Penelitian ini bertujuan untuk menganalisis penggunaan Google Classroom dikalangan mahasiswa untuk belajar. Sampel data dari penelitian diambil dari responden yang mengisi kuisoiner dari Google Classroom yang telah dipersiapkan. Kemudian pengujian validitas data dari hasil kuisioner ini menggunakan software smart-PLS, yang mana data hasil software tersebut akan digunakan sebagai pengukuran tingkat penerimaan Google Classroom di Fakultas Teknik Universitas Mulawarman. Hasil dari penelitian ini menunjukan bahwa  penerimaan platform belajar online Google Classroom diterima dengan baik oleh mahasiswa, terbukti dari manfaat, kemudahan, penerimaan, penggunaan dan dalam situasi asli.

Metode belajar daring merupakan metode belajar tanpa ada pertemuantatap muka secara langsung antara pengajar dan pelajar. Metode belajar daring dilaksanakan dengan menggunakan media perangkat teknologi. Perangkat teknologi yang digunakan berupa perangkat keras dan perangkat lunak seperti aplikasi serta website. Salah satu perangkat lunak yang marak digunakan untuk belajar daring adalah Zoom. Zoom merupakan perangkat lunak online meeting yang bisa berisikan ribuan orang dalam sebuah meeting. Penelitian ini bertujuan untuk mengetahui faktor apa saja yang dapat menjadikan aplikasi belajar online dapat meningkatkan minat pembelajaran online atau daring. Hasil penelitian ini menemukan bahwa secara empiris bahwa sikap terhadap perilaku, persepsi pengendalian diri, dan norma subjektif diidentifikasi sebagai faktor yang berpengaruh terhadap niat. Penelitian ini diperoleh kesimpulan bahwa nilai Outer loadings menggambarkan besarnya korelasi antar setiap item pengukuran (indikator) terhadap variabelnya, terdapat 2 indikator dengan nilai Outer loadings dibawah nilai 0.6.

Indonesia adalah negara yang termasuk pengekspor ke negara-negara maju dan berkembang. Penelitian ini membahas tentang Penerapan Data mining Pada Ekspor Batubara Negara Tujuan Menggunakan Metode K-Means Clustering. Data penelitian ini dikumpulkan berdasarkan dokumen-dokumen keterangan ekspor impor yang dihasilkan oleh Direktorat Jenderal Bea dan Cukai. Data yang digunakan dalam penelitian ini adalah data dari tahun 2012- 2021 yang terdiri dari 10 Variabel yang digunakan (1) jumlah ekspor berat bersih (ton). Data akan diolah dengan melakukan clustering dalam 3 cluster yaitu cluster tingkat ekspor tinggi, cluster tingkat ekspor sedang, dan cluster tingkat ekspor rendah. Centroid data untuk cluster tingkat ekspor tinggi 94681,9, Centroid data untuk cluster tingkat ekspor sedang 17272,4, dan Centroid data untuk centroid data untuk cluster tingkat ekspor rendah 77,2. Sehingga diperoleh penilaian menggunakan perhitungan jarak Euclidean Distance dan Manhattan Distance dengan hasil clustering yang sama berdasarkan indeks ekspor batubara  dengan 4 negara cluster tingkat ekspor tinggi diantaranya adalah negara India, Tiongkok, Jepang, dan Korea Selatan serta 5 negara dengan tingkat ekspor sedang diantaranya Taiwan, Malaysia, Philipina, Thailand, dan negara lainnya. Pada negara cluster tingkat ekspor rendah yakni Hongkong dan Spanyol. Hal ini dapat menjadi masukkan kepada pemerintah, negara yang menjadi prioritas tertinggi pada kegiatan ekspor batubara berdasarkan cluster yang telah dilakukan.

Batik has several motifs and patterns so it is necessary to identify certain objects in an image, one of which is the recognition of the image of Yogyakarta batik using the Convolutional Neural Network (CNN) method which is already popular in the use of image data classification. The introduction of batik imagery aims to contribute to the digitization of batik image data and at the same time provide information on types of batik to the public. The batik image recognition process using CNN in this study combines the image segmentation process and the enhancement process with median filters and sharpening. The segmentation process carried out before CNN aims to help separate foreground objects from objects that are not needed in the background. The segmentation process that is commonly used is using K-means Clustering. Where K-means Clustering is used to group data in the same category. Furthermore, the enhancement process using the median filter and sharpening was carried out separately to compare the batik image classification process using CNN based on K-means Clustering from the median filter results and the sharpening results. The batik image classification process with CNN based on K-means Clustering on the median filter resulted in an accuracy value of 100%. Meanwhile, the batik image classification process with CNN based on K-means Clustering from the sharpening results resulted in an accuracy value of 80%.