Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Kota Palu sebagai bagian Provinsi Sulawesi Tengah secara tektonik berada dekat dengan sumber gempa aktif crustal, yaitu sesar segmen Sulawesi Tengah. Sesar tersebut terdiri dari banyak segmen, diantaranya yang sudah dikenal adalah Sesar Besar Palu-Koro memanjang dari utara ke selatan. Di ujung selatan terhubung sesar Matano dan di utara terhubung dengan subduksi Utara Sulawesi (North Sulawesi Subduction) dan Selat Makasar bagian utara. Pembangunan infrastruktur berbasis mitigasi kegempaan di Indonesia merujuk Peraturan Bangunan Tahan Gempa berdasarkan Peta Bahaya Gempabumi SNI 1726 Tahun 2019. Kota Palu dan wilayah sekitar sesar segmen Sulawesi Tengah menjadi wilayah yang perlu dilakukan penelitian dengan mempertimbangkan efek kondisi site lokal. Parameter kondisi lokal meliputi jenis situs tanah, periode dominan tanah metode Horizontal to Vertical Spectral Ratio (HVSR) dan estimasi kedalaman bedrock menggunakan metoda Spatial Autocorrelation (SPAC) menjadi bagian parameter studi karakteristik ground motion di Kota Sulawesi Tengah. Penelitian ini menggunakan parameter gempa magnitudo gempa M_L 1,5-6,5. Pengolahan data ground motion menggunakan data hasil observasi sinyal 5 sensor Jaringan Strong motion Nasional BMKG sampling 100Hz, 5 sensor  jaringan strong motion terpasang sementara sampling 100Hz dan 25 sensor Jaringan Array Velocity Broadband dengan sampling 250 Hz. Jaringan khusus array ini hasil kerjasama BMKG dengan ANU (Australian National University) yang dipasang di sekitar Kota Palu dan dekat sesar segmen Sulawesi Tengah dalam durasi 3 bulan. Tujuan dalam studi ini adalah untuk mengkaji karakteristik dan pembangunan model ground motion segmen fault Sulawesi Tengah. Karakteristik ground motion model yang dibangun dikaji dari uji model regional dan lokal dengan katalog gempa utama (independent) dan gempa gabungan foreshock,mainshock dan aftershock (dependent). Hasilnya menunjukkan karakteristik ground motion hasil dependent mempunyai nilai hasil model yang lebih rendah dibandingan independent, fitting model regional menunjukkan hasil bervariasi tingkat kecocokannya terhadap data observasi masing-masing fault yaitu dengan melihat hasil garis korelasi terhadap data observasi dan hasil residualnya. Model tersebut diuji menggunakan data observasi gempa merusak 29 Mei 2017 Mw 6,6 dan gempa merusak 2018 magnitudo 7,4. Hasilnya menunjukkan model GMPE dependent mempunyai nilai estimasi GM-PGA model yang berada pada distribusi data observasi, sedangkan hasil model independent mempunyai tingkat kecocokan berada di atas sebaran data observasi. Sedangkan pengujian GMSA median M=3-4 dan M=4-5 model dependent dan independent terhadap dari data observasi M=3-4 dan M=4-5 di luar data pembangun model, menunjukkan hasil korelasi yang cukup baik terhadap dua model tersebut. Pemahaman kondisi site lokal menjadi sangat penting dan menjadi bagian dalam perhitungan GM-PGA dan dipertimbangkan dalam penentuan nilai estimasi tingkat goncangan dalam bagian desain infrastruktur mitigasi bencana gempa bumi.     

