Penelitian ini bertujuan merancang dan mengimplementasikan alat pancing otomatis berbasis multi variabel sensor menggunakan metode Kalman Filter dengan monitoring Real-time berbasis website. Sistem memanfaatkan sensor getaran SW-420 untuk mendeteksi sambaran ikan dan sensor Load Cell HX711 untuk mengukur berat hasil tangkapan. Data dari kedua sensor diproses menggunakan Multi-Sensor Linear Kalman Filter 2 Dimensi untuk mengurangi noise dan meningkatkan kestabilan pembacaan. Sistem dikendalikan oleh mikrokontroler ESP32 yang mengirimkan data ke Firebase untuk ditampilkan pada website monitoring secara Real-time. Metode pengembangan yang digunakan adalah Software Development Life Cycle (SDLC) dengan model Waterfall. Hasil penelitian menunjukkan bahwa penerapan Kalman Filter mampu menghasilkan data sensor yang lebih stabil dibandingkan data mentah sehingga meningkatkan akurasi deteksi sambaran ikan dan pengukuran berat hasil tangkapan. Selain itu, website monitoring berhasil menampilkan informasi kondisi alat dan data hasil tangkapan secara Real-time. Dengan demikian, sistem yang dikembangkan mampu mendukung kegiatan memancing yang lebih efektif melalui integrasi teknologi Internet of Things (IoT), sensor multi variabel, dan Kalman Filter.

Pembelajaran materi Logika Fuzzy seringkali dianggap sulit dan monoton karena perhitungannya yang abstrak dan umumnya hanya disampaikan melalui presentasi dua dimensi atau buku pedoman yang sifatnya statis. Penelitian ini bertujuan untuk mengembangkan aplikasi media pembelajaran berbasis teknologi Augmented Reality (AR) menggunakan metode marker-based tracking, yang menampilkan visualisasi video edukasi interaktif dan simulasi perhitungan metode fuzzy mamdani secara real-time. Aplikasi yang diberi nama "Fuzzy Fun" ini dirancang untuk digunakan oleh mahasiswa Program Studi Teknik Informatika, khususnya mahasiswa semester menengah antara 4 sampai dengan 6 di Politeknik Negeri Jember PSDKU 4 Sidoarjo. Pengembangan aplikasi dilakukan menggunakan metode Multimedia Development Life Cycle (MDLC) yang terdiri dari enam tahapan, yaitu concept, design, material collecting, assembly, testing, dan distribution. Aplikasi dibangun menggunakan Unity 3D, Vuforia Engine, dan CapCut Pro Desktop untuk memproyeksikan aset video pembelajaran serta antarmuka perhitungan fuzzy. Pengujian dilakukan melalui metode Black Box Testing untuk memastikan seluruh fitur berjalan sesuai fungsinya, metode Pre-Test dan Post-Test, serta User Acceptance Testing (UAT) kepada 39 mahasiswa sebagai pengguna akhir. Hasil pengujian menunjukkan aplikasi berhasil meningkatkan pemahaman mahasiswa terhadap materi pengenalan Logika Fuzzy Mamdani, dengan rata-rata nilai pre-test sebesar 3,56 meningkat menjadi 6,77 pada post-test, serta persentase peningkatan sebesar 90,2%. Selain itu, evaluasi penerimaan pengguna memperoleh persentase indeks kelayakan sebesar 69,95% atau masuk kedalam kategori Layak. Aplikasi ini dinilai lebih efektif dan interaktif dibandingkan metode pembelajaran konvensional yang pasif.

