The population of active students in the Informatics Bachelor Program, Universitas Amikom Yogyakarta, in the odd semester of 2021 is 3,870. Efforts to track interest in the three concentration options were carried out early on through article literacy recommendations. Various articles are produced continuously and provided on an ongoing basis to students. However, the many articles offered daily make students overwhelmed and tend to choose articles that do not match what they want. To help solve this problem, recommender system is developed. A recommender system helps to estimate the prediction value or relevancy of an article and create a ranking according to user's taste. Content-based Filtering technique is used in this research. Using the dataset from Kabar Informatika news portal of University of Amikom Yogyakarta, the developed Content-based Filtering Recommendation System is able to produce Recall@5 score at around 73% and Recall@10 at around 80%.

Penyakit pada tanaman padi merupakan salah satu faktor yang menyebabkan turunnya tingkat produksi padi. Penyakit tersebut adalah bacterial leaf blight, leaf smut, brown spot dan sebagainya. Upaya identifikasi sejak dini penyakit tanaman padi dilakukan dengan pemanfaatan algoritma, salah satunya GLCM dan klasifikasi KNN. Identifikasi jenis penyakit menggunakan metode klasifikasi KNN berdasarkan eksktraksi fitur GLCM dengan mengubah citra asli menjadi citra keabuabuan (grayscale). Setelah citra asli tersebut diubah menjadi citra keabu-abuan (grayscale), kemudian diekstraksi menggunakan GLCM untuk mendapatkan ekstraksi nilai ciri. Digunakan metode KNN untuk mengelompokkan jenis kemiripan penyakit. Data yang digunakan sebanyak 240 gambar diperoleh dari UCI Machine Learning Repository yang terdiri atas 3 jenis penyakit padi. Sebanyak 210 gambar sebagai data training dan 30 gambar lainnya untuk data uji. Hasil penenlitian ini setelah dilakukan 2 kali proses uji, tingkat akurasi tertinggi yang didapatkan sebesar 93,3%. Kata Kunci: penyakit daun padi, klasifikasi, GLCM, KNN.

<p>Abstrak. Keaneragaman <em>podcast</em> dari berbagai sudut pandang merupakan tantangan yang perlu dipecahkan dalam rangka pemilihan rekomendasi konten, agar sampai ke pendengar sesuai dengan seleranya. Paper ini menyajikan hasil analisis terhadap pendekatan-pendekatan sistem rekomendasi yang dapat diterapkan pada <em>podcast</em>. Metode yang digunakan dalam kajian ini adalah tinjauan kepustakaan meliputi proses membaca serta menganalisis artikel dalam jurnal, laporan riset terdahulu, paten serta pemberitaan yang terkait dengan <em>podcast</em>. Hasil kajian menyimpulkan bahwa tingginya tingkat keaneragaman podcast dan perilaku pendengarnya menciptakan peluang eksplorasi penelitian disebabkan karena sedikitnya jumlah penelitian terkait untuk menjawab tantangan-tantangan yang terus berkembang.</p><p><strong>Kata kunci</strong><strong><em>:</em></strong><em> Sistem Rekomendasi, Podcast, Pengambilan Informasi</em></p><p><em> </em></p><p><em>Abstract. The diversity of podcasts from various points of view is a challenge that needs to be solved in the context of selecting content recommendations, so that it reaches listeners according to their tastes. This study aims to analyze the recommendation system approaches that can be applied to podcasts. The method used in this research is a literature review which includes the process of reading and analyzing articles in journals, previous research reports, patents and news related to podcasts. The results of the study conclude that the high level of diversity of podcasts and their listeners' behavior creates opportunities for research exploration due to the small number of related studies to answer the challenges that continue to grow.</em></p><p><strong><em>Keywords</em></strong><em>: Recommender System on Podcast, Information Retrieval, Podcast</em></p>

Setiap orang memiliki selera makan yang berlainan. Berdasarkan penelitian, diketahui bahwa karakter rasa sebuah makanan mempengaruhi selera seseorang. Adanya hubungan antara selera makan seseorang dengan karakter rasa sebuah makanan ini dapat dimanfaatkan sebagai faktor penentu rekomendasi restoran.Penelitian ini memperkenalkan pemodelan sebuah sistem rekomendasi restoran dengan preferensi selera makan penggunanya sebagai faktor utama dalam mempengaruhi hasil rekomendasi. Selera seorang pengguna terhadap makanan dimodelkan dengan sembilan atribut yaitu sweet, savory, salty, sour, bitter, sauce, spicy, vegetable dan meat. Masing-masing atribut berisi bobot nilai antara 0 sampai 1 untuk merepresentasikan dominasi selera. kesembilan atribut ini juga digunakan untuk merepresentasikan karakter setiap makanan yang disediakan restoran. Rekomendasi restoran dapat ditentukan dengan cara menghitung korelasi antara preferensi selera pengguna dan karakter rasa makanan menggunakan persamaan Pearson Correlation.Dengan pendekatan ini, sistem Jogjanan Kuliner memiliki keunggulan mampu mengenali selera makan seseorang. Sehingga selain merekomendasikan restoran, sistem Jogjanan Kuliner juga memberikan rekomendasi makanan sesuai dengan selera penggunanya.

Cara pemilihan umum, baik dalam aspek teknis maupun pelaksanaannya, masih mengandalkan metode manual yang dianggap lambat dan rumit. Hal ini disebabkan oleh kebutuhan pemilih untuk membawa undangan fisik, yang memaksa panitia pemilu untuk memverifikasi data secara individu. Oleh karena itu, penulis mengusulkan penggunaan metode pemilihan umum elektronik (E-Voting) yang menggunakan pengenalan wajah (face recognition). Metode yang digunakan dalam penelitian ini melibatkan Histogram oriented gradient (HoG) dan Convolutional Neural Network (CNN). Sampel penelitian terdiri dari 32 relawan. Proses pengujian dilakukan melalui simulasi untuk membandingkan waktu yang diperlukan antara metode manual dan metode E-Voting yang menerapkan HoG dan CNN. Hasil pengujian simulasi menunjukkan bahwa rata-rata waktu yang dibutuhkan oleh metode manual adalah 41.03 detik, sementara rata-rata waktu yang dibutuhkan oleh metode pengenalan wajah adalah 22.13 detik. Berdasarkan angka tersebut, sistem E-Voting yang menerapkan pengenalan wajah berhasil mempercepat proses pemilihan sebesar 46.06%.