Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Perlakuan ekstrak daun bayam duri (Amaranthus spinosus L.) dan daun putri malu (Mimosa pudica L.) kadar (1:10); (1:15); (1:20); (1:25); (1:30) bk/v; serta kontrol bertujuan mengetahui pengaruh optimum ekstrak terhadap perkecambahan dan pertumbuhan kecambah benih tomat (Lycopersicon esculentum Mill.) var. Ratna. Percobaan dilakukan di Laboratorium Fisiologi Jurusan Biologi FMIPA UI Depok selama delapan hari, perlakuan di awal percobaan, menggunakan Rancangan Acak Lengkap (6 perlakuan dan 5 ulangan bagi setiap jenis ekstrak). Perlakuan ekstrak daun bayam duri menunjukkan prosentase perkecambahan 99% terdapat pada kontrol dan perlakuan kadar (1:30) bk/v; yang terendah (9%) kadar (1:10) bk/v. Panjang akar kecambah tertinggi (15,8 mm) terdapat pada kontrol; yang terendah (0,3 mm) kadar (1:10) bk/v. Panjang batang kecambah tertinggi (29,74 mm) terdapat pada kontrol; yang terendah (1,3 mm) kadar (1:10) bk/v. Berat basah kecambah tertinggi (18,01 mg) terdapat pada kontrol; yang terendah (6,16 mg) kadar (1:10) bk/v. Berat kering kecambah tertinggi (2,12 mg) terdapat pada perlakuan kadar (1:20) bk/v; yang terendah (2,01 mg) kadar (1:30) bk/v. Perlakuan ekstrak daun putri malu menunjukkan prosentase perkecambahan tertinggi (99%) terdapat pada kontrol dan perlakuan kadar (1:30) bk/v; yang terendah (64%) kadar (1:10) bk/v. Panjang akar kecambah tertinggi (4449 mm) terdapat pada perlakuan kadar (1:30) bk/v; yang terendah (2,23 mm) kadar (1:10) bk/v. Panjang batang kecambah tertinggi (95,15 mm) terdapat pada perlakuan kadar (1:30) bk/v; yang terendah (10,90 mm) kadar (1:10) bk/v. Berat basah kecambah tertinggi (47,25 mg) terdapat pada perlakuan kadar (1:30) bk/v, yang terendah (7,63 mg) kadar (1:10) bk/v. Berat kering kecambah tertinggi (2,20 mg) terdapat pada perlakuan kadar (1:15) bk/v; yang terendah (2,01 mg) terdapat pada kontrol. Uji Kruskal-Wallis menunjukkan ekstrak kedua macam tanaman tersebut berpengaruh terhadap prosentase perkecambahan, panjang akar, panjang batang, serta berat basah kecambah tomat tersebut, namun tidak berpengaruh terhadap berat kering. Uji Perbandingan Berganda menunjukkan pada data prosentase perkecambahan kedua macam ekstrak tersebut tidak terlalu berbeda nyata terhadap kontrol, berbeda nyata pada data panjang akar, panjang batang, dan berat basah kecambah tersebut, namun tidak berbeda nyata pada data berat kering kecambah.

Abstrak :
Pengaruh perlakuan ekstrak daun bayam dun (Amaranthus spinosus L.) 0,2,4,6,dan 8% bk/vterhadapperkecambahan dan pertumbuhan kecambah cabal merah besar (Capsicum annuum L. van. Longum) diamati pad han ke-8 dan ké-16. Penelitian dilakukan di Laboratoriurn Fisiologi Tumbuhai FMIPA-UI Depok, dan digunakan metode penelitian Rancangan Acak Lengkap. Hasil penelitian: persentase perkecambahan tertinggi cabal tersebut adalah 95% pada han ke-8 (kontrol), dan pada han ke-16 (kontrol dan perlakuan ekstrak 6% bk/v); sedangkan persentase terendah pada han ke-8 adalah 91,67% (perlakuan ekstrak 2,4,dan 6% bk/v), dan pada han ke- 16 adalah 88,33% (penlakuan ekstrak 2%). Panjang batang tertinggi adalah 1,15 cm pada hail ke-8 (kontrol), dan 5,30 cm pada hail ke-16 (perlakuan ekstrak 6% bklv); sedangkan terendah (penlakuan.ekstrak 8% bk/v) yaitu 0,52 cm pada han ke-8 dan 2,52 cm pada hail ke-16'. Panjang akartertinggi adalah 2,29 cm pada hail ke-8 (kontrol), dan 4,45 cm pada han ke-16 (penlakuar1 ekstrak 4% bk/v); sedangkan terendah adalah1,09 cm pada hail ke-8 (penlakuan ekstrak 8% bk/v), dan 3,24 cm pada hail ke-16 (perlakuan ekstrak 6%). Uji Friedman menunjukkan pemberian ekstrak daun bay-3m dun tidak berpengaruh terhadap persentase perkecambahn, panjang batang, maupun panjang akar kecambah cabal merah besar.

Abstrak :
ABSTRACT
Visualisasi pertulangan daun telah banyak dilakukan menggunakan citra RGB dan metode pengolahan yang digunakan adalah pemrosesan morfologi. Hasil dari metode tersebut dapat menampilkan pola pertulangan daun atau venasi dengan baik, namun sangat terbatas pada resolusi kamera yang digunakan serta keterbatasan informasi spektral citra daunyan dihasilkan. Pada penelitian kali visualisasi venasi berhasil dilakukan dengan citra hyperspectral dengan panjang gelombang 400-1000nm. Sistem visualisasi pada penelitian kali ini menerima input citra hyperspectral dan menghasilkan output berupa citra venasi. Proses automasi mendapatkan citra venasi menggunakan model klasifikasi. Model klasifikasi dibuat berdasarkan infomasi panjang gelombang dari vena dan bagian helaian daun. Tujuan model klasifikasi ini adalah memprediksi bagian vena pada citra hyperspectral Algoritma klasifikasi yang digunakan pada penelitian ini adalah Support Vector Machine SVM , Multi Layer Perceptron Classifier MLPC , serta Decision Tree DT . Hasil akurasi dari model mencapai 97 pada model SVM, 95 pada model MLPC, dan 81 pada model DT. Model SVM dan MLPC selanjutnya digunakan untuk memprediksi citra hyperspectral untuk menghasilkan citra venasi daun bayam merah. Hasil akhir, berupa citra venasi menggunakan model SVM lebih baik karena mampu memvisualisasikan bagian vena primer dan vena sekunder dibandingkan citra venasi dengan model MLPC.

---

ABSTRACT
Venation visualization broadly have been done by RGB images using morphological image processing. The result of that method can visualizing leaf venation properly, but it depends on camera resolution and limited spectral information. In this research, we developing venation visualization system using hyperspectral image on band 400 1000nm. Our system visualizing red amaranth leaf venation as a output and hyperspectral image for input. To automated identifying venation region, we built classification model to predict based on spectral information. Classification model take every hyperspectral image pixel to predict leaf vein. In this work, we made 3 classification model namely SVM Support Vector Machine , MLPC Multi Layer Perceptron Classifier , and DT Decision Tree . Our model trained by 5 fold cross validation. Average accuracy score for SVM model up to 97 , 95 for MLPC and 81 on DT. Regard this accuracy result, SVM and MLPC model used for constructed venation image and DT model fall on overfitting state. The final result, SVM perform better than MLPC by visualizing primary vein and secondary vein.