Tanaman Apel merupakan buah tahunan yang berasal dari daerah Asia Barat dengan iklim sub tropis. Di Indonesia tanaman Apel ditanam sejak tahun 1934 hingga saat ini. Tanaman Apel dapat tumbuh dan berbuah baik di daerah dataran tinggi. Para petani biasanya melakukan pencegahan penyakit atau hama dengan melakukan penyemprotan setiap 1 – 2 minggu sekali dengan dosis ringan. Pencegahan ini agar penyakit/hama dapat segera ditanggulangi dan baik jika dilakukan pada pagi atau sore hari. Terkadang petani juga membutuhkan seorang pakar dalam menentukan jenis hama/penyakit pada tanaman Apel agar dapet memberikan solusi terbaik. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali beragam jenis hama/penyakit tanaman Apel dengan cepat dan mudah. Teknologi Deep Learning, merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan depat. Deep Learning memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek pada citra. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Berdasarkan hasil uji coba, aplikasi berhasil diimplementasikan dengan baik menggunakan framework  dart berbasis android dengan hasil final test accuracy yang diperoleh yaitu didapat keakuratan sebesar 97,1%.

Covid-19 merupakan suatu penyakit pneumonia yang menjadi penyebab pandemi tahun 2020. Selama berlangsungnya pandemi, Covid-19 terus mengalami mutasi genetik yang menghasilkan varian-varian baru dengan fenotip, pola transmisi, dan virulensi yang beragam. WHO  sendiri mengelompokkan varian Covid-19 menjadi 3 varian, yaitu Variant of Interest (VoI), Variants under Monitoring (VUM), dan Variants of Concern (VoC) (Susilo et al., 2022). Omicron merupakan muatsi Covid-19 yang termasuk ke dalam dan diperkirakan memiliki daya transmisi lebih cepat daripada varian Delta sehingga diindikasi lebih cepat menyebar (Susilo dkk., 2022). Untuk itu dilakukan penelitian tentang analisis sentimen pengguna Twitter di Indonesia terhadap Covid-19 varian Omicron. Penelitian menerapkan tiga algoritma klasifikasi, di antaranya adalah algoritma Naïve Bayes, algoritma Support Vector Machine, dan algoritma Decision Tree. Penelitian dilakukan dengan menggunakan Python sebagai bahasa pemrograman dan Google Colaboratory sebagai tools. Penelitian ini menggunakan data Tweet sebanyak 3,931 data yang diambil dari tanggal 28 April 2022 hingga 4 Juni 2022. Tahapan pada penelitian ini terdiri dari penarikan data, data preprocessing, pelabelan sentimen, klasifikasi, pengujian model, visualisasi data, serta implementasi algoritma ke dalam platform website. Analisis yang dilakukan, algoritma akurasi tertinggi adalah algoritma Support Vector Machine dengan nilai akurasi sebesar 81,68%, kemudian algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 74,25%, dan algoritma Decision Tree menghasilkan nilai akurasi sebesar 72,77%. Pada ketiga algoritma menggunakan data uji sebanyak 202 data. Sementara itu berdasarkan analisis yang dilakukan, didapatkan sentimen netral dengan sentimen tertinggi sebesar 63,7%, lalu sentimen negatif sebesar 21,1%, dan sentimen positif sebesar 15,2%.

