Meteorological drought is commonly defined as a prolonged deficiency in precipitation relative to the climatological norm for a given region. However, limitations in robustly quantifying and monitoring drought severity continue to impede decision-making across multiple sectors. Conventional tools, have exhibited substantial limitations in terms of accuracy, spatial–temporal resolution, and generalizability. This paper presents a systematic literature review (SLR) focusing on emerging applications of machine learning (ML) and deep learning (DL) to prediction and monitoring meteorological drought, conducted in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) protocol. An initial pool of 79 peer-reviewed articles published between 2021 and 2025 were identified. The review process examined the articles based on predefined inclusion and exclusion criteria, 19 studies were ultimately retained for detailed analysis. Quality assessment scores for these studies ranged from 71.4% to 100%. The review highlights the increasing use of hybrid ML and DL models, which combine modeling paradigms, as an effective strategy to improve drought forecasting performance, exhibit strong predictive capabilities and offer a compelling alternative to traditional single-model approaches.

Power quality issues caused by nonlinear and unbalanced loads, such as harmonics, reactive power demand, and current imbalance, pose significant challenges in modern distribution networks. Shunt Active Power Filters (SAPFs) provide an effective solution, but their performance depends on advanced control strategies. This study proposes a hybrid approach that integrates Finite Control Set Model Predictive Control (FCS-MPC) with region-based voltage vector selection to achieve fast dynamic response and reduced switching losses. The grid voltage cycle is divided into six regions, with only four candidate vectors evaluated per region, minimizing computational complexity. A Kalman filter further enhances prediction accuracy by mitigating measurement noise and control delays. MATLAB/Simulink implementation on a low-voltage distribution network demonstrates effective harmonic suppression, balanced source currents, and robust performance under sudden load variations. Results confirm IEEE 519 compliance, ensuring practical and reliable power quality improvement in smart grids.

The rapid integration of photovoltaic systems into modern power networks has created operational challenges due to their intermittent and fluctuating output. To maintain power balance and enhance grid stability, large-scale and efficient energy storage solutions are essential. This paper presents the dynamic modeling and simulation of a piston-based gravity energy storage system integrated with PV power plant. A detailed MATLAB/Simulink model is developed, including the PV array, power electronic converters, motor–pump system, piston-based gravitational storage mechanism, and generator–load interface. During periods of surplus PV generation, the system operates in charging mode by driving the motor–pump unit to lift the piston, thereby storing energy as gravitational potential. During low PV output, the stored energy is released through the turbine–generator unit to support the load. Simulation results verify stable electrical performance, smooth transition between operating modes, and effective mitigation of PV power fluctuations, demonstrating the technical feasibility of the proposed PGES configuration.

Abstract – This study developed a neural network model for predicting cattle prices in South African livestock auctions based on breed (B), weight (W), time/season (T) and price (P) variables. Using the online auction dataset from 2023 - 2025, the model analyzed nonlinear relationships influencing price fluctuations, producing realistic per-cattle predictions ranging between ZAR 7,000 - ZAR 17,500, with projected increases up to ZAR 22,000 in future weeks. The results demonstrate the model’s capacity to capture market dynamics shaped by breed attributes, seasonal demand fluctuations, and animal mass. The results illustrate that artificial intelligence-led techniques, including neural networks, can substantially improve market prediction accuracy, enhance profitability, and inform strategic decisions in the livestock sector. Furthermore, this study provides a foundation for future research to expand predictive modelling beyond cattle, contributing to the development of a comprehensive livestock price prediction system that integrates multiple animal types under a unified intelligent forecasting framework.

One essential component of biometric identity is voice recognition technology, which uses speech pattern analysis to authenticate people. With an emphasis on machine learning classification techniques, this review article thoroughly examines the field of speech recognition. We examine the effectiveness of random forest (RF), multilayer perceptrons (MLP), k-nearest neighbours (KNN), and support vector machine (SVM) classifiers via painstaking analysis and empirical evaluation. Utilizing a collection of Sepedi speech audio files, our results demonstrate the remarkable accuracy of 99.86% that RF is capable of producing. Aside from visual aids for better understanding, assessment indicators like as accuracy, precision, recall, F-measure, and root mean square error (RMSE) clarify the effectiveness of the model. The research highlights how machine learning algorithms, especially reinforcement learning (RF), have the capacity to revolutionize speech recognition technology in a variety of contexts.

BC 4 HNI Pekanbaru merupakan cabang dari PT. HNI-HPAI Indonesia yang menjual berbagai macam produk. Tingginya transaksi namun tidak diiringi dengan promosi yang efektif menyebabkan beberapa produk kurang dikenal sehingga produk kurang laku. Penerapan asosiasi data mining dengan FP-Growth untuk mendapatkan aturan asosiasi produk, bertujuan agar rules dapat dikembangkan menjadi strategi penjualan dengan pendekatan CRM. Pendekatan CRM dengan menggunakan teknik cross-selling dan up-selling dapat meningkatkan penjualan. Pada cross-selling, dilakukan penawaran barang lain yang memiliki kaitan dengan barang yang akan dibeli, sedangkan up-selling dilakukan dengan mengarahkan pembeli untuk melakukan pembelian barang dengan value yang lebih tinggi dari rencana awal sehingga meningkatkan penjualan barang yang kurang laku. Maka dari hasil 20 dengan variasi nilai percobaan menggunakan data transaksi bulan Juli 2023-Desember 2023 yang telah dilakukan dari pengolahan data dengan FP-Growth, rules yang mencukupi nilai min support 5% dan min confidence 70% kemudian menjadi dasar strategi cross-selling serta rules yang mencukupi nilai min support 5% dan min confidence 10% untuk up-selling.

