Masalah ekonomi di Indonesia menjadi penghambat keberlangsungan pendidikan di Indonesia, sehingga terciptalah program beasiswa. Beasiswa ditujukan bagi siswa kurang mampu dan siswa berprestasi. Untuk menentukan penerima beasiswa dilakukan seleksi dimana terdapat beberapa kriteria yang telah ditentukan, dengan mempertimbangkan aspek yang paling berpengaruh dalam pemilihan penerima beasiswa. Untuk mendapatkan kriteria terbaik dalam penentuan penerima beasiswa dapat dilakukan dengan menggunakan Sistem Pendukung Keputusan dengan metode Analytical Hierarchy Process dimana input utamanya adalah persepsi manusia. Kriteria yang digunakan dalam penelitian ini adalah Nilai, Prestasi Mahasiswa, dan Sosial yang dianggap paling berpengaruh dalam pemilihan beasiswa berprestasi. Setiap kriterika akan diberi bobot, yang dilakukan dengan membandingkan kriteria satu dengan yang lainnya. Hasil penelitian ini menunjukkan bahwa kriteria yang sangat berpengaruh terhadap penentuan penerima beasiswa adalah dari segi nilai yang diperoleh mahasiswa, dengan persentase 64,8%, Prestasi Mahasiswa dengan persentase 22,9% dan Sosial dengan persentase 12,2%.

Pendekatan biologi komputasi telah maju secara eksponensial dalam prediksi struktur sekunder protein yang sangat penting untuk industri farmasi. Ekstraksi fitur protein di dalam laboratorium memiliki informasi yang cukup untuk prediksi struktur sekunder protein yang digunakan dalam studi bioinformatika. Memprediksi struktur sekunder protein merupakan suatu permasalahan yang terdapat dalam bidang Bioinformatika. Terdapat beberapa metode yang telah diterapkan dengan tingkat akurasi yang dihasilkan berbeda-beda. Penelitian ini bertujuan untuk membandingkan model prediksi Support Vector Machine dengan K-Nearest Neighbor dalam memprediksi struktur sekunder protein.Dalam penelitian ini, model Support Vector Machine dan K-Nearest Neighbor disajikan dalam dataset RS126 yang terdiri dari 126 data protein dengan panjang urutan protein rata-rata 185 sekuens. Data RS126 juga terdiri atas 32% alpha helix (H), 21% beta (E), dan 47% coil (C). Masing-masing model prediksi pada penelitian ini diberikan nilai lebar sliding window sebesar 15. Nilai K = 5, K=10, dan K= 15 untuk model prediksi KNN serta Nilai C = 1, Gamma = 0,1 dan Kernel Radial Basis Function untuk model prediksi SVM. Penggunaan model Support Vector Machine dan K-Nearest Neighbor digunakan untuk memperoleh hasil yang relavan serta akurat dalam prediksi struktur sekunder. Beberapa prinsip yang diusulkan memiliki klarifikasi biologis yang menarik dan relevan. Hasil yang diperoleh menegaskan bahwa keberadaan asam amino tertentu dalam urutan protein meningkatkan stabilitas untuk prakiraan stuktur sekunder protein. Dalam penelitian ini algoritma KNN memiliki performa yang lebih baik dalam memprediksi struktur sekunder protein dibandingkan dengan algoritm SVM.

Kucing merupakan salah satu hewan yang banyak dipelihara oleh masyarakat. Penyakit kulit pada kucing seringkali membuat pemiliknya merasa bingung dan terkendala dalam diagnosa penyakit kulit pada kucing yang dipelihara. Butuh perawatan lebih untuk menjaga kesehatan kulit kucing dan perlunya pemahaman bagi pemilik kucing untuk mengetahui cara menangani apabila kucing terserang penyakit kulit. Dengan adanya sistem pakar dapat diketahui penyakit kulit apa yang sedang dialami oleh kucing tersebut dan dapat memberikan solusi. Metode dempster shafer memiliki kemampuan dalam memberikan tingkat keakuratan yang tinggi, dimana metode ini mampu berpikir layaknya seorang pakar, namun dengan menggunakan perhitungan melalui gejala yang memiliki nilai densitas. Sistem pakar diagnosa penyakit kulit kucing dengan metode dempster shafer berbasis web dapat mempermudah bagi pemilik kucing dalam mencari informasi jenis penyakit kulit pada kucing, juga dapat mendiagnosa penyakit dan memberikan solusi dari penyakit kulit tersebut. Hasil akurasi yang diperoleh dari perhitungan manual sebesar 90% dan hasil akurasi yang diperoleh dari sistem sebesar 83%.