Adanya pandemi Covid-19 memberikan dampak yang luar biasa kepada hampir seluruh masyarakat di dunia, tidak terkecuali di Indonesia di mana Kementerian Kesehatan serta pemerintah yang terkait menerbitkan protokol kesehatan guna meminimalisasikan paparan yang diakibatkan oleh virus Covid-19. Salah satu protokol kesehatan tersebut yaitu menganjurkan masyarakat untuk selalu menggunakan masker saat beraktivitas baik itu di dalam maupun di luar ruangan. Dalam konteks ini, semua masyarakat dapat memainkan perannya masing-masing dengan berkontribusi untuk memerangi virus ini. Hal ini merupakan kesempatan yang bagus untuk para peneliti dalam bidang teknologi informasi untuk memanfaatkan kemajuan teknologi dalam membantu memerangi penyebaran virus corona, seperti pembuatan aplikasi untuk mendeteksi penggunaan masker. Penelitian ini membuat sebuah aplikasi untuk mendeteksi apakah objek yang terdapat pada preview image menggunakan masker atau tidak menggunakan masker. Pengumpulan data training dilakukan dengan pengambilan data dari situs kaggle berjumlah 1000 data citra yang terdiri dari 500 data citra menggunakan masker dan 500 data citra tidak menggunakan masker. Hasil yang diperoleh berdasarkan uji coba yang dilakukan terhadap 60 orang yang tidak terdapat dalam data training. Arsitektur MobileNetV2 digunakan dalam penelitian ini dan diimplementasikan dalam bahasa pemrograman Kotlin yang dapat digunakan oleh semua smartphone berbasis android. Akurasi pendeteksian penggunaan masker dari 30 data uji coba yang didapatkan adalah sebesar 90%.

Penelitian ini mengimplementasikan algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil dan motor. Proses pengelompokkan terdiri dari tahapan citra input yang ditransformasi ke grayscale, hasil dari citra grayscale tersebut diambil nilai garis tepi menggunakan operator Prewitt. Hasil nilai citra Prewitt disimpan ke dalam basis data. Tahapan selanjutnya untuk mengelompokkan data citra tersebut menggunakan algoritma K-Means. Citra yang dikelompokkan adalah kendaraan motor dan mobil dan pengelompokkan dibagi menjadi dua jenis citra. Tahapan awal adalah menentukan centroid yang diambil dari dua data nilai citra yang terdapat dalam basis data secara acak. Tahapan akhir adalah menghitung jarak antar nilai menggunakan jarak Euclidean untuk mencari perpindahan kelompok. Jika tidak ada perpindahan data maka kelompok dianggap stabil dan proses pengelompokkan selesai. Uji-coba aplikasi ini menggunakan 12 data citra (enam data citra mobil dan enam data citra motor) dengan latar belakang berwarna putih. Citra ini diambil berukuran 150 x 100 piksel. Dengan adanya aplikasi ini dapat mempermudah pengguna dalam mengelompokkan data citra kendaraan.

Pengolahan citra selalu berhubungan erat dengan warna, namun ada beberapa metode pada yang mempunyai banyak kekurangan seperti metode Hue Saturation Value (HSV) yang hanya dapat mengenali 6 warna saja dan beberapa model pengenalan citra lainnya seperti Hue Saturation Lightness (HSL), Hue Saturation Intensity (HSI),  Hue Chroma Lightness (HCL), dan masih banyak metode pengolahan citra lainnya yang penggunaannya tidak secara real time. Tujuan penelitian ini adalah merancang sebuah aplikasi pengolahan citra untuk mendeteksi warna berdasarkan kode heksa, kode Red, Green, Blue (RGB), dan pencatatan waktu pendeteksian yang dilakukan, mengimplementasikan Algoritma Midpoint ke dalam aplikasi, dan melakukan proses pengenalan citra tersebut secara real time. Algoritma Midpoint merupakan algoritma untuk mendapatkan titik tengah dari layar pada saat mengambil gambar objek menggunakan kamera smartphone. Titik tengah diperoleh dengan mendapatkan parameter yaitu koordinat ½ tinggi untuk sumbu y, dan ½ lebar untuk sumbu x sehingga dapat diperoleh titik pusat dari tengah layar. Dalam penelitian ini peneliti menggunakan bahasa pemrograman Java dengan JavaScript Object Nation (JSON) sebagai alat penyimpanan data dari warna yang digunakan untuk melakukan proses pengenalan warna Red, Green, Blue (RGB). Penelitian ini juga menambahkan metode Waterfall yaitu perencanaan, analisis, perancangan, implementasi, dan pengujian. Pada saat pengujian, peneliti menggunakan 15 data citra untuk diproses dan diharapkan adanya aplikasi ini dapat mempermudah pengguna dalam mengenali berbagai macam citra pada area di sekitar.