Padi merupakan tanaman pangan penghasil beras, dan indonesia merupakan negera yang mayoritas penduduknya menjadikan beras sebagai makanan utama, jumlah penduduk yang semakin meningkat, perlu menjaga kualitas padi agar resiko gagal panen dapat dihindari. Banyak faktor yang dapat menimbulkan resiko gagal panen salahsatunya itu penyakit daun padi, Pada penelitian ini diusulkan Algoritma Convolutional Neural Network untuk klasifikasi penyakit daun padi yang berdasarkan citra. Arsitektur yang digunakan pada penelitian ini menggunakan MobileNetVI dengan menggunakan ekstraksi fitur. Dataset berasal dari UCI Repository sebanyak 120 yang terdiri dari 3 penyakit daun padi yaitu Bacterial leaf blight, Brown spot, Leaf smut. Berdasarkan hasil pelatihan dan pengujian menggunakan citra penyakit daun padi yang berukuran 224x224 piksel didapat hasil nilai akurasi pelatihan mencapai 1.0 dan nilai akurasi validasi mencapai 0.8333. Nilai akurasi pada Confusion Matrix yaitu sebesar 92%, hasil ini menjadi bukti bahwa dengan penerepan algorima CNN dan MobileNetVI dengan ekstraksi ciri memiliki akurasi yang baik sekali. Percobaan pada aplikasi yang dibangun hasil proses pengujian berbasis android terbukti dapa mengklasifikasikan jenis penyakit daun padi.
Penyakit Ginjal Kronis merupakan penyakit dengan tingkat pengeluaran biaya terbesar di dunia. Penyakit tersebut sering kali tidak menunjukkan adanya gejala yang terjadi seperti penyakit pada umumnya. Oleh karena itu, penelitian ini dilakukan dengan tujuan agar dapat mendeteksi dini penyakit tersebut sebelum didiagnosis ke tahap yang lebih serius. Penerapan model algoritma C4.5 individual dan algoritma C4.5 berbasis PSO dengan teknik bagging dilakukan guna mengetahui model mana yang memberikan hasil terbaik dalam mendeteksi penyakit ginjal kronis. Pemilihan kedua model tersebut dipertimbangkan karena algoritma C4.5 merupakan salah satu algoritma terbaik data mining, namun cenderung memiliki kelemahan pada data yang overlap, kelas dan atribut yang banyak. Maka dari itu, teknik optimasi Particle Swarm Optimization (PSO) dan teknik bagging juga dipilih sebagai alternatif dalam mengatasi kelemahan yang ada dalam algoritma C4.5. Dari hasil penelitian diperoleh bahwa model algoritma C4.5 berbasis PSO dengan teknik bagging mampu menyeleksi atribut sehingga dapat meningkatkan nilai akurasi yang lebih baik dengan hasil sebesar 99,70% dibandingkan dengan model individual algoritma C4.5 yang menghasilkan nilai akurasi sebesar 91,72% saja.
Besarnya angka pengguna internet di Indonesia semakin membuka peluang bisnis baik di tingkat lokal maupun global. Perusahaan kecil dan besar berlomba-lomba memanfaatkan internet demi menunjang bisnis mereka. Penerapan teknologi e-commerce merupakan salah satu faktor yang penting untuk menunjang keberhasilan penjualan suatu produk dari sebuah perusahaan. Sistem prediksi jumlah transaksi penjualan dapat diterapkan pada aplikasi ecommerce. Metode K-Nearest Neighbor digunakan karena memiliki akurasi yang tinggi dengan rasio kesalahan kecil. Adapun hasil dari prediksi atau peramalan bermanfaat untuk membantu meningkatkan omzet penjualan perusahaan. Studi kasus penelitian ini dilakukan di Distro Folder yang merupakan perusahaan yang bergerak dalam bidang penjualan pakaian seperti baju, jaket, celana, topi, tas dan aksesoris lainnya di Sukabumi. Dengan menggunakan website pembeli dapat lebih mudah dalam memilih dan memesan barang kapanpun dan dimanapun tanpa harus mengunjungi distro. Pembangunan website e-commerce yang memiliki sistem prediksi transaksi penjualan menggunakan metode K-Nearest Neighbour diharapkan dapat meningkatkan angka penjualan dengan lebih cepat, lebih luas jangkauan pasarnya serta lebih mudah dalam mengelola laporan penjualan.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.