Sistem Cerdas Dalam Penentuan Daun Kelor Sebagai Imunustimulan
Notice bibliographique
Résumé
Daun kelor sebagai imunustimulan dapat meningkatkan aktivitas dan fungsi beberapa komponen imunitas. Kelayakan daun kelor sebagai imunustimulan dapat dilihat dengan dua objek. Pertama dengan menentukan kelayakan daun pada fitur warna dan yang kedua dengan cara penentuan kelayakan pada umur daun. Sejalan dengan perkembangan teknologi, telah lama dikenal yang disebut Sistem Cerdas. Sistem cerdas dapat mempermudah dalam pemilihan daun kelor sebagai imunustimulan. Metode penelitian yang digunakan dalam penelitian ini merupakan metode deskriptif dengan analisis yang digunakan untuk perancangan sistem piranti lunak mengikuti pendekatan algoritma permasalahan warna sebagai tolak ukur hubungan untuk perkiraan atau pendugaan umur daun/batang kelor. Untuk itu dalam proses perancangan piranti lunak pengolah citra ini dilakukan pemodelan regresi untuk mendapatkan hubungan korelasi di antara komponen warna RGB dalam menentukan tingkat kelayakan daun kelor. Sistem ini dibuat menggunakan MATLAB R2013b. Hasil Penelitian ini menunjukkan bahwa sistem cerdas ini dapat digunakan untuk mengklasifikasikan tanaman kelor menggunakan algoritma k-Nearest Neighbor (k-NN) dengan perhitungan euclidean distance berdasarkan fitur tekstur. Dalam perhitungan tingkat akurasi menggunakan teknik pengujian k-fold cross validation dapat didapatkan hasil akurasi 30,95%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».