Penelitian ini mengembangkan media pembelajaran interaktif untuk pengenalan hewan yang ditujukan bagi pendidikan anak usia dini dengan menggunakan metode Convolutional Neural Network (CNN). Model CNN dibangun menggunakan arsitektur DenseNet121 dan berhasil mencapai akurasi tinggi sebesar 97%. Evaluasi melalui confusion matrix dan classification report menunjukkan bahwa sebagian besar kelas hewan memperoleh nilai precision, recall, dan F1-score yang mendekati 1,00. Validasi oleh pakar yang melibatkan enam guru dari TKIT-TBIT Permata Leces mengonfirmasi bahwa aplikasi ini selaras dengan kurikulum pendidikan anak usia dini dan layak digunakan di lingkungan kelas. Selain itu, User Acceptance Testing (UAT) yang dilakukan kepada 20 anak menunjukkan tingkat kepuasan pengguna yang sangat tinggi. Sebagian besar anak menikmati penggunaan aplikasi, menyukai gambar hewan serta penjelasan suara, dan menyatakan minat untuk menggunakannya kembali. Hasil ini menunjukkan bahwa aplikasi ini efektif, mudah digunakan, dan sangat cocok sebagai media edukatif interaktif untuk mengenalkan hewan kepada anak-anak.

Bimbingan belajar bahasa Inggris merupakan tempat pembelajaran pendidikan bahasa Inggris. Lokasi bimbingan belajar bahasa Inggris berada di kecamatan Pare, kabupaten Kediri, Jawa Timur. Keberadaan lokasi bimbingan belajar bahasa Inggris tersebar luas. Dalam mencari informasi bimbingan belajar bahasa Inggris, calon siswa masih menggunakan media sosial dan masih secara manual mendapatkan informasi dari teman, ataupun saudara sebagai tersebarnya informasi bimbingan belajar pada media tersebut. Hal tersebut mengharuskan adanya suatu sistem yang membantu calon siswa dalam menemukan informasi lengkap mengenai bimbingan belajar bahasa Inggris yang ada di kecamatan Pare. Dalam penelitian ini peneliti membuat sistem informasi geografis pemetaan lokasi bimbingan belajar bahasa Inggris berbasis website, yang menampilkan lokasi serta informasi lainnya mengenai bimbingan belajar bahasa Inggris yang berada di kecamatan Pare menggunakan website yang dibuat, dengan memanfaatkan Leaflet untuk menghadirkan visualisasi peta yang interaktif. Metode pengembangan sistem yang digunakan berupa waterfall

Malaria adalah penyakit menular yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk Anopheles betina. Kabupaten Bondowoso termasuk salah satu daerah endemis malaria di Jawa Timur. Penelitian ini bertujuan untuk mengidentifikasi potensi lokasi breeding site nyamuk Anopheles sp. berdasarkan parameter lingkungan seperti suhu air, pH, dan salinitas, dengan menggunakan metode Fuzzy Inference System (FIS) tipe Sugeno. Data dikumpulkan dari 25 titik lokasi fasilitas kesehatan dan dianalisis menggunakan MATLAB. Sistem menghasilkan klasifikasi tegas, yaitu “berpotensi” atau “tidak berpotensi”. Hasil evaluasi menunjukkan akurasi sebesar 64?n nilai recall 100%, yang berarti semua lokasi dengan kasus malaria berhasil terdeteksi sebagai wilayah berpotensi oleh sistem. Untuk mempermudah penyajian hasil, dibuat pula sebuah website sederhana yang menampilkan 25 titik lokasi pengambilan sampel, hasil prediksi sistem, serta klasifikasi wilayah berdasarkan potensi keberadaan vektor malaria. Hasil ini menunjukkan bahwa metode Fuzzy Sugeno cukup efektif dan bisa menjadi alat bantu dalam mendukung pengambilan keputusan berbasis data lingkungan.

SISTEM POINT OF SALE DAN PREDIKSI PENJUALAN BRAND SMARTPHONE TERLARIS MENGGUNAKAN METODE K-NEAREST NEIGHBOR, Rafael Dwiky Novian Hernando, NIM E31222467, Tahun 2025, Manajemen Informatika, Teknologi Informasi, Politeknik Negeri Jember, Pramudhita Shinta Dewi Puspitasari, S.Kom., M.Kom. (Dosen Pembimbing). Perkembangan teknologi informasi yang pesat mendorong berbagai sektor, termasuk bidang perdagangan, untuk mengadopsi sistem digital guna meningkatkan efisiensi operasional. Salah satu teknologi yang banyak digunakan adalah sistem Point of Sale (POS) yang berfungsi untuk mencatat transaksi penjualan secara otomatis dan terstruktur. Namun, tidak semua sistem POS dilengkapi dengan fitur analisis data penjualan yang dapat membantu pemilik usaha dalam pengambilan keputusan, khususnya dalam memprediksi produk-produk yang berpotensi laris di masa mendatang. Penelitian ini bertujuan untuk mengembangkan sebuah sistem Point of Sale (POS) berbasis web yang terintegrasi dengan fitur prediksi penjualan brand smartphone terlaris menggunakan metode K-Nearest Neighbor (K-NN). Sistem ini dirancang untuk mempermudah proses pencatatan transaksi penjualan sekaligus memberikan informasi analitik berupa prediksi produk terlaris berdasarkan data historis penjualan. Dengan memanfaatkan algoritma K-NN, sistem ini mampu mengidentifikasi pola penjualan dan memberikan rekomendasi kepada pemilik toko dalam pengambilan keputusan strategis. Pengujian sistem dilakukan melalui Blackbox Testing dan User Acceptance Test (UAT). Blackbox dilakukan oleh kepala toko sebagai admin untuk menguji fungsi-fungsi utama seperti login, hak akses, transaksi, manajemen produk, laporan, hingga logout semuanya berjalan dengan baik. UAT dilakukan oleh lima responden (1 kepala toko dan 4 kasir) dengan sembilan pertanyaan skala Likert, menghasilkan skor 222 dari 225 atau 98,666%, yang menunjukkan sistem telah memenuhi kebutuhan pengguna dengan sangat baik.

