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.

Penelitian ini bertujuan mengembangkan aplikasi mobile cerdas berbasis deep learning MobileNetV2 untuk deteksi dini penyakit daun bayam pada sistem akuaponik. Pendekatan ini menjadi solusi presisi untuk mengatasi keterbatasan deteksi manual yang lambat dan subjektif. Dataset citra diklasifikasikan ke dalam lima kelas: Healthy Leaf, Anthracnose, Bacterial Spot, Downy Mildew, dan Pest Damage. Guna menangani ketimpangan data (class imbalance) yang ekstrem, model dioptimasi menggunakan Focal Loss (Gamma 2.5), rekayasa data MixUp Augmentation, serta metode Full Fine-Tuning. Pengujian model yang dieksekusi menggunakan Test-Time Augmentation (TTA) 20 iterasi menghasilkan akurasi keseluruhan sebesar 70.05%. Model ini juga mencatatkan tingkat kepekaan (Recall) yang tinggi pada pemisahan kelas mayoritas daun sehat (87.13%) dan kelas minoritas Anthracnose (72.22%). Model akhir dikonversi ke format TensorFlow Lite (TFLite) berukuran di bawah 15 MB, sehingga pemrosesan klasifikasi dapat berjalan 100% secara offline tanpa latensi jaringan. Hasil dari penelitian ini berupa aplikasi pendukung keputusan yang praktis bagi petani untuk mengidentifikasi patogen dan menerapkan penanganan organik secara cepat dan tepat sasaran.

Judul perancangan sistem ini yaitu “Rancang Bangun Sistem Pengukuran Kecepatan Angin Otomatis Berbasis IOT Pada Stasiun Klimatologi Politeknik Negeri Jember” yang bertujuan untuk merancang dan mengembangkan sistem pengukuran kecepatan angin otomatis menggunakan Hall Effects di Anemometer. Sensor ini sebagai metode otomasi dari model konvensional yang memiliki keterbatasan dalam efisiensi dan penyajian data. Sistem ini dirancang untuk mendukung pemantauan kondisi angin secara real-time sebagai indikator perubahan cuaca serta menunjang kebutuhan analisis pada stasiun klimatologi Politeknik Negeri Jember. Sistem yang digunakan pada perancangan ini terdiri dari Hall Effect dan Anemometer sebagai alat pengukur kecepatan angin konvesional, yang pada saat nanti output data mentah diolah mikrokontroller ESP32 sebagai pengolah data. Serta aplikasi berbasis framework Flutter sebagai media penyimpanan, monitoring, dan visualisasi data secara real-time. Data hasil pengukuran dikirimkan ke server dan ditampilkan dalam bentuk informasi monitoring dan riwayat pengukuran yang dapat diakses secara daring, sehingga mendukung efisiensi pengamatan, keakuratan data, serta pengambilan keputusan pada stasiun klimatologi maupun bidang terkait lainnya.

Medicinal plants are one of Indonesia's biological resources widely utilized for traditional medicine. However, the identification process of medicinal plants is often performed manually, making it prone to errors. This research aims to develop a mobile application called Herba Nusantara that can identify medicinal plants using the Convolutional Neural Network (CNN) algorithm with the MobileNetV2 architecture. The dataset consists of 13 types of medicinal plants categorized into leaves, rhizomes, and stems, with a total of 1,625 images. The research stages include dataset preparation, preprocessing through resizing, augmentation, and normalization, model training using MobileNetV2 transfer learning, and model implementation into a Flutter application using TensorFlow Lite. Testing was conducted using two scenarios: a single-model approach and a multi-model approach. The results showed that the single-model approach achieved an accuracy of 98%, while the multi-model approach achieved accuracies of 100% for leaf and stem categories and 98% for the rhizome category. Based on these results, the multi-model approach was selected because it provides better classification performance.