 

---

Palu City in one major city in Indonesia which has administratively is the part of Central Sulawesi Province. It has the potential to develop the big infrastructure which has to consider mitigation aspect, due to tectonically it has located close to earthquake active source, particularly segments crustal zone of Central Sulawesi. Central Sulawesi fault has the many faults segmentation, it is called The Active Major Fault System of Central Sulawesi, as well known Palu Koro Fault System zone. It was along the north to southward close to Palu Valley. Development of infrastructure with earthquake hazard mitigation accordance to SNI 1726:2019. Local site classification parameters using the dominant period HVSR (Horizontal Vertical Spectral Ratio), estimation deep of engineering bedrock using SPAC method (Spatial Auto Correlation) as well done. The understanding of the local seismic condition and seismotectonic mechanism based on seismicity data are significantly contributing to know earlier the possibility of the amplification, which have related PGA value with the distance. In this study used 5 National Strong motion Network Station of  BMKG in Palu, 25 Array Network Broadband Velocity Temporarily Station of BMKG-ANU and 5 Regional Strong motion Network Temporarily Station along the Palu-Koro fault and short period for the mini regional network. The purpose of this research to study the characteristics of the local ground motion GM-PGA model from multi fault in Central of Sulawesi, with considered the local site effect.  All these parameters contribute to play roles within the form of the GMPE model.The characteristics of ground motion in this research using independent (mainshock)-independent (foreshock, mainshock, aftershock) regional and local earthquake catalog. The result showed characteristics of ground motion dependent has the calculated value is lower than independent, and the regional model showed the fitting variated to micro fault observed data. It can be seen using correlated regression and residuals. Moreover, when compared with two devastating earthquakes, 29th May 2017 Mw 6.6 and Palu earthquake Mw 7.4 showed that the dependent model is fitted well with distribution of observed data, while for the independent model is overestimated. Meanwhile to calibrate GMSA has used Median GMSA for M=3-4 and M=4-5 to GMSA data observed of M=3-4 and M=4-5. The results showed that the well correlated between of Median GMSA to data observed distribution. The Understanding of local seismic is very important to asses the related PGA value with the distance in GM-PGA and GMSA in GMPE. The GMPE model could be used to be considered in detail engineering design process to determine the level of potential shaking when implement development mitigation based.    

"

"Pengembangan model fungsi atenuasi ?ground motion? dari gempabumi subduksi interface wilayah Sumatera dan Jawa untuk kelas situs tanah sedang (SD) dan tanah keras (SC Proses simulasi model dilakukan untuk menghasilkan model atenuasi yang sesuai dengan sebaran data GM_PGA yang digunakan. Hasil uji parametrik dan analisa regresi non linier dengan simulasi model sebanyak 4 versi digunakan untuk menghasilkan model fungsi atenuasi yang diharapkan. Proses analisa regresi non linier untuk data GM_PSA dilakukan dengan rentang periode sebanyak 19 bagian, dari periode 0.05 detik sampai 4 detik. Untuk kelas situs tanah sedang dan tanah keras diperoleh model atenuasi spektral untuk semua rentang periode. Semua model hasil penelitian selanjutnya dibandingkan dengan beberapa model yang dijadikan acuan oleh tim 9 dalam pembuatan peta zonasi gempabumi Indonesia. Model GM_PGA dibandingkan dengan model dari Young et. al., 1997, Atkinson & Boore 2003 dan Zhao et. al., 2006. Model GM_PSA dibandingkan dengan model Zhao et. al. 2006. Hasil perbandingannya secara umum menunjukkan model hasil penelitian mempunyai nilai yang sedikit lebih besar dibandingkan dengan model lainnya dibahas dalam penelitian ini. Penentuan kelas situs berdasarkan SNI 1726:2012 tersebut, dilakukan berdasarkan hasil pengukuran langsung di lokasi sensor accelerometer. Data Peak Ground Acceleration (PGA) dan data Pseudo Acceleration (PSA) komponen horizontal dua arah dalam rentang periode terpilih digunakan dalam proses analisa model. Pendekatan geometric mean (GM) digunakan dalam analisa PGA dan PSA selanjutnya. Sebanyak 273 data GM_PGA dan 108 data GM_PSA untuk tanah sedang serta 90 data GM_PGA dan 34 data GM_PSA untuk tanah keras hasil rekaman sensor accelerometer yang tersebar di wilayah Sumatera dan Jawa digunakan dalam penelitian ini. Periode kejadian sumber gempabumi diambil dari tahun 2007 sampai 2014 dengan kekuatan M ≥ 5.0 Proses simulasi model dilakukan untuk menghasilkan model atenuasi yang sesuai dengan sebaran data GM_PGA yang digunakan. Hasil uji parametrik dan analisa regresi non linier dengan simulasi model sebanyak 4 versi digunakan untuk menghasilkan model fungsi atenuasi yang diharapkan. Proses analisa regresi non linier untuk data GM_PSA dilakukan dengan rentang periode sebanyak 19 bagian, dari periode 0.05 detik sampai 4 detik. Untuk kelas situs tanah sedang dan tanah keras diperoleh model atenuasi spektral untuk semua rentang periode. Semua model hasil penelitian selanjutnya dibandingkan dengan beberapa model yang dijadikan acuan oleh tim 9 dalam pembuatan peta zonasi gempabumi Indonesia. Model GM_PGA dibandingkan dengan model dari Young et. al., 1997, Atkinson & Boore 2003 dan Zhao et. al., 2006. Model GM_PSA dibandingkan dengan model Zhao et. al. 2006. Hasil perbandingannya secara umum menunjukkan model hasil penelitian mempunyai nilai yang sedikit lebih besar dibandingkan dengan model lainnya.

