Medicinal plants are one of Indonesia's biological resources widely utilized for traditional medicine. However, the identification process of medicinal plants is often performed manually, making it prone to errors. This research aims to develop a mobile application called Herba Nusantara that can identify medicinal plants using the Convolutional Neural Network (CNN) algorithm with the MobileNetV2 architecture. The dataset consists of 13 types of medicinal plants categorized into leaves, rhizomes, and stems, with a total of 1,625 images. The research stages include dataset preparation, preprocessing through resizing, augmentation, and normalization, model training using MobileNetV2 transfer learning, and model implementation into a Flutter application using TensorFlow Lite. Testing was conducted using two scenarios: a single-model approach and a multi-model approach. The results showed that the single-model approach achieved an accuracy of 98%, while the multi-model approach achieved accuracies of 100% for leaf and stem categories and 98% for the rhizome category. Based on these results, the multi-model approach was selected because it provides better classification performance.

Implementasi Quality Assurance Menggunakan Failure Testing Dalam Aplikasi MyEnviro Mobile Mohammad Thoriq Dhanies Adzdzikra, NIM E41221936, Tahun 2024, Teknologi Informasi, Politeknik Negeri Jember, Zilvanhisna Emka Fitri, ST. MT. (Dosen Pembimbing), Kholid Amrillah (Pembimbing Lapang). Politeknik Negeri Jember (Polije) merupakan perguruan tinggi yang menyelenggarakan pendidikan vokasi, yaitu program pendidikan yang mengarah proses belajar mengajar pada tingkat keahlian, keterampilan, dan standar kompetensi yang berkualitas dan relevan dengan kebutuhan industri. Salah satu kegiatan pendidikan akademik yang dimaksud adalah Magang, yang memiliki tujuan untuk mengambangkan wawasan, pengalaman, dan keterampilan mahasiswa agar memiliki kompetensi yang dibutuhkan industri sesuai dengan bidang keahliannya. Penulis memilih PT Xeno Persada Teknologi sebagai tempat magang yang merupakan sebuah perusahaan software house yang terletak di Surabaya, Jawa Timur. Setiap kegiatan di PT Xeno Persada Teknologi selalu dibimbing dan diberikan arahan oleh pembimbing lapang. Salah satunya yaitu, implementasi quality assurance pada aplikasi MyEnviro menggunakan failure testing. Aplikasi ini memiliki dua hak akses, yaitu untuk karyawan dan pelanggan yang dikembangkan untuk memudahkan manajemen sebuah perusahaan outsourcing Penulis berkesempatan melakukan quality assurance untuk aplikasi MyEnviro yang memiliki beberapa fitur yang harus diperiksa kualitasnya, seperti pengajuan kegiatan khusus, pengajuan dinas luar, monitoring laporan, dll.

Industri kopi robusta di Indonesia menghadapi tantangan dalam menjaga kestabilan kondisi lingkungan pada fase pembibitan, di mana pengelolaan secara konvensional belum mampu menjaga parameter suhu, kelembaban, dan pH tanah secara konsisten sehingga berdampak pada pertumbuhan bibit yang tidak optimal. Penelitian ini mengimplementasikan metode Adaptive Neuro-Fuzzy Inference System (ANFIS) pada sistem kontrol lingkungan greenhouse berbasis Internet of Things (IoT) untuk mengoptimalkan pertumbuhan bibit kopi robusta (Coffea canephora) melalui pengendalian otomatis kondisi suhu, kelembaban udara, dan pH tanah. Model ANFIS dilatih menggunakan 8.640 data dengan tiga variabel input dan tiga fungsi keanggotaan berbasis Generalized Bell per variabel sehingga menghasilkan 27 aturan fuzzy. Sensor DHT21 dan sensor pH tanah dikalibrasi menggunakan metode koreksi offset guna meningkatkan akurasi pembacaan sebelum diimplementasikan pada sistem, meskipun akurasi sensor pH tanah setelah kalibrasi belum mencapai tingkat yang ideal. Hasil penelitian menunjukkan bahwa model ANFIS menghasilkan nilai RMSE sebesar 0,0751 dengan tingkat akurasi keputusan pompa mencapai 95%, yang mengindikasikan bahwa model memiliki performa yang baik dalam mengklasifikasikan kondisi lingkungan greenhouse dan menghasilkan keputusan aktivasi pompa pengembunan secara otomatis. Parameter lingkungan yang digunakan telah divalidasi oleh pakar bidang budidaya tanaman perkebunan dan dinyatakan sesuai dengan kebutuhan fisiologis bibit kopi robusta, yaitu suhu 20–28°C, kelembaban 70–90%, dan pH tanah 5,5–6,5.

