Efektivitas Dosis dan Aplikasi Pupuk Npk Majemuk Pada Fase Vegetatif Pada Tanaman Strawberry (Fragaria x ananassa Duchesne)
Bibliographic record
Abstract
Pengelolaan hara merupakan salah satu faktor penentu hasil dan kualitas buah yang tinggi. Selama ini, rekomendasi pupuk untuk tanaman stroberi menggunakan NPK 16-16-16. Pemupukan NPK 16-16-16 masih kurang mencukupi, sehingga petani masih menambahkan pupuk KNO3. Oleh karena itu, perlu dilakukan pengujian terhadap pupuk NPK dengan komposisi berbeda yaitu dengan porsi K lebih tinggi (NPK 12-6-24). Pengujian efektivitas pupuk NPK dan cara aplikasi dilakukan bertujuan untuk mengetahui pola pertumbuhan tanaman strawberry. Penelitian menggunakan RAL (Rancangan Acak Lengkap) Faktorial dengan 3 kali ulangan. Faktor pertama yaitu Dosis pupuk NPK 12-6-24 dengan taraf 0; 1 g (g/L); 2 g (g/L); 3 g (g/L); 4 g (g/L); dan pupuk NPK rekomendasi 16-16-16, 2 g (2 g/L). Faktor kedua yaitu cara aplikasi dengan taraf A1 (ditabur) dan A2 (dikocor). Data tinggi dan jumlah daun yang diperoleh dianalisis menggunakan Analysis of Variance aplikasi SPSS dan dilanjutkan dengan DMRT (Duncan Multiple Range Test) taraf ? 5%. Hasil pengujian pupuk NPK 12-6-24 terhadap pertumbuhan strawberry yang dibandingkan dengan NPK 16-16-16 sebagai pupuk rekomendasi memperlihatkan bahwa interaksi antara perlakuan dosis dan cara aplikasi tidak berpengaruh nyata, namun perlakuan tunggal dosis berpengaruh nyata terhadap parameter tinggi dan jumlah daun tanaman strawberry. NPK 12-6-24 dosis 4 g aplikasi granul (ditabur) efisien terhadap pertumbuhan tanaman strawberry secara keseluruhan apabila mempertimbangkan tenaga kerja, sedangkan NPK 12-6-24 dosis 2 g aplikasi kocor efisien apabila mempertimbangkan jumlah pupuk yang digunakan dan Perlakuan NPK 12-6-24 lebih efisien dibandingkan pupuk NPK 16-16-16 rekomendasi pada semua parameter Kata Kunci: Strawberry, Pupuk NPK, Dosis, Aplikasi
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".