Indonesia terkenal sebagai negara agraris karena memiliki sumber daya alam melimpah yang didukung dengan tanah subur sehingga masyarakatnya mayoritas bermatapencaharian sebagai petani. Salah satu hasil pertanian yang berkontribusi terhadap kemiskinan di Indonesia yaitu beras. Beras dengan mudah dapat ditemukan di pasar baik pasar tradisional maupun pasar modern, namun ditengah pandemi virus corona (COVID-19) sekarang ini membuat orang merasa takut untuk pergi ke pasar karena pasar merupakan salah satu klaster terbesar penularan covid-19. Salah satu inovasi teknologi yang telah banyak digunakan dalam dunia perniagaan yaitu vending machine (VM). VM merupakan sebuah mesin penjualan otomatis yang biasanya terdapat di tempat ramai dan strategis. Hal ini yang mendasari untuk pembuatan simulasi VM beras dan diharapkan dapat menjadi salah satu solusi pemutus penyebaran dan penularan covid-19. Simulasi VM beras ini dapat melakukan penjualan otomatis beras dengan masukkan berupa uang kertas atau dengan e-money dan keluarannya berupa struk bukti pembelian beras dan 5 jenis beras. Metode yang digunakan yaitu Finite State Automata (FSA) jenis Non-deterministic Finite State Automata (NFA) yang didefinisikan lima tupel, dengan rumus: M = (Q, ?, ?, S, F). NFA dipilih karena dapat menjelaskan konsep kerja secara rinci sehingga mudah dipahami dan hasil dari FSA dapat dibuat konsep logika sederhana untuk implementasi.

Keseimbangan antara pasokan dan permintaan listrik sangat diperlukan untuk mendapatkan jaringan listrik yang stabil, agar dapat diketahui pola data kestabilan jaringan listrik ini maka diperlukan pengelompokkan atau pengklasifikasian terhadap data dengan memanfaatkan teknik data mining guna mengolah informasi. Untuk mencari metode data mining yang bisa menghasilkan akurasi terbaik dalam mengklasifikasikan data Kestabilan jaringan listrik, maka pada penelitian ini dilakukan perbandingan penerapan algoritma klasifikasi SVM dan Naïve Bayes terhadap dataset Electrical Grid Stability Simulated yang yang diambil dari UCI Machine Learning. Dari hasil pengujian klasifikasi kestabilan jaringan listrik yang telah dilakukan menggunakan aplikasi WEKA 3.8.2. Metode Support Vector Machine (SVM) menunjukan tingkat accuracy yang lebih baik yaitu sebesar 98.9%  jika  dibandingkan dengan metode Naive Bayes yang meghasilkan nilai akurasi sebesar 97.64% Hasil akurasi ini akan menunjukan hasil yang berbeda tergantung dengan jenis data, jumlah instance, label class dan Percentage split data yang digunakan.
 

Semakin meningkatnya perkembangan teknologi semakin banyak ragam buku yang beredar di internet. Seperti adanya sistem rekomendasi pada situs buku online yang menyediakan buku secara relevan dan sesuai kebutuhan dengan preferensi seseorang. Salah satu alternatifnya GoodReads yaitu situs jaringan sosial yang khusus pada katalogisasi buku dan pengguna dapat saling berbagi rekomendasi buku bacaan dengan memberikan rating, review maupun komentar. Sebagai situs rekomendasi buku yang besar, maka memiliki banyak data yang dapat diolah dengan menerapkan metode machine learning, namun masih belum diketahui model yang paling akurat. Dengan menggunakan model yang tepat, kita dapat memberikan rekomendasi yang lebih akurat. Untuk itu pada penelitian ini akan menganalisis data yang didapatkan dari www.kaggle.com yaitu dataset goodreads-books. Dalam penelitian ini, mengusulkan model klasifikasi data mining untuk mendapatkan model terbaik dalam merekomendasikan buku pada GoodReads. Algoritma yang digunakan yaitu Decision Tree, K-Nearest Neighbor, Naïve Bayes, Random Forest dan Support Vector Classifier, kemudian untuk evaluasi model menggunakan pengujian nilai accuracy, precision, recall, f1-score, confusion matrix, AUC dan Mean Error Absolute. Hasil pengujian beberapa algoritma klasifikasi diketahui bahwa Decision Tree memiliki akurasi tertinggi diantara metode yang dikomparasikan sebesar 99,95%, precision sebesar 100%, recall sebesar 96%, f1-score sebesar 98% dengan MAE sebesar 0.05 dan AUC sebesar 99,96%. Hal ini menjadi bukti bahwa algoritma Decision Tree dapat digunakan sebagai rekomendasi buku berdasarkan kategori buku pada GoodReads.

Abstrak
Pada penelitian ini yang  dijadikan objek penelitian dalam mengklasifikasikan anggur merah berdasarkan kualitas yang dipengaruhi oleh setiap anggur merah atau red wine berdasarkan pada kandungan setiap jenis wine, dari setiap atribut yang berisi komposisi dalam wine dilihat atribut mana yang paling mempengaruhi kualitas dari red wine, sehingga akan diketahui ingridents yang bisa meningkatkan kualitas dari wine tersebut, dalam penelitian ini dilakukan dengan penerapan Machine learning dengan membandingkan tiga algoritma data mining yaitu, Decission Tree, Random Forest dan Support Vector Machine (SVM), dari hasil penelitian yang telah dilakukan dengan mebandingkan ketiga algoritma, dihasilkan Random Forest menghasilkan akurasi paling baik diantara algoritma lainya yang telah diuji. Random Forest dengan hasil akurasi  0.7468 menjadikan algoritma ini paling baik digunakan untuk memgklasifikasikan kualitas red wine. Dan diurutan kedua  Decission Tree dengan hasil akurasi sebesar 0.7031, sedangkan Support Vector Machine (SVM) mendapatkan hasil akurasi sebesar 0.65. Jadi pada penelitian yang telah dilakukan untuk menngklasifikasikan kualitas red wine berdasarkan komposisinya Random Forest menjadi algoritma paling baik untuk digunakan.