Kopi merupakan salah satu komoditas perkebunan unggulan di Indonesia dengan dua jenis utama yang banyak dibudidayakan, yaitu Robusta dan Arabika. Selain perbedaan jenis, kopi juga memiliki variasi tingkat roasting seperti light, medium, dan dark yang berpengaruh terhadap karakteristik fisik biji kopi. Proses identifikasi jenis dan tingkat roasting masih banyak dilakukan secara manual berdasarkan pengamatan visual, sehingga rentan terhadap subjektivitas dan ketidakkonsistenan akibat perubahan warna dan bentuk biji kopi setelah proses roasting. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi sistem klasifikasi biji kopi Robusta dan Arabika berdasarkan tingkat roasting menggunakan metode Convolutional Neural Network (CNN) dengan model MobileNetV2 pada platform mobile berbasis mobile. Dataset yang digunakan terdiri dari 2.100 citra yang terbagi dalam enam kelas, dengan proses pelatihan menggunakan 5-fold cross-validation (K-Fold Cross Validation) untuk memperoleh evaluasi performa yang lebih stabil dan representatif. Hasil pelatihan menunjukkan rata-rata akurasi validasi sebesar 88.22% ± 2.68%, yang mengindikasikan variasi performa antar fold tergolong rendah dan menunjukkan kemampuan generalisasi model yang cukup baik dan stabil. Secara keseluruhan, model mencapai akurasi pengujian 89.76% dengan precision, recall, dan F1-score di atas 78% pada seluruh kelas. Sistem juga memperoleh skor SUS sebesar 81.69, yang termasuk dalam kategori acceptable dengan Grade A. Hasil tersebut menunjukkan bahwa metode CNN-MobileNetV2 mampu melakukan klasifikasi biji kopi secara akurat, stabil, dan dapat diimplementasikan pada perangkat mobile.

Perkembangan bisnis online pada pelaku UMKM masih banyak mengandalkan pencatatan pesanan secara manual melalui media sosial, sehingga rentan terjadi kesalahan penulisan. Penelitian ini bertujuan mengatasi permasalahan tersebut dengan mengembangkan aplikasi mobile berbasis Optical Character Recognition (OCR) menggunakan Google ML Kit yang dikombinasikan dengan metode Regular Expression (Regex) untuk mengubah data pemesanan tidak terstruktur menjadi data pengiriman yang terstruktur secara otomatis. Pengembangan sistem dilakukan dengan metode Waterfall, menggunakan Flutter sebagai framework antarmuka dan Firebase sebagai basis data. Evaluasi sistem meliputi Black Box Testing dan System Usability Scale (SUS). Hasil penelitian menunjukkan bahwa sistem berjalan dengan baik dengan tingkat validitas 100%, akurasi OCR tinggi pada gambar digital (98%) dan kamera (85%), serta lebih rendah pada tulisan tangan (46%). Selain itu, aplikasi mampu meningkatkan efisiensi waktu secara signifikan dan memperoleh skor SUS sebesar 79,08 yang termasuk kategori baik dan dapat diterima oleh pengguna.

Sektor pariwisata merupakan salah satu aspek penting dalam pembangunan daerah, di mana Pantai Pasir Putih Kabupaten Situbondo menjadi salah satu destinasi unggulan bagi wisatawan. Pengelolaan ulasan pengunjung pada platform digital seperti Google Maps menjadi sangat krusial karena opini yang disampaikan dapat memengaruhi citra destinasi serta menjadi bahan evaluasi bagi pihak pengelola. Banyaknya ulasan yang masuk secara terus-menerus menyebabkan proses pemantauan secara manual menjadi tidak efisien. Oleh karena itu, ulasan pada Google Maps dapat dijadikan sumber data utama untuk menganalisis respon dan tingkat kepuasan pengunjung terhadap fasilitas maupun pelayanan di objek wisata tersebut. Metode Support Vector Machine (SVM) merupakan metode klasifikasi data yang bekerja dengan cara mencari hyperplane terbaik untuk memisahkan kelas data. Dalam proses klasifikasi ini, opini pengunjung dikategorikan ke dalam tiga kelas sentimen, yaitu kelas positif, netral, dan negatif. Data yang digunakan dalam penelitian ini merupakan ulasan tekstual pengunjung Pantai Pasir Putih Situbondo yang diambil menggunakan teknik web scraping melalui platform Apify. Data yang berhasil dikumpulkan sebanyak 1.848 ulasan melalui proses pre-processing dengan tahapan cleaning, case folding, normalisasi, tokenisasi, stopword removal, dan stemming. Selanjutnya, data memasuki proses pembobotan kata dengan menggunakan TF-IDF (Term Frequency-Inverse Document Frequency). Berdasarkan klasifikasi yang dilakukan dengan metode SVM, didapatkan hasil per-forma tertinggi pada pembagian data 90:10 dengan nilai accuracy sebesar 84%, pre-cision 84.69%, recall 84.32%, dan nilai f1-score sebesar 84.46%.

Pencatatan perkembangan siswa dan kegiatan administrasi di PAUD Aisyiyah Kartoharjo saat ini masih dilakukan secara manual menggunakan buku penghubung. Hal ini rentan terhadap kehilangan data dan kurang efisien dalam penyampaian informasi kepada wali murid. Selain itu, terdapat risiko keamanan pada proses penjemputan anak karena belum adanya sistem verifikasi identitas penjemput secara sistematis. Di sisi lain, tenaga pendidik (guru) juga sering mengalami kendala dalam menentukan rute perjalanan yang efisien saat melaksanakan agenda kunjungan rumah (Home Visit). Penelitian ini bertujuan untuk membangun sebuah sistem terintegrasi berbasis Web dan Mobile (Android) guna mengatasi permasalahan tersebut. Sistem ini dikembangkan menggunakan metode Waterfall, dengan memanfaatkan framework Laravel untuk sisi Web Admin dan Flutter untuk aplikasi pengguna. Untuk memperketat keamanan, sistem dilengkapi dengan fitur verifikasi penjemputan berbasis QR Code unik. Selain itu, sistem juga mengimplementasikan Algoritma A Star (A*) untuk menghitung estimasi jarak terdekat (cost dan heuristic) guna memberikan rekomendasi rute Home Visit paling efisien bagi guru. Berdasarkan hasil pengujian menggunakan metode Black Box Testing, seluruh fitur aplikasi pada platform Web maupun Android terbukti dapat berjalan 100% sesuai dengan perancangan fungsional. Pengujian User Acceptance Testing (UAT) yang melibatkan pihak guru dan wali murid juga menunjukkan tingkat kepuasan yang sangat tinggi. Sistem ini disimpulkan berhasil mendigitalisasi pemantauan perkembangan anak, meminimalisir risiko penjemputan oleh pihak yang tidak bertanggung jawab, serta mengoptimalkan efisiensi waktu perjalanan guru

Penelitian ini bertujuan merancang antarmuka pengguna (UI) dan pengalaman pengguna (UX) pada sistem manajemen inventaris UD Mekar Jaya. Masalah utama adalah ketergantungan pada pencatatan manual yang menyebabkan inefisiensi dan ketidakakuratan data. Pendekatan Human-Centered Design (HCD) diterapkan untuk memastikan desain yang efektif, efisien, dan memuaskan pengguna. Metodologi mencakup pemahaman konteks penggunaan melalui user research, penentuan kebutuhan pengguna dengan user persona dan user scenario, serta pengembangan solusi desain melalui user flow, sitemap, dan prototyping. Evaluasi desain akan dilakukan menggunakan System Usability Scale (SUS) untuk mengukur kemudahan penggunaan dan kepuasan staf. Diharapkan sistem berbasis web ini dapat meningkatkan produktivitas dan mendukung pengambilan keputusan yang lebih baik.

Penyandang disabilitas, khususnya Tuli atau tuna rungu, menghadapi tantangan besar dalam proses komunikasi dan pembelajaran akibat keterbatasan pendengaran yang dimiliki. Sistem Isyarat Bahasa Indonesia (SIBI) hadir sebagai bentuk komunikasi visual yang dirancang untuk mendukung interaksi mereka dengan lingkungan sekitar. Namun, metode pembelajaran SIBI yang tersedia saat ini masih terbatas dan kurang interaktif, sehingga menyulitkan proses pemahaman, terutama bagi generasi muda. Di sisi lain, perkembangan teknologi digital memberikan peluang untuk menciptakan media pembelajaran yang lebih menarik dan inklusif. Salah satu pendekatan inovatif yang potensial adalah pengembangan game edukatif berbasis website (web-based game), yang mampu menyajikan materi pembelajaran secara visual, interaktif, dan menyenangkan. Penelitian ini bertujuan untuk mengembangkan media pembelajaran berbasis website yang mengintegrasikan pembelajaran SIBI guna meningkatkan efektivitas dan daya tarik pembelajaran bagi anak tuna rungu serta masyarakat umum. Melalui pendekatan ini, diharapkan tercipta media edukatif yang mampu memperkuat pemahaman bahasa isyarat sekaligus mendorong kesadaran masyarakat akan pentingnya komunikasi inklusif

