Aplikasi Pengenalan Angka dan Penjumlahan untuk Anak Sekolah Dasar Berbasis Dua Marker Augmented Reality, Ayu Eka Ciptasari, NIM E31221209, Tahun 2025, 72 halaman., Teknologi Informasi, Politeknik Negeri Jember, Faisal Lutfi Afrinasnyah, S.Kom., M.T. (Pembimbing). Proses pembelajaran di sekolah dasar memerlukan pendekatan yang menyenangkan, interaktif, dan sesuai dengan karakteristik anak usia dini. Namun, observasi menunjukkan bahwa media pembelajaran yang digunakan di sekolah dasar, khususnya pada siswa kelas 1, masih didominasi oleh buku cetak. Hal ini membuat proses pembelajaran matematika, seperti pengenalan angka dan penjumlahan, menjadi kurang menarik dan sulit dipahami secara visual oleh siswa. Seiring dengan perkembangan zaman, dibutuhkan media pembelajaran alternatif yang dapat mendukung pembelajaran visual dan meningkatkan interaksi siswa terhadap materi. Salah satu teknologi yang tepat untuk digunakan adalah Augmented Reality (AR), karena dapat menggabungkan objek virtual ke dalam dunia nyata secara real-time dan interaktif. Untuk itu, dikembangkanlah sebuah aplikasi media pembelajaran bernama ARitmatika Kids berbasis AR dengan memanfaatkan dua marker, yang bertujuan untuk membantu siswa mengenali angka dan memahami konsep penjumlahan dasar. Aplikasi ini dirancang menggunakan metode Multimedia Development Life Cycle (MDLC), serta dibangun dengan tools seperti Unity, Vuforia SDK, dan Firebase. Fitur utama dalam aplikasi ini meliputi AR Kamera untuk menampilkan angka 3D, fitur penggabungan dua marker untuk visualisasi penjumlahan, serta menu Materi dan Quiz yang dapat digunakan untuk memperkuat pemahaman siswa terhadap materi. Selain itu, aplikasi ini juga dilengkapi dengan fitur Pretest dan Posttest untuk mengukur pemahaman siswa. Aplikasi ARitmatika Kids telah dipublikasikan melalui Google Play Store, sehingga dapat diakses dengan mudah oleh guru dan siswa. Penulis berharap, media pembelajaran ini dapat menjadi solusi inovatif untuk meningkatkan minat dan pemahaman siswa dalam mempelajari matematika dasar secara lebih menyenangkan dan interaktif.

Politeknik Negeri Jember (Polije), khususnya Program Studi D4 Teknik Informatika (TIF), terus berkembang menghadapi tantangan era digital. Untuk memastikan kesesuaian antara lulusan dan kebutuhan industri, dilakukan tracer study kepada alumni melalui website CDC Polije. Tracer study bertujuan mengevaluasi transisi lulusan ke dunia kerja, serta menilai proses pembelajaran dan kompetensi lulusan. Salah satu bagian penting tracer study adalah mengukur tingkat kepuasan pengguna lulusan, berdasarkan tujuh kriteria utama: kerja tim, pengambilan keputusan, kecerdasan bertindak, integritas, komunikasi, teknologi informasi, dan bahasa asing. Namun, meskipun data telah dikumpulkan dalam bentuk skala likert, belum ada analisis menyeluruh yang menunjukkan pola atau pengelompokan kepuasan secara spesifik. Besarnya volume data dan keberagaman penilaian menyebabkan sulitnya interpretasi secara langsung. Oleh karena itu, penelitian ini menerapkan metode K-means Clustering untuk mengelompokkan data kepuasan pengguna lulusan secara otomatis berdasarkan tujuh kriteria. Hasil penelitian menunjukkan bahwa data kepuasan pengguna lulusan Program Studi D4 Teknik Informatika berhasil dikelompokkan berdasarkan tujuh kriteria. Keseluruhan data yang berjumlah 187 alumni, proses clustering menghasilkan 4 kelompok atau cluster berdasarkan perhitungan elbow method menghasilkan nilai ‘361’ dan silhouette score ‘0,234’. Hasil pengelompokan paling dominan terdapat pada cluster 0 yang mencakup sebanyak 103 pengguna lulusan, atau sekitar 55?ri total data. Proporsi tersebut mengindikasikan bahwa sebagian besar pengguna lulusan memiliki penilaian kepuasan yang tinggi atau tergolong dalam kategori “sangat puas”, sehingga memperlihatkan persepsi positif terhadap kualitas lulusan yang dihasilkan oleh program studi tersebut.

