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

PREDIKSI HARGA TOMAT KABUPATEN TULUNGAGUNG MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION, Muhamad Fais Aizat, NIM E31220954, Tahun 2025, Teknologi Informasi, Politeknik Negeri Jember, Hendra Yufit Riskiawan, S.Kom,M.Cs. (Dosen Pembimbing). Indonesia merupakan negara agraris dimana sektor pertanian menjadi sumber perekonomian bagi 34.580.000 orang atau 27,33?ri total angkatan kerja. Tomat (Solanum lycopersicum) sebagai salah satu komoditas hortikultura penting mengalami fluktuasi harga yang signifikan akibat karakteristik mudah rusak dan umur simpan pendek. Di Kabupaten Tulungagung, harga tomat mengalami lonjakan drastis dari Rp 7.333/kg (Maret 2024) menjadi Rp 27.666/kg (April 2024) dan turun lagi menjadi Rp 3.500/kg (September 2024). Fluktuasi ini menimbulkan ketidak pastian bagi konsumen, pedagang, dan pelaku usaha kuliner dalam perencanaan anggaran dan pengambilan keputusan pembelian. Penelitian ini bertujuan membangun sistem prediksi harga tomat berbasis website menggunakan metode Support Vector Regression (SVR) untuk membantu berbagai pihak mengantisipasi fluktuasi harga. Sistem dikembangkan dengan ReactJS sebagai frontend dan FastAPI sebagai backend. Data yang digunakan adalah harga tomat historis Kabupaten Tulungagung periode 2015-2024 dari SISKAPERBAPO, dengan variabel harga pasar Bandung, Ngunut, Ngemplak, rata-rata harga kemarin, dan rata-rata harga sekarang. Data diolah melalui preprocessing dan normalisasi, kemudian dianalisis menggunakan berbagai kernel SVR (linear, RBF, sigmoid, polynomial). Hasil pengujian menunjukkan kernel linear memberikan akurasi terbaik dengan Mean Absolute Error sebesar 0,005170, Root Mean Square Error sebesar 0,006826, dan Mean Absolute Percentage Error sebesar 2,76%, dalam kriteria MAPE (<10%) menunjukkan bahwa model mampu memprediksi harga tomat dengan akurasi yang sangat baik.

Program Studi Pendidikan Bahasa Inggris Universitas PGRI Madiun mengembangkan sistem arsip digital bernama A-PI (Arsip Digital Program Studi Pendidikan Bahasa Inggris) sebagai sarana penyimpanan dan pengelolaan laporan kegiatan dosen dan tenaga kependidikan. Dalam rangka memastikan kualitas aplikasi tersebut, dilakukan pengujian perangkat lunak otomatis menggunakan dua alat pengujian yaitu Selenium WebDriver dan Cypress karena keduanya dapat mendukung pengujian lintas browser. Penelitian ini bertujuan untuk menganalisis dan membandingkan pemanfaatan Selenium WebDriver dan Cypress pada pengujian otomatis aplikasi A-PI berdasarkan tiga aspek pengujian, yaitu functional testing, compability testing (cross-browser), dan security testing dengan parameter waktu eksekusi dan dokumen hasil eksekusi. Tahapan penelitian ini terdiri dari beberapa langkah yaitu: identifikasi aplikasi, studi literatur, pembuatan test case, pengujian, analisis hasil perbandingan, penyusunan kesimpulan dan saran. Pengujian dilakukan pada tiga browser utama yaitu: Chrome, Firefox, dan Edge. Hasil dari penelitian ini menunjukkan bahwa: 1) pada kategori functional testing, pengujian mencakup 45 kasus uji, dengan 42 kasus (93,3%) dinyatakan berhasil dan 3 kasus (6,7%) gagal. Kegagalan terjadi pada fitur Tambah dan Ubah Data Dosen serta Tambah Data Pengguna akibat tidak adanya validasi input, sehingga sistem tidak menampilkan notifikasi error atau feedback visual saat input tidak valid. Pada kategori ini yang bertujuan untuk menguji fungsionalitas dasar aplikasi, kedua alat ini menunjukkan performa yang hampir setara, namun di beberapa fitur, Cypress lebih cepat, terutama di Firefox dan Edge; 2) pada kategori security testing, yang dirancang untuk menguji kerentanan aplikasi terhadap potensi ancaman, Cypress memberikan waktu eksekusi yang lebih cepat pada Firefox dan Edge dibandingkan dengan Selenium WebDriver; 3) pada kategori cross-browser testing, yang bertujuan untuk memastikan bahwa aplikasi berfungsi dengan baik di berbagai browser, Selenium WebDriver lebih unggul di beberapa kasus, terutama pada Firefox dan Chrome, namun di Edge, Cypress menunjukkan performa yang lebih baik. Berdasarkan temuan ini, disarankan untuk memperbaiki pengujian yang gagal dengan menambahkan fungsi validasi pada form input agar sistem dapat memberikan umpan balik saat terjadi kesalahan input. Berdasarkan hasil perbandingan kedua testing tools tersebut, disarankan untuk memilih alat pengujian yang sesuai dengan kebutuhan spesifik aplikasi dan pengujian yang akan dilakukan. Jika aplikasi memerlukan pengujian cross-browser yang lebih luas, Selenium WebDriver akan lebih cocok karena dukungannya terhadap berbagai browser dan bahasa pemrograman. Namun, jika kecepatan eksekusi menjadi prioritas, terutama pada Firefox dan Edge, maka Cypress bisa menjadi pilihan yang lebih efisien meskipun dukungan browser lebih terbatas. Pengujian otomatis dapat menggabungkan kedua alat pengujian ini untuk memaksimalkan efisiensi dan efektivitas, dengan mempertimbangkan kelebihan masing-masing alat pengujian sesuai dengan kondisi pengujian yang dihadapi.

