Respon Pemberian Pupuk Cair Fitofit Terhadap Pertumbuhan dan Produksi Beberapa Varietas Jagung Hibrida (Zea mays)
Notice bibliographique
Résumé
BackgroundSweet corn (Zea mays saccharata Sturt) or better known as sweet corn is one of the most famous horticultural commodities in the United States and Canada.Sweet corn has been known in Indonesia since the 1970s (Syukur, 2013).The public increasingly favors sweet corn because it has a sweeter taste, more fragrant aroma and higher nutritional content.Sweet corn is usually served in the form of corn on the cob, roasted corn, corn sugar, corn milk, cakes and corn chips.Sweet corn is also very good for diabetics because it contains low levels of sugar and fat.Sweet corn seeds are rich in sugar content and calories compared to other vegetables.In 100 grams of fresh sweet corn seeds contain 86 grams of calories, 2 grams of fiber or about 5% of the daily dietary fiber requirement and about 6% of the daily vitamin requirement.Sweet corn contains a lot of free sugar and starch.The sugar content in sweet corn is not glucose or sucrose, but in the form of fructose, a type of sugar polymer known as fruit sugar (Dongoran, 2009).Sweet corn production in Indonesia in 2013 was 18,506,287 tons, decreased by around 670,743 tons compared to sweet corn production in 2012 which was 19,377,030 tons, in 2014 it was 19,033.000 tons and in 2015 it was 19,610,000 tons (BPS, 2016).The more comprehensive the community's knowledge of the sweet corn plant, the more people's demand for this sweet corn plant will increase.The production of sweet corn does not match the increasing demand for sweet corn.Sweet corn productivity in Indonesia averages 8.31 tons per ha.Meanwhile, the potential yield of Andriansyah -Universitas Medan Area
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) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».