Kemajuan dalam ilmu pengetahuan dan teknologi mendorong adaptasi terhadap pemanfaatan teknologi di berbagai sektor, seperti komunikasi, pendidikan, dan informasi. Terutama dalam konteks teknologi pendidikan, dapat diamati bahwa pembelajaran online sedang mendapatkan popularitas yang signifikan di berbagai lembaga pendidikan. Oleh karena itu, penting untuk mengeksplorasi seberapa baik peserta didik dapat beradaptasi dengan lingkungan pembelajaran online. Memprediksi tingkat adaptasi peserta didik memiliki signifikansi yang besar bagi pendidik dan pengembang platform pembelajaran online, dengan tujuan meningkatkan efisiensi dan kualitas pengalaman belajar. Penelitian ini menggunakan dataset “Students Adaptability Level in Online Education” dengan menerapkan pendekatan Algoritma Decision Tree. Hasil penelitian memperoleh akurasi sebesar 95%, meningkat 7,44% dari penelitian sebelumnya yang hanya memperoleh akurasi sebesar 87,56% dengan menggunakan algoritma yang sama tanpa Feature Engineering. Hal ini menunjukkan bahwa Feature Engineering memegang peranan penting dalam klasifikasi tingkat kemampuan adapatasi siswa untuk mendapatkan hasil yang baik dengan akurasi yang tinggi.

Budaya kuliner Indonesia memiliki ciri khas dan karakteristik yang bermacam-macam pada setiap daerahnya. Makanan siap saji dan makanan cepat saji menjadi pilihan favorit anak muda zaman sekarang karena lebih praktis dan menghemat waktu, sementara makanan tradisional mengalami penurunan minat yang dapat mengancam pelestarian warisan kuliner nusantara. Salah satu tujuan dilakukannya penelitian ini adalah untuk membantu melestarikan dan mempromosikan kekayaan kuliner Indonesia terhadap kalangan anak muda dengan teknik klasifikasi berdasarkan daerah provinsi. Data diambil dari google images menggunakan bot yang mensimulasikan perilaku manusia ketika ingin mengambil link pada google images. Ada banyak metode deep learning dan machine learning yang dapat digunakan untuk mengklasifikasi citra makanan, contoh nya adalah CNN. Hasil dari menggunakan metode CNN menunjukkan nilai akurasi sebesar 64% dalam memprediksi citra makanan berdasarkan asal daerah. Hasil ini menunjukkan bahwa adanya beberapa kendala yang perlu diperhatikan. Salah satu penyebab rendah nya akurasi ini adalah variasi data yang kompleks dalam citra makanan dari kedua pulau dan memiliki kemiripan visual tertentu yang sulit di identifikasi oleh model sehingga menyebabkan adanya false positive dan false negative. Namun, metode CNN relatif cukup baik untuk diterapkan pada klasifikasi citra makanan khas Pulau Jawa dan Pulau Sumatra.