Ikan koi merupakan salah satu jenis ikan hias yang memiliki nilai ekonomi tinggi dan banyak diminati di Indonesia. Keberhasilan budidaya ikan koi sangat bergantung pada kualitas air kolam tempat hidupnya. Kualitas air ini dapat ditentukan melalui beberapa parameter, seperti keasaman tingkat kekeruhan, dan suhu air. Namun, pemeriksaan dan pembersihan air secara manual dinilai kurang efisien dan rawan kesalahan. Penelitian ini dilakukan untuk mengembangkan sistem pengendalian kualitas air kolam ikan koi berbasis IoT dengan algoritma Decision Tree. Sistem IoT mengintegrasikan berbagai sensor yakni sensor pH, sensor TDS serta sensor suhu DS18B20 dengan mikrokontroler ESP32. Data yang diklasifikasikan ke dalam kategori optimal, baik, dan buruk, serta ditampilkan melalui website. Hasil pengujian menunjukkan bahwa sistem memiliki akurasi klasifikasi hingga 100%, dengan tingkat error perangkat sensor 0% untuk TDS, 2,30% untuk pH serta 1,77% untuk suhu. Pengujian perangkat lunak website menggunakan metode BlackBox juga menunjukkan validitas 100%. Dengan demikian, sistem ini terbukti efektif dan akurat dalam memantau serta mengklasifikasikan kualitas air kolam ikan koi secara otomatis

Infeksi Saluran Pernapasan Akut (ISPA) tetap menjadi masalah kesehatan global yang utama, dengan angka morbiditas dan mortalitas yang signifikan, terutama di negara-negara seperti Indonesia. Studi ini berfokus pada klasifikasi patogen bakteri penyebab ISPA, termasuk Mycobacterium tuberculosis, Corynebacterium diphtheriae, Pharyngitis, Staphylococcus aureus, dan Streptococcus pneumoniae, dengan menggunakan sistem berbasis visi komputer. Metode yang diusulkan menerapkan Convolutional Neural Network (CNN) dengan arsitektur InceptionResNetV2, yang dikenal dengan akurasinya yang tinggi dalam pengenalan citra medis. Melalui kombinasi praproses gambar, augmentasi data, dan penyesuaian lapisan model, sistem ini berhasil dilatih dan diimplementasikan pada platform web responsif yang memungkinkan klasifikasi gambar secara real-time. Model ini mencapai akurasi klasifikasi yang tinggi sebesar 98,91%, dengan nilai presisi, recall, dan F1-score melebihi 98,9%, yang menunjukkan efektivitas dan keandalannya dalam mengidentifikasi bakteri penyebab ISPA dari citra digital.