Seiring dengan perkembangan teknologi, pertumbuhan e-commerce mengalami peningkatan secara signifikan. Hadirnya aplikasi Shopee sebagai salah satu platform e-commerce terkemuka telah mendorong pengguna untuk melakukan transaksi belanja secara online. Dalam konteks ini, perhatian terhadap peningkatan kualitas aplikasi menjadi penting, khususnya melalui evaluasi ulasan pengguna dengan menggunakan analisis sentimen. Analisis sentimen umumnya mengadopsi pendekatan machine learning, meskipun transparansi dalam proses analisis menjadi tantangan utama. Penelitian ini mencoba mengatasi tantangan tersebut dengan menerapkan aspek baru dari Artificial Intelligence (AI), yang dikenal sebagai eXplainable Artificial Intelligence (XAI), khususnya pada analisis sentimen yang disebut Explainable Sentiment Analysis. Metode Local Interpretable Model-agnostic Explanations (LIME) digunakan untuk menjelaskan faktor-faktor yang mempengaruhi prediksi model machine learning. Model yang dievaluasi yaitu Logistic Regression, Random Forest, Support Vector Machine, dan Naïve Bayes. Hasil penelitian memberikan wawasan yang berharga tentang alasan di balik prediksi sentimen pada ulasan, sehingga diharapkan dapat meningkatkan pemahaman tentang bagaimana model machine learning membuat prediksi pada data tertentu.

Image processing banyak digunakan diberbagai bidang kehidupan diantaranya dibidang kedokteran untuk mendiagnosa penyakit. Salah satu penyakit yang menggunakan image processing adalah tumor otak. Tumor otak merupakan penyakit yang sangat membahayakan manusia yang menyerang organ otak. Pada penelitian ini, membandingkan morfologi citra otak dengan menggunakan kernel 11 dan kernel 13. Data yang digunakan ada 5 citra otak hasil CT-Scan yang diproses menjadi 45 citra otak. Metode yang digunakan adalah metode morfologi dilasi, erosi, closing dan opening. Citra otak diproses menggunakan morfologi kernel 11 dan kernel 13 kemudian akan dibandingkan nilai citranya menggunakan nilai MSE, RMSE dan PSNR. Hasil penelitian citra otak yang tertinggi didapat dari kernel 11 yaitu metode closing dengan nilai MSE=453.634.918, RMSE=21.298.707 dan PSNR=21.563739 dB. Nilai terendah didapat dari kernel 13 metode dilasi dengan nilai MSE=9.101.720.394, RMSE=95.402.937 dan PSNR=8.539569 dB. Kesimpulanya, nilai kernel 11 lebih bagus hasilnya dibandingkan dengan kernel 13 jika ditinjau dari nilai PSNR.

Sulawesi Tengah sering mengalami bencana alam seperti gempa bumi, banjir, dan tanah longsor. Badan Penanggulangan Bencana Daerah Sulawesi Tengah bertugas mengelola, menanggapi, dan memberikan informasi yang akurat tentang peristiwa tersebut. Penelitian ini bertujuan untuk mengkategorikan wilayah Sulawesi Tengah berdasarkan intensitas bencana tahunan dengan metode k-means. Dengan menggunakan algoritma K-Means, setiap wilayah dikelompokkan menurut karakteristik kejadian bencananya. Memanfaatkan data dari Badan Penanggulangan Bencana Daerah (BPBD) Provinsi Sulawesi Tengah, studi ini berfokus pada pemahaman pola kejadian bencana dan klaster intensitas. Dari hasil Clustering yang di dapatkan tiap tahunya, jenis bencana banjir yang paling dominan terjadi di beberapa wilayah Sulawesi Tengah, serta wilayah-wilayah tersebut cenderung masuk dalam cluster 2 (intensitas bencana tinggi) atau 1 (intensitas bencana sedang) dan penelitian ini mencatat tren penurunan jumlah kejadian bencana seiring berjalannya waktu dalam skala tahun 2020 sampai 2023 yang mencapai 66%. Informasi yang diperoleh dapat memfasilitasi perencanaan mitigasi, meningkatkan efektivitas tanggap bencana di masa depan.

Untuk pertanian yang menggunakan greenhouse, kesehatan lingkungan khususnya tanah dan udara sangat penting. Oleh karena itu, kualitas tanah dan udara harus dikelola dengan baik. Salah satu cara untuk mengelola hal tersebut dengan menggunakan sistem wireless sensor network untuk mempermudah melakukan pemantauan oleh petani greenhouse. Konsep wireless sensor network ini menggunakan perangkat NRF24L01+ sebagai modul komunikasi dan ESP32 sebagai mikrokontroler pada master/receiver dan 5 node/transmitter dengan masing-masing node menggunakan sensor DHT22, Soil Moisture Sensor, MH-Z19, MQ-9, dan MQ-2. Fokus dan tujuan pada penelitian ini yaitu menganalisis Quality of Service pada sistem wireless sensor network dengan paramater uji latency/delay, uji throughput, uji jitter, uji packet loss yang diterapkan pada sistem pemantauan sebuah greenhouse. Hasil akhir penelitian membuktikan bahwa performa dari wireless sensor network adalah baik sekali, sehingga sistem dapat diterapkan pada pemantauan kualitas lingkungan pada greenhouse karena sistem dapat berjalan dengan real-time.