning (ML) framework to estimate qult of strip footings on slopes, overcoming the accuracy limitations of existing analytical solutions for different slope-foundation configurations. The dataset of 600 finite element simulations was developed under the Mohr-Coulomb plane strain constitutive framework. Six variables were examined: unit weight (γ), cohesion (c), friction angle (φ), applied load (P), foundation width (B), and embedment depth (Df). Seven predictive models were developed: multiple linear regression, polynomial regression, support vector regression, decision trees, random forests, k-nearest neighbors, and extreme gradient boosting (XGBoost). Model performance was assessed using R², RMSE, MAPE, and the a20 index, with R² and RMSE as the primary ranking criteria, while Shapley Additive Explanations (SHAP) were applied to interpret feature contributions. XGBoost has the highest prediction accuracy on both the training and test datasets. It is followed by Support Vector Regression (SVR). The most influencing parameter in all seven models was the foundation depth (Df), followed by the friction angle (φ) and the foundation width (B), while the slope angle consistently decreased the predicted bearing capacity. The results confirm the accuracy, interpretability, and computational efficiency of the integrated FEA-ML approach as an alternative to traditional bearing capacity analysis.