Penyakit daun padi merupakan ancaman serius terhadap produktivitas pertanian di Indonesia. Identifikasi secara manual memiliki keterbatasan akibat kemiripan gejala antarpenyakit, kebutuhan keahlian khusus, dan risiko kesalahan diagnosis. Penelitian ini bertujuan membangun dan membandingkan sistem klasifikasi penyakit daun padi berbasis citra digital menggunakan arsitektur EfficientNet-B0 dan EfficientNet-B1 dengan pendekatan transfer learning, serta mengevaluasi pengaruh tiga skenario augmentasi data terhadap performa model. Dataset terdiri dari 6.932 citra daun padi dalam lima kelas: Bacterial Blight, Blast, Brown Spot, Tungro, dan Sehat, dengan rasio pembagian data 70:15:15 untuk pelatihan, validasi, dan pengujian. Tahap preprocessing meliputi resize ke ukuran 224×224 piksel (B0) dan 240×240 piksel (B1), normalisasi piksel, serta augmentasi data berupa rotasi, horizontal flip, zoom, dan penyesuaian kecerahan. Pelatihan dilakukan dalam dua fase, yaitu freezing dan fine-tuning, menggunakan optimizer Adam dengan learning rate 1×10?. Pelatihan dilengkapi mekanisme model checkpoint, EarlyStopping, dan ReduceLROnPlateau. Evaluasi dilakukan pada tiga skenario augmentasi: tanpa augmentasi (Skenario 1), augmentasi parsial kelas Sehat ke 1.300 citra (Skenario 2), dan augmentasi seluruh kelas ke 1.600 citra (Skenario 3). Pada evaluasi baseline (Skenario 1), EfficientNet-B0 mencapai akurasi 99,52?n EfficientNet-B1 mencapai akurasi 99,90%. Performa terbaik EfficientNet-B0 diperoleh pada Skenario 3 dengan akurasi 99,75%, sedangkan EfficientNet-B1 mencapai performa puncak pada Skenario 2 dengan akurasi sempurna 100,00%. EfficientNet-B1 mengungguli EfficientNet-B0 di seluruh skenario dan metrik evaluasi, menjadikannya pilihan terbaik untuk aplikasi yang memprioritaskan akurasi tinggi. Sementara itu, EfficientNet-B0 tetap kompetitif untuk implementasi pada perangkat dengan sumber daya komputasi terbatas.

Mutagenesis kimia menggunakan Ethyl Methane Sulfonate (EMS) merupakan salah satu metode utama dalam program pemuliaan tanaman untuk menginduksi keragaman genetik secara terkontrol. Informasi mengenai parameter perlakuan EMS, meliputi dosis, organisme target, gen yang bermutasi, dan fenotipe, tersebar dalam ribuan literatur ilmiah yang tidak terstruktur sehingga sulit diakses secara efisien oleh peneliti pemuliaan tanaman. Penelitian ini mengembangkan sistem ekstraksi informasi otomatis berbasis model Bidirectional Encoder Representations from Transformers (BERT), khususnya BioBERT, yang di-fine-tune untuk tugas Named Entity Recognition (NER) pada domain mutagenesis EMS. Untuk mengatasi keterbatasan data berlabel (data scarcity) yang menjadi hambatan utama pada domain biologi molekuler, penelitian ini mengintegrasikan pendekatan Active Learning dengan mekanisme pseudo-labeling berbasis Teacher-Student Model. Melalui delapan siklus Active Learning, data latih berkembang secara otomatis dari 1.252 kalimat anotasi manual menjadi 12.037 kalimat berkualitas tinggi. Model yang dihasilkan mencapai F1-Score keseluruhan sebesar 93,13% (Precision 92,54%, Recall 93,72%) pada evaluasi Strict Exact Match. Performa per entitas menunjukkan F1-Score sebesar 95% untuk kelas GEN, 93% untuk ORGANISME, 91% untuk FENOTIPE, dan 90% untuk DOSIS. Sistem diimplementasikan dalam arsitektur Microservices yang mengintegrasikan Laravel sebagai frontend dan Flask API sebagai backend kecerdasan buatan, dilengkapi mekanisme Continuous Learning (Data Flywheel) yang memungkinkan sistem terus berkembang seiring intensitas penggunaannya. Hasil penelitian membuktikan bahwa pendekatan text mining berbasis BioBERT dapat diandalkan sebagai alat bantu yang efektif untuk merangkum pengetahuan mutagenesis EMS secara komprehensif dari literatur ilmiah tanpa memerlukan pembacaan manual.