---

The development of ground motion attenuation model for subduction interface zone earthquakes in Sumatera - Java for the site classes medium soil (SD) and hard soil (SC Process simulation model is done to produce a model of attenuation in accordance with the distribution of GM_PGA data used. The results parametric tests and non-linier regression analys for 4 versions were considered to generate the expected attenuation function models. The process of non-linear regression analysis for GM_PSA data were conducted for the periods, from 0.05 to 4 seconds. Spectra attenuation models for site classes medium soil and hard soil were developed for this range of records. Furthermore, the results for all model are compared with the models referenced by the seismic hazard map development team . The GM_PGA models are compared to the models of Young et. al., 1997, Atkinson & Boore 2003 and Zhao et. al., 2006. The GM_PSA models are compared to the models of Zhao et. al. 2006.

The comparison results generally show that the models developed in this study have values larger than the other models is discussed in this study. The site classes are in accordance with SNI 1726:2012 and were determined base on field measurements at accelerometer sensor locations. The data of Peak Ground Acceleration (PGA) and Pseudo Acceleration (PSA) from 2-direction horizontal components in the selected periode range were used in models development. A total of 273 geometric mean (GM_PGA) data and 108 GM_PSA data for soil site class and a total of 90 GM_PGA data and 34 GM_PSA data for hard soil site class from accelerometer sensor records, from Sumatera and Java were used in this study. The earthquake events considered were from the period 2007 to 2014, with the magnitude M ≥ 5.0.Process simulation model is done to produce a model of attenuation in accordance with the distribution of GM_PGA data used.

The results parametric tests and non-linier regression analys for 4 versions were considered to generate the expected attenuation function models. The process of non-linear regression analysis for GM_PSA data were conducted for the periods, from 0.05 to 4 seconds. Spectra attenuation models for site classes medium soil and hard soil were developed for this range of records. Furthermore, the results for all model are compared with the models referenced by the seismic hazard map development team. The GM_PGA models are compared to the models of Young et. al., 1997, Atkinson & Boore 2003 and Zhao et. al., 2006. The GM_PSA models are compared to the models of Zhao et. al. 2006. The comparison results generally show that the models developed in this study have values larger than the other models."

"Penelitian dilakukan di Kota Palu, Sulawesi Tengah, dimana pada wilayah ini telah terjadi gempa bumi yang berkekuatan 7.5 Mw pada 28 September 2018 yang mengakibatkan terjadinya pergerakan tanah di banyak titik sehingga perlu dilakukan pemetaan kerentanan pergerakan tanah untuk mengetahui lokasi-lokasi yang rentan akan terjadinya pergerakan tanah. Penelitian menggunakan dua metode yaitu metode Frequency Ratio dan Random Forest. Metode Frequency Ratio dapat mengidentifikasi kejadian tanah longsor di masa depan dengan menggunakan kondisi yang sama dengan kejadian tanah longsor di masa lalu sedangkan metode Random Forest merupakan algoritma pembelajaran mesin yang digunakan dalam penginderaan jauh serta bersifat non-parametrik. Penelitian menghasilkan dua jenis peta kerentanan dengan hasil yang hampir sama dimana wilayah Kinovaro, dan Banawa Selatan. Jika dikaitkan dengan titik-titik kejadian longsor dan parameter hal telah bersesuaian dimana wilayah dengan tingkat kerentanan paling tinggi banyak terjadi kejadian longsor dan juga wilayah ini memiliki tingkat kemiringan dan elevasi yang tinggi.

---

The research was conducted in Palu City, Central Sulawesi, where in this area there was an earthquake measuring 7.5 Mw on 28 September 2018 which resulted in ground movement at many points so it is necessary to map the vulnerability of ground movement to find out locations that are vulnerable to movement. soil. The study used two methods, namely the Frequency Ratio and Random Forest methods. The Frequency Ratio method can identify future landslide events using the same conditions as past landslides, while the Random Forest method is a machine learning algorithm used in remote sensing and is non-parametric. The study produced two types of vulnerability maps with almost the same results in the areas of Kinovaro and South Banawa. If it is associated with the points of landslide occurrence and the parameters of the event, it is appropriate where the area with the highest level of vulnerability has the most occurrences of landslides and also this area has a high level of slope and elevation."

"Salah satu dampak ikutan dari gempabumi adalah likuifaksi. Likuifaksi merupakan peristiwa hilangnya kekuatan tanah akibat getaran gempabumi. Gempabumi M 7.7 pada 28 September 2018 di Palu-Donggala bukan hanya disertai tsunami dan aftershock, namun juga disusul adanya likuifaksi di Balaroa dan Petobo sehingga menyebabkan banyak korban jiwa. Fenomena likuifaksi dapat diteliti dengan melakukan identifikasi dan interpretasi struktur bawah permukaan. Salah satu metode untuk mengetahui struktur bawah permukaan adalah metode gaya berat. Pada penelitian ini dilakukan identifikasi bawah permukaan dengan pemodelan inversi 3D pada lokasi 119.6‒ 120.2 BT dan 0.6-1.2 LS berdasarkan data gayaberat. Data gayaberat yang digunakan bersumber dari satelit Global Gravity Model plus (GGMplus) dan hasil pengukuran lapangan oleh Badan Geologi. Hasil penelitian menunjukkan bahwa berdasarkan data satelit, nilai Anomali Bouguer di Sulawesi tengah berkisar antara -50 hingga 130 mGal.Selain itu, hasil pemodelan inversi 3D bawah permukaan menunjukkan adanya kontras densitas rendah di sekitar wilayah Kota Palu, Balaroa, dan Petobo dengan nilai -0.055 hingga -0.05 gram/cm3 dimana kedalaman densitas rendah ini sudah teridentifikasi sejak 0-125 meter di bawah permukaan dan semakin ke selatan semakin dalam. Kontras densitas rendah ini sesuai dengan kondisi geologi wilayah Palu yang didominasi lapisan Sedimen yang mampu menyimpan cairan dan menjadi faktor penyebab likuifaksi

---

Liquefaction is one of the effects following an earthquake, it is the soil strength loss due to the vibration of an earthquake. The earthquake which struck with a 7.7 magnitude on 28 September 2018 in Donggala and Palu, Sulawesi caused a series of disastrous eventsincluding a tsunami and aftershock liquefaction in Balaroa and Petobo, causing many casualties. The liquefaction can be investigated and possibly predicted by identifying and interpreting the subsurface structures. This paper identifies the geological structures in the subsurface using the gravity method. The study was carried out by 3D inversion modelling at locations 119.6‒ 120.2 BT and 0.6-1.2 LS based on gravity data. The gravity data was gained from Global Gravity Model plus (GGMplus) and the field measurement from the Geological Agency. The study from satellite and the Bouguer anomaly in the Central Sulawesi show that it has gravity of -50 to 130 mGal. The 3D inversion model of the subsurface shows low density contrast around the areas of Palu, Balaroa, and Petobo with values of -0.055 to -0.05 gram/cm3 where these low density depths have been identified from 0-125 meters below the surface and even deeper to the southern part of the study area. This low density contrast is in accordance with the geological conditions of the Palu which is dominated by porous sediment layers which are capable of storing fluids that are the main factor in causing the liquefaction."

