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.

Laporan magang ini berjudul Pengujian Website Kendala PT Telkom Infrastruktur Indonesia Menggunakan Metode Unit Testing. Pelaksanaan magang dilakukan selama empat bulan, dari 17 September 2024 hingga 17 Januari 2025, di PT Telkom Infrastruktur Indonesia yang bergerak di bidang layanan teknologi informasi dan komunikasi. Fokus kegiatan magang adalah pengujian aplikasi website yang dikembangkan untuk mempermudah validasi data pelanggan secara otomatis. Awalnya, pengecekan data dilakukan secara manual menggunakan Excel yang memakan waktu dan rentan kesalahan. Aplikasi yang dikembangkan berhasil mengatasi permasalahan ini melalui proses otomatisasi dan implementasi unit testing untuk menjamin kualitas sistem. Penulis terlibat dalam desain antarmuka menggunakan Figma, pengembangan sistem dengan Laravel, serta pengujian dan perbaikan fitur aplikasi. Dari pengalaman ini, penulis memperoleh pemahaman yang lebih dalam tentang proses pengembangan perangkat lunak, penerapan pengujian unit, serta kerja tim dalam dunia industri yang sebenarnya.

Kualitas tembakau selama masa penyimpanan di gudang sangat dipengaruhi oleh kondisi suhu dan kelembapan. Ketidakstabilan kedua faktor ini dapat menyebabkan pertumbuhan jamur, penurunan rasa, serta kerusakan fisik pada tembakau. Oleh karena itu, dibutuhkan sistem prediksi yang mampu memberikan estimasi kondisi lingkungan secara akurat dan real-time. Penelitian ini mengembangkan prototipe sistem prediksi suhu dan kelembapan dengan menggunakan metode Deep Learning berbasis Long Short-Term Memory (LSTM) yang terintegrasi dengan perangkat Internet of Things (IoT). Data lingkungan dikumpulkan menggunakan sensor DHT22 dan dikirimkan melalui mikrokontroler ESP8266 ke server Laravel untuk diteruskan ke model prediksi yang dikembangkan dengan Flask. Model LSTM dilatih menggunakan dataset suhu dan kelembapan sebanyak 390 data, dengan proporsi 90?ta pelatihan dan 10?ta pengujian. Hasil pelatihan menunjukkan bahwa epoch ke-40 memberikan performa terbaik dengan Root Mean Square Error (RMSE) untuk suhu sebesar 0.130 dan kelembapan sebesar 0.127, serta akurasi prediksi suhu sebesar 99,69?n kelembapan sebesar 98,56%. Sistem yang dibangun dilengkapi dengan dashboard antarmuka yang menampilkan data sensor dan hasil prediksi secara grafis dan tabular. Hasil pengujian sistem menunjukkan bahwa prediksi yang dihasilkan memiliki tingkat akurasi tinggi dan dapat diandalkan dalam mendukung pengambilan keputusan preventif oleh pengelola gudang. Dengan sistem ini, diharapkan kualitas tembakau selama penyimpanan dapat lebih terjaga, efisiensi operasional meningkat, dan kerugian akibat kerusakan produk dapat diminimalkan.

Pengembangan WhatsApp Virtual Assistant Untuk Registrasi User TAG ID Menggunakan Metode LLM, Mohamad Taufiq Rahmadi, NIM E41212292, Tahun 2024, Teknologi Informasi, Politeknik Negeri Jember, Zilvanhisna Emka Fitri, ST., MT. (Dosen Pembimbing Magang), Theodorus Austin Valenzio (Pembimbing Lapang). Kegiatan magang di Politeknik Negeri Jember (Polije) merupakan bagian dari pelatihan praktik mahasiswa, yang menggabungkan program akademik dengan pengalaman kerja. Selama magang, mahasiswa menerapkan ilmu dari perkuliahan untuk menyelesaikan tugas di tempat kerja, mahasiswa juga diharapkan untuk dapat memperluas pemahaman dan wawasan serta mengerti tentang aktivitas di Perusahaan. Magang dilaksanakan selama 6 bulan, dari Agustus 2024 hingga Februari 2025, bertempat di PT. Digital Netwerk Venture Indonesia, The Netwerk, Malang yang berlokasi di Perum Pandanwangi Green Park, Blok I, Pandanwangi, Kec. Blimbing, Kota Malang, Jawa Timur. Kegiatan berlangsung mulai 5 Agustus 2024 hingga 7 Februari 2025, dengan jam kerja Senin–Jumat pukul 08:00–17:00, termasuk waktu istirahat selama 1 jam. Pengembangan virtual assistant merupakan bagian dari tugas yang diberikan selama kegiatan magang berlangsung. Dalam kegiatan ini, dilakukan pengembangan virtual assistant yang berbasis whatsapp untuk proses registrasi pengguna pada platform TAG ID. Virtual Assistant ini dikembangkan dengan menggunakan metode Large Language Model (LLM) dan algoritma pendukung yang dapat mengolah bahasa manusia yang kompleks. Penggunaan metode tersebut sangat mempermudah dalam proses pengembangan virtual assistant ini, karena menyediakan algoritma dan model model di dalamnya sehingga tidak perlu membuat model sendiri untuk menggunakannya. LLM yang digunakan juga dapat memahami berbagai input pengguna, termasuk Bahasa alami, typo dan variasi gaya penulisan, serta memiliki kemampuan untuk menangani berbagai tugas, seperti menjawab pertanyaan, memandu pendaftaran, dan memberikan rekomendasi