Laporan magang ini menguraikan aktivitas serta pengalaman yang diperoleh penulis selama mengikuti program magang di PT Telkom Indonesia dengan penempatan operasional pada PT Telkom Infrastruktur Indonesia Area Jember. Kegiatan utama yang dilaksanakan berfokus pada pengelolaan data infrastruktur jaringan, khususnya pada proses validasi dan verifikasi data Optical Distribution Point (ODP) melalui pemanfaatan beberapa sistem internal, antara lain Web UIM, Proman, dan Quality Access. Aktivitas tersebut meliputi pemeriksaan konsistensi data, analisis terhadap temuan ketidaksesuaian, serta proses pembersihan data guna mendukung peningkatan kualitas tata kelola data jaringan. Selain menjalankan kegiatan operasional, penulis juga melakukan pengembangan sistem deteksi ODP berbasis kecerdasan buatan dengan menggunakan model YOLOv8. Model ini dilatih menggunakan 3.984 citra ODP yang diperoleh dari berbagai kondisi lapangan dan mampu mencapai tingkat akurasi deteksi sekitar 97%. Sistem yang dikembangkan kemudian diintegrasikan ke dalam aplikasi berbasis web menggunakan framework Flask, yang dilengkapi dengan fitur pendeteksian objek ODP serta pembacaan label identitas menggunakan PaddleOCR. Pengembangan sistem ini berperan sebagai proof of concept pemanfaatan teknologi kecerdasan buatan dalam mendukung efisiensi proses verifikasi dokumentasi lapangan. Hasil pelaksanaan magang menunjukkan bahwa kegiatan yang dilakukan memberikan kontribusi positif terhadap peningkatan kualitas data operasional serta membuka peluang penerapan teknologi kecerdasan buatan dalam alur kerja perusahaan. Pengalaman teknis dan non-teknis yang diperoleh selama kegiatan magang turut memberikan pemahaman yang lebih komprehensif kepada penulis terkait proses bisnis, manajemen data, serta penerapan teknologi visi komputer dalam konteks industri telekomunikasi.

Industri skincare di Indonesia tumbuh pesat, menghasilkan banyak ulasan tekstual konsumen di platform Sociolla. Untuk mengekstrak informasi secara otomatis, penelitian ini membangun sistem Aspect-Based Sentiment Analysis (ABSA) berbasis model IndoBERT (sebagai pengekstraksi fitur [CLS] berdimensi 768) dan algoritma Support Vector Machine (SVM) dengan pendekatan Label Powerset. Menggunakan 3.134 ulasan dari tiga produk Skintific, ketidakseimbangan kelas diatasi melalui Selective Over-sampling berbasis Easy Data Augmentation (EDA) sehingga dataset meningkat menjadi 3,424 sampel. Setelah membuang kelas langka di bawah 3 sampel, sisa 3.310 ulasan dibagi menggunakan Stratified Multi-label Split rasio 70:30 (2.317 data latih dan 993 data uji). Hasil eksperimen membuktikan kombinasi IndoBERT Fine-tuned dan SVM kernel Linear (C = 0,01) yang dioptimasi via GridSearchCV menghasilkan performa terbaik. Model mencatatkan Exact Match Accuracy sebesar 43,20%, Micro Precision 70,28%, Micro Recall 88,32%, Micro F1-Score 78,27%, serta Hamming Loss 5,10%. Hasil klasifikasi MySQL memetakan kekuatan Skintific pada aspek Kualitas Produk (2.280 positif) dan Tekstur (1.258 positif), serta kelemahan pada Kemasan (173 negatif) dan Harga (163 negatif). Model ini diintegrasikan ke arsitektur website Single Page Application (SPA) berbasis Laravel 11, React.js, dan microservices FastAPI untuk melayani prediksi otomatis secara real-time.

Penelitian ini berfokus pada implementasi automation testing menggunakan Katalon Studio pada Sistem Informasi Pendataan Obat di Puskesmas Doko untuk memastikan kualitas dan fungsionalitas sistem sesuai dengan kebutuhan pengguna. Pengujian dilakukan melalui Unit Testing, Integration Testing, System Testing, dan User Acceptance Testing (UAT). Hasil pengujian menunjukkan bahwa Unit Testing memperoleh tingkat keberhasilan 100% pada seluruh modul yang diuji, Integration Testing berhasil dijalankan pada 10 fungsi tanpa kegagalan, System Testing terhadap 303 test case menunjukkan seluruh skenario berstatus Passed, sedangkan User Acceptance Testing (UAT) memperoleh nilai rata-rata sebesar 92?ngan kategori sangat baik. Berdasarkan hasil tersebut, implementasi automation testing menggunakan Katalon Studio terbukti efektif dalam memastikan kualitas dan fungsionalitas Sistem Informasi Pendataan Obat sehingga sistem dinyatakan layak digunakan di Puskesmas Doko.

Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem penerjemah suara real-time berbasis aplikasi Android dengan mengintegrasikan tiga model kecerdasan buatan, yaitu Automatic Speech Recognition (ASR) menggunakan Whisper Small, Neural Machine Translation (NMT) menggunakan Opus-MT, dan Text-to-Speech (TTS) menggunakan Piper TTS. Latar belakang penelitian ini adalah rendahnya kemampuan berbahasa Inggris masyarakat Indonesia yang berada di peringkat ke-80 dari 113 negara berdasarkan EF English Proficiency Index (EPI) 2024, yang menjadi hambatan di sektor pendidikan, bisnis, dan pariwisata. Sistem dikembangkan dengan pipeline berurutan ASR–NMT–TTS, di mana input suara dikonversi menjadi teks, diterjemahkan ke bahasa target, lalu dikeluarkan kembali dalam bentuk suara. Antarmuka dibangun menggunakan framework Flutter, sementara seluruh model di-fine-tuning menggunakan dataset Mozilla Common Voice dan korpus paralel OPUS dengan pembagian 80% data latih dan 20% data uji. Hasil evaluasi menunjukkan model ASR Whisper Small mencapai akurasi transkripsi sebesar 87,17% dengan Word Error Rate (WER) 12,83% setelah fine-tuning. Model NMT Opus-MT memperoleh skor BLEU 45,94 untuk arah Indonesia–Inggris dan 40,74 untuk Inggris–Indonesia. Model TTS Piper menghasilkan nilai Mel Cepstral Distortion (MCD) sebesar 6,69 dB (Indonesia) dan 5,78 dB (Inggris). Secara keseluruhan, sistem terintegrasi mampu menjalankan pipeline penerjemahan dengan rata-rata latensi ±3,2 detik per kalimat. Pengujian Black Box Testing menunjukkan seluruh fitur berjalan sesuai harapan, sedangkan User Acceptance Test (UAT) terhadap 30 responden menghasilkan nilai rata-rata variabel desain 91%, variabel sistem 86%, dan variabel model sistem 88%. Sistem ini terbukti efektif dalam mengatasi hambatan bahasa dan membuka peluang pengembangan lebih lanjut seperti penambahan bahasa daerah dan pengurangan latensi melalui teknik streaming.

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.