"Mengembangkan onsite-EEW (Earthquake Early Warning) merupakan masalah yang menantang karena keterbatasan waktu dan jumlah informasi yang dapat dikumpulkan sebelum peringatan dikeluarkan. Pendekatan yang dapat dilakukan untuk mencegah bencana akibat gempabumi adalah dengan memprediksi tingkat percepatan tanah di suatu lokasi menggunakan sinyal gelombang-P awal dan memberikan peringatan sebelum puncak percepatan tanah yang besar terjadi. Dalam kondisi sebenarnya, keakuratan prediksi merupakan masalah yang paling penting untuk sistem peringatan dini gempabumi. Pada penelitian ini mengimplementasi metode berbasis kecerdasan buatan untuk memprediksi tingkat getaran gempabumi secara dini, ketika gelombang P tiba di stasiun seismik. Sebuah model CNN dibangun untuk membuat prediksi dengan menggunakan small window 3 detik awal gelombang P dari rekaman accelerometer. Model ini dibangun dengan dataset dengan input gelombang seismik dengan variasi 3,2 dan 1 detik data gempabumi di wilayah Jawa Barat 2017 hingga 2023 dengan pembagian 80% data latih,, 10% data validasi dan 10% data uji . Dari evaluasi model terbaik, skema yang diusulkan mendapatkan akurasi 99.30%±0.63% dengan data uji.

---

Developing onsite-EEW (Earthquake Early Warning) is a challenging problem due to the limited time and amount of information that can be gathered before a warning is issued. A possible approach to preventing earthquake-induced disasters is to predict the level of ground acceleration at a site using early P-wave signals and provide warnings before large ground acceleration peaks occur. In actual conditions, the accuracy of prediction is the most important issue for earthquake early warning systems. This study implements an artificial intelligence-based method to predict the level of earthquake tremors early, when P-waves arrive at seismic stations. A CNN model is built to make predictions using a small window of the first 3 seconds of P-waves from accelerometer recordings. The model was built with a dataset with seismic wave input with 3,2 and 1 second variations of earthquake data in the West Java region from 2017 to 2023 with a division of 80% training data, 10% validation data and 10% test data. From the evaluation of the best model, the proposed scheme obtained an accuracy of 99.30%±0.63% with test data."

"Gerakan tanah adalah proses ketika material tanah atau batuan mengalami perpindahan akibat gravitasi bumi dan dampaknya merugikan bagi lingkungan hingga menimbulkan korban jiwa (Noor, 2011). Berdasarkan catatan dari Badan Nasional Penanggulangan Bencana, terdapat 289 kejadian bencana akibat gerakan tanah terhitung tahun 2018 hingga tahun 2022 di Kabupaten Banyumas, Provinsi Jawa Tengah (Data Informasi Bencana Indonesia (DIBI)). Pergerakan tanah dipengaruhi oleh parameter-parameter yang berpengaruh terhadap gerakan tanah seperti litologi, aspek lereng, curvature, curah hujan, kemiringan lereng, elevasi, tata guna lahan, jarak dari sungai, jarak dari struktur, dan normalized difference vegetation index (NDVI) (Chen et al., 2021). Tujuan dari penelitian ini yaitu untuk mengidentifikasi daerah rawan pergerakan tanah berdasarkan parameter-parameter tersebut dan memetakan daerah rawan pergerakan tanah di daerah Kabupaten Banyumas mengacu pada Sistem Informasi Geografis (SIG) dengan menggunakan metode information value model dan frequency ratio. Tujuan lainnya yaitu untuk mengkaji tingkat akurasi dari setiap metode dan menentukan metode apakah yang lebih baik digunakan di lokasi penelitian. Hasil dari penelitian ini didapatkan bahwa model yang dihasilkan oleh metode frekuensi rasio mendapatkan nilai AUC pada succes rate sebesar 70,5% dan predictife rate 61,14%. Sementara model yang dihasilkan oleh metode information value mendapatkan nilai AUC succes rate sebesar 66,39% dan predictife rate 60,26%. Berdasarkan validasi AUC dari kedua model tersebut, maka diketahui metode frekuensi rasio merupakan metode yang lebih baik dari metode information value dalam memodelkan tingkat kerentanan gerakan tanah di lokasi penelitian.

