Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap program Danantara di media sosial Twitter menggunakan algoritma Random Forest. Data dikumpulkan melalui proses crawling sebanyak 3.132 tweet pada periode 24 Februari hingga 30 November 2025. Tahapan pengolahan data meliputi cleaning, pelabelan sentimen berbasis lexicon yang dikoreksi secara manual oleh ahli bahasa, case folding, penghapusan data duplikat sehingga diperoleh 2.560 data, normalisasi, tokenisasi, stopword removal, dan stemming. Data kemudian diubah ke dalam representasi numerik melalui pembobotan kata sebelum dilakukan proses klasifikasi. Evaluasi model dilakukan menggunakan confusion matrix dengan pendekatan k-fold cross validation, di mana hasil terbaik diperoleh pada fold ke-4 dengan selisih terkecil antara akurasi data training dan validasi. Hasil pengujian menunjukkan bahwa algoritma Random Forest menghasilkan akurasi sebesar 85,74% yang menunjukkan kinerja klasifikasi yang cukup baik. Kesalahan klasifikasi masih ditemukan berupa false positive dan false negative yang disebabkan oleh kesalahan hasil voting mayoritas dengan label aktual. Pengembangan dashboard analisis sentimen mampu menyajikan informasi secara ringkas dan informatif serta memudahkan pengguna dalam memahami hasil analisis. Sistem yang dibangun telah berjalan sesuai dengan fungsinya dan mampu menangani input dengan format file yang tidak didukung dengan menampilkan peringatan, sehingga proses tetap berjalan sesuai dengan yang diharapkan

PT. Sentra Vidya Utama (SEVIMA) merupakan perusahaan teknologi pendidikan (EdTech) yang memiliki produktivitas tinggi namun menghadapi tantangan dalam pengelolaan barang kebutuhan rumah tangga layak pakai milik karyawan yang sudah tidak digunakan. Kurangnya wadah yang memfasilitasi distribusi barang-barang tersebut menyebabkan potensi nilai guna barang menjadi terbuang. Oleh karena itu, diperlukan sebuah platform digital yang mampu mengelola transaksi barang bekas secara transparan sekaligus memberikan dampak sosial bagi masyarakat luas. Kegiatan magang ini difokuskan pada pengembangan website "SEVIMA Lelang" yang dirancang untuk memfasilitasi proses lelang barang dengan antarmuka yang responsif. Dalam pengembangannya, sistem ini menerapkan Arsitektur Service Module. Penerapan arsitektur ini bertujuan untuk memisahkan logika bisnis (business logic) ke dalam modul-modul servis yang independen, sehingga kode program menjadi lebih terstruktur, mudah diuji (testable), dan memiliki skalabilitas yang baik untuk pengembangan fitur di masa mendatang. Hasil dari pengembangan ini adalah sebuah sistem lelang terintegrasi yang mencakup modul bidding secara real-time, manajemen item, serta dashboard untuk penjual, pembeli, dan administrator. Dengan adanya platform ini, karyawan SEVIMA dapat menyalurkan barang tidak terpakai secara produktif, sementara masyarakat umum mendapatkan akses terhadap barang berkualitas dengan harga terjangkau. Selain itu, penerapan Arsitektur Service Module berhasil meningkatkan efisiensi dalam pemeliharaan kode dan standarisasi pengembangan perangkat lunak di lingkungan Tim Transformer PT. Sentra Vidya Utama.

Pengembangan Website Rating Makan Siang berbasis Laravel merupakan proyek sistem informasi yang dirancang untuk memfasilitasi karyawan internal dalam memberikan rating dan komentar terhadap makan siang harian. Sistem ini dikembangkan menggunakan framework Laravel dengan fitur autentikasi LDAP, manajemen menu dan vendor, kalender makan siang, request makanan, serta klasemen makanan. Selain itu, tersedia halaman admin untuk mengelola perencanaan dan evaluasi makan siang sehingga proses pengelolaan makan siang perusahaan menjadi lebih efektif, terstruktur, dan mudah diakses oleh karyawan.

