Pemantauan pertumbuhan balita di Posyandu selama ini dilakukan secara manual menggunakan Kartu Menuju Sehat (KMS) cetak yang bersifat reaktif, sehingga tenaga kesehatan baru dapat mendeteksi gangguan gizi setelah masalah tersebut benar-benar terjadi dan intervensi seringkali terlambat diberikan. Kondisi ini menjadi persoalan serius mengingat stunting dan gangguan gizi kronis masih menjadi tantangan kesehatan masyarakat di Indonesia. Keterbatasan sistem konvensional tersebut mendorong kebutuhan akan solusi berbasis teknologi yang mampu memprediksi trajektori pertumbuhan balita secara proaktif, sehingga tenaga kesehatan dan orang tua dapat mengambil tindakan pencegahan sebelum kondisi gizi anak memburuk. Penelitian ini merancang dan mengimplementasikan sistem prediksi pertumbuhan balita berbasis algoritma Prophet yang terintegrasi dalam aplikasi Android bernama Kawan Tumbuh, dikembangkan menggunakan framework Flutter dengan backend Python (FastAPI) dan basis data real-time Supabase. Data yang digunakan adalah 259 rekam historis penimbangan balita berusia 24–60 bulan dari 6 Posyandu wilayah Probolinggo periode 2019–2025, mencakup tiga indikator antropometri utama yaitu berat badan, tinggi badan, dan lingkar kepala. Dataset dibagi menggunakan metode Chronological Hold-Out Split dengan rasio 80:20 untuk menjaga urutan kronologis dan mencegah data leakage yang dapat menghasilkan evaluasi tidak valid secara klinis. Algoritma Prophet dikonfigurasi dengan parameter growth=‘logistic’ sesuai karakteristik pertumbuhan biologis balita yang bersifat sigmoid menuju titik jenuh, changepoint_prior_scale=0.005 untuk menghasilkan garis tren yang halus dan tidak reaktif terhadap fluktuasi sesaat, changepoint_range=0.8 untuk menjaga stabilitas prediksi terhadap anomali di ujung data historis, serta interval_width=0.95 sesuai konvensi standar medis dan epidemiologi internasional. Komponen musiman dan hari libur dinonaktifkan karena pertumbuhan biologis balita bersifat tren berkelanjutan, bukan fluktuasi periodik. Batas kapasitas atas (cap) ditetapkan berdasarkan nilai Z-Score +3 SD Permenkes RI Nomor 2 Tahun 2020 dengan penambahan safety margin 25% untuk mencegah anomali prediksi yang melampaui batas wajar biologi manusia. Model yang telah dilatih diekspor dalam format JSON dan diintegrasikan ke aplikasi Android melalui HTTP request ke server API, sehingga prediksi dapat dilakukan secara on-the-fly tanpa perlu melatih ulang model di sisi perangkat. Pengujian terhadap 259 balita menunjukkan performa algoritma Prophet yang sangat baik pada ketiga indikator antropometri. Indikator berat badan mencatat MAE sebesar 0,309 kg, RMSE 0,339 kg, dan MAPE 1,88?ngan akurasi 98,12%. Indikator tinggi badan menghasilkan MAE 0,285 cm, RMSE 0,320 cm, dan MAPE 0,27?ngan akurasi 99,73%. Indikator lingkar kepala mencatat performa terbaik secara absolut dengan MAE 0,131 cm, RMSE 0,140 cm, dan MAPE 0,27?ngan akurasi 99,73%. Perbedaan tingkat akurasi antar indikator mencerminkan karakteristik biologis masing-masing: berat badan bersifat fluktuatif dan mudah terpengaruh kondisi klinis sesaat, tinggi badan bersifat monotonik kumulatif karena tulang hanya dapat bertambah panjang, sedangkan lingkar kepala bersifat stagnan mendekati nilai plateau setelah usia 3 tahun. Berdasarkan taksonomi evaluasi peramalan, seluruh nilai MAPE berada di bawah 10% sehingga ketiga indikator diklasifikasikan dalam kategori Highly Accurate. Validasi kelayakan sistem oleh dua validator pakar menggunakan instrumen berbasis standar ISO/IEC 25010 dimensi Functional Suitability menghasilkan total persentase kelayakan sebesar 89,29?lam kategori Sangat Layak, dengan rincian aspek Kesesuaian Standar Antropometri dan Input Data 88,00%, Validitas Kelogisan Prediksi 88,33%, serta Konten Edukasi dan Kemanfaatan Sistem 93,33%. Selain itu, Black-Box Testing terhadap 20 sampel balita yang dilakukan oleh ahli gizi RSUD Dr. Haryoto Lumajang sebagai gold standard menghasilkan akurasi klasifikasi status gizi sebesar 90,00%. Hasil tersebut menunjukkan bahwa aplikasi Kawan Tumbuh terbukti efektif dan layak diimplementasikan sebagai alat bantu pemantauan dan prediksi pertumbuhan balita pendamping KMS cetak di lingkungan Posyandu, sekaligus memberikan kontribusi ilmiah berupa bukti penerapan algoritma Prophet pada domain prediksi pertumbuhan biologis anak berbasis data historis Posyandu di Indonesia.