Prediksi hasil panen yang akurat diperlukan untuk membantu perencanaan produksi dan pengambilan keputusan. Penelitian ini bertujuan merancang sistem prediksi hasil panen padi menggunakan metode Regresi Linear Berganda serta mengetahui tingkat akurasi model yang dihasilkan. Data yang digunakan merupakan data historis padi Kabupaten Jember periode 2015–2024 dengan variabel Luas Tanam, Luas Lahan Terpanen, Produktivitas, Produksi dan Curah Hujan. Tahapan penelitian meliputi preprocessing data, analisis korelasi serta seleksi fitur, uji linearitas, pembagian data, pembangunan model, evaluasi model, dan implementasi ke dalam sistem berbasis web menggunakan framework Laravel. Dari hasil seleksi fitur, variabel yang digunakan untuk membangun model yaitu Luas Tanam, Luas Lahan Terpanen dan produksi. Model dibangun secara bertahap, yaitu Model 1 untuk memprediksi Luas Lahan Terpanen dan Model 2 untuk memprediksi Produksi. Hasil evaluasi menunjukkan bahwa Model 1 memperoleh nilai MAPE sebesar 2.89?n R² sebesar 0.8883, sedangkan Model 2 memperoleh nilai MAPE sebesar 4.23?n R² sebesar 0.7976. Hasil tersebut menunjukkan bahwa metode Regresi Linear Berganda mampu menghasilkan prediksi yang sangat akurat, sehingga sistem yang dikembangkan layak digunakan sebagai pendukung dalam memperkirakan hasil panen padi di Kabupaten Jember.

Implementasi Quality Assurance Menggunakan Failure Testing Dalam Aplikasi MyEnviro Mobile Mohammad Thoriq Dhanies Adzdzikra, NIM E41221936, Tahun 2024, Teknologi Informasi, Politeknik Negeri Jember, Zilvanhisna Emka Fitri, ST. MT. (Dosen Pembimbing), Kholid Amrillah (Pembimbing Lapang). Politeknik Negeri Jember (Polije) merupakan perguruan tinggi yang menyelenggarakan pendidikan vokasi, yaitu program pendidikan yang mengarah proses belajar mengajar pada tingkat keahlian, keterampilan, dan standar kompetensi yang berkualitas dan relevan dengan kebutuhan industri. Salah satu kegiatan pendidikan akademik yang dimaksud adalah Magang, yang memiliki tujuan untuk mengambangkan wawasan, pengalaman, dan keterampilan mahasiswa agar memiliki kompetensi yang dibutuhkan industri sesuai dengan bidang keahliannya. Penulis memilih PT Xeno Persada Teknologi sebagai tempat magang yang merupakan sebuah perusahaan software house yang terletak di Surabaya, Jawa Timur. Setiap kegiatan di PT Xeno Persada Teknologi selalu dibimbing dan diberikan arahan oleh pembimbing lapang. Salah satunya yaitu, implementasi quality assurance pada aplikasi MyEnviro menggunakan failure testing. Aplikasi ini memiliki dua hak akses, yaitu untuk karyawan dan pelanggan yang dikembangkan untuk memudahkan manajemen sebuah perusahaan outsourcing Penulis berkesempatan melakukan quality assurance untuk aplikasi MyEnviro yang memiliki beberapa fitur yang harus diperiksa kualitasnya, seperti pengajuan kegiatan khusus, pengajuan dinas luar, monitoring laporan, dll.

Industri kopi robusta di Indonesia menghadapi tantangan dalam menjaga kestabilan kondisi lingkungan pada fase pembibitan, di mana pengelolaan secara konvensional belum mampu menjaga parameter suhu, kelembaban, dan pH tanah secara konsisten sehingga berdampak pada pertumbuhan bibit yang tidak optimal. Penelitian ini mengimplementasikan metode Adaptive Neuro-Fuzzy Inference System (ANFIS) pada sistem kontrol lingkungan greenhouse berbasis Internet of Things (IoT) untuk mengoptimalkan pertumbuhan bibit kopi robusta (Coffea canephora) melalui pengendalian otomatis kondisi suhu, kelembaban udara, dan pH tanah. Model ANFIS dilatih menggunakan 8.640 data dengan tiga variabel input dan tiga fungsi keanggotaan berbasis Generalized Bell per variabel sehingga menghasilkan 27 aturan fuzzy. Sensor DHT21 dan sensor pH tanah dikalibrasi menggunakan metode koreksi offset guna meningkatkan akurasi pembacaan sebelum diimplementasikan pada sistem, meskipun akurasi sensor pH tanah setelah kalibrasi belum mencapai tingkat yang ideal. Hasil penelitian menunjukkan bahwa model ANFIS menghasilkan nilai RMSE sebesar 0,0751 dengan tingkat akurasi keputusan pompa mencapai 95%, yang mengindikasikan bahwa model memiliki performa yang baik dalam mengklasifikasikan kondisi lingkungan greenhouse dan menghasilkan keputusan aktivasi pompa pengembunan secara otomatis. Parameter lingkungan yang digunakan telah divalidasi oleh pakar bidang budidaya tanaman perkebunan dan dinyatakan sesuai dengan kebutuhan fisiologis bibit kopi robusta, yaitu suhu 20–28°C, kelembaban 70–90%, dan pH tanah 5,5–6,5.