Penelitian ini bertujuan untuk memprediksi status gizi balita berdasarkan data indikator kesehatan menggunakan metode Long Short-Term Memory (LSTM). Permasalahan yang diangkat adalah keterbatasan pemantauan status gizi yang masih bersifat statis dan belum mampu menganalisis perubahan kondisi gizi secara berkelanjutan. Data yang digunakan berupa data antropometri balita, yaitu usia, berat badan, tinggi badan, dan jenis kelamin, yang bersifat runtun waktu (time series). Data diproses melalui tahap pembersihan, interpolasi, pelabelan ke dalam tiga kategori, yaitu normal, kurang, dan lebih, serta transformasi menjadi data sekuensial dengan panjang 6 bulan sebagai input model. Model terbaik diperoleh melalui pengujian hyperparameter dengan konfigurasi 32 unit LSTM, dropout 0,2, learning rate 0,005, batch size 32, serta dua dense layer berukuran 64 dan 32 unit. Hasil evaluasi menunjukkan validation loss sebesar 0,1197, test accuracy sebesar 93,66%, dan macro F1-score sebesar 0,8722. Hasil tersebut menunjukkan bahwa model mampu mengklasifikasikan data dengan baik pada seluruh kelas, termasuk kelas minoritas. Model ini berpotensi menjadi dasar pengembangan prediksi kondisi gizi balita berdasarkan data historis antropometri.

Laporan Tugas Akhir ini merangkum perjalanan saya dalam mengembangkan aset visual untuk aplikasi Augmented Reality (AR) "Edusains Kebun Qur'an", sebuah proyek yang berawal dari pencapaian tim kami sebagai Juara 1 kategori Hackathon di ajang KMIPN V. Berangkat dari kebutuhan anak usia dini (PAUD) terhadap media belajar sains dan nilai Islami yang interaktif, teknologi AR hadir sebagai solusi yang menawarkan pengalaman lebih interaktif. Namun, tantangan terbesar dari aplikasi AR berbasis mobile adalah beban komputasi. Jika aset 3D terlalu berat, aplikasi akan terasa lambat (lagging). Oleh karena itu, peran utama saya dalam penelitian ini adalah merancang, memproduksi, dan mengoptimasi model 3D agar tetap menarik bagi anak-anak namun sangat ringan saat dieksekusi oleh smartphone. Seluruh proses ini saya kerjakan menggunakan metode ADDIE (Analyze, Design, Development, Implementation, Evaluation), dengan mengandalkan perangkat lunak Blender untuk pemodelan dan Unity untuk integrasinya. Dalam tahap produksinya, saya secara khusus menerapkan teknik low poly modeling bergaya stylized yang dipadukan dengan pewarnaan dasar tanpa material kompleks (albedo only). Pendekatan ini sangat krusial dan terbukti efektif untuk menekan jumlah poligon hingga hanya berkisar di angka 500-1500 saja per objek. Hasilnya, saya berhasil memproduksi 8 model 3D buah-buahan Al-Qur'an (seperti delima, zaitun, pisang, kurma, dll.) yang kemudian diintegrasikan dan dikalibrasi presisi dengan marker pada buku cetak Smart Kids Book melalui Vuforia SDK. Performa dan visual aset 3D ini telah divalidasi dengan hasil yang sangat memuaskan, terbukti dari perolehan skor uji kelayakan sebesar 97?ri Ahli Media, 84?ri Ahli Materi, dan 90?ri respons guru serta orang tua pengguna. Secara keseluruhan, proyek ini membuktikan bahwa estetika visual dan efisiensi performa (frame rate) dapat berjalan beriringan untuk menciptakan media edukasi yang imersif dan stabil. Untuk rencana keberlanjutan ke depannya, saya menargetkan pengembangan aplikasi ini agar memiliki variasi aset 3D yang lebih luas, seperti penambahan seri hewan, sayuran, dan tumbuhan lain yang ada di dalam Al-Qur'an. Selain itu, saya juga merencanakan peningkatan interaktivitas objek melalui penambahan animasi gerak agar pengalaman belajar anak-anak dengan aplikasi "Kebun Qur'an" menjadi jauh lebih hidup dan menyenangkan.