PT Paiton Operation & Maintenance Indonesia (PT POMI) merupakan perusahaan yang bergerak di bidang pengoperasian dan pemeliharaan Pembangkit Listrik Tenaga Uap (PLTU) Paiton. Dalam mendukung digitalisasi operasional, dilakukan pengembangan ulang aplikasi Fuel & Ash Patrol (FA Patrol) menggunakan platform FlutterFlow untuk meningkatkan kemudahan pengelolaan dan pengembangan sistem tanpa mengubah alur kerja yang telah digunakan sebelumnya. Kegiatan magang ini bertujuan untuk melakukan migrasi dan pengembangan ulang aplikasi FA Patrol guna mendukung proses inspeksi digital pada area fuel dan ash. Metode yang digunakan adalah Agile yang meliputi tahap perencanaan, perancangan, pengembangan, pengujian, dan evaluasi. Pengembangan dilakukan dengan membangun kembali antarmuka aplikasi, mengintegrasikan database Supabase, serta mengimplementasikan fitur-fitur utama seperti login, download patrol, inspection form, upload patrol, dan pembuatan Service Request (SR). Hasil pengembangan menunjukkan bahwa sebagian besar fitur utama aplikasi berhasil diimplementasikan pada FlutterFlow dan terintegrasi dengan baik dengan sistem basis data. Selain itu, dilakukan eksplorasi penggunaan SQLite untuk mendukung penyimpanan data secara lokal. Pengembangan ulang ini menghasilkan purwarupa aplikasi yang lebih mudah dikelola dan berpotensi mendukung peningkatan efektivitas operasional inspeksi digital di PT POMI.

Pengembangan Front End Project System pada Add On Accounting Plus di PT Global Sukses Solusi Tbk, Muhammad Faiz Zain Habibi, NIM E41253304, Tahun 2026, Teknik Informatika, Teknologi Informasi, Politeknik Negeri Jember, Arvita Agus Kurniasari, S.ST.,M.Tr.Kom, (Pembimbing Utama), Ainun Kusumawati, S.Ak., (Pembimbing Lapang). Kegiatan magang ini dilaksanakan di PT Global Sukses Solusi Tbk dengan fokus pada pengembangan front end Project System sebagai bagian dari Add On Accounting Plus. Project System merupakan modul yang digunakan untuk mendukung pengelolaan administrasi dan keuangan proyek secara terintegrasi, mulai dari pengelolaan anggaran proyek, kontrak, termin penagihan, hingga monitoring progres proyek. Pengembangan dilakukan menggunakan Next.js, TypeScript, TanStack Query, Zustand, Tailwind CSS, Axios, serta integrasi API yang didokumentasikan menggunakan Bruno. Selama kegiatan magang, penulis berperan sebagai Front End Engineer pada Project System. Kegiatan yang dilakukan meliputi pengembangan menu Mata Anggaran dan Rencana Anggaran, mulai dari halaman daftar data, tambah data, detail data, hingga ubah data. Selain itu, penulis juga mengerjakan pengembangan tambahan pada modul Termin, yaitu bulk duplicate dokumen termin, penambahan field tanggal termin dan tanggal faktur, informasi status pembayaran, serta penyesuaian tabel dan filter pada halaman daftar termin. Hasil dari kegiatan magang ini berupa fitur front end Project System yang membantu pengguna mengelola data anggaran proyek dan termin secara lebih terstruktur. Menu Mata Anggaran digunakan untuk mengelola acuan kategori anggaran proyek, sedangkan Rencana Anggaran digunakan untuk menyusun anggaran berdasarkan kontrak dan mata anggaran yang tersedia. Pada modul Termin, fitur duplikasi dan informasi pembayaran membantu mempercepat pembuatan termin serta memantau status penagihan. Penulis juga melakukan pengujian unit pada beberapa fungsi utilitas untuk memastikan sistem berjalan dengan lebih baik.

Pengembangan Front End Document Management System pada Add On Accounting Plus di PT Global Sukses Solusi Tbk, Muhammad Rizal Fahlevi, NIM E41253329, Tahun 2026, Teknik Informatika, Politeknik Negeri Jember, Arvita Agus Kurniasari, S.ST., M.Tr.Kom., (Pembimbing Utama), Ainun Kusumawati, S.Ak., (Pembimbing Lapang). Kegiatan magang di PT Global Sukses Solusi Tbk (RUN System) difokuskan pada pengembangan front-end aplikasi Document Management System (Paperless) terintegrasi pada add-on Accounting Plus. Proyek ini bertujuan menghadirkan sistem informasi kearsipan berbasis web guna mentransformasi dan mengelola tata kelola dokumen digital perusahaan secara efisien. Kegiatan ini memberikan kontribusi nyata dalam digitalisasi administrasi sekaligus menjadi sarana bagi penulis untuk menerapkan teori akademik, mengasah pemikiran kritis dalam pemecahan masalah teknis, dan beradaptasi di lingkungan profesional industri. Dalam pelaksanaannya, teknologi utama yang digunakan adalah React dan Next.js untuk memastikan performa aplikasi tetap optimal serta efisien dalam menangani kompleksitas manajemen data dokumen. Hasil dari kegiatan ini adalah tersedianya aplikasi manajemen dokumen yang fungsional untuk mengakomodasi berbagai alur kearsipan digital, meliputi pengelolaan dokumen masuk, dokumen keluar, hingga pencatatan nota dinas.

Implementasi Algoritma Naïve Bayes pada Sistem Rekomendasi Jurusan Kuliah di Politeknik Negeri Jember dengan Dukungan Fitur Chatbot untuk Konseling, Kaka Patria Firnandes, NIM E31230745, Tahun 2026, Jurusan Teknologi Informasi, Politeknik Negeri Jember, Ika Widiastuti, S.ST., M.T., Ph.D. (Dosen Pembimbing). Pemilihan jurusan kuliah merupakan keputusan penting bagi siswa sekolah menengah atas karena dapat memengaruhi arah pendidikan dan karier di masa mendatang. Namun, masih banyak siswa mengalami kesulitan dalam menentukan jurusan yang sesuai akibat kurangnya pemahaman terhadap minat, potensi diri, serta keterbatasan layanan bimbingan konseling di sekolah. Kondisi tersebut menyebabkan pemilihan jurusan sering dipengaruhi faktor eksternal seperti keluarga atau teman sehingga keputusan yang diambil kurang optimal. Untuk mengatasi permasalahan tersebut, dikembangkan sistem rekomendasi jurusan kuliah menggunakan algoritma Naïve Bayes dengan dukungan fitur chatbot sebagai media konseling digital. Sistem memanfaatkan data siswa berupa nilai akademik, minat, preferensi studi, cita-cita, dan prestasi sebagai dasar proses rekomendasi. Selain itu, metode Rank Order Centroid (ROC) digunakan untuk memberikan bobot pada atribut agar tingkat kepentingan tiap kriteria dapat dipertimbangkan dalam proses klasifikasi. Pengembangan sistem menggunakan metode Waterfall yang meliputi tahap requirement, design, implementation, verification, dan maintenance. Sistem dibangun menggunakan framework Laravel, basis data MySQL, serta terintegrasi dengan API Gemini untuk mendukung layanan chatbot interaktif. Selain itu, pengujian sistem dilakukan menggunakan Blackbox Testing dan User Acceptance Testing (UAT) untuk memastikan sistem berjalan sesuai kebutuhan pengguna. Sistem yang dikembangkan mampu memberikan rekomendasi jurusan berdasarkan karakteristik siswa serta menyediakan layanan konsultasi digital secara interaktif. Dengan adanya sistem ini diharapkan dapat membantu siswa menentukan jurusan yang lebih sesuai dengan potensi dan minatnya.

