Permasalahan pengelolaan data operasional perkebunan tebu di Desa Karangrejo, Jember masih dilakukan secara manual menggunakan pencatatan fisik. Metode tersebut memiliki berbagai kelemahan, seperti risiko kehilangan data, kesalahan pencatatan, serta rendahnya efisiensi dalam pengolahan informasi. Selain itu, belum adanya integrasi data cuaca dalam sistem pengelolaan menjadi kendala dalam mendukung pengambilan keputusan yang tepat. Penelitian ini bertujuan untuk mengembangkan Sistem Manajemen Perkebunan Tebu berbasis web (SIMPERTEBU) guna meningkatkan efisiensi dan efektivitas pengelolaan data. Sistem dibangun menggunakan Firebase sebagai backend, meliputi Authentication untuk keamanan dan Realtime Database untuk pengelolaan data, serta terintegrasi dengan API OpenWeather untuk menyediakan informasi cuaca secara real-time. Hasil penelitian menunjukkan bahwa sistem mampu mengintegrasikan data lahan, aktivitas, biaya, dan cuaca dalam satu platform. Sistem ini meningkatkan efisiensi pencatatan dan pelaporan, serta menyajikan data dalam bentuk visual yang lebih informatif. Dengan demikian, SIMPERTEBU dapat menjadi solusi efektif untuk meningkatkan akurasi data, kemudahan akses, dan mendukung pengambilan keputusan berbasis data dalam pengelolaan perkebunan tebu.

Banjir merupakan salah bencana alam yang paling sering terjadi di Indonesia. Becana ini memilki berbagai dampak yang signifikan dalam berbagai aspek, mulai dari aspek sosial, ekonomi, hingga lingkungan. Oleh karena itu, diperlukan sistem peringatan dini yang mampu memberikan prediksi secara akurat sebagai upaya mitigasi preventif. Penelitian ini bertujuan untuk mengembangkan sistem prediksi daerah rawan bencana banjir yang diterapkan pada website bernama "Smart Mitigation" menggunakan medel machine learning Long Short-Term Memory (LSTM) dan Random Forest. Data yang digunakan dalam platform ini memiliki karakteristik non-linear, fluktuatif, serta memiliki ketergantungan temporal. Proses pengolahan data antara lain meliputi preprocessing, feature engineering, serta data augmentation untuk mengatasi imbalance data. Model yang dibangun kemudian diintegrasikan ke dalam aplikasi sebagai fitur utama dalam mendukung mitigasi bencana. Hasil penelitian menunjukan bahwa pendekatan machine learning mampu memberikan performa prediksi yang baik dan dapat dimanfaatkan sebagai sistem pendukung keputusan dalam mitigasi banjir. Model ini memperoleh accuracy sebesar 96,67%, precision sebesar 100%, recall sebesar 83,33%, F1-score sebesar 0,9091, serta ROC-AUC tertinggi yaitu 0,9792. Dengan adanya sistem ini, diharapkan dapat meningkatkan kesiapsiagaan masyarakat dan membantu pihak terkait dalam mengambil langkah preventif sebelum terjadinya bencana.

PT. Sentra Vidya Utama (SEVIMA) merupakan perusahaan teknologi pendidikan (EdTech) yang memiliki produktivitas tinggi namun menghadapi tantangan dalam pengelolaan barang kebutuhan rumah tangga layak pakai milik karyawan yang sudah tidak digunakan. Kurangnya wadah yang memfasilitasi distribusi barang-barang tersebut menyebabkan potensi nilai guna barang menjadi terbuang. Oleh karena itu, diperlukan sebuah platform digital yang mampu mengelola transaksi barang bekas secara transparan sekaligus memberikan dampak sosial bagi masyarakat luas. Kegiatan magang ini difokuskan pada pengembangan website "SEVIMA Lelang" yang dirancang untuk memfasilitasi proses lelang barang dengan antarmuka yang responsif. Dalam pengembangannya, sistem ini menerapkan Arsitektur Service Module. Penerapan arsitektur ini bertujuan untuk memisahkan logika bisnis (business logic) ke dalam modul-modul servis yang independen, sehingga kode program menjadi lebih terstruktur, mudah diuji (testable), dan memiliki skalabilitas yang baik untuk pengembangan fitur di masa mendatang. Hasil dari pengembangan ini adalah sebuah sistem lelang terintegrasi yang mencakup modul bidding secara real-time, manajemen item, serta dashboard untuk penjual, pembeli, dan administrator. Dengan adanya platform ini, karyawan SEVIMA dapat menyalurkan barang tidak terpakai secara produktif, sementara masyarakat umum mendapatkan akses terhadap barang berkualitas dengan harga terjangkau. Selain itu, penerapan Arsitektur Service Module berhasil meningkatkan efisiensi dalam pemeliharaan kode dan standarisasi pengembangan perangkat lunak di lingkungan Tim Transformer PT. Sentra Vidya Utama.

