Media sosial telah menjadi ruang untuk interaksi utama dalam era digital, namun kemunculan teknologi AI generatif menimbulkan banyak kekhawatiran terhadap penyalahgunaan teknologi ini dengan membuat citra wajah palsu konten media sosial. Deteksi terhadap keaslian citra menjadi tantangan utama karena perkembangan teknologi generatif AI yang cukup pesat dan memiliki kemiripan visual tinggi dengan citra asli. Perlunya sistem untuk mengenali pola yang dibuat dari teknologi ini dengan mengembangkan sistem deteksi berbasis deep learning yang memanfaatkan CNN dan transfer learning VGG-16, serta pemanfaatan fitur LBP sebagai preprocessing. Jumlah dataset pada penelitian ini berjumlah 8300 citra wajah yang diperoleh melalui augmentasi dari data awal sebesar 2358 data citra. Metode pelatihan dilakukan dengan dua pendekatan, yakni dengan data citra fitur LBP dan tanpa LBP. Hasil eksperimen menunjukan bahwa model dengan citra tanpa LBP mencapai akurasi sebesar 99% lebih baik dibandingkan dengan model yang menggunakan citra LBP yang mencapai akurasi 98% yang mengindikasikan kemampuan model dalam mengenali pola pada citra tanpa LBP lebih baik.

Rancang Bangun Sistem E-Booking Kamar Kos Berbasis Web (Studi Kasus Kos Calista), Siti Putri Diana, Tahun 2025, Program Studi Manajemen Informatika, Jurusan Teknologi Informasi, Dwi Putro Sarwo Setyohadi, S.Kom, M.Kom. (Dosen Pembimbing). Seiring berkembangnya teknologi informasi, sektor penyewaan kamar kos semakin terdorong untuk bertransformasi secara digital. Kos Calista, sebagai salah satu penyedia jasa kamar indekos, menghadapi tantangan dalam hal promosi dan proses pemesanan yang masih dilakukan secara manual, sehingga kurang efisien dan menyulitkan baik calon penyewa maupun pihak pengelola. Untuk mengatasi permasalahan tersebut, dirancanglah sebuah sistem e-booking kamar kos berbasis web. Sistem ini dikembangkan menggunakan framework Laravel dan bertujuan untuk mempermudah calon penyewa dalam mencara informasi ketersediaan kamar, melihat fasilitas, denah, dan harga, serta melakukan pemesanan dan pembayaran secara online. Selain itu, sistem juga memfasilitasi admin kos dalam mengelola data kamar, transaksi, booking, serta laporan keuangan secara terintegrasi dan rel-time. Website ini telah melalui proses pengujian menggunakan metode Blackbox dan User Acceptance Test (UAT). UAT dilakukan terhadap 22 responden dengan menilai lima aspek utama: usability, fungsionalitas, manfaat, informasi, dan efisiensi. Hasil UAT menunjukan bahwa sistem memperoleh rata-rata skor 94%, yang dikategorikan dalam kriteria “Sangat Baik” berdasarkan skala likert. Hal ini menunjukan bahwa sistem siap untuk digunakan dalam operasional Kos Calista. Dengan demikian, sistem e-booking mampu meningkatkan efektivitas layanan penyewaan kamar kos dan memberikan pengalaman pengguna yang praktis, cepat, dan efisien.

Indonesia merupakan salah satu produsen karet alam terbesar di dunia, dengan mayoritas produksinya berasal dari perkebunan rakyat. Kualitas mutu hasil olah getah karet menjadi aspek penting karena menentukan kelayakan ekspor dan pemanfaatannya di industri. Namun, proses penentuan mutu di pabrik pengolahan masih dilakukan secara manual dan subjektif. Hal ini menimbulkan risiko ketidakkonsistenan dalam klasifikasi mutu. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi mutu hasil olah getah karet menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Data citra karet yang digunakan berasal dari pengambilan citra secara langsung, yang sample crepe nya di dapat secara langsung di salah satu pabrik di Jember, kemudian dilakukan tahapan preprocessing sebelum memasuki pelatihan. Model CNN yang dibangun berhasil mencapai akurasi pelatihan hingga 99?n akurasi validasi terbaik sebesar 96% pada epoch ke-35, dengan nilai validation loss terendah sebesar 0.2799. Akurasi pengujian menggunakan data uji mencapai 92%, menunjukkan performa model yang cukup baik meskipun terdapat indikasi overfitting ringan. Model kemudian diintegrasikan ke dalam aplikasi mobile berbasis Android untuk mempermudah proses klasifikasi secara real-time. Sistem ini diharapkan dapat menjadi solusi efisien dan akurat dalam mendukung penentuan kualitas mutu getah karet secara otomatis

Demam Berdarah Dengue (DBD) masih menjadi masalah kesehatan masyarakat yang serius di Indonesia, terutama akibat tempat penampungan air (TPA) yang tidak terpantau dan menjadi lokasi berkembang biaknya nyamuk Aedes aegypti. Penelitian ini mengembangkan sistem monitoring berbasis Internet of Things (IoT) untuk mendeteksi potensi kemunculan larva nyamuk berdasarkan parameter kualitas air seperti suhu, pH, dan Total Dissolved Solids (TDS). Arduino Nano digunakan untuk membaca data dari sensor DS18B20 (suhu), sensor pH 4502C, dan sensor TDS. Data dikirim ke ESP32 melalui komunikasi serial, lalu diteruskan ke server menggunakan protokol HTTP. Server backend dibangun dengan bahasa pemrograman Python menggunakan framework Flask, dan data disimpan dalam database MySQL. Data yang dikumpulkan divisualisasikan secara real-time melalui website bernama Jumantik. Untuk menentukan potensi tempat berkembang biaknya larva, sistem ini menggunakan metode logika fuzzy Sugeno yang diimplementasikan langsung pada Arduino Nano. Sistem memproses data dan mengklasifikasikan lingkungan menjadi dua kategori berpotensi dan tidak berpotensi. Hasil pengujian menunjukkan bahwa sistem mampu memantau kondisi air secara efisien dan akurat secara real-time, serta memberikan informasi yang relevan untuk mendukung pencegahan dini penyebaran DBD.

Penelitian ini bertujuan untuk mengembangkan sistem penentuan kondisi kesehatan pada domba hamil menggunakan metode Artificial Neural Network (ANN). Dalam prosesnya, data rekam medis domba hamil dikumpulkan dan diklasifikasikan menjadi dua kategori, yaitu sehat dan tidak sehat. Data tersebut melalui tahap pre-processing sebelum digunakan untuk melatih dan menguji model ANN berbasis arsitektur Multi-Layer Perceptron (MLP). Hasil pengujian menunjukkan bahwa sistem ANN mampu melakukan klasifikasi kondisi kesehatan domba hamil dengan tingkat akurasi yang cukup tinggi, sehingga dapat membantu peternak dalam melakukan deteksi dini kondisi ternak secara otomatis dan efisien. Implementasi sistem ini diharapkan dapat meningkatkan efektivitas pengawasan kesehatan domba, mengurangi kerugian akibat kondisi tidak sehat, dan mendukung pengambilan keputusan yang lebih cepat dan tepat dalam bidang peternakan.

Penelitian ini bertujuan untuk mengembangkan aplikasi pembelajaran Bahasa Inggris berbasis gamifikasi bernama SpellFun yang ditujukan bagi siswa kelas III sekolah dasar. Aplikasi ini dirancang untuk membantu siswa dalam mempelajari dan menyusun kosakata Bahasa Inggris melalui pendekatan interaktif dan menyenangkan. Metode yang digunakan adalah Multimedia Development Life Cycle (MDLC), yang meliputi enam tahapan: concept, design, material collecting, assembly, testing, dan distribution. Fitur utama dalam aplikasi meliputi Mode Materi, Mode Berlatih, dan Mode Quiz, yang masing-masing berfungsi sebagai sarana pengenalan, latihan, dan evaluasi pembelajaran. Hasil uji fungsional menunjukkan bahwa semua fitur dalam aplikasi berjalan sesuai rancangan, sedangkan pengujian pengguna (User Acceptance Test) memperoleh persentase kelayakan sebesar 88,4?n motivasi belajar siswa mencapai 87,4%. Selain itu, hasil pre-test dan post-test menunjukkan peningkatan nilai belajar siswa, dengan nilai gain yang berada pada kategori tinggi. Temuan ini menunjukkan bahwa SpellFun efektif dalam meningkatkan pemahaman kosakata dan mampu membangkitkan minat belajar siswa melalui penerapan elemen gamifikasi seperti skor, nyawa, sistem bintang, serta umpan balik apresiatif.

Sektor pertanian memiliki peran penting dalam perekonomian Indonesia, namun pemilihan jenis tanaman yang kurang tepat dapat menurunkan produktivitas. Penelitian ini mengembangkan Sistem Pendukung Keputusan (SPK) berbasis web menggunakan metode Analytical Hierarchy Process (AHP) untuk menentukan bobot kriteria dan TOPSIS untuk merangking alternatif tanaman berdasarkan kondisi lahan dan riwayat tanam. Sistem ini dibangun menggunakan Laravel 11, Tailwind CSS, dan MySQL, serta diuji menggunakan Black Box dan User Acceptance Testing (UAT) dengan tingkat kepuasan sebesar 91,3%. Hasilnya, sistem membantu petani dalam pengambilan keputusan yang lebih objektif dan efisien.

Penjualan pestisida merupakan aspek penting dalam operasional PT Sagri yang bergerak di bidang pertanian. Fluktuasi permintaan yang tinggi menuntut perusahaan untuk memiliki sistem prediksi penjualan yang akurat guna menunjang pengambilan keputusan strategis. Penelitian ini bertujuan untuk merancang dan membangun model prediksi penjualan pestisida menggunakan algoritma c4.5, salah satu motode dalam data mining yang efektif untuk membentuk pohon keputusan berdasarkan nilai gain dan gain ratio dari setiap atribut dalam data. Algoritma ini dipilih karena kemampuannya dalam menangani atribut numerik maupun kategorikal, serta menghasilkan model yang mudah di pahami dan diinterpretasikan. Data yang digunakan dalam penelitian ini berasal dari catatan penjualan PT Sagri yang berbentuk excel selama 1 tahun terakhir, yang mencangkup atribut seperti kegunaan produk, nama produk, harga produk, musim, dan jumlah penjualan. Proses penelitian meliputi tahap preprocessing data, pembentukan model pohon keputusan dengan algoritma c4.5. Hasil dari penelitian menunjukkan bahwa algoritma c4.5 mampu mengklasifikasi data penjualan dengan tingkat akurasi yang memadai. Model ini dapat membantu mengelompokkan data ke dalam beberapa 2 kategori tingkat penjualan seperti laris dan tidak laris, berdasarkan kombinasi atribut yang ada. Dengan diterapkannya model prediksi ini, diharapkan PT Sagri dapat meningkatkan efisiensi operasional, mengurangi resiko kelebihan atau kekurangan stok, serta meningkatkan pelayanan kepada pelanggan dengan ketersediaan produk yang lebih tepat waktu dan sesuai kebutuhan pasar.