IDENTIFIKASI JENIS BUNGA MENGGUNAKAN EKSTRAKSI CIRI ORDE SATU DAN ALGORITMA MULTI SUPPORT-VECTOR MACHINES (MULTISVM)
Bibliographic record
Abstract
ABSTRAK Bunga ialah sebagai alat perkembangbiakan generatif tumbuhan biji tertutup. Didalam bagianbagian bunga mempunyai macam-macam atau juga jenis-jenis bagian dalam bunga yang setiap fungsinya pada masing-masing bagian bunga tersebut berbeda-beda juga, sehingga diperlukan suatu pembahasan yang panjang dan juga luas mengenai bagian-bagian bunga Bunga secara sehari-hari juga dipakai untuk menyebut struktur yang secara botani disebut sebagai bunga majemuk atau inflorescence. Bunga majemuk adalah kumpulan bunga-bunga yang terkumpul dalam satu karangan. Dalam konteks ini, satuan bunga yang menyusun bunga majemuk disebut floret.Bunga sebenarnya adalah modifikasi daun dan batang untuk mendukung sistem pembuahan tertutup. Sistem pembuahan tertutup, yaitu karena bakal biji terlindung di dalam bakal buah atau ovarium dan ini juga menjadi ciri khasnya yang lain. Tujuan dari penelitian ini adalah untuk mengklasifikasi 12 motif batik Banten menggunakan metode SVM. Penelitian dilakukan secara beberapa tahap yaitu resize untuk menyamakan dimensi citra, grayscale untuk menyederhanakan citra dengan mengubah menjadi citra aras keabuan, median filter untuk menghilangkan noise pada batik, dan ekstraksi ciri sebagai masukan untuk klasifikasi menggunakan SVM. Hasil klasifikasi menggunakan SVM orde 1 yaitu sebesar 85%, dan untuk orde 2 sebesar 87,2.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
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".