Penelitian ini bertujuan untuk memprediksi status gizi balita berdasarkan data indikator kesehatan menggunakan metode Long Short-Term Memory (LSTM). Permasalahan yang diangkat adalah keterbatasan pemantauan status gizi yang masih bersifat statis dan belum mampu menganalisis perubahan kondisi gizi secara berkelanjutan. Data yang digunakan berupa data antropometri balita, yaitu usia, berat badan, tinggi badan, dan jenis kelamin, yang bersifat runtun waktu (time series). Data diproses melalui tahap pembersihan, interpolasi, pelabelan ke dalam tiga kategori, yaitu normal, kurang, dan lebih, serta transformasi menjadi data sekuensial dengan panjang 6 bulan sebagai input model. Model terbaik diperoleh melalui pengujian hyperparameter dengan konfigurasi 32 unit LSTM, dropout 0,2, learning rate 0,005, batch size 32, serta dua dense layer berukuran 64 dan 32 unit. Hasil evaluasi menunjukkan validation loss sebesar 0,1197, test accuracy sebesar 93,66%, dan macro F1-score sebesar 0,8722. Hasil tersebut menunjukkan bahwa model mampu mengklasifikasikan data dengan baik pada seluruh kelas, termasuk kelas minoritas. Model ini berpotensi menjadi dasar pengembangan prediksi kondisi gizi balita berdasarkan data historis antropometri.

Laporan Tugas Akhir ini merangkum perjalanan saya dalam mengembangkan aset visual untuk aplikasi Augmented Reality (AR) "Edusains Kebun Qur'an", sebuah proyek yang berawal dari pencapaian tim kami sebagai Juara 1 kategori Hackathon di ajang KMIPN V. Berangkat dari kebutuhan anak usia dini (PAUD) terhadap media belajar sains dan nilai Islami yang interaktif, teknologi AR hadir sebagai solusi yang menawarkan pengalaman lebih interaktif. Namun, tantangan terbesar dari aplikasi AR berbasis mobile adalah beban komputasi. Jika aset 3D terlalu berat, aplikasi akan terasa lambat (lagging). Oleh karena itu, peran utama saya dalam penelitian ini adalah merancang, memproduksi, dan mengoptimasi model 3D agar tetap menarik bagi anak-anak namun sangat ringan saat dieksekusi oleh smartphone. Seluruh proses ini saya kerjakan menggunakan metode ADDIE (Analyze, Design, Development, Implementation, Evaluation), dengan mengandalkan perangkat lunak Blender untuk pemodelan dan Unity untuk integrasinya. Dalam tahap produksinya, saya secara khusus menerapkan teknik low poly modeling bergaya stylized yang dipadukan dengan pewarnaan dasar tanpa material kompleks (albedo only). Pendekatan ini sangat krusial dan terbukti efektif untuk menekan jumlah poligon hingga hanya berkisar di angka 500-1500 saja per objek. Hasilnya, saya berhasil memproduksi 8 model 3D buah-buahan Al-Qur'an (seperti delima, zaitun, pisang, kurma, dll.) yang kemudian diintegrasikan dan dikalibrasi presisi dengan marker pada buku cetak Smart Kids Book melalui Vuforia SDK. Performa dan visual aset 3D ini telah divalidasi dengan hasil yang sangat memuaskan, terbukti dari perolehan skor uji kelayakan sebesar 97?ri Ahli Media, 84?ri Ahli Materi, dan 90?ri respons guru serta orang tua pengguna. Secara keseluruhan, proyek ini membuktikan bahwa estetika visual dan efisiensi performa (frame rate) dapat berjalan beriringan untuk menciptakan media edukasi yang imersif dan stabil. Untuk rencana keberlanjutan ke depannya, saya menargetkan pengembangan aplikasi ini agar memiliki variasi aset 3D yang lebih luas, seperti penambahan seri hewan, sayuran, dan tumbuhan lain yang ada di dalam Al-Qur'an. Selain itu, saya juga merencanakan peningkatan interaktivitas objek melalui penambahan animasi gerak agar pengalaman belajar anak-anak dengan aplikasi "Kebun Qur'an" menjadi jauh lebih hidup dan menyenangkan.