---

Land movement is a process when soil or rock material is displaced due to the earth's gravity and the impact is detrimental to the environment and causes casualties (Noor, 2011). Based on records from the National Disaster Management Agency, there were 289 disaster events due to land movement from 2018 to 2022 in Banyumas Regency, Central Java Province (Disaster Information Data Indonesia (DIBI)). Land movement is influenced by parameters that affect land movement such as lithology, slope aspect, curvature, rainfall, slope, elevation, land use, distance from rivers, distance from structures, and normalized difference vegetation index (NDVI) (Chen et al., 2021). The purpose of this research is to identify land movement prone areas based on these parameters and map land movement prone areas in the Banyumas Regency area referring to the Geographic Information System (GIS) using the information value model and frequency ratio methods. Another objective is to assess the accuracy level of each method and determine which method is better used in the research location. The results of this study found that the model generated by the frequency ratio method obtained an AUC value at a success rate of 70.5% and a predictive rate of 61.14%. While the model produced by the information value method gets an AUC succes rate of 66.39% and a predictive rate of 60.26%. Based on the AUC validation of the two models, it is known that the frequency ratio method is a better method than the information value method in modeling the level of ground motion vulnerability at the research site."

"Schistosomiasis Japonicum merupakan penyakit parasit yang disebabkan oleh infeksi cacing Schistosoma, terdapat pada host siput Oncomelania Hupensis Linduensis. Penyakit Schistosomiasis atau demam keong di Indonesia bersifat endemik, untuk menghilangkan Schistosomiasis, mengendalikan populasi siput dianggap sebagai salah satu langkah pengendalian terpadu dalam mengendalikan penyakit Schistosomiasis. Telah diketahui dengan baik bahwa transmisi Schistosomiasis japonicum terkait erat dengan distribusi host perantara siput, yang bergantung pada karakteristik geografis dan faktor lingkungan. Penelitian ini dilakukan untuk membangun model analisis spasial penyebaran habitat siput dengan menggunakan data pengindraan jauh untuk mengekstraksi informasi indeks vegetasi NDVI , indeks kelembaban lahan TVDI , tutupan lahan, dengan data dukung kemiringan lahan, ketinggian, jarak dari sungai, jarak dari danau, temperature permukaan tanah, dan curah hujan. Penelitian yang dilakukan di Dataran Lindu dianalisis dengan stepwise regretion untuk mengidentifikasi faktor penentu ekologi kehidupan Oncomelania Hupensis Lindoensis. Hasilnya menunjukan bahwa TVDI, tutupan lahan, NDVI, dan LST merupakan variable yang paling signifikan dengan korelasi 85,9 dan tingkat keakurasian 87,03 . Dari analisis permodelan diketahui bahwa distribusi habitat Oncomelania hupensis menunjukan pola acak. Dengan mengetahui karakterisrtik sebaran habitat Oncomelania hupensis melalui analisis penginderaan jauh, diharapkan dapat dilakukan monitoring pergerakan habitat, sehingga langkah tersebut dapat digunakan untuk membantu pengendalian habitat dimaksud sebagai host penyakit schistosomiasis di Indonesia.

