PERTUMBUHAN DAN KANDUNGAN KARAGINAN RUMPUT LAUT Kappaphycus alvarezii PADA DOSIS MIKROORGANISME LOKAL (MOL) BUAH MAJA
Bibliographic record
Abstract
Penelitian ini dilaksanakan di Desa Jaya Bakti Kecamatan Pagimana Kabupaten Banggai, Propinsi Sulawesi Tengah. Organisme uji yang digunakan yaitu rumput laut Kappaphycus alvarezii yang diambil dari hasil budidaya masyarakat di sekitar lokasi penelitian. Berat awal organisme uji yang digunakan yaitu 100 g. Sedangkan bahan uji mol buah maja adalah hasil permentasi selama seminggu dan telah dilakukan penyaringan. Rancangan yang digunakan dalam penelitian ini adalah Rancangan Acak Lengkap (RAL) dengan tiga perlakuan dan tiga ulangan, sehingga jumlah unit percobaan adalah sembilan satuan percobaan. Perlakuan A = Dosis Mol 0.5 L/10 L air, B = Dosis Mol 1 L/10 L air dan C = Dosis Mol 1.5 L/10 L air. Parameter yang diamati adalah pertumbuhan berat mutlak, laju pertumbuhan spesifik harian dan kandungan karginan. Data kualitas air meliputi pengukuran suhu dan salinitas. Pengukuran salinitas dan suhu dilakukan setiap hari yaitu pagi dan sore hari. Pengukuran kecepatan arus dilakukan setiap dua minggu (setiap pagi dan sore hari). Untuk mengetahui pengaruh perlakuan digunakan Analisis Ragam (Anova) dengan menggunakan prog SPSS versi 19 (Statistical Package for Social Sciences). Bila terjadi perbedaan di antara perlakuan dilanjutkan dengan uji BNT. Hasil penelitian menunjukan bahwa Pada Pertumbuhan Berat Mutlak diperoleh hasil yang tertinggi pada perlakuan C (1.5 L/10 L air). Pada Pertumbuhan Spesifik Harian memperlihatkan bahwa rata-rata laju pertumbuhan spesifik harian (%) yang tertinggi yaitu pada perlakuan C (1.5 L/10 L air) dengan nilai 3.8 % minggu ketiga. Nilai Kandungan Karagenan memperlihatkan bahwa kandungan karagenan pada rumput laut K. alvarezii tertinggi, yaitu pada perlakuan C (1.5 L/10 L air) minggu keempat dengan nilai 43.3 %.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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 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".