An international association advancing the multidisciplinary study of informing systems. Founded in 1998, the Informing Science Institute (ISI) is a global community of academics shaping the future of informing science.

Stunting di Indonesia adalah sebuah masalah yang cukup serius untuk diselesaikan. Stunting sudah berdampak 21,9% atau kisaran 149 juta anak pada usia di bawah usia 5 tahun, yang sudah membuat kasus kematian sebanyak 45% karena stunting. Hal tersebut menjadikan Desa Randudongkal harus diperhatikan mengenai kasus stunting. Menggunakan metode algoritma K-Means yang dapat menganalisis dengan baik, karena K-Means merupakan sebuah algoritma pengelompokkan atau klastering data ke dalam beberapa kelompok atau klaster. Metode K-Means ini juga banyak digunakan oleh para peneliti untuk menganalisis kasus stunting. Adapun teknik pengumpulan data yang digunkaan adalah teknik observasi, peneliti datang langsung ke Puskesmas Randudongkal untuk melakukan wawancara dan pengumpulan data, dan di dapatkan sejumlah 200 dataset dalam observasi yang telah dilakukan. Penelitian yang dilakukan mengguakan metode Knowledge Discovery in Database (KDD) yang merujuk pada proses ekstrasi pengetahuan yang berguna, tersembunyi, dan potensial suatu basis data. Hasil dari penelitian yang telah dilakukan menghasilkan sebanyak 190 balita stunting dan 10 balita normal, dengan perhitungan analisis Davies-Boudlin Index (DBI) performa yang optimal adalah dari perhitungan K-9 yang menghasilkan analisis sebesar -0,673 yang berarti memiliki evaluasi cluster dengan baik karena nilai hasil perhitungannya mendekati 0.

Di era digital yang berkembang dengan cepat, banyak aplikasi yang membantu manusia, salah satunya adalah TikTok. TikTok merupakan aplikasi yang menampilkan video dengan berbagai jenis kategori, TikTok juga terdapat fitur marketplace, yaitu TikTok Shop. TikTok Shop merupakan sebuah fitur yang dapat digunakan untuk berbelanja dalam memenuhi kebutuhan. Hadirnya fitur TikTok Shop membuat orang-orang berpendapat terkait fitur tersebut, ada yang berpendapat positif dan juga negatif. Dengan adanya pendapat dari orang-orang tentang fitur TikTok Shop ini, dilakukan penelitian dengan tiga algoritma, yaitu K-Nearest Neighbor mendapatkan hasil akurasi sebesar 94%, Decision Tree dengan akurasi sebesar 96% dan Naive Bayes dengan akurasi sebesar 98%. Penelitian ini dilakukan untuk menyediakan data yang baik dan mudah dimengerti terkait pendapat pengguna TikTok Shop, sehingga dapat menjadi landasan evaluasi untuk perbaikan fitur TikTok Shop.

This study emphasizes the importance of facial detection for improving road safety through driver behavior analysis. Its employs quantitative methodology to underscore the importance of facial detection in enhancing road safety through driver behavior analysis. The research utilizes the Python programming language and applies the Haar cascade method to investigate how environmental factors such as low light, shadows, and lighting changes influence the reliability of facial detection. Employing the AdaBoost algorithm, the study achieves face detection rates exceeding 95%. Practical testing with an ASUS A416JA laptop and Raspberry Pi under varied lighting conditions and distances demonstrates optimal performance in detecting faces between 30 cm and 70 cm, with reduced efficacy outside this range, particularly in low light conditions and at night. Challenges identified include decreased performance in low light conditions, emphasizing the need for improved algorithmic calibration and enhancement. Future research directions involve refining detection algorithms to effectively handle diverse environmental conditions and integrating advanced machine learning techniques, thereby enhancing the accuracy of driver behavior analysis in real-world scenarios and contributing to advancements in road safety

The use of a static modulation coding scheme (MCS), such as 7, and resource keep probability ($P_{rk}$) value, such as 0.8, was proven to be insufficient to achieve the best packet reception ratio (PRR) performance. Various adaptation techniques have been used in the following years. This work introduces a novel optimization algorithm approach called the fuzzy inference reinforcement learning (FIRL) sequence for adaptive parameter configuration in cellular vehicle-to-everything (C-V2X) mode-4 communication networks. This innovative method combines a Sugeno-type fuzzy inference system (FIS) control system with a Q-learning reinforcement learning algorithm to optimize the PRR as the key metric for overall network performance. The FIRL sequence generates adaptive configuration parameters for $P_{rk}$ and MCS index values each time the Long-Term Evolution (LTE) packet is generated. Simulation results demonstrate the effectiveness of this optimization algorithm approach, achieving up to a 169.83% improvement in performance compared to static baseline parameters.