Assessment of Pliek-U Sensory Attributes: A Multi-Objective Optimization on the Basis of Ratio Analysis (MOORA) Method Application
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sensory assessment plays an important role in solving the problem of consumer preferences and acceptance of food products.This study aims to conduct a Pliek-U sensory assessment through a multi-criteria decision-making system using the Multi-Objective Optimization on the Basis of Ratio Analysis (MOORA) method.MOORA is a multi-objective system that has a good level of selectivity in determining an alternative.There were 7 commercial Pliek-Us obtained from the local Aceh market (P1, P2, P3, P4, P5, P6 and P7).The sensory criteria assessment of commercial Pliek-U included color (C1), aroma (C2), taste (C3), texture (C4), aftertaste (C5), defects (C6), and overall acceptance (C7), which used a hedonic scale (1-7).These 7 sensory attributes are able to describe the expected quality of Pliek-U products and are often used as indicators to assess the sensory properties of food products in Indonesia.Sensory assessment was carried out by 50 panelists from Pliek U consumers.The findings of this study each commercial Pliek-U product used had its own characteristics affecting preference of the panelists.The Pliek-U product (P4) obtained the highest score with a value of 0.390 (rank 1).The characteristics are that it has a distinctive odor from Pliek-U, dark brown in color, having an acid taste favored by panelists, having a dry texture, no taste remains in the mouth, and no other taste which appeared when Pliek-U was eaten.Based on overall acceptance, this Pliek-U was highly preferred.Overall, the results of this study indicate that sensory assessment is very important to assess the attributes or quality of Pliek-U.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle