SADEWA: Sistem Deep Learning Otomatis untuk Klasifikasi Penyakit Telur dan Sorting Menggunakan Lengan Robot. Fullay Fillah (E32231532) , Tahun 2026, Program Studi Teknik Komputer, Jurusan Teknologi Informasi, Politeknik Negeri Jember. Dosen Pembimbing: Mochammad Rifki Ulil Albaab, ST., M.Tr.T. Sistem SADEWA, juga dikenal sebagai Sistem Pembelajaran Mendalam Otomatis untuk Klasifikasi Penyakit Telur dan Sorting dengan Lengan Robot, dibuat untuk membantu proses penyortiran dan klasifikasi telur ayam sesuai dengan kualitas dan kondisi fisiknya. Algoritma deep learning YOLO digunakan oleh sistem untuk mengidentifikasi kondisi telur melalui gambar yang diambil menggunakan ESP32-CAM. Selain menggunakan pengolahan gambar, sistem juga didukung oleh sensor load cell untuk mengukur berat telur dan sensor lampu untuk menjaga kestabilan pencahayaan selama pengambilan gambar. Hasil klasifikasi telur akan dikelompokkan ke dalam kategori Grade A, Grade B, dan Grade C. Setelah proses klasifikasi selesai, sistem mengirimkan data ke lengan robot, yang akan secara otomatis mengambil dan memindahkan telur ke wadah sesuai dengan kategorinya. Selain itu, sistem ini berkolaborasi dengan teknologi Internet of Things (IoT), yang memungkinkan penyimpanan dan pemantauan data hasil klasifikasi melalui website marketplace SADEWA. Tujuan dari pengembangan sistem ini adalah untuk meningkatkan efisiensi, akurasi, dan konsistensi proses klasifikasi dan penyortiran telur dibandingkan metode manual. Dengan adanya sistem SADEWA, diharapkan proses penyortiran telur dapat dilakukan secara lebih cepat, efektif, dan dengan tingkat kesalahan yang lebih rendah yang disebabkan oleh faktor manusia.

Penelitian ini bertujuan untuk merancang dan membangun sistem otomatis berbasis Internet of Things (IoT) untuk memantau dan mengendalikan keseimbangan kadar nutrisi (TDS) serta pH pada tanaman selada hidroponik dengan metode Nutrient Film Technique (NFT). Sistem dikembangkan menggunakan mikrokontroler ESP32 yang terintegrasi dengan sensor pH-4502C, sensor TDS Meter V1.0, dan modul aktuator. Pengambilan keputusan otomatis dilakukan dengan menerapkan algoritma sistem pakar forward chaining yang mengklasifikasikan data berdasarkan fase pertumbuhan selada. Data sensor dan status pompa dikirim secara real-time ke basis data cloud Firebase dan ditampilkan melalui aplikasi mobile. Hasil pengujian Mean Absolute Error (MAE) menunjukkan bahwa sensor pH memiliki nilai kesalahan sebesar 0.08, sedangkan sensor TDS sebesar 14.72 PPM. Meskipun pengujian logika komputasi mencapai tingkat akurasi 100% pada 24 basis aturan, pengujian beban operasional (stress test) selama 72 jam mengungkap sejumlah keterbatasan fisis di lapangan. Keterbatasan tersebut meliputi efek overshoot yang membutuhkan jeda toleransi difusi selama 30 detik, serta keterlambatan respons sensor sekitar 10 detik akibat akumulasi kotoran nutrisi yang memaksa sistem memicu mekanisme pengamanan (fail-safe) pemutusan aktuator. Selain itu, kinerja aplikasi mobile terbukti sangat bergantung pada stabilitas jaringan internet lokal yang dapat menimbulkan jeda pemuatan (loading delay) saat sinkronisasi data. Sistem ini mampu menjadi prototipe fungsional untuk manajemen nutrisi otomatis, meskipun kelancaran operasionalnya mutlak memerlukan perawatan sensor secara berkala dan lingkungan jaringan yang stabil.

Penelitian ini mengembangkan sistem pemetaan risiko stunting pada balita berbasis website dengan menggabungkan algoritma K-Nearest Neighbors (KNN) dan Geographic Information System (GIS). Pengembangan sistem ini dilatarbelakangi oleh proses pencatatan data yang masih dilakukan secara manual serta belum adanya visualisasi berbasis wilayah, sehingga menyulitkan pemantauan kondisi stunting. Sistem ini memanfaatkan beberapa variabel, yaitu jenis kelamin, umur, tinggi badan, berat badan, lingkar lengan atas, lingkar kepala, serta z-score tinggi badan menurut umur dan z-score berat badan menurut umur, untuk melakukan klasifikasi status gizi balita secara otomatis. Pengujian klasifikasi dilakukan menggunakan confusion matrix dengan membandingkan nilai K = 3, 5, 7, dan 9 menggunakan 500 data latih dan 261 data uji, di mana K = 5 menunjukkan performa terbaik dengan accuracy sebesar 88,1%, precision 37,0%, recall 89,5%, specificity 88,0%, dan F1-score sebesar 52,3%. Meskipun nilai precision masih relatif rendah, tingginya nilai recall menunjukkan bahwa sistem memiliki kemampuan yang baik dalam mendeteksi balita berisiko stunting sebagai upaya deteksi dini. Dengan demikian, sistem ini dapat dimanfaatkan sebagai alat bantu pengambilan keputusan dalam pemantauan risiko stunting berbasis wilayah. Namun, sistem masih memerlukan pengembangan lebih lanjut untuk meningkatkan precision dan mencapai keselarasan antara hasil klasifikasi dan kondisi aktual di lapangan.

Penjadwalan mata kuliah merupakan proses pengorganisasian yang krusialdalam pengelolaan kegiatan akademik di perguruan tinggi, karena melibatkan pengalokasian waktu, ruang, dan tenaga pengajar agar seluruh perkuliahan dapat berjalan tanpa adanya bentrokan jadwal. Di Program Studi Teknik Informatika PSDKU Politeknik Negeri Jember (Polije) Kampus Sidoarjo, proses penjadwalan masih dilakukan secara manual oleh admin program studi. Metode manual ini rentan terhadap kesalahan, membutuhkan waktu yang lama, dan berpotensi menimbulkan konflik jadwal karena harus mempertimbangkan banyak variabel secara bersamaan, seperti ketersediaan dosen, bobot SKS, kapasitas ruang kelas, serta pembagian hari dan jam perkuliahan.Penelitian ini bertujuan untuk mengembangkan sistem penjadwalan mata kuliah berbasis web dengan mengimplementasikan Algoritma Welch-Powell. Algoritma ini memanfaatkan konsep pewarnaan graf, di mana setiap mata kuliah direpresentasikan sebagai simpul dan konflik antar mata kuliah sebagai sisi penghubung. Simpul-simpul kemudian diurutkan berdasarkan derajat tertinggi dan diberi warna (slot waktu) secara sistematis dengan aturan tidak ada dua simpul yang saling terhubung mendapatkan warna yang sama. Sistem dikembangkan menggunakan metode Software Development Life Cycle (SDLC) model Waterfall dengan teknologi berbasis web (PHP dan MySQL), sehingga dapat diakses kapan saja melalui browser. Antarmuka dirancang sederhana agar memudahkan admin dalam mengelola data master meliputi dosen, mata kuliah, ruang kelas, bobot SKS,dan slot waktu perkuliahan. Evaluasi sistem dilakukan melalui dua tahapan pengujian. Pengujian fungsional menggunakan metode Black Box Testing membuktikan bahwa seluruh fitur sistem berjalan sesuai dengan yang diharapkan. Pengujian usabilitas menggunakan System Usability Scale (SUS) menghasilkan skor 70 yang masuk dalam kategori Acceptable (dapat diterima). Dengan demikian, sistem penjadwalan berbasis Algoritma Welch-Powell ini terbukti mampu menghasilkan jadwal perkuliahan secara otomatis tanpa bentrokan, lebih cepat dan terstruktur dibandingkan metode manual sebelumnya, serta layak diimplementasikan sebagai solusi pengelolaan jadwal akademik di Program Studi Teknik Informatika Polije Kampus Sidoarjo.

Penelitian ini berfokus pada pengembangan sistem penjadwalan mata kuliah berbasis web di Program Studi Teknik Informatika POLIJE Kampus Sidoarjo guna mengatasi kendala penyusunan jadwal konvensional yang memakan waktu lama dan rentan terhadap kesalahan manusia (human error). Sistem ini diimplementasikan menggunakan framework Laravel dengan menerapkan algoritma Artificial Bee Colony (ABC) yang mensimulasikan perilaku koloni lebah dalam mencari solusi optimal melalui fase lebah pekerja, lebah pengamat, dan lebah pramuka. Variabel input yang diintegrasikan mencakup data dosen, mata kuliah, ruangan, hari, jam, serta bobot SKS dengan penerapan skema penalti untuk memastikan hasil jadwal yang bebas bentrok (collision-free). Hasil pengujian fungsionalitas menggunakan metode Function Point (FP) menunjukkan nilai indikator kualitas sebesar 0,7629 yang masuk dalam kategori "Baik". Selain itu, pengujian aspek usability melalui instrumen System Usability Scale (SUS) menghasilkan skor akhir 82,5 yang menempatkan sistem pada tingkat penerimaan "Acceptable" dengan adjective rating "Excellent". Implementasi sistem ini terbukti mampu meningkatkan efisiensi administrasi akademik secara signifikan, di mana proses penyusunan jadwal yang sebelumnya membutuhkan waktu hitungan jam hingga hari dapat dipangkas menjadi hitungan detik hingga menit dengan tingkat akurasi penempatan data yang terjaga.

NAKULA: Pengembangan Sistem Cerdas Klasifikasi Kualitas Telur Ayam Berbasis IoT Menggunakan CNN. Ahmad Faisal RidhoTullah, NIM E32231767, Tahun 2026, Program Studi Teknik Komputer, Jurusan Teknologi Informasi, Politeknik Negeri Jember. Dosen Pembimbing: Mochammad Rifki Ulil Albaab, S.T., M.Tr.T. Proses sortir telur ayam di banyak peternakan masih dilakukan secara manual sehingga rentan terhadap subjektivitas dan ketidakkonsistenan. Untuk mengatasi masalah tersebut, dikembangkan sistem NAKULA, yaitu sistem klasifikasi kualitas telur ayam berbasis Internet of Things (IoT) menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Sistem NAKULA menggunakan ESP32 sebagai pengendali utama, ESP32 CAM untuk pengambilan citra telur, sensor Load Cell HX711 untuk mengukur berat telur, sensor IR Obstacle untuk mendeteksi keberadaan telur, serta robot arm sebagai aktuator penyortiran. Citra telur diproses menggunakan model CNN untuk mengklasifikasikan telur ke dalam empat kategori, yaitu Grade A, Grade B, Grade C, dan Tidak Layak (TL). Hasil klasifikasi kemudian dikombinasikan dengan data berat telur dan ditampilkan secara real-time melalui aplikasi mobile berbasis React Native. Hasil pengujian menunjukkan bahwa model CNN berbasis MobileNetV2 berhasil mencapai akurasi validasi sebesar 95,49% dengan rata-rata F1-score sebesar 95,3%. Pada pengujian sistem terintegrasi yang dilakukan langsung di lapangan menggunakan 100 butir telur selama lima sesi pengujian, sistem memperoleh akurasi sebesar 72,0%. Sensor Load Cell menunjukkan nilai Mean Absolute Percentage Error (MAPE) sebesar 2,02%, dan sensor IR Obstacle berfungsi dengan baik. Aplikasi mobile NAKULA berhasil menampilkan data klasifikasi secara real-time serta mampu mengendalikan kecepatan conveyor melalui koneksi jaringan IoT

Proyek ini membahas pengembangan sistem identifikasi dan pemilahan kualitas telur ayam berbasis computer vision yang dilengkapi dengan teknologi deteksi objek YOLO dan klasifikasi CNN. Tujuan dari sistem ini adalah menciptakan solusi otomatis yang dapat menggantikan proses sortasi manual menjadi lebih terintegrasi, akurat, dan efisien. Dalam pengembangannya, sistem dirancang untuk memudahkan peternak dalam memilah kualitas telur secara konsisten tanpa bergantung pada penilaian subjektif manusia. Sistem SORTA memanfaatkan ESP32-CAM sebagai perangkat pengambil citra telur secara real-time, yang kemudian dikirimkan melalui jaringan WiFi ke server untuk diproses oleh model YOLOv8 dan CNN guna mengklasifikasikan kualitas visual cangkang telur. Selain analisis citra, sistem juga dilengkapi dengan sensor load cell dan modul HX711 untuk mengukur berat telur sebagai parameter pendukung dalam penentuan grade akhir. Hasil klasifikasi kemudian digunakan untuk menggerakkan robot arm secara otomatis guna memilah telur ke slot yang sesuai berdasarkan kategori Grade A, Grade B, Grade C, dan Tidak Layak. Seluruh data hasil pemilahan ditampilkan secara real-time melalui website monitoring berbasis Next.js sehingga proses sortasi dapat dipantau dan dievaluasi kapan saja. Dengan adanya sistem ini, diharapkan proses pengelolaan sortasi telur di tingkat peternak dapat berjalan lebih efisien, konsisten, dan terstruktur. Selain itu, penggunaan teknologi computer vision berbasis YOLO dan CNN memungkinkan klasifikasi kualitas telur dilakukan secara otomatis tanpa memerlukan tenaga penilai manual, sehingga memberikan nilai tambah dalam efektivitas, kecepatan, dan kemudahan pengelolaan hasil produksi telur ayam.

Toddler nutritional status is an important indicator in monitoring child growth and development. Nutritional problems in toddlers, such as undernutrition, stunting, and obesity, can have long-term impacts on children's health and development. Therefore, an effective system is needed to assist the process of classifying toddler nutritional status through the utilization of information technology. This study aims to classify toddler nutritional status using the Random Forest method based on anthropometric data, including gender, age, weight, and height. The research process includes data preprocessing, dataset merging, handling imbalanced data using the class weight technique, and parameter tuning to improve model performance. The classification model was developed based on the indicators of weight-for-age (BB/U), height-for-age (TB/U), and weight-for-height (BB/TB). The results show that the Random Forest model achieved good performance in classifying toddler nutritional status. The accuracy values obtained were 93.25% for the BB/U indicator, 93.49% for the TB/U indicator, and 93.49% for the BB/TB indicator. However, the model still has limitations in recognizing minority classes, especially in the TB/U indicator, as indicated by the relatively lower Macro F1-Score. Based on these results, the Random Forest method has the potential to be used as an initial screening tool for classifying toddler nutritional status more quickly and efficiently.