Indonesia merupakan negara produsen kopi keempat terbesar di dunia, dengan kopi Arabika sebagai salah satu komoditas premium yang sangat diminati karena cita rasanya yang kompleks. Karakteristik cita rasa kopi ini sangat ditentukan oleh metode pengolahan pasca panen di tahap hilir, yang terbagi menjadi tiga jenis utama: proses kering (natural), basah (washed), dan madu (honey). Namun, identifikasi proses pasca panen di lapangan seringkali menjadi permasalahan karena masih sangat bergantung pada penilaian visual manual oleh ahli yang bersifat subjektif, memakan waktu, dan sulit diterapkan dalam skala industri besar. Penelitian ini bertujuan untuk mengatasi kelemahan metode konvensional tersebut dengan membangun sebuah sistem klasifikasi otomatis berbasis kecerdasan buatan. Sistem ini dirancang untuk membedakan proses pasca panen (natural, washed, dan honey) berdasarkan fitur visual citra green bean (biji hijau) kopi menggunakan arsitektur Convolutional Neural Network (CNN). Model klasifikasi yang telah dilatih kemudian diimplementasikan ke dalam sebuah aplikasi antarmuka berbasis web agar mudah diakses dan digunakan secara praktis oleh pengguna. Berdasarkan hasil pengujian pada penelitian, penerapan arsitektur MobileNetV2 berhasil mencatatkan akurasi klasifikasi sebesar 95% secara andal. Sistem klasifikasi berbasis web ini diharapkan dapat menjadi alat bantu operasional untuk membantu pengusaha, importir, maupun petani dalam meningkatkan konsistensi bahan, mempercepat kontrol kualitas (quality control), serta menstandarisasi rantai pasok produksi kopi di Indonesia.

Kualitas air sangat penting untuk membudidayakan kepiting bakau, tetapi petani tambak sering menghadapi kesulitan dikarena kurangnya alat yang dapat memonitoring kualitas air dengan lebih spesifik. Tujuan penelitian ini adalah untuk membuat sistem berbasis Internet of Things (IoT) yang dapat memantau kualitas air tambak dengan menggunakan logika Fuzzy Tsukamoto untuk klasifikasi kondisi air dan metode algoritma regresi linier untuk meningkatkan akurasi sensor. Alat yang digunakan yaitu Mikrokontroler ESP32, sensor DS18B20 untuk memantau suhu, sensor pH-4502C untuk memantau tingkat keasaman air, dan sensor TDS SEN0244 untuk memantau salinitas air tambak. Pada sensor TDS/salinitas digunakan metode pengenceran (Dilution Method) untuk mengatasi limitasi pembacaan sensor. Berdasarkan hasil perhitungan nilai akurasi alat IoT, peneliti mendapatkan nilai akurasi alat IoT sebesar 99,73%.

Selada keriting merupakan komoditas hortikultura yang banyak dibudidayakan karena memiliki nilai ekonomi yang tinggi. Namun, proses pemantauan kondisi tanaman, seperti identifikasi fase pertumbuhan, kesiapan panen, dan kerusakan daun masih banyak dilakukan secara manual sehingga kurang efisien. Penelitian ini bertujuan mengembangkan sistem deteksi tumbuh kembang daun selada keriting berbasis website menggunakan algoritma YOLO untuk klasifikasi kondisi tanaman dan Mask R-CNN untuk segmentasi area kerusakan daun. Dataset yang digunakan terdiri dari 460 citra, meliputi 405 citra primer dan 55 citra sekunder. Untuk pelatihan Mask R-CNN digunakan 170 citra yang terdiri dari 121 citra daun rusak dan 49 citra penyakit mata kodok. Tahapan penelitian meliputi preprocessing, anotasi data, augmentasi citra, pelatihan model, evaluasi performa, dan implementasi sistem berbasis website menggunakan Laravel, React, Inertia.js, Flask, dan Docker. Hasil penelitian menunjukkan bahwa model YOLO terbaik diperoleh pada Test 7 dengan nilai F1-score sebesar 0,92, recall sebesar 0,921, precision sebesar 0,862, dan mAP50 sebesar 0,963. Model Mask R-CNN terbaik diperoleh pada Test 6 dengan nilai AP segmentasi sebesar 43,779 dan AP50 sebesar 70,474. Hasil validasi oleh pakar menunjukkan bahwa sistem mampu mendeteksi kondisi tanaman sesuai dengan kondisi sebenarnya dilapangan. Berdasarkan hasil penelitian, kombinasi YOLO dan Mask R-CNN mampu mendeteksi kondisi tanaman selada keriting serta melakukan segmentasi area kerusakan daun dengan baik. Sistem yang dikembangkan berpotensi membantu petani dalam melakukan monitoring tanaman secara lebih efektif dan efisien.