Penerapan Sistem Pakar Dalam Mendiagnosa Penyakit Ikan Bandeng Dengan Metode Forward Chaining
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Penerapan sistem pakar untuk mendiagnosa penyakit ikan bandeng dengan metode forward chaining diharapkan menjadi salah satu solusi alternatif dalam mengantisipasi kejenuhan dan keresahan petani tambak. Kebanyakan petambak melakukan budidaya ikan bandeng tetapi tidak mengetahui apa gejala dari sebuah penyakit ikan bandeng yang timbul dan bagaimana mengatasi gejala tersebut. Penelitian ini sebagai produk ilmu pengetahuan dan teknologi dalam bentuk model bagi petani tambak dan pelaku usaha bidang perikanan dalam mendiagnosa gejala gejala yang timbul dari penyakit ikan bandeng. Penelitian ini juga diharapkan dapat memberikan manfaat sebagai konsultan atau instruktur dalam mengatasi berbagai macam kemungkinan penyakit yang timbul dari budidaya ikan bandeng. Metode forward chaining yang digunakan dalam penerapan sistem pakar ini dimulai dengan mencari fakta yang diketahui, kemudian mencocokkan fakta tersebut dengan bagian IF dari rules IF-THEN. Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Perancangan sistem dilakukan melalui 5 bagian utama yaitu : Pengumpulan data, Perancangan rules, Perancangan sistem, Metode Inference dan Perancangan user interface. Output yang dihasilkan adalah pengujian berdasarkan gejala penyakit ikan bandeng yang kemungkinan terjadi dengan memberikan solusi pencegahan terhadap penyakit berdasarkan hasil inference yang ada.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it