Stunting merupakan salah satu permasalahan kesehatan yang berdampak pada pertumbuhan fisik dan perkembangan kognitif anak, sehingga diperlukan upaya pemantauan tumbuh kembang yang efektif dan berkelanjutan. Penelitian ini bertujuan untuk mengembangkan aplikasi mobile NutriGrowth berbasis Flutter sebagai solusi digital dalam monitoring pertumbuhan balita secara real-time. Aplikasi ini terintegrasi dengan perangkat pengukuran tinggi dan berat badan berbasis Internet of Things (IoT), sehingga mampu mencatat data secara otomatis tanpa input manual. Fitur utama aplikasi meliputi visualisasi grafik pertumbuhan, informasi standar tinggi dan berat badan sesuai usia, notifikasi jadwal posyandu dan imunisasi, serta layanan konsultasi dengan tenaga kesehatan. Metode pengembangan yang digunakan meliputi perancangan sistem, implementasi aplikasi menggunakan Flutter, serta integrasi dengan database dan protokol komunikasi MQTT. Hasil pengujian menunjukkan bahwa aplikasi mampu meningkatkan efisiensi pencatatan data, mempermudah pemantauan pertumbuhan balita, serta mendukung deteksi dini risiko stunting, yang dibuktikan melalui pengujian Black Box Testing dengan tingkat keberhasilan fungsi 100%, serta kuesioner kepuasan terhadap 95 responden di mana tidak ada satu pun yang memberikan respons negatif. Dengan demikian, aplikasi NutriGrowth diharapkan dapat menjadi solusi inovatif dalam mendukung layanan kesehatan berbasis digital di masyarakat.

Bencana banjir merupakan salah satu bencana hidrometeorologi yang sering terjadi di Indonesia dan berdampak signifikan terhadap kehidupan masyarakat, baik dari segi kerugian material maupun korban jiwa. Seringin meningkatnya kebutuhan akan informasi yang cepat dan akurat, diperlukan suatu sistem yang mempu tidak hanya memprediksi bencan, tetapi juga menyampaikan informasi secara efektif kepada masyarakat. Penelitian ini bertujuan untuk mengembangkan chatbot berbasis Artificial Intelligence (AI) dengan pendekatan Natural Language Processing (NLP) yang terintegrasi dalam sistem prediksi bencana banjir. Chatbot yang dikembangkan mampu memahami pertanyaan penggunaan menggunakan bahasa alami dan memberikan informasi secara real-time, seperti data korban meninggal, luka-luka, hilang, serta informasi kejadian berdasarkan waktu (hari ini, kemarin, atau tanggal tertentu). Metode yang digunakan meliputi proses NLP seperti normalisasi teks. Tokenisasi, serta pencocokan kata kunci, dan fuzzy matching. Hasil dari penelitian ini menunjukkan bahwa chatbot mampu meningkatkan kemudahan akses informasi dan mendukung mitigasi bencana secara efektif, dengan tingkat keberhasilan mencapai 100%. Dengan adanya sistem ini, diharapkan masyarakat lebih siap menghadapi bencana banjir.

Kabupaten Jember, khususnya di sepanjang aliran Sungai Kalijompo, merupakan wilayah dengan kerentanan tinggi terhadap bencana banjir. Sistem peringatan dini (Early Warning System) yang ada saat ini masih bersifat reaktif, hanya memberikan peringatan saat ketinggian air mencapai ambang batas kritis. Penelitian ini bertujuan membangun sebuah sistem prediksi ketinggian air sungai yang proaktif menggunakan metode Prophet Time Series Forecasting. Akuisisi data dilakukan secara otomatis melalui kamera CCTV yang diolah dengan teknik pengolahan citra digital untuk mendeteksi batas ketinggian air. Berdasarkan pengujian selama 109 hari, sistem berhasil mengumpulkan sebanyak 10.102 data deret waktu. Hasil pelatihan dan optimasi parameter pada model Prophet (menggunakan logistic growth, multiplicative seasonality, dan changepoint prior scale 0.5) terbukti meningkatkan akurasi secara signifikan. Evaluasi kinerja menunjukkan adanya penurunan nilai Mean Absolute Error (MAE) dari 4,38 cm menjadi 3,76 cm dan Mean Absolute Percentage Error (MAPE) dari 24,57% menjadi 16,90%, sedangkan Root Mean Squared Error (RMSE) sedikit meningkat dari 10,63 cm menjadi 10,87 cm. Model juga divalidasi mampu menangkap pola siklus fluktuasi harian sungai secara presisi ketika dibandingkan dengan data lapangan. Hasil penelitian ini secara efektif mengubah paradigma pemantauan dari sistem reaktif menjadi sistem peringatan dini yang proaktif, memberikan lead time yang lebih panjang bagi masyarakat sehingga mendukung efektivitas mitigasi bencana di Jember.