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.

Kecemasan merupakan kondisi psikologis yang dapat memengaruhi kualitas hidup dan produktivitas seseorang. Penelitian ini mengembangkan Smart-Anxiety, sebuah sistem berbasis web untuk mengklasifikasikan tingkat kecemasan menggunakan data pergerakan mata (eye tracking) dan kuesioner State-Trait Anxiety Inventory (STAI-T). Data pergerakan mata dikumpulkan saat peserta mengerjakan tes, kemudian diproses melalui ekstraksi fitur, seperti average velocity, maximum velocity, standard deviation velocity, total distance, fixation ratio, dan unique area count. Selanjutnya, dilakukan perbandingan antara algoritma Random Forest. Hasil pengujian menunjukkan bahwa Random Forest memiliki performa yang baik dengan akurasi 51.16%, sehingga dipilih sebagai model klasifikasi. Model kemudian diintegrasikan ke dalam aplikasi web menggunakan FastAPI untuk melakukan prediksi tingkat kecemasan secara otomatis ke dalam kategori normal, sedang, dan tinggi. Berdasarkan hasil implementasi dan pengujian, sistem Smart-Anxiety dapat berfungsi dengan baik sebagai alat bantu skrining tingkat kecemasan dan diharapkan dapat memberikan informasi tambahan bagi psikolog dalam proses evaluasi kondisi pengguna.

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.

Sistem Informasi Tracer Study Berbasis Web: Klasifikasi Pekerjaan Alumni Menggunakan Multinomial Logistic Regression (Studi Kasus Prodi Manajemen Informatika), M. Saifullah Yusuf Hilya, NIM E31231077, Tahun 2026, Program Studi Manajemen Informatika, Politeknik Negeri Jember, Pramuditha Shinta Dewi Puspitasari, S.Kom., M.Kom. (Dosen Pembimbing). Klasifikasi pekerjaan alumni pada Program Studi Manajemen Informatika saat ini masih dilakukan secara manual, yang rentan terhadap inkonsistensi pelabelan dan berisiko menurunkan validitas data akreditasi. Penelitian ini bertujuan merancang sistem informasi tracer study berbasis web untuk mengklasifikasikan pekerjaan alumni secara otomatis menggunakan pendekatan secara bertahap menggunakan TF-IDF dan Multinomial Logistic Regression. Sistem dibangun dengan arsitektur decoupled menggunakan Laravel sebagai antarmuka dan FastAPI sebagai backend machine learning. Model dilatih menggunakan data tracer study angkatan 2021–2023, yang mengintegrasikan rule-based keyword matching sebagai klasifikasi tahap pertama dan Multinomial Logistic Regression sebagai mekanisme cadangan. Mekanisme ambang batas keyakinan (confidence threshold) sebesar 0,50 diterapkan untuk mengalihkan prediksi ambigu ke antrean tinjauan manual. Evaluasi menggunakan Hold-Out Test dan K-Fold Cross-Validation menghasilkan Akurasi sebesar 83?n Weighted F1-Score sebesar 0,82. Pengujian Black Box dan User Acceptance Test (UAT) menunjukkan sistem berjalan sesuai ekspektasi dengan tingkat penerimaan pengguna sebesar 81,54%. Sistem ini diharapkan membantu program studi Manajemen Informatika dan CDC dalam memperoleh data serapan lulusan yang terstruktur dan objektif, serta mendukung pelaporan akreditasi melalui mekanisme human-in-the-loop yang andal.

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.

