SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIBIT UNGGUL TANAMAN JAMBU MADU MENGGUNAKAN METODE SAW
Notice bibliographique
Résumé
Jambu madu adalah jambu yang memiliki kemanisan yang luar biasa. Tingkat kemanisan jambu madu dapat mengalahkan kemanisan buah apel dan buah lainnya. Jambu madu juga memiliki daging yang rapuh yang membuat lezat saat dimakan. Jambu madu memiliki kombinasi tingkat kemanisan tertinggi di Indonesia mencapai 12, sampai 15,5 brix. Buah jambunya juga memiliki buah yang besar 200 sampai 300 gram perbuah. Bibit unggul dan bermutu merupakan salah satu kunci untuk mendapatkan pertanaman yang mampu memberikan hasil yang optimal. Bibit unggul dan bermutu adalah benih yang berasal dari varietas murni dengan persentasi perkecambahan tinggi, bebas dari hama dan pengakit, dan tempat perawatan yang cocok dengan jenis jambu tersebut. Untuk mendapatkan jambu madu yang berkualitas harus dari bibit jambu madu yang unggul dan berkualitas pula, dalam penentuan bibit jambu madu yang unggul dapat dilihat dari beberapa criteria yaitu tekstur tanah yang cocok berdasarkan jenis jambu madu, suhu, ketahanan dan masa produksi. Sistem Pendukung Keputusan ini diharapkan dapat membantu petani dalam menentukan bibit jambu madu yang berkualitas dan dapat mempermudah maupun mempercepat pekerjaan tersebut. Penelitian ini menggunakan metode SAW berdasarkan kriteria yang telah ditentukan diperoleh hasil perhitungan SAW berdasarkan perankingan tertinggi ke rendah yaitu bibit jambu madu jenis deli hijau dengan nilai 9,33, bibit jambu madu jenis super green dengan nilai 7,17, dan bibit jambu madu jenis kesuma merah dengan nilai 6,83.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».