Pengembangan Aplikasi Android Untuk Monitoring Dan Kontrol Real-Time Budidaya Jamur Tiram Antirogo Berbasis Internet of Things, Bima Satria Buana E32230206, Tahun 2026, Teknik Komputer, Teknologi Informasi, Politeknik Negeri Jember, Ir. Surateno, S.Kom., M.Kom., (Dosen Pembimbing) Perkembangan teknologi Internet of Things mendorong penerapan sistem digital dalam sektor pertanian, termasuk pada budidaya jamur tiram. Proses budidaya jamur tiram memerlukan pemantauan dan pengendalian kondisi lingkungan secara tepat agar pertumbuhan jamur dapat berlangsung optimal. Penggunaan aplikasi berbasis perangkat mobile menjadi salah satu solusi untuk mempermudah proses monitoring dan kontrol lingkungan budidaya secara praktis dan fleksibel. Proyek ini membahas pengembangan aplikasi Android yang digunakan untuk melakukan monitoring dan kontrol kondisi budidaya jamur tiram Antirogo secara real-time. Aplikasi dirancang sebagai antarmuka mitra yang terhubung dengan sistem budidaya berbasis Internet of Things, sehingga mitra dapat memantau data lingkungan serta melakukan pengendalian sistem dari jarak jauh melalui perangkat Android. Pengembangan aplikasi Android ini diharapkan dapat memberikan gambaran mengenai pemanfaatan teknologi mobile dan Internet of Things dalam mendukung pengelolaan budidaya jamur tiram. Ringkasan ini menjelaskan ruang lingkup dan tujuan proyek sebagai upaya penerapan sistem monitoring dan kontrol yang lebih modern, terintegrasi, dan mudah diakses oleh mitra.

Perawatan tanaman multi-pot sering kali kurang efektif karena kebutuhan air setiap tanaman berbeda, sementara penyiraman manual cenderung dilakukan secara merata dan terkendala keterbatasan waktu pemilik. Untuk mengatasi masalah tersebut, penelitian ini merancang dan membangun sistem penyiraman otomatis berbasis Internet of Things (IoT) dengan memanfaatkan sensor kelembapan tanah dan pengaturan waktu sebagai pengendali utama. Sistem ini dirancang terintegrasi dengan web server agar dapat dipantau dan dikendalikan secara jarak jauh. Hasil dari tugas akhir ini diharapkan mampu menghasilkan sistem perawatan tanaman yang efisien, terstruktur, serta menjadi alternatif solusi otomasi berbasis IoT untuk skala rumah tangga maupun industri kecil.

Pelaksanaan ujian sekolah di MA Manbaul Ulum saat ini masih menggunakan aplikasi Madrasah CBT pihak ketiga yang berbayar dan terbatas, serta belum dilengkapi fitur analisis tingkat kesulitan soal secara objektif, sehingga penentuan tingkat kesulitan masih bergantung pada pertimbangan subjektif guru. Penelitian ini bertujuan mengembangkan sistem bank soal berbasis website yang mampu mengelompokkan dan mengklasifikasikan tingkat kesulitan soal menggunakan algoritma K-Means Clustering dan Naive Bayes. Sistem dikembangkan dengan model Waterfall melalui tahapan analisis kebutuhan, perancangan, implementasi menggunakan Laravel dan MySQL, pengujian, serta pemeliharaan. K-Means Clustering digunakan untuk mengelompokkan soal ke dalam tiga klaster (Mudah, Sedang, Sulit) berdasarkan persentase jawaban benar dan rata-rata waktu pengerjaan, sedangkan hasil klaster tersebut dijadikan data latih bagi algoritma Naive Bayes untuk mengklasifikasikan tingkat kesulitan soal baru secara otomatis. Pengujian dilakukan terhadap 160 butir soal mata pelajaran Matematika dan Bahasa Indonesia yang dikerjakan oleh 22 siswa kelas XII. Hasil pengujian menunjukkan K-Means konvergen bahasa Indonesia iterasi ke-2 sedangkan konvergen pada iterasi ke-4 untuk Matematika dengan distribusi 30% Mudah, 40% Sedang, dan 30% Sulit serta untuk bahasa Indonesia dengan distribusi 13% mudah, 58% sedang, 27% sulit, sementara model Naive Bayes mencapai akurasi 90,00% (F1-Score 0,8963) untuk Matematika dan 90,91% (F1-Score 0,8633) untuk Bahasa Indonesia. Perbandingan label guru dan sistem menunjukkan tingkat kesesuaian 72,5% untuk yang matematika dan untuk bahasa indonesia 85.0%. Hasil Black Box Testing menunjukkan seluruh fitur berfungsi sesuai kebutuhan, dan User Acceptance Testing (UAT) menyatakan sistem layak digunakan. Penelitian ini membuktikan bahwa kombinasi K-Means Clustering dan Naive Bayes efektif menghasilkan sistem deteksi tingkat kesulitan soal yang objektif, otomatis, dan berbasis data hasil pengerjaan siswa.

