Pemilihan Tanaman Herbal Untuk Meningkatkan Imun Tubuh Manusia Menggunakan Metode Weighted Product
Bibliographic record
Abstract
Pemanfaatan tanaman obat herbal merupakan salah satu solusi dalam penyelesaian masalah kesehatan yang sering dihadapi masyarakat, selain menggunakan obat-obatan kimia baik dalam tahapan pencegahan. Penyebab menurunnya imun tubuh pada manusia disebabkan beberapa faktor yang sangat mempengaruhi yakni penyakit yang dapat menyerang tubuh manusia, sehingga kekebalan tubuh melemah sehingga membuat tubuh manusia menjadi lemah dan tidak berdaya. Jika seseorang merasa memiliki masalah dengan sistem kekebalan tubuh mereka, disarankan untuk berkonsultasi dengan dokter untuk diagnosis dan pengobatan yang tepat. Penyelesaian permasalahan ini dengan membuat sebuah pemilihan yang tepat maka dibutuhkan sistem pendukung keputusan agar dapat meningkatkan kepercayaan keputusan akhir dalam pemilihan obat herbal untuk meningkatkan imun tubuh manusia dengan menggunakan metode weighted product. Menghasilkan pemilihan tanaman herbal terbaik dengan nilai tertinggi 0,123 kode alternatif A3 dengan nama kunyit. Sistem aplikasi sistem pendukung keputusan dibuat dalam platform website. Menghasilkan pemilihan tanaman herbal terbaik dengan nilai tertinggi 0,138 kode alternatif A1 dengan nama Jahe Merah. Mengunakan data tanaman herbal sebanyak 9 data dan penilaian data dibuat oleh Rumah Sehat Medan dengan mengunakan metode WP
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 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".