Pelaksanaan kegiatan di Bank Rakyat Indonesia (BRI) Kantor Cabang Sidoarjo difokuskan pada pengembangan sistem teller yang bertujuan untuk meningkatkan efisiensi dan kelancaran kinerja staf dalam pengelolaan antrian nasabah. Sistem ini dibuat agar proses mendapatkan nomor antrian lebih mudah, pemanggilan nomor antrian berjalan teratur, dan seluruhnya berlangsung efisien serta tertib. Mengintegrasikan data teller agar pelayanan lebih cepat dan tepat waktu. Sistem ini juga memungkinkan staf untuk mengelola antrian secara langsung di dashboard yang mudah digunakan, sehingga bisa memantau dan mengatur proses pelayanan dengan lebih efektif. Proses membuat sistem dilakukan dalam beberapa tahap, yaitu mulai dari perencanaan proyek, desain alur sistem, membuat tampilan antar muka pengguna, pengembangan bagian depan menggunakan React dan JavaScript, serta pengembangan bagian belakang menggunakan Node.js dengan database PostgreSQL. Selain itu, sistem juga memiliki fitur bantuan seperti panggilan antrian menggunakan suara dan pengelolaan konten tampilan oleh admin. Kegiatan magang juga melibatkan pengujian dan perbaikan kesalahan agar sistem dapat berjalan sesuai dengan kebutuhan operasional bank. Melalui kegiatan magang ini, mahasiswa mendapatkan pengalaman langsung dalam mengembangkan aplikasi berbasis web di bidang perbankan, memahami cara kerja sistem antrian, serta meningkatkan kemampuan teknis dan profesional mereka. Diinginkan hasil dari kegiatan ini bisa menjadi acuan dalam membangun sistem antrian yang lebih baik di Bank BRI Sidoarjo di masa depan.

Petani padi di Indonesia, khususnya di Kabupaten Bondowoso, masih mengalami kesulitan dalam memilih bibit unggul karena keterbatasan informasi dan maraknya bibit palsu. Penelitian ini bertujuan membangun Sistem Pendukung Keputusan (SPK) berbasis web menggunakan metode Simple Additive Weighting (SAW) serta menguji akurasi sistem dalam merekomendasikan bibit terbaik. Metode SAW diterapkan dengan empat kriteria: produktivitas (bobot 0,40), umur panen (0,30), ketahanan hama (0,20), dan harga (0,10). Sistem diimplementasikan dengan PHP Laravel dan MySQL. Pengujian dilakukan melalui Black Box Testing oleh penyuluh pertanian dan User Acceptance Testing (UAT) oleh petani. Hasil penelitian menunjukkan: (1) Seluruh fungsi sistem berjalan 100% valid berdasarkan Black Box Testing; (2) Akurasi metode SAW mencapai 100% sesuai validasi pakar, dengan varietas Inpari 32 sebagai rekomendasi tertinggi (nilai preferensi 0,6455) disusul Mekongga (0,6389) dan IR64 (0,6022); (3) Tingkat kelayakan sistem berdasarkan UAT mencapai 90%. Dengan demikian, sistem ini efektif, akurat, dan layak digunakan petani untuk memilih bibit padi unggul secara objektif.

Hipertensi adalah tekanan darah tinggi secara menetap yang umumnya di atas 140/90 mmHg. Penderita hipertensi termasuk dalam resiko tinggi mengalami berbagai komplikasi serius seperti storke, jika tidak segera ditangani. Meskipun umumnya hipertensi terjadi pada usia lanjut, hipertensi kini meningkat pada usia muda. Berdasarkan Survei Kesehatan Indonesia (2023), prevelensi hipertensi di Indonesia mencapai 30,8%. Dikarenakan kurangnya kesadaran masyarakat menjadi faktor utama dalam peningkatan kasus hipertensi. Penyebab hipertensi dapat dipengaruhi oleh beberapa faktor seperti usia, stres, kebiasaan merokok, konsumsi alkohol, dan konsumsi garam berlebih. Untuk membantu deteksi dini penyakit hipertensi, sistem pakar berbasis website dengan menggunakan metode Certainty Factor dapat menjadikan solusi awal kepada masyarakat. Sistem ini memungkinkan pengguna melakukan konsultasi digital dengan meniru cara berpikir pakar, berdasarkan input gejala. Metode Certainty Factor dipilih karena mampu memberikan tingkat keyakinan terhadap hasil diagnosa, sehingga sistem akan menghasilkan informasi yang mudah dipahamai oleh pengguna, dan dapat menjadi solusi kepada masyarakat dalam mendekteksi dini penyakit hipertensi serta dapat memberikan edukasi dan informasi pencegahnnya.