Most of recommender systems are based on content can be helpful to find recommendation book suitable for reader but it only consider about a liked book by user without considered about the disliked one. For solving the problem, a recommendation based on content of liked and dislike book by user is done. In this research, we applied Binary Particle Swarm Optimization(BPSO) to select feature from book that the reader like and K-Nearest Neighbor(KNN) are use for classify book data which had the closest distance to the book that the reader liked and disliked. Testing the accuracy of the recommendations is done by comparing the results of recommendations in the book data that do not apply feature selection with book data that applies selective features to test the effect of application of feature selection on book recommendations. The result of book recommendation accuracy testing with feature selection give a better recommendation for user than recommendation without feature selection.

No abstract

No abstract

Penurunan kualitas yang diakibatkan adanya noise atau kontras yang tidak normal pada citra mengakibatkan objek pada citra menjadi tidak jelas. Masalah itu dapat disebabkan perangkat yang digunakan menimbulkan noise atau tidak bisa menghasilkan kontras yang normal. Adanya noise dan kontras rendah gelap berdampak besar terhadap kualitas citra?, proses reduksi noise yang berukuran besar 45% akan berpengaruh pada informasi didalam citra sehingga kualitas citra hasil reduksi menjadi hal yang perlu dipertimbangkan untuk noise berukuran besar?. Penelitian tahun 2019 menggunakan algoritma Iterative Denoising and Backward Projections with CNN (IDBP-CNN) dinyatakan mampu mereduksi noise hingga 51% dengan kualitas PSNR diatas 30 dB dengan mengabaikan kontras dari citra. Sedangkan algoritma untuk meningkatkan kontras citra menggunakan algoritma Triangular Fuzzy Membership?Contrast Limited Adaptive Histogram Equalization (TFM-CLAHE) juga diklaim mampu meningkatkan kontras citra dengan kualitas PSNR di atas 20 dB, yang lebih baik dibandingkan dengan algoritma CLAHE. Berdasarkan hasil pengujian yang dilakukan pada 10 citra kontras rendah gelap dengan noise 45% didapatkan kombinasi algoritma TFM-CLAHE diikuti IDBP-CNN lebih baik dengan rata-rata hasil PSNR = 31.69 dB, dibandingkan sebaliknya PSNR = 31.01 dB, Namun rata-rata keragaman informasi citra hasil dengan kombinasi IDBP-CNN diikuti TFM-CLAHE lebih kecil selisihnya terhadap citra asli berdasarkan Shanon Entropy sebesar 3.77% dibandingkan sebaliknya 4.75%

No abstract