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.

Bencana banjir merupakan salah satu bencana hidrometeorologi yang sering terjadi di Indonesia dan berdampak signifikan terhadap kehidupan masyarakat, baik dari segi kerugian material maupun korban jiwa. Seringin meningkatnya kebutuhan akan informasi yang cepat dan akurat, diperlukan suatu sistem yang mempu tidak hanya memprediksi bencan, tetapi juga menyampaikan informasi secara efektif kepada masyarakat. Penelitian ini bertujuan untuk mengembangkan chatbot berbasis Artificial Intelligence (AI) dengan pendekatan Natural Language Processing (NLP) yang terintegrasi dalam sistem prediksi bencana banjir. Chatbot yang dikembangkan mampu memahami pertanyaan penggunaan menggunakan bahasa alami dan memberikan informasi secara real-time, seperti data korban meninggal, luka-luka, hilang, serta informasi kejadian berdasarkan waktu (hari ini, kemarin, atau tanggal tertentu). Metode yang digunakan meliputi proses NLP seperti normalisasi teks. Tokenisasi, serta pencocokan kata kunci, dan fuzzy matching. Hasil dari penelitian ini menunjukkan bahwa chatbot mampu meningkatkan kemudahan akses informasi dan mendukung mitigasi bencana secara efektif, dengan tingkat keberhasilan mencapai 100%. Dengan adanya sistem ini, diharapkan masyarakat lebih siap menghadapi bencana banjir.

Kabupaten Jember, khususnya di sepanjang aliran Sungai Kalijompo, merupakan wilayah dengan kerentanan tinggi terhadap bencana banjir. Sistem peringatan dini (Early Warning System) yang ada saat ini masih bersifat reaktif, hanya memberikan peringatan saat ketinggian air mencapai ambang batas kritis. Penelitian ini bertujuan membangun sebuah sistem prediksi ketinggian air sungai yang proaktif menggunakan metode Prophet Time Series Forecasting. Akuisisi data dilakukan secara otomatis melalui kamera CCTV yang diolah dengan teknik pengolahan citra digital untuk mendeteksi batas ketinggian air. Berdasarkan pengujian selama 109 hari, sistem berhasil mengumpulkan sebanyak 10.102 data deret waktu. Hasil pelatihan dan optimasi parameter pada model Prophet (menggunakan logistic growth, multiplicative seasonality, dan changepoint prior scale 0.5) terbukti meningkatkan akurasi secara signifikan. Evaluasi kinerja menunjukkan adanya penurunan nilai Mean Absolute Error (MAE) dari 4,38 cm menjadi 3,76 cm dan Mean Absolute Percentage Error (MAPE) dari 24,57% menjadi 16,90%, sedangkan Root Mean Squared Error (RMSE) sedikit meningkat dari 10,63 cm menjadi 10,87 cm. Model juga divalidasi mampu menangkap pola siklus fluktuasi harian sungai secara presisi ketika dibandingkan dengan data lapangan. Hasil penelitian ini secara efektif mengubah paradigma pemantauan dari sistem reaktif menjadi sistem peringatan dini yang proaktif, memberikan lead time yang lebih panjang bagi masyarakat sehingga mendukung efektivitas mitigasi bencana di Jember.

Perkembangan media sosial, khususnya X, telah menjadi sarana utama bagi masyarakat dalam menyampaikan opini dan pengalaman terhadap suatu produk, termasuk produk pembersih wajah. Ulasan yang tersebar dalam jumlah besar bersifat tidak terstruktur sehingga sulit dianalisis secara manual. Analisis sentimen dapat digunakan untuk mengolah data tersebut guna mengetahui kecenderungan opini publik terhadap suatu produk secara otomatis. Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap produk pembersih wajah di media sosial X menggunakan algoritma Logistic Regression. Dataset penelitian awal berjumlah 7.405 tweet yang diperoleh melalui teknik crawling, kemudian setelah dilakukan pembersihan data diperoleh sebanyak 1.173 data yang siap digunakan untuk analisis. Proses pelatihan model dilakukan menggunakan pembagian data dengan rasio 80%:20% serta evaluasi model menggunakan metode K-Fold Cross Validation dengan nilai k = 10, yang menghasilkan rata-rata akurasi validasi sebesar 85.40% dengan standar deviasi ±1.6% sehingga menunjukkan performa model yang stabil dan representatif. Hasil penelitian menunjukkan bahwa mayoritas opini publik terhadap produk pembersih wajah cenderung memiliki sentimen positif. Model Logistic Regression yang digunakan memperoleh akurasi sebesar 85.11% dan nilai AUC sebesar 0.8884 yang termasuk dalam kategori baik. Nilai recall pada kelas positif mencapai 100%, sedangkan pada kelas negatif sebesar 10.26%, yang menunjukkan bahwa model lebih optimal dalam mendeteksi sentimen positif dibandingkan sentimen negatif. Penelitian ini menunjukkan bahwa analisis sentimen menggunakan Logistic Regression dapat digunakan untuk memahami kecenderungan opini publik terhadap produk pembersih wajah di media sosial X.