Tuberkulosis Paru merupakan salah satu penyakit menular yang masih menjadi masalah kesehatan utama di Indonesia, dengan gejala klinis yang seringkali menyerupai penyakit pernapasan lain seperti Pneumonia, sehingga menyulitkan proses diagnosis secara dini. Penelitian ini bertujuan untuk membangun sistem deteksi dini Tuberkulosis Paru menggunakan algoritma Naïve Bayes berdasarkan data rekam medis pasien dari Rumah Sakit Citra Husada Jember. Data yang digunakan terdiri atas sembilan gejala klinis dengan dua kategori label kelas, yaitu TB Paru dan Tidak TB, yang diperoleh dari data diagnosis Tuberkulosis dan Pneumonia. Pengembangan sistem dilakukan menggunakan metode Waterfall dengan mengintegrasikan aplikasi berbasis web menggunakan Framework Laravel sebagai antarmuka pengguna, Flask API sebagai backend pemrosesan model machine learning, dan MySQL sebagai basis data. Hasil pengujian model menggunakan 5-fold cross validation dan memperoleh rata-rata akurasi sebesar 80,28%, sedangkan pengujian pada data testing menghasilkan nilai akurasi sebesar 85,14%, precision sebesar 0,91, recall sebesar 0,79, dan F1-score sebeesar 0,84. Pengujian sistem menggunakan Black Box Testing menunjukkan bahwa seluruh fungsi sistem berjalan sesuai dengan kebutuhan, sedangkan hasil User Acceptance Testing (UAT) terhadap 30 responden memperoleh persentase penerimaan sebesar 90,62% yang berada pada kategori sangat setuju. Dengan demikian, sistem deteksi dini Tuberkulosis Paru yang dikembangkan dapat digunakan sebagai media bantu skrining awal yang efektif, mudah digunakan, dan dapat diterima dengan baik oleh pengguna.

Perkembangan investasi cryptocurrency semakin diminati oleh masyarakat karena potensi keuntungan yang tinggi, namun cryptocurrency bersifat volatilitas tinggi dan pergerakan harga yang fluktuatif dapat meningkatkan risiko kerugian bagi investor. Salah satu cryptocurrency yang banyak diminati adalah Ethereum karena memiliki keunggulan fitur smart contract dan sistem terdesentralisasi. Oleh karena itu, diperlukan suatu metode prediksi yang mampu memodelkan pergerakan harga secara akurat. Penelitian ini menggunakan metode Recurrent Neural Network (RNN) dengan arsitektur Gated Recurrent Unit (GRU) yang memiliki keunggulan dalam mengatasi masalah vanishing gradient serta mampu menangkap pola dependensi jangka panjang pada data deret waktu (time series). Proses penelitian meliputi tahapan praproses data menggunakan normalisasi Min-Max, pembentukan data sekuensial dengan metode sliding window, pembagian data menjadi training dan testing, serta pelatihan model menggunakan beberapa kombinasi hyperparameter untuk memperoleh performa terbaik. Kemudian dari hasil percobaan, diperoleh kombinasi hyperparameter optimal yaitu 128 unit , dropout 0.1, batch size 32, dan epoch 50. Evaluasi model menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE) menghasilkan nilai masing-masing sebesar 0.029717, 0.001729, dan 0.041577, yang menunjukkan bahwa model memiliki tingkat kesalahan yang rendah. Dengan demikian, sistem yang dikembangkan mampu memprediksi harga cryptocurrency Ethereum dengan baik dan dapat digunakan sebagai dasar dalam membantu pengambilan keputusan investasi secara lebih optimal.