Perkembangan teknologi face recognition dapat meningkatkan efektivitas sistem absensi di lingkungan pendidikan. SMK Taruna Bakti Kertosono masih menggunakan proses absensi yang membutuhkan waktu yang cukup lama serta berpotensi terjadinya kesalahan pencatatan kehadiran. Penelitian ini bertujuan untuk mengimplementasikan model Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV2 pada sistem absensi berbasis face recognition serta mengetahui performa. Dataset yang digunakan merupakan citra wajah 78 siswa SMK Taruna Bakti Kertosono yang diambil dari sudut pandang tampak depan, serong kanan, dan serong kiri. Tahap pre-processing meliputi remove background, cropping, resize, dan augmentasi citra. Evaluasi model dilakukan menggunakan classification report dan 5-Fold Cross Validation, kemudian dilanjutkan dengan pengujian. Hasil penelitian memperoleh nilai accuracy sebesar 98,58%, precision sebesar 98,83%, recall sebesar 98,58%, dan F1-score sebesar 98,57%. Pengujian menggunakan 5-Fold Cross Validation menghasilkan rata-rata testing accuracy sebesar 98,93% dengan standar deviasi 0,45%. Berdasarkan hasil tersebut, implementasi model CNN menggunakan MobileNetV2 mampu mendukung proses absensi siswa dengan akurasi yang baik.

Dosen wali kerap menghadapi keterbatasan waktu dan tingginya beban kerja, sehingga interaksi dengan mahasiswa menjadi kurang fleksibel dan penyampaian informasi akademik sering terhambat. Oleh karena itu, penelitian ini bertujuan mengembangkan dan mengevaluasi agen AI pendamping dosen wali berbasis Large Language Model (LLM) menggunakan framework LangChain. Pengembangan agen menerapkan pendekatan Reasoning and Acting (ReAct) yang ada pada LangChain yang diintegrasikan dengan arsitektur Retrieval-Augmented Generation (RAG). Evaluasi kinerja sistem menggunakan tiga metode: klasifikasi multi kelas untuk akurasi pemilihan tool, framework Ragas untuk mengevaluasi kualitas RAG, serta Human Evaluation dan User Acceptance Testing (UAT). Hasil pengujian menunjukkan agen memiliki keseluruhan akurasi 88,33?lam memprediksi tool yang ada serta tanpa penggunaan tool. Pada evaluasi RAG, agen meraih rerata skor faithfulness 0,769 dan answer similarity 0,845, membuktikan hasil jawaban yang cukup berdasar dan relevansi semantik yang tinggi terhadap referensi. Hasil Human Evaluation dan UAT menunjukkan tingkat kepuasan dan penerimaan pengguna mayoritas berada di atas 80%.

Fenomena sound horeg di media X memunculkan beragam ujaran mulai dari kritik rasional hingga ujaran intoleransi yang sulit dibedakan secara otomatis karena banyak dibungkus strategi linguistik halus seperti sarkasme, idiom, dan doa kutukan. Penelitian ini menganalisis wacana intoleransi pada fenomena sound horeg menggunakan algoritma Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan model Ensemble (soft voting 2:1) dengan 1.393 tweet berbahasa Indonesia yang dilabeli secara hybrid (lexicon dan manual) dengan Cohen's Kappa 0,655. Hasil evaluasi pada 279 data uji menunjukkan model Ensemble memperoleh akurasi tertinggi sebesar 63,80%, diikuti SVM 63,44% dan KNN 51,25%, dengan pola kesalahan dominan berupa 58,82% ujaran negatif yang terklasifikasi sebagai netral. Analisis mendalam melalui ekstraksi kata kunci diskriminatif memvalidasi bahwa wacana sound horeg merupakan cerminan ketegangan sosial digital yang kompleks dan terdiri atas tiga dimensi yang saling berkaitan, yaitu keragaman bentuk ujaran negatif, dimensi gangguan fisik dan kesehatan, serta dimensi pertentangan nilai budaya dan tradisi, dengan dimensi politik muncul sebagai temuan tambahan dari ekstraksi kata kunci diskriminatif, sehingga keterbatasan model berbasis TF-IDF dalam menangkap zona abu-abu intoleransi mencerminkan kompleksitas ekspresi pengguna media X.

Implementasi Sistem Kendali Otomatis Penyiraman Budidaya Jamur Tiram Antirogo (Metode Pengabutan Menggunakan Mist Nozzle Dan ESP32 Berbasis Internet of Things), Syarif Abdurrazzaq, NIM E32230224, Tahun 2026, Teknik Komputer, Politeknik Negeri Jember, Surateno, S.Kom., M.Kom (Pembimbing). Budidaya jamur tiram di Antirogo (JTA) sangat bergantung pada kondisi cuaca. Masalah utamanya adalah suhu yang seringkali terlalu panas dan udara yang kering, yang kalau dibiarkan bisa bikin jamur gagal panen. Selama ini, proses penyiraman masih manual pakai tenaga manusia, sehingga hasilnya kurang konsisten dan sulit dipantau kalau pemilik sedang tidak ada di lokasi. Untuk mengatasi masalah tersebut, dirancanglah sebuah sistem kendali otomatis berbasis Internet of Things (IoT). Alat ini menggunakan mikrokontroler ESP32 sebagai otak penggerak yang terhubung ke sensor suhu dan kelembapan. Cara kerjanya, sensor akan mendeteksi kondisi ruangan secara real-time; jika suhu terdeteksi terlalu tinggi, sistem secara otomatis akan menyalakan pompa yang terhubung ke mist nozzle. Air yang keluar diubah menjadi kabut halus agar suhu turun dan kelembapan naik tanpa membuat media tanam jamur terlalu basah. Hasil dari implementasi alat ini menunjukkan bahwa sistem mampu menjaga kestabilan iklim mikro di dalam kumbung secara otomatis. Selain itu, karena berbasis IoT, pemilik bisa memantau kondisi suhu dan kelembapan kapan saja melalui smartphone. Dengan adanya alat ini, risiko gagal panen akibat cuaca panas bisa ditekan, penggunaan air jadi lebih efisien, dan perawatan jamur jadi jauh lebih praktis karena tidak perlu lagi dilakukan secara manual.

PT Dua Empat Tujuh (Solusi247) merupakan perusahaan teknologi informasi yang berfokus pada solusi Big Data, pengolahan data skala besar, serta layanan infrastruktur TI untuk berbagai perusahaan telekomunikasi dan enterprise di Indonesia. Dengan kantor operasional di Yogyakarta, Solusi247 dikenal sebagai salah satu pionir implementasi big-data cluster di Indonesia dan menyediakan layanan end-to-end mulai dari pengembangan sistem, integrasi data, hingga dukungan operasional 24/7. Perusahaan ini menangani data berukuran besar sehingga membutuhkan manajemen infrastruktur yang stabil, aman, dan dapat diandalkan. Selama kegiatan magang, penulis ditempatkan pada divisi yang menangani pengolahan data besar dan operasional sistem, dengan fokus pada menjaga keberlangsungan data dan mencegah risiko kegagalan operasional. Salah satu permasalahan yang sering muncul dalam lingkungan Big Data adalah risiko kehilangan data akibat kerusakan perangkat keras, kesalahan manusia, kegagalan sistem, maupun gangguan pada data center. Oleh karena itu, dibutuhkan sistem Backup Disaster Recovery (BDR) yang terstruktur agar perusahaan mampu meminimalkan downtime, menjamin integritas data, dan memulihkan layanan dengan cepat ketika terjadi gangguan Laporan ini membahas pembangunan sistem Backup Disaster Recovery untuk mendukung kebutuhan operasional Big Data di PT Dua Empat Tujuh. Proses pengembangan meliputi analisis risiko, perancangan arsitektur backup, penjadwalan otomatisasi backup, implementasi mekanisme penyimpanan cadangan, serta pengujian proses recovery untuk memastikan data dapat dipulihkan dengan benar. Melalui implementasi BDR ini, diharapkan sistem yang dirancang mampu meningkatkan reliability infrastruktur Solusi247, menjaga keamanan data, dan mendukung keberlangsungan operasional perusahaan secara optimal.

Penelitian ini mengembangkan aplikasi mobile rekomendasi menu kafe berbasis Flutter dengan mengintegrasikan Google Vision OCR dan Gemini AI untuk membantu pelanggan memilih menu sesuai preferensi. Sistem dikembangkan menggunakan metode Waterfall dan berhasil lolos pengujian Black-box Testing dengan tingkat keberhasilan 100%. Pengujian usability menggunakan System Usability Scale (SUS) memperoleh skor 80,37 (Excellent), sehingga aplikasi dinilai efektif dan mudah digunakan dalam meningkatkan pengalaman pelanggan di Amor Coffee Kediri.