---

Schistosomiasis Japonicum is a parasitic disease caused by a worm infection of Schistosoma, found on the host Snail Oncomelania Hupensis Linduensis. Schistosomiasis or snail fever in Indonesia is endemic, to eliminate Schistosomiasis, controlling snail populations is considered as one of the integrated control measures in controlling Schistosomiasis disease. It is well known that the Schistosomiasis japonicum transmission is closely related to the distribution of hosted slug intermediaries, which depend on geographic characteristics and environmental factors. This research was conducted to build spatial analysis model of spreading of snail habitat by using remote sensing data to extract vegetation index information NDVI , land humidity index TVDI , land cover, with data of land inclination, altitude, distance from river, distance from lake , ground surface temperature, and rainfall. Research conducted in the Lindu Plains was analyzed by stepwise regretion to identify the ecological determinants of Oncomelania Hupensis Lindoensis life. The results show that TVDI, land cover, NDVI, and LST are the most significant variables with 85,9 correlation and 87,03 accuracy. From the modeling analysis it is known that Oncomelania hupensis habitat distribution shows random pattern. By knowing the characteristic of Oncomelania hupensis habitat distribution through remote sensing analysis, it is expected to monitor the movement of habitat, so that the step can be used to help control the habitat referred to as host of schistosomiasis disease in Indonesia. "

"Tujuan penelitian ini untuk mengetahui implementasi dan faktor keberhasilan kritis manajemen risiko di lembaga-lembaga pengelola bantuan sosial. Penelitian ini menggunakan metode penelitian kualitatif dengan pendekatan studi kasus pada lembaga yang melakukan penanganan bantuan bencana gempa bumi di Provinsi Sulawesi Tengah Tahun 2018. Pengumpulan data dilakukan peneliti dengan metode studi lapangan dan kepustakaan. Data sekunder diperoleh dari dokumen internal maupun peraturan perundang-undangan yang terkait dengan implementasi manajemen risiko pada obyek penelitian, sedangkan data primer dikumpulkan melalui wawancara narasumber kemudian direduksi untuk dapat ditarik suatu kesimpulan. Hasil analisis menunjukkan bahwa obyek penelitian telah mengimplementasikan manajemen risiko. Berdasarkan observasi melalui wawancara yang dilakukan kepada 5 (lima) orang pelaksana di masing-masing lembaga menunjukkan bahwa dari 8 (delapan) faktor keberhasilan kritis, Pendidikan dan Pelatihan menjadi faktor kritis dalam implementasi manajemen risiko di Lembaga Pengelola Bantuan Sosial. Penguatan pemahaman manajemen risiko kepada pelaksana dapat membantu lembaga dalam pengelolaan manajemen risiko yang lebih baik. Penelitian ini diharapkan dapat memberi pemahaman kepada lembaga-lembaga pengelola bantuan sosial sehingga manajemen risiko dapat diterapkan untuk mencegah kemungkinan risiko yang dapat terjadi.

---

This research aims to determine the implementation and critical success factors of risk management in social management institutions. This study uses a qualitative research method with a case study approach to institutions that manage earthquake assistance in The Central Sulawesi Province in 2018. Data collection was carried out by researchers using field study methods and literature. Secondary data was obtained from internal documents, laws and regulations related to the implementation of risk management on the object of research, while primary data was collected through interviews with informants and then reduced to draw conclusions. The results of the analysis show that the object of the research has implemented risk management. Based on observations through interviews conducted with 5 (five) implementers in each institution, it shows that of the 8 (eight) critical success factors, Education and Training are critical factors in the implementation of risk management in Social Assistance Management Institutions. Strengthening the understanding of risk management for implementers can assist institutions in managing risk management better. This research is expected to provide understanding to social assistance management institutions so that risk management can be applied to prevent possible risks that may occur."

