Penelitian ini bertujuan untuk mengembangkan sistem parkir cerdas dalam meminimalisir terjadinya kasus pencurian kendaraan bermotor. Sistem ini berbasis Internet of Things (IoT) yang terintegrasi dengan teknologi Transformer Optical Character Recognition (TrOCR) dan notifikasi real-time melalui aplikasi Android. Sistem ini dibangun sebagai respons atas meningkatnya kasus pencurian kendaraan bermotor, terutama di area sekolah dan kampus yang memiliki sistem keamanan terbatas. Alat parkir yang dikembangkan menggunakan Raspberry Pi 4, webcam, dan servo motor untuk membaca pelat nomor kendaraan, mengenali pengendara, dan mengirimkan notifikasi peringatan secara otomatis melalui Firebase Cloud Messaging (FCM). Model TrOCR digunakan untuk mengekstrak karakter dari citra pelat nomor dengan akurasi yang diuji menggunakan data uji nyata, sedangkan YOLOv11 diterapkan untuk mendeteksi objek. Hasil pengujian menunjukkan sistem mampu mengenali pelat nomor dengan tingkat akurasi 95?n memberikan peringatan secara real-time jika kendaraan keluar tanpa otorisasi yang sah. Penelitian ini memberikan kontribusi terhadap sistem keamanan parkir yang efisien dan dapat diimplementasikan di lingkungan pendidikan dengan biaya yang lebih terjangkau.

Operasional penyedia layanan internet (ISP) skala reseller sering dihadapkan pada tantangan fragmentasi sistem, di mana alat pemantauan jaringan berjalan terpisah dari aplikasi Enterprise Resource Planning (ERP) pengelola administrasi. Ketidaksinambungan ini memicu inefisiensi data, kompleksitas konfigurasi teknis, serta ketiadaan fitur spesifik ISP seperti kontrol bandwidth dan otomatisasi suspensi jaringan (isolir). Penelitian ini bertujuan merancang dan membangun Sistem Manajemen Pelanggan berbasis web yang terintegrasi penuh, dengan studi kasus pada Iboy Network, sebuah reseller ISP di Kabupaten Mojokerto, Jawa Timur. Sistem dikembangkan menggunakan arsitektur Single Page Application (SPA). Sistem memanfaatkan SNMP untuk memantau konsumsi bandwidth dan status koneksi perangkat secara real-time, serta diintegrasikan dengan RouterOS API Mikrotik untuk otomatisasi isolir dan kontrol paket berlangganan. Sistem ini juga dilengkapi Midtrans Payment Gateway untuk billing otomatis dan fitