Proses penentuan tingkat kematangan biji kopi roasted masih banyak dilakukan secara manual berdasarkan pengamatan visual, sehingga hasilnya cenderung subjektif dan bergantung pada pengalaman roaster atau barista. Kondisi tersebut mendorong perlunya sistem klasifikasi yang mampu mengidentifikasi tingkat kematangan biji kopi secara otomatis, objektif, dan konsisten. Penelitian ini bertujuan mengembangkan sistem klasifikasi tingkat kematangan biji kopi roasted berbasis citra digital menggunakan metode Support Vector Machine (SVM). Objek penelitian berupa biji kopi robusta dari Dayana Roastery, Jember, yang diklasifikasikan ke dalam tiga kelas, yaitu light roast, medium roast, dan dark roast. Dataset yang digunakan berjumlah 285 citra, terdiri atas 228 citra data latih (80%) dan 57 citra data uji (20%). Tahapan penelitian meliputi akuisisi data, preprocessing, ekstraksi fitur warna RGB menggunakan nilai mean dan standard deviation, normalisasi data, pelatihan model SVM dengan kernel Radial Basis Function (RBF), serta optimasi parameter menggunakan GridSearchCV. Model yang dihasilkan kemudian diintegrasikan ke dalam aplikasi web berbasis Laravel yang menyediakan fitur live camera, unggah gambar, autentikasi pengguna, dan riwayat klasifikasi. Hasil pengujian menunjukkan bahwa model SVM memperoleh akurasi sebesar 94,74?ngan nilai precision, recall, dan F1-score yang tinggi pada setiap kelas. Pengujian fungsional menggunakan metode Black Box Testing juga menunjukkan seluruh fitur sistem berjalan sesuai dengan kebutuhan. Dengan demikian, sistem yang dikembangkan mampu menjadi solusi praktis dalam membantu proses identifikasi tingkat kematangan biji kopi roasted secara cepat, objektif, dan terdokumentasi.

Rancang Bangun Sistem Kendali Otomatis Katup LPG dan Timer Sterilisasi Baglog Jamur Berbasis IoT Menggunakan MQTT dan Aplikasi Mobile Pada PT Mitra Jamur Indonesia, Jember, Ilham Rozaqi Prayitno, NIM E32231400, Tahun 2026, Teknologi Informasi, Politeknik Negeri Jember, Hariyono Rakhmad, S.Pd., M.Kom., (Dosen Pembimbing). Proses sterilisasi yang masih dilakukan secara manual berpotensi menimbulkan ketidakkonsistenan waktu sterilisasi serta risiko keselamatan dalam penggunaan LPG, sehingga diperlukan suatu sistem yang mampu membantu pengendalian proses secara lebih terstruktur dan aman. Sistem yang dirancang mampu mengatur buka dan tutup katup LPG serta mengendalikan waktu sterilisasi secara otomatis sesuai dengan parameter yang telah ditentukan. Teknologi IoT digunakan untuk menghubungkan perangkat keras dengan aplikasi mobile melalui protokol komunikasi MQTT yang bersifat ringan dan andal. Aplikasi mobile berfungsi sebagai media pemantauan dan pengendalian sistem secara real-time, sehingga operator dapat memantau kondisi proses sterilisasi tanpa harus melakukan pengawasan secara langsung di lokasi. Penerapan sistem kendali otomatis ini diharapkan dapat meningkatkan efisiensi dan efektivitas proses sterilisasi baglog jamur, mengurangi kesalahan akibat faktor manusia, serta meningkatkan aspek keselamatan kerja. Selain itu, sistem ini juga diharapkan dapat menjadi solusi terapan yang mendukung kelancaran proses produksi baglog jamur di PT Mitra Jamur Indonesia, Jember serta memberikan kontribusi nyata dalam penerapan teknologi otomasi berbasis IoT di bidang pertanian jamur.

Teaching Factory JTI Innovation menyediakan berbagai layanan pelatihan dan konsultasi berbasis produksi atau jasa. Kami menawarkan pelatihan praktis yang sesuai dengan standar industri untuk meningkatkan kompetensi dan keterampilan peserta dalam berbagai bidang teknologi dan inovasi. Teaching Factory JTI Innovation telah bekerja sama dengan berbagai instansi dan perusahaan untuk menyediakan solusi teknologi dan inovasi yang terbaik. Teaching Factory JTI Innovation menyediakan berbagai layanan seperti pelatihan, pendampingan, instruktur, magang mahasiswa MBKM, dan Self-Learning.

Budidaya taoge memerlukan kelembapan yang terjaga agar pertumbuhannya optimal. Untuk mengatasi kendala penyiraman manual, dirancang sistem penyiraman otomatis berbasis IoT menggunakan ESP32, sensor kelembapan, dan pompa air. Sistem ini mampu melakukan penyiraman secara otomatis serta menyediakan monitoring kondisi kelembapan dan status penyiraman melalui aplikasi mobile secara real-time.

Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna terhadap aplikasi Banyuwangi Smart Kampung di Google Play Store menggunakan metode Multinomial Naive Bayes. Aplikasi Banyuwangi Smart Kampung merupakan layanan pemerintah yang memanfaatkan teknologi informasi untuk meningkatkan kualitas pelayanan publik di desa. Analisis sentimen diperlukan untuk mengetahui persepsi masyarakat terhadap aplikasi Banyuwangi Smart Kampung, terutama terkait dengan kepuasan dan ketidakpuasan pengguna. Data ulasan yang digunakan berjumlah 503 data, yang dibagi dengan proporsi 80:20, di mana 402 data digunakan untuk pelatihan dan 101 data untuk pengujian. Data dikumpulkan melalui teknik scraping dan diproses dengan Pre-Processing serta pembobotan kata menggunakan TF-IDF (Term Frequency – Inverse Document Frequency). Hasil penelitian menunjukkan bahwa model ini memiliki akurasi 94.06% dalam mengklasifikasikan ulasan ke dalam kategori sentimen positif dan negatif. Hasil penelitian ini juga menunjukkan bahwa metode tersebut efektif dan dapat menjadi dasar evaluasi untuk peningkatan layanan aplikasi.

Budidaya jamur tiram memerlukan kondisi lingkungan yang optimal, terutama pada parameter suhu, kelembaban, dan intensitas cahaya. Pengendalian lingkungan secara manual sering kali tidak mampu menjaga kestabilan parameter tersebut secara konsisten sehingga dapat memengaruhi pertumbuhan jamur. Penelitian ini mengimplementasikan metode Adaptive Neuro-Fuzzy Inference System (ANFIS) pada sistem monitoring dan kontrol lingkungan kumbung jamur tiram berbasis Internet of Things (IoT) untuk mengotomatisasi pengendalian kondisi lingkungan. Sistem menggunakan sensor DHT21 dan BH1750 untuk memperoleh data lingkungan serta aktuator berupa kipas, humidifier, dan lampu LED yang dikendalikan oleh ESP32. Model ANFIS dilatih menggunakan 23.101 data dengan tiga variabel input dan tiga fungsi keanggotaan Generalized Bell pada setiap variabel sehingga menghasilkan 27 aturan fuzzy. Hasil pengujian menunjukkan bahwa model ANFIS memperoleh nilai RMSE sebesar 0,0045, MAE sebesar 0,0026, dan R² sebesar 0,9982. Pengujian Black Box Testing menunjukkan seluruh fungsi sistem berjalan dengan tingkat keberhasilan 100%, sedangkan User Acceptance Testing (UAT) memperoleh tingkat kepuasan pengguna sebesar 89,4?ngan kategori sangat baik. Hasil penelitian menunjukkan bahwa metode ANFIS mampu menghasilkan keputusan kontrol lingkungan yang akurat dan adaptif pada budidaya jamur tiram berbasis IoT.

Penelitian ini bertujuan untuk menganalisis sentimen pengguna guna memahami lebih dalam persepsi efektivitas Duolingo sebagai media pembelajaran Bahasa Inggris. Data penelitian terdiri dari 21.560 ulasan yang diperoleh melalui web scraping dari Google Play Store, kemudian diproses melalui tahap preprocessing yang meliputi cleaning text, case folding, normalisasi, tokenization, filtering, dan penghapusan data duplikat. Data kemudian diklasifikasikan ke dalam tiga sentimen, yaitu positif, netral, dan negatif, serta dibagi menjadi data latih dan data uji dengan rasio 80:20. Representasi teks menggunakan FastText embedding berdimensi 300, sedangkan klasifikasi dilakukan menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur multi-kernel. Hasil penelitian menunjukkan bahwa model CNN memperoleh akurasi sebesar 85?ngan macro-average F1-score sebesar 0,74. Hasil analisis menunjukkan bahwa sebagian besar ulasan bersifat positif, yang mengindikasikan Duolingo cukup efektif sebagai media pembelajaran Bahasa Inggris, meskipun masih terdapat keluhan terkait iklan, sistem energi, dan keterbatasan fitur.

Bencana banjir yang kerap melanda berbagai wilayah di Indonesia saat curah hujan tinggi memicu urgensi hadirnya sistem penanganan yang cepat demi meminimalisasi kerusakan lingkungan dan korban jiwa. Menjawab tantangan tersebut, penelitian ini mengembangkan sebuah alat pendeteksi dini banjir berbasis Internet of Things menggunakan mikrokontroler ESP8266 dan sensor ultrasonik untuk memantau fluktuasi ketinggian air. Dimulai dari rancangan ide, perakitan alat, akuisisi data, proses, pengujian hingga implementasi ini mengelompokkan kondisi air ke dalam status aman, waspada, siaga, dan bahaya lewat metode ambang batas threshold. Data yang terbaca oleh sensor akan dikirim secara real time ke Firebase sebagai pusat penyimpanan data monitoring. Ketika air mencapai level kritis, sistem secara otomatis memicu lampu rotator di lokasi sebagai peringatan visual sekaligus mengirimkan notifikasi instan ke aplikasi Telegram pada smartphone pengguna. Hasil pengujian membuktikan bahwa performa alat ini sangat stabil, hemat daya, dan responsif. Lewat kombinasi peringatan fisik dan digital ini, masyarakat diharapkan bisa mendapatkan informasi lebih awal untuk melakukan evakuasi mandiri secara lebih sigap dan cepat.