Pencak silat merupakan seni bela diri khas Indonesia yang memiliki nilai budaya dan estetika tinggi. Pada kategori seni dalam pertandingan pencak silat, penilaian dilakukan berdasarkan ketepatan gerakan, kemantapan, dan penghayatan. Namun, sistem penilaian yang bersifat subjektif masih sering menimbulkan kontroversi dan dugaan kecurangan. Penelitian ini mengusulkan deteksi pose Jurus 1 Tangan Kosong kategori tunggal Ikatan Pencak Silat Indonesia (IPSI) menggunakan algoritma Neural Network, khususnya MultiLayer Perceptron (MLP) dan Convolutional Neural Network (CNN). Proses ekstraksi fitur dilakukan menggunakan Mediapipe untuk menghasilkan koordinat landmark dan gambar keypoint tubuh sebagai input model. Hasil pelatihan menunjukkan bahwa model MLP dengan input data landmark menghasilkan akurasi validasi sebesar 0.85 dan loss sebesar 0.75, sedangkan model CNN dengan input gambar keypoint mengalami overfitting. Evaluasi lebih lanjut menunjukkan bahwa model MLP memiliki nilai precision, recall, dan F1-score yang baik pada data latih, namun performanya menurun pada pengujian video baru, terutama dalam membedakan pose benar dan salah. Temuan ini menunjukkan potensi model dalam sistem penilaian otomatis pencak silat, meskipun masih perlu peningkatan agar dapat digunakan secara lebih akurat dan andal.

Bahasa Isyarat Indonesia (BISINDO) adalah bahasa yang digunakan oleh penyandang tunarungu dan tunawicara untuk berkomunikasi sehari-hari. Penelitian ini bertujuan mengembangkan sebuah aplikasi berbasis web yang mampu mengenali gerakan BISINDO menjadi suara secara realtime. Studi kasus dilakukan di Kedai Susu Tuli (K-Suli), di mana media pembelajaran statis seperti buku dan poster kurang efektif untuk menangkap gerakan dinamis bahasa isyarat. Sistem yang dikembangkan memanfaatkan MediaPipe Holistic untuk mengekstrak landmark pose tubuh, wajah, dan tangan dari video input kamera secara realtime. Data tersebut kemudian diproses menggunakan model Long Short-Term Memory (LSTM) dengan arsitektur BiLSTM untuk mengklasifikasikan gerakan. Selanjutnya, fitur text to speech berbasis gTTS mengubah hasil pengenalan gerakan menjadi suara secara realtime. Dataset yang digunakan sebanyak 1.500 video yang merekam 10 kosa kata. Hasil pengujian menunjukkan bahwa aplikasi mampu mengenali gerakan dengan akurasi realtime sebesar 80% oleh pengguna non-penyandang, Selain itu, User Acceptance Testing (UAT) mencatat tingkat kepuasan pengguna sebesar 91,4%. Dengan demikian, sistem ini memberikan solusi inovatif untuk meningkatkan aksesibilitas pengenalan bahasa isyarat BISINDO.

Penelitian ini melakukan analisis sentimen terhadap topik perkembangan cryptocurrency di Indonesia melalui media sosial Twitter dengan menerapkan metode Naïve Bayes dan teknik pembobotan TF-IDF. Sebanyak 1200 tweet digunakan sebagai dataset, yang diproses melalui tahapan scraping, pre-processing, dan klasifikasi. Pengujian model dilakukan dengan pembagian data latih dan data uji sebesar 90:10. Hasil evaluasi menunjukkan tingkat akurasi sebesar 85.00%, dengan nilai precision masing-masing 91% untuk sentimen negatif dan 82% untuk sentimen positif. Sementara itu, recall sebesar 74% untuk sentimen negatif dan 94% untuk sentimen positif, serta f1-score mencapai 81% sentimen negatif dan 88% sebagai sentimen positif. Meskipun akurasi secara keseluruhan tinggi, performa model dalam mendeteksi sentimen negatif masih rendah, sehingga diperlukan strategi untuk menangani ketidakseimbangan data.

Klasifikasi kualitas jamur merang merupakan salah satu proses penting dalam industri pertanian guna meningkatkan nilai jual dan efisiensi distribusi produk. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jamur merang berdasarkan grade kualitas menggunakan metode Gray Level Co-occurrence Matrix (GLCM) sebagai ekstraksi fitur dan K-Nearest Neighbor (K-NN) sebagai metode klasifikasi. Dataset diperoleh dari hasil pengambilan gambar jamur merang dengan berbagai grade, yang kemudian diolah melalui proses preprocessing dan ekstraksi fitur tekstur menggunakan GLCM. Hasil ekstraksi tersebut digunakan sebagai input untuk algoritma K-NN guna menentukan grade masing-masing jamur. Sistem diuji menggunakan data uji terpisah, dan hasil pengujian menunjukkan bahwa kombinasi GLCM dan K-NN mampu mengklasifikasikan jamur merang dengan tingkat akurasi yang baik. Penelitian ini diharapkan dapat menjadi kontribusi dalam pengembangan teknologi klasifikasi otomatis dalam bidang pertanian.