Motif batik sebagai produk kreatif terus berkembang dan bermunculan, sehingga kerap menyulitkan proses pengenalan dan pelestariannya. Oleh karena itu, diperlukan metode pengenalan motif batik berbasis teknologi pengolahan citra digital. Penelitian ini bertujuan untuk menganalisis pengaruh metode ekstraksi fitur dengan berbagai pendekatan terhadap hasil klasifikasi citra motif batik serta membandingkan performa algoritma Machine Learning dan Deep Learning berdasarkan fitur yang digunakan. Metode ekstraksi fitur yang digunakan meliputi Histogram of Oriented Gradient (HOG), Local Binary Pattern (LBP), dan Gray Level Co-occurrence Matrix (GLCM). Sementara itu, algoritma klasifikasi yang digunakan adalah Support Vector Machine (SVM) serta Convolutional Neural Network (CNN) dengan arsitektur VGG16 dan ResNet-50. Hasil penelitian menunjukkan bahwa ekstraksi fitur memiliki peranan penting dalam proses klasifikasi, khususnya pada algoritma Machine Learning seperti SVM. Di antara metode yang diuji, GLCM menghasilkan performa terbaik, mengungguli HOG dan LBP. Sementara itu, CNN mampu memberikan hasil yang sangat baik meskipun tanpa ekstraksi fitur tambahan, karena memiliki kemampuan pembelajaran fitur secara otomatis. Perbandingan antara Machine Learning dan Deep Learning menunjukkan bahwa masing-masing memiliki keunggulan dalam proses klasifikasi citra motif batik berdasarkan fitur.. Kombinasi GLCM dan SVM dengan kernel Gaussian berhasil mencapai akurasi tertinggi sebesar 98,33%, sedangkan CNN tanpa tambahan fitur mencapai akurasi sempurna sebesar 100% pada arsitektur ResNet-50. Namun, CNN memerlukan waktu pelatihan yang lebih lama akibat kompleksitas arsitektur dan banyaknya parameter yang digunakan. Dengan demikian, pemilihan metode ekstraksi fitur dan algoritma klasifikasi yang tepat sangat penting untuk menghasilkan klasifikasi motif batik yang optimal.

Komunikasi nirkabel pada robot dapat dilakukan melalui suara, namun penggunaannya tidak hanya bergantung pada aspek teknis pengenalan perintah, melainkan juga perlu memperhatikan faktor keamanan. Penelitian ini mengimplementasikan pengenalan suara menggunakan ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC), yang terbukti efektif dalam klasifikasi dan verifikasi suara. Metode Learning Vector Quantization (LVQ) menunjukkan hasil lebih unggul dibanding Dynamic Time Warping (DTW), dengan rata-rata confidence score 78.42% dan waktu respon 0.011 detik, sementara DTW mencatat skor lebih rendah dan waktu respon lebih lambat. Untuk pengenalan perintah, model Convolutional Neural Network (CNN) mampu mengklasifikasikan lima perintah dengan rata-rata confidence score 98.48%. Hasil ini menunjukkan bahwa kombinasi MFCC, LVQ, DTW, dan CNN dapat digunakan secara efektif dalam sistem pengenalan dan verifikasi suara.

RANCANG BANGUN SMART HOME MENGGUNAKAN MIKROKONTROLER DAN APLIKASI MOBILE BERBASIS IOT. Diyan Shintia Bella, Nim E32222626, Tahun 2025, Teknologi Informasi, Politeknik Negeri Jember, Hariyono Rakhmad, S.Pd, M.Kom (Pembimbing). Perkembangan teknologi Internet of Things (IoT) memberikan kemudahan dalam kehidupan sehari-hari, salah satunya pada bidang otomasi rumah (smart home). Rumah pintar mampu meningkatkan kenyamanan, keamanan, dan efisiensi energi secara otomatis. Pada tugas akhir ini, dirancang dan dibangun sistem smart home menggunakan mikrokontroler ESP32 dan berbagai sensor, antara lain sensor suhu dan kelembapan (DHT11), sensor gas (MQ2), sensor cahaya (LDR), serta sensor fingerprint (AS608) untuk sistem penguncian pintu otomatis. Sistem ini mampu mengendalikan aktuator berupa lampu, blower, buzzer, dan door lock secara otomatis berdasarkan data sensor. Selain itu, sistem terhubung dengan Firebase untuk menyimpan data secara real-time dan dapat dipantau melalui aplikasi mobile yang dibuat menggunakan Flutter. Sistem ini terbukti mampu bekerja secara otomatis dan mendukung pemantauan jarak jauh, sehingga memberikan solusi rumah pintar yang efisien, aman, dan praktis dengan memanfaatkan teknologi IoT.