Rancangan perangkat keras Uninterruptible Power Supply (UPS) DC yang berbasis ESP-12F bertujuan untuk menghasilkan sebuah sistem catu daya arus searah yang dapat memberikan pasokan daya listrik secara terus-menerus dan stabil bagi beban, terutama saat ada gangguan atau pemadaman pada sumber listrik utama. UPS DC dikembangkan sebagai solusi untuk menjaga agar perangkat elektronik berbasis DC tetap berfungsi tanpa perlu proses konversi tambahan dari arus bolak-balik menjadi arus searah, sehingga dapat meningkatkan efisiensi dan keandalan dari sistem. ESP-12F berfungsi untuk memantau tegangan input. Selain itu, ESP-12F juga mengelola proses pengisian baterai, pergantian sumber daya dari catu daya utama ke baterai cadangan, dan pengaturan distribusi daya secara otomatis agar tidak terjadi gangguan pada beban yang menerima pasokan daya. Perangkat keras UPS DC ini terdiri dari beberapa bagian utama, termasuk rangkaian catu daya, rangkaian pengisi baterai, rangkaian konverter DC-DC untuk menstabilkan tegangan keluaran. Rangkaian catu daya berperan sebagai sumber daya energi listrik bagi sistem. Rangkaian pengisi baterai digunakan untuk mengisi serta menjaga kondisi baterai agar tetap optimal. Selain itu, dirancang pula rangkaian perlindungan untuk meningkatkan keamanan dan keandalan sistem terhadap kondisi tegangan lebih, arus lebih, serta penurunan kapasitas baterai. Seluruh rangkaian tersebut diintegrasikan dalam satu sistem yang dikendalikan oleh ESP-12F.

Dermatitis merupakan salah satu penyakit kulit yang umum terjadi dan dapat menyerang berbagai kelompok usia. Keterlambatan dalam mengenali gejala dermatitis dapat menyebabkan kondisi kulit menjadi semakin parah sehingga diperlukan suatu media yang mampu membantu proses skrining awal secara cepat dan mudah diakses. Penelitian ini bertujuan untuk mengembangkan aplikasi skrining dermatitis berbasis Android dengan memanfaatkan metode Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV2 sebagai model klasifikasi citra kulit. Proses pengembangan sistem meliputi pengumpulan dataset citra kulit, tahap preprocessing berupa resize citra menjadi 224×224 piksel dan normalisasi data, pelatihan model MobileNetV2, konversi model ke TensorFlow Lite, serta implementasi model pada aplikasi Android. Aplikasi yang dikembangkan dilengkapi dengan fitur registrasi akun, login, klasifikasi citra kulit, riwayat pemeriksaan, anamnesis, konsultasi dengan admin, jadwal dokter, dan informasi rumah sakit. Firebase digunakan sebagai layanan backend untuk mendukung autentikasi pengguna dan penyimpanan data. Pengujian sistem dilakukan menggunakan fungsional testing dan kemudahan aplikasi Testing. Hasil fungsional testing menunjukkan bahwa seluruh fitur aplikasi berjalan sesuai dengan fungsi yang dirancang dan memperoleh status valid. Sementara itu, hasil Pengujian kemudahan aplikasi menggunakan USE Questionnaire terhadap 30 responden memperoleh nilai pengujian kemudahan aplikasi sebesar 82,30%, yang termasuk dalam kategori Sangat Baik. Hasil tersebut menunjukkan bahwa aplikasi memiliki tingkat kegunaan, kemudahan penggunaan, kemudahan pembelajaran, dan kepuasan pengguna yang baik. Berdasarkan hasil penelitian yang telah dilakukan, dapat disimpulkan bahwa aplikasi skrining dermatitis berbasis Android menggunakan metode CNN dengan arsitektur MobileNetV2 berhasil dikembangkan dan layak digunakan sebagai media pendukung skrining awal dermatitis secara praktis melalui perangkat smartphone.