Pengujian perangkat lunak merupakan tahapan penting dalam menjamin kualitas dan keandalan sistem, khususnya pada aplikasi pembelajaran berbasis web yang bersifat adaptif. AMetative HLE (Adaptive Metacognitive Hypermedia Learning Environment) merupakan sistem pembelajaran yang mengklasifikasikan tingkat self-monitoring mahasiswa untuk menyesuaikan konten pembelajaran secara adaptif. Kompleksitas fitur seperti daftar akun, login, pengisian kuesioner, klasifikasi pengguna, materi pembelajaran, riwayat, dan resume pembelajaran menuntut adanya pengujian yang sistematis dan efisien. Penelitian ini menggunakan pendekatan studi kasus (case study) dengan metode blackbox testing yang diimplementasikan melalui pengujian otomatis menggunakan Selenium WebDriver. Proses pengujian mengacu pada tahapan Software Testing Life Cycle (STLC) yang meliputi requirement analysis, test planning, test case development, test environment setup, test execution, regression testing, dan test cycle closure. Pengujian dilakukan terhadap 186 test case yang mencakup fitur utama sistem AMetative HLE. Hasil pengujian menunjukkan bahwa 142 test case berhasil dijalankan dengan tingkat keberhasilan sebesar 76,34%, sedangkan 44 test case lainnya mengalami kegagalan yang disebabkan oleh permasalahan validasi input dan navigasi sistem. Hasil tersebut menunjukkan bahwa sebagian besar fitur utama sistem dapat berjalan sesuai dengan kebutuhan fungsional yang telah didefinisikan dalam Requirements Traceability Matrix (RTM). Penerapan Selenium WebDriver mampu mendeteksi kesalahan secara lebih cepat, konsisten, dan terstruktur dibandingkan pendekatan manual, serta mendukung pelaksanaan regression testing untuk memastikan stabilitas sistem. Pengujian otomatis terbukti efektif dalam meningkatkan kualitas dan keandalan fungsional website AMetative HLE sebagai sistem pembelajaran adaptif berbasis web.

Stunting merupakan salah satu permasalahan kesehatan yang berdampak pada pertumbuhan fisik dan perkembangan kognitif anak, sehingga diperlukan upaya pemantauan tumbuh kembang yang efektif dan berkelanjutan. Penelitian ini bertujuan untuk mengembangkan aplikasi mobile NutriGrowth berbasis Flutter sebagai solusi digital dalam monitoring pertumbuhan balita secara real-time. Aplikasi ini terintegrasi dengan perangkat pengukuran tinggi dan berat badan berbasis Internet of Things (IoT), sehingga mampu mencatat data secara otomatis tanpa input manual. Fitur utama aplikasi meliputi visualisasi grafik pertumbuhan, informasi standar tinggi dan berat badan sesuai usia, notifikasi jadwal posyandu dan imunisasi, serta layanan konsultasi dengan tenaga kesehatan. Metode pengembangan yang digunakan meliputi perancangan sistem, implementasi aplikasi menggunakan Flutter, serta integrasi dengan database dan protokol komunikasi MQTT. Hasil pengujian menunjukkan bahwa aplikasi mampu meningkatkan efisiensi pencatatan data, mempermudah pemantauan pertumbuhan balita, serta mendukung deteksi dini risiko stunting, yang dibuktikan melalui pengujian Black Box Testing dengan tingkat keberhasilan fungsi 100%, serta kuesioner kepuasan terhadap 95 responden di mana tidak ada satu pun yang memberikan respons negatif. Dengan demikian, aplikasi NutriGrowth diharapkan dapat menjadi solusi inovatif dalam mendukung layanan kesehatan berbasis digital di masyarakat.

Pengrajin roster di Malang menghadapi kesulitan karena proses penjualan dan manajemen stok yang masih dilakukan secara manual, yang menyebabkan jangkauan pasar menjadi terbatasi dan pengelolaan inventaris tidak berjalan dengan efisien. Penelitian ini bertujuan untuk merancang sistem e-commerce berbasis web yang dilengkapi dengan fitur peramalan stok bulanan agar dapat meningkatkan daya saing UMKM tersebut. Pengembangan sistem dilakukan menggunakan metode Waterfall dan menerapkan model time-series, yaitu Long Short-Term Memory (LSTM) dan Facebook Prophet, untuk memprediksi kebutuhan stok dengan mengacu pada data penjualan sebelumnya. Keefektifan sistem diuji melalui User Acceptance Testing (UAT) oleh para pelaku UMKM, sementara akurasi model peramalan dinilai menggunakan metrik Weighted Weighted Mean Absolute Percentage Error (WMAPE) dan Root Mean Square Error (RMSE). Sistem yang dikembangkan diharapkan dapat menjadi solusi nyata untuk meningkatkan manajemen inventaris, memperluas jangkauan pasar, dan menyediakan alat bantu pengambilan keputusan berbasis data yang dapat diandalkan guna meningkatkan daya saing UMKM roster.