SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT KELAPA SAWIT MENGGUNAKAN METODE CERTAINTY FACTOR
Notice bibliographique
Résumé
Kelapa sawit adalah salah satu komoditi yang diharapkan mampu memberikan kontribusinya dalam perekonomian sub-sektor perkebunan. Cerahnya prospek komoditi minyak sawit dalam perdagangan minyak nabati dunia telah mendorong pemerintah Indonesia untuk memacu pengembangan ekspor minyak kelapa sawit. Pada tanaman kelapa sawit terjadi masalah kualitas dan produksi yang semakin menurun,karena tingginya kerusakan tanaman kelapa sawit yang diakibatkan oleh hama dan penyakit. Keberadaan penyakit menimbulkan kerugian baik secara kualitatif maupun kuantitatif sejak pembibitan sampai dengan paska panen. Kurangnya pengetahuan petani mengenai cara mendiagnosis penyakit pada tanaman kelapa sawit serta keterbatasan tenaga pakar tanaman kelapa sawit pada perkebunan rakyat bisa diselesaikan dengan memperbanyak tenaga pakar atau menduplikasi pengetahuan pakar dengan membangun sistem sistem pakar diagnosis penyakit pada tanaman kelapa sawi. Metode certainty factor digunakan untuk mengakomodasi ketidakpastian pemikiran dan mengekspresikan tingkat kepercayaan ahli dalam mendiagnosis penyakit pada tanaman kelapa sawit. Dari hasil analisis perhitungan dengan menggunakan metode certainty factor, diperoleh nilai tertinggi yaitu 71,16208%, dan dari hasil yang didapat sistem mendiagnosis bahwa tanaman kelapa sawit terkena penyakit tajuk. Dengan menggunakan sistem pakar ini dapat membantu petani / awam dalam mendiagnosis penyakit kelapa sawit melalui gejala-gejala penyakit yang diinputkan untuk mendiagnosa suatu penyakit kelapa sawit. Kata Kunci : Certainty Factor, Kelapa Sawit, Sistem Pakar.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,104 | 0,014 |
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 ».