Penelitian ini bertujuan mengembangkan aplikasi mobile cerdas berbasis deep learning MobileNetV2 untuk deteksi dini penyakit daun bayam pada sistem akuaponik. Pendekatan ini menjadi solusi presisi untuk mengatasi keterbatasan deteksi manual yang lambat dan subjektif. Dataset citra diklasifikasikan ke dalam lima kelas: Healthy Leaf, Anthracnose, Bacterial Spot, Downy Mildew, dan Pest Damage. Guna menangani ketimpangan data (class imbalance) yang ekstrem, model dioptimasi menggunakan Focal Loss (Gamma 2.5), rekayasa data MixUp Augmentation, serta metode Full Fine-Tuning. Pengujian model yang dieksekusi menggunakan Test-Time Augmentation (TTA) 20 iterasi menghasilkan akurasi keseluruhan sebesar 70.05%. Model ini juga mencatatkan tingkat kepekaan (Recall) yang tinggi pada pemisahan kelas mayoritas daun sehat (87.13%) dan kelas minoritas Anthracnose (72.22%). Model akhir dikonversi ke format TensorFlow Lite (TFLite) berukuran di bawah 15 MB, sehingga pemrosesan klasifikasi dapat berjalan 100% secara offline tanpa latensi jaringan. Hasil dari penelitian ini berupa aplikasi pendukung keputusan yang praktis bagi petani untuk mengidentifikasi patogen dan menerapkan penanganan organik secara cepat dan tepat sasaran.

Judul perancangan sistem ini yaitu “Rancang Bangun Sistem Pengukuran Kecepatan Angin Otomatis Berbasis IOT Pada Stasiun Klimatologi Politeknik Negeri Jember” yang bertujuan untuk merancang dan mengembangkan sistem pengukuran kecepatan angin otomatis menggunakan Hall Effects di Anemometer. Sensor ini sebagai metode otomasi dari model konvensional yang memiliki keterbatasan dalam efisiensi dan penyajian data. Sistem ini dirancang untuk mendukung pemantauan kondisi angin secara real-time sebagai indikator perubahan cuaca serta menunjang kebutuhan analisis pada stasiun klimatologi Politeknik Negeri Jember. Sistem yang digunakan pada perancangan ini terdiri dari Hall Effect dan Anemometer sebagai alat pengukur kecepatan angin konvesional, yang pada saat nanti output data mentah diolah mikrokontroller ESP32 sebagai pengolah data. Serta aplikasi berbasis framework Flutter sebagai media penyimpanan, monitoring, dan visualisasi data secara real-time. Data hasil pengukuran dikirimkan ke server dan ditampilkan dalam bentuk informasi monitoring dan riwayat pengukuran yang dapat diakses secara daring, sehingga mendukung efisiensi pengamatan, keakuratan data, serta pengambilan keputusan pada stasiun klimatologi maupun bidang terkait lainnya.

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.

Prediksi hasil panen yang akurat diperlukan untuk membantu perencanaan produksi dan pengambilan keputusan. Penelitian ini bertujuan merancang sistem prediksi hasil panen padi menggunakan metode Regresi Linear Berganda serta mengetahui tingkat akurasi model yang dihasilkan. Data yang digunakan merupakan data historis padi Kabupaten Jember periode 2015–2024 dengan variabel Luas Tanam, Luas Lahan Terpanen, Produktivitas, Produksi dan Curah Hujan. Tahapan penelitian meliputi preprocessing data, analisis korelasi serta seleksi fitur, uji linearitas, pembagian data, pembangunan model, evaluasi model, dan implementasi ke dalam sistem berbasis web menggunakan framework Laravel. Dari hasil seleksi fitur, variabel yang digunakan untuk membangun model yaitu Luas Tanam, Luas Lahan Terpanen dan produksi. Model dibangun secara bertahap, yaitu Model 1 untuk memprediksi Luas Lahan Terpanen dan Model 2 untuk memprediksi Produksi. Hasil evaluasi menunjukkan bahwa Model 1 memperoleh nilai MAPE sebesar 2.89?n R² sebesar 0.8883, sedangkan Model 2 memperoleh nilai MAPE sebesar 4.23?n R² sebesar 0.7976. Hasil tersebut menunjukkan bahwa metode Regresi Linear Berganda mampu menghasilkan prediksi yang sangat akurat, sehingga sistem yang dikembangkan layak digunakan sebagai pendukung dalam memperkirakan hasil panen padi di Kabupaten Jember.