Rancang Bangun Saklar Pintar Menggunakan Protokol MQTT dan Aplikasi Android Berbasis Mesh Network, Sakti Bayu Nugraha, NIM E32221274, Tahun 2025, Teknik Komputer, Politeknik Negeri Jember. Hariyono Rakhmad, S.Pd., M.Kom. Seiring dengan meningkatnya konsumsi listrik dalam rumah tangga, penggunaan sistem otomatisasi dalam pengelolaan perangkat elektronik menjadi semakin penting untuk meningkatkan efisiensi energi. Salah satu solusi yang berkembang adalah saklar pintar, yang memungkinkan pengguna mengontrol perangkat listrik dari jarak jauh melalui aplikasi berbasis Android. Saklar pintar memungkinkan pengguna untuk menyalakan atau mematikan perangkat listrik tanpa perlu menyentuh saklar fisik, memberikan kemudahan dan efisiensi dalam pengelolaan energi listrik di rumah. Namun, keterbatasan konektivitas jaringan WiFi dalam rumah, terutama pada bangunan bertingkat atau yang memiliki banyak sekat, dapat mengurangi efektivitas saklar pintar. Untuk mengatasi permasalahan ini, penelitian ini mengusulkan penerapan Mesh network menggunakan protokol MQTT (Message Queuing Telemetry Transport) untuk menciptakan jaringan komunikasi yang lebih stabil dan luas. Penelitian ini bertujuan untuk membuat Rancang Bangun Saklar Pintar Menggunakan Protokol MQTT dan Aplikasi Android Berbasis Mesh Network yang dapat mengontrol penggunaan perangkat elektronik baik lampu atau kipas angin yang telah terintegrasi dengan aplikasi android untuk input kontrolnya. Berdasarkan hasil implementasi dan pengujian menunjukkan bahwa perangkat dapat digunakan melalui kontrol dari aplikasi dengan baik untuk bertukar pesan pada jaringan mesh dan dengan Broker MQTT. Untuk pengembangan berikutnya disarankan melakukan pemilihan komponen yang lebih mumpuni dan pengembangan lebih lanjut desain PCB-nya.

Air minum yang higienis penting untuk menjaga kesehatan dan produktivitas ternak. Namun, peternak di Indonesia masih menghadapi tantangan dalam memastikan kualitas air akibat tingginya kontaminasi mikroorganisme patogen seperti Escherichia coli, Salmonella spp., dan Staphylococcus aureus. Sistem sterilisasi air minum ternak otomatis berbasis ozon dan sinar ultraviolet (UV) dengan sumber energi panel surya dikembangkan sebagai solusi inovatif untuk meningkatkan kualitas air secara efisien dan berkelanjutan. Penelitian ini menggunakan metode eksperimen dengan tahapan studi literatur, perancangan sistem, perakitan perangkat, pengujian kelistrikan, serta analisis kualitas air sebelum dan sesudah sterilisasi. Sistem ini terdiri dari tiga tahap sterilisasi, yaitu filtrasi awal, ozonisasi, dan penyinaran UV, yang bekerja secara otomatis dengan pemantauan melalui sistem berbasis Internet of Things (IoT). Hasil pengujian menunjukkan bahwa teknologi ini efektif dalam menurunkan kekeruhan air serta mengeliminasi mikroorganisme patogen sesuai standar kualitas air ternak. Selain itu, penggunaan energi surya membuat sistem lebih ramah lingkungan dan hemat biaya, sehingga berpotensi meningkatkan produktivitas peternakan di Indonesia.

Klasifikasi Tingkat Kematangan Buah Sawit Berdasarkan Model RGB dengan Metode Convolutional Neural Network, Yunan Aditya Primawardana, NIM E41211220, Tahun 2025, 132 hlm, Teknologi Informasi, Politeknik Negeri Jember, Elly Antika S.T., M.Kom. (Dosen Pembimbing). Buah kelapa sawit merupakan komoditas utama dalam industri perkebunan karena menghasilkan minyak sawit yang banyak digunakan dalam berbagai sektor. Salah satu faktor penentu kualitas minyak sawit adalah tingkat kematangan buah saat panen. Penilaian secara manual oleh pekerja kebun sering kali tidak akurat dan bersifat subjektif. Oleh karena itu, diperlukan sistem klasifikasi otomatis untuk mendeteksi kematangan buah sawit secara lebih akurat dan efisien. Penelitian ini bertujuan mengembangkan model klasifikasi kematangan buah sawit berbasis citra digital menggunakan fitur warna RGB dan metode Convolutional Neural Network (CNN). Klasifikasi dilakukan ke dalam dua kelas, yaitu buah matang dan buah mentah. Dataset yang digunakan berjumlah 3000 gambar, terdiri dari 1500 gambar sawit matang dan 1500 gambar sawit mentah, yang diperoleh dari berbagai sumber. Gambar-gambar tersebut melalui proses preprocessing berupa resize ke ukuran 224x224 piksel, normalisasi warna, dan augmentasi. Model CNN dibangun menggunakan pendekatan transfer learning dengan arsitektur DenseNet121 sebagai base model, yang dilengkapi dengan beberapa layer tambahan seperti Conv2D, MaxPooling, GlobalAveragePooling, Dense, dan Dropout. Model dilatih selama 10 epoch menggunakan optimizer Adam dan fungsi aktivasi sigmoid. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan tingkat kematangan buah sawit dengan akurasi sebesar 99.11%, precision 0,99, recall 0,99, dan F1-score 0,99. Berdasarkan hasil tersebut, metode CNN berbasis RGB terbukti efektif dalam klasifikasi otomatis buah sawit dan berpotensi untuk diterapkan dalam industri perkebunan guna meningkatkan efisiensi proses sortasi buah.