Ketidakstabilan suhu dan kelembapan ruang fermentasi tradisional sering memicu kegagalan produksi tempe akibat fluktuasi cuaca. Penelitian ini bertujuan merancang sistem monitoring dan kendali otomatis berbasis Internet of Things (IoT) dengan metode Fuzzy Logic Mamdani. Sistem dibangun menggunakan ESP32, sensor DHT22, kipas DC 12V, heater 12V 50W, serta website monitoring berbasis Laravel dengan interval pengiriman data setiap 30 detik. Hasil pengujian menunjukkan sensor DHT22 memiliki rata-rata error pembacaan suhu hanya 0,88% terhadap termometer raksa laboratorium. Seluruh fitur hardware dan website dinyatakan 100% valid melalui pengujian blackbox testing. Algoritma Fuzzy Mamdani berjalan sangat presisi dengan rata-rata error komputasi terhadap hitungan manual sebesar 0,234% pada Kipas dan 0,274% pada Heater. Hasil uji komparasi membuktikan sistem mampu menjaga suhu ideal 31,8°C - 33,2°C sehingga tempe matang sempurna tepat dalam waktu 24 jam tanpa overheating. Pengujian User Acceptance Testing (UAT) oleh produsen tempe juga mendapatkan persentase kelayakan sebesar 94,87%. Dengan demikian, sistem ini sukses menjadi solusi untuk membantu memantau ruang produksi jarak jauh dan mengoptimalkan hasil fermentasi tempe.

Gizi buruk pada balita merupakan salah satu permasalahan kesehatan yang dapat memengaruhi pertumbuhan fisik, perkembangan kognitif, serta meningkatkan risiko kesakitan dan kematian. Keterbatasan pengetahuan orang tua dan keterlambatan dalam mendeteksi status gizi menyebabkan penanganan gizi buruk sering kali tidak dilakukan secara optimal. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pakar berbasis mobile yang dapat membantu melakukan diagnosis awal status gizi balita menggunakan metode Naïve Bayes. Sistem dikembangkan menggunakan Flutter sebagai aplikasi mobile, Laravel sebagai website administrator, Python untuk proses klasifikasi, MySQL sebagai basis data, serta REST API sebagai media komunikasi antar sistem. Data yang digunakan merupakan data antropometri balita yang terdiri atas umur, jenis kelamin, berat badan, dan tinggi badan dengan indikator berat badan menurut panjang badan/tinggi badan (BB/PB atau BB/TB) berdasarkan Standar Antropometri Anak Kementerian Kesehatan Republik Indonesia Tahun 2020. Hasil klasifikasi dibatasi menjadi dua kategori, yaitu gizi baik dan gizi buruk. Pengujian model dilakukan menggunakan Confusion Matrix dan Classification Report dengan pembagian data latih dan data uji menggunakan rasio 90:10. Hasil pengujian menunjukkan bahwa metode Naïve Bayes memperoleh akurasi sebesar 79% dalam mengklasifikasikan status gizi balita. Pengujian fungsional menggunakan Black Box Testing menunjukkan seluruh fitur sistem berjalan sesuai dengan kebutuhan pengguna dengan tingkat keberhasilan sebesar 100%. Hasil validasi oleh ahli gizi juga menunjukkan bahwa sistem mampu menghasilkan diagnosis yang sesuai dengan standar antropometri balita sehingga layak digunakan sebagai alat bantu diagnosis awal. Dengan demikian, sistem yang dikembangkan dapat membantu orang tua, kader posyandu, dan tenaga kesehatan dalam melakukan deteksi dini status gizi balita secara lebih cepat, mudah, dan efektif.