Arsitektur deep learning VGG16 terbukti efektif dalam hal melakukan klasifikasi citra pada dataset ImageNet, akan tetapi memiliki keterbatasan dalam jumlah parameter sangat banyak dan potensi overfitting pada dataset kecil. SVM memiliki kelebihan dalam hal menangani masalah overfitting pada dataset yang relatif kecil, sementara VGG16 memiliki keunggulan dalam mengekstraksi fitur yang berkualitas dari citra dengan performa yang sangat baik. SVM juga dapat membantu memperbaiki kinerja klasifikasi pada VGG16 dengan meminimalkan risiko overfitting dan meningkatkan akurasi klasifikasi pada dataset yang relatif kecil. Oleh karena itu, penulis memilih untuk hybrid algoritma VGG16Net Dengan Support Vector Machine Untuk Klasifikasi Jenis buah dan sayuran, yang nantinya arsitektur VGG16 digunakan untuk ekstraksi fitur dari citra dan fitur-fitur tersebut dijadikan input untuk SVM. Keputusan menggunakan VGG16 digabungkan dengan SVM adalah untuk meningkatkan akurasi klasifikasi dataset citra buah dan sayuran, Namun, penggunaan SVM membutuhkan pemilihan parameter yang tepat dan teknik prapemrosesan data yang tepat untuk mencapai hasil yang baik. Dan dalam penelitian ini penulis berhasil mengklasifikasikan citra buah dan sayuran, akurasi sebelum hybrid svm mendapatkan 94.52% training accuracy dan testing (validation) accuracy sebesar 87.85%. dan hasil loss mendapat training loss sebesar 0.58 dan testing loss accuracy sebesar 12.5%. Setelah dilakukan hybrid vgg16 dengan svm didapatkan training accuracy sebesar 99.87 % dan testing (validation) accuracy sebesar 91.76 %. Untuk hasil loss mendapat training loss sebesar 0.13 dan testing loss accuracy sebesar 8.24%. Oleh karena itu, arsitektur CNN VGG-16Net digabungkan dengan SVM dapat menghasilkan model klasifikasi yang baik, terutama pada dataset yang relatif kecil dan dapat menjadi pilihan yang sesuai dalam klasifikasi citra.

Gempa bumi adalah suatu peristiwa alamiah yang terjadi saat terjadi pelepasan energi secara tiba-tiba dalam kerak bumi, mengakibatkan getaran dan guncangan pada permukaan bumi. Gempa bumi merupakan salah satu bencana alam yang dapat menyebabkan kerusakan fisik yang besar, dampak ekonomi yang signifikan, dan hilangnya nyawa manusia. Beberapa penyebab gempa bumi antara lain aktivitas tektonik lempeng bumi, pergerakan lempeng tektonik, dan deformasi kerak bumi. Untuk mengurangi jumlah korban jiwa, perlu dilakukan prediksi kapan gempa bumi akan terjadi di suatu wilayah. Salah satu cara untuk memprediksi ialah dengan menggunakan metode Machine Learning yaitu Random Forest (RF), metode ini memanfaatkan beberapa pohon keputusan yang selanjutnya dilakukan voting untuk menentukan keputusan akhir prediksi . Model yang baik adalah model yang menghasilkan kesalahan seminimal mungkin. Oleh karena itu, penulis melakukan skema seleksi fitur untuk mengolah fitur-fitur yang memiliki korelasi yang kuat. Prediksi menggunakan RF dengan seleksi fitur menghasilkan F1 score sebesar 92.23%, yang lebih baik 5.02% dibandingkan tanpa menggunakan seleksi fitur. Metode RF + Seleksi Fitur ini juga jauh lebih baik jika dibandingkan metode machine learning tradisional lainnya seperti SVM, Naïve Bayes, dan Decision Tree.

Dalam rangka untuk meningkatkan pengetahuan tentang teknologi, terutama di bidang teknologi informasi, pembekalan materi tentang Internet of Things (IoT) dilakukan di Pondok Pesantren Al Hikmah 2. Tujuan dari pembekalan materi untuk memberikan pemahaman, pengetahuan, dan manfaat nyata bagi siswa terkait konsep dan penerapan teknologi IoT dalam kehidupan sehari-hari mencakup aspek kesetaraan akses teknologi, pengembangan lingkungan yang cerdas, efisiensi dan produktivitas. Selain itu juga, sebagai gambaran implementasi IoT yang diterapkan di industri. Metode yang digunakan yaitu melakukan penyampaian teori dasar, workshop, implementasi dan kuesioner kepuasan dalam pemaparan materi workshop. Kegiatan dilaksanakan di ruang kelas SMK AL-Hikmah 2 Sirampog, Brebes dan diikuti oleh 60 peserta. Peserta dilatih menggunakan mikrokontroler  dan  juga  sensor serta  perangkat IoT.  Peserta  sangat  antusias  dengan diadakannya pelatihan dan workshop ini, terlihat dari hasil kuesioner kepuasan peserta yang menunjukkan rata-rata menjawab sangat puas sebanyak 31 siswa dan 29 siswa menjawab puas dengan pelatihan ini