"Tujuan penelitian ini untuk mengetahui implementasi dan faktor keberhasilan kritis manajemen risiko di lembaga-lembaga pengelola bantuan sosial. Penelitian ini menggunakan metode penelitian kualitatif dengan pendekatan studi kasus pada lembaga yang melakukan penanganan bantuan bencana gempa bumi di Provinsi Sulawesi Tengah Tahun 2018. Pengumpulan data dilakukan peneliti dengan metode studi lapangan dan kepustakaan. Data sekunder diperoleh dari dokumen internal maupun peraturan perundang-undangan yang terkait dengan implementasi manajemen risiko pada obyek penelitian, sedangkan data primer dikumpulkan melalui wawancara narasumber kemudian direduksi untuk dapat ditarik suatu kesimpulan. Hasil analisis menunjukkan bahwa obyek penelitian telah mengimplementasikan manajemen risiko. Berdasarkan observasi melalui wawancara yang dilakukan kepada 5 (lima) orang pelaksana di masing-masing lembaga menunjukkan bahwa dari 8 (delapan) faktor keberhasilan kritis, Pendidikan dan Pelatihan menjadi faktor kritis dalam implementasi manajemen risiko di Lembaga Pengelola Bantuan Sosial. Penguatan pemahaman manajemen risiko kepada pelaksana dapat membantu lembaga dalam pengelolaan manajemen risiko yang lebih baik. Penelitian ini diharapkan dapat memberi pemahaman kepada lembaga-lembaga pengelola bantuan sosial sehingga manajemen risiko dapat diterapkan untuk mencegah kemungkinan risiko yang dapat terjadi.

---

This research aims to determine the implementation and critical success factors of risk management in social management institutions. This study uses a qualitative research method with a case study approach to institutions that manage earthquake assistance in The Central Sulawesi Province in 2018. Data collection was carried out by researchers using field study methods and literature. Secondary data was obtained from internal documents, laws and regulations related to the implementation of risk management on the object of research, while primary data was collected through interviews with informants and then reduced to draw conclusions. The results of the analysis show that the object of the research has implemented risk management. Based on observations through interviews conducted with 5 (five) implementers in each institution, it shows that of the 8 (eight) critical success factors, Education and Training are critical factors in the implementation of risk management in Social Assistance Management Institutions. Strengthening the understanding of risk management for implementers can assist institutions in managing risk management better. This research is expected to provide understanding to social assistance management institutions so that risk management can be applied to prevent possible risks that may occur."

"

Taman Kehati mempunyai fungsi sebagai pusat penelitian dan keanekaragaman biota. Kawasan lindung mayoritas dimiliki oleh negara dan menjadi strategi wilayah konservasi. Penelitian ini mempunyai tujuan untuk mengetahui peluang dan tantangan taman kehati sebagai wilayah konservasi dengan analisis secara spasial, deskriptif, dan SWOT yang mencakup faktor fisik dan sosial. Variabel fisik mencakup penggunaan tanah, kemiringan lereng, dan fungsi kawasan hutan. Faktor sosial berfokus pengetahuan ekologi lokal masyarakat adat dan juga HHBK terhadap taman. Pada faktor fisik, beberapa titik taman kehati mempunyai keindahan alam yang menarik seperti air tebing indah apabila dilihat dari puncak. Dalam faktor sosial, pengetahuan ekologi lokal masyarakat adat dapat dikatakan cukup baik. Masyarakat adat pada seluruh titik responden dan juga tuan tanah taman kehati sudah mempunyai pengetahuan yang baik mengenai keanekaragama   n flora fauna di wilayah nya. Tantangan taman kehati sebagai wilayah konservasi yaitu bahwa masyarakat umum pada keseluruhan desa kurang paham akan pentingnya menjaga lingkungan. Pada diskusi kelompok terarah di titik desa Mangais, bahwa masyarakat lebih mementingkan akan upah yang bisa didapat dalam hal jangka pendek.

 

---

Biodiversity Park has a function as a center for research and biodiversity. Protected areas owned by the state and become a conservation strategy area. This research aims to look at the opportunities and challenges of a biodiversity park as a conservation area with a spatial, descriptive and SWOT analysis that includes physical and social factors. Land use spatial variables uses land use, slope, and function of forest area. Social factors focus on the local ecology of indigenous peoples and also HHBK at the park. On the physical factor, some points of the park are of attractive natural beauty such as beautiful cliffs seen from the top. In terms of social factors, local ecological knowledge of indigenous peoples can be said to be quite good. The indigenous peoples at all points and also the biodiversity park landlords already have good knowledge about the diversity of flora and fauna in their area. The challenge of the biodiversity park as a conservation area is that the general public in the whole village does not understand how to protect the environment. In a focus group discussion at the point of Mangais village, that the community is more concerned with wages that can be obtained in the short term.

"