RANCANG BANGUN PROGRAM APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT TANAMAN RAMBUTAN MENGGUNAKAN METODE BAYES
Bibliographic record
Abstract
Banyak permasalahan yang menyebabkan menurunnya kualitas tanaman buah rambutan juga sering terserang penyakit yang menyebabkan bunga atau buahnya rontok bahkan tanaman tersebut mati, buah menjadi tidak berkualitas, walaupun rasa buah tetap manis tetapi penampilan buah kurang mendukung bagi yang mengutamakan rasa hal tersebut tidak masalah, tetapi jika dihidangkan atau dipajangkan menjadi kurang menarik dengan buah lainnya. Sehingga mengakibatkan kerugian bagi petani, yang berdampak komoditi buah rambutan yang menjadi andalan kota Binjai disektor hortikultura dan pertanian menjadi terhambat. Dalam rangka rangka untuk meningkatkan ketersediaan buah rambutan yang berkualitas standard agar dapat memenuhi kebutuhan konsumen dipasar domestic maupun internasional dan meningkatkan pendapatan petani, Untuk membantu petani dalam pengambilan keputusan lebih dini dan cepat, perlu adanya sistem pakar yang mudah digunakan dan mudah dipahami. Salah satu teknologi yang berkembang saat ini untuk pengambilan keputusan tersebut adalah memanfaatkan Aplikasi Sistem Pakar dengan menerapkan metode Bayes untuk mencari ketidakpastian dari inputan berupa gejala dan kemungkinan jenis penyakit yang ada pada tanaman rambutan. Metode Bayes diharapkan dapat memberi hasil diagnosa yang lebih tepat dan mempunyai nilai kepastian yang lebih akurat.. Perancangan dan pengembangan sistem pakar belum ada yang menyediakan menu konsultasi seperti sistem pakar untuk menangani masalah penyakit tanaman rambutan, petani buah rambutan juga mengalami kesulitan mengidentifikasi penyakit karena tidak mengenali gejala-gejalanya, sehingga tidak jarang petani mengalami kerugian akibat penurunan kualitas buah. Seiring perkembangana teknologi, tugas pakar pertanian dapat dibantu oleh sebuah aplikasi komputer yaitu sistem pakar yang dapat mempermudah memberi penyuluhan pertanian, namun kemampuan diagnosa sistem pakar mungkin belum 100% sama dengan seorang pakar, karena masih menyebabkan keraguan hasil diagnosa. Maka diperlukan perhitungan dalam penelitian ini menggunakan metode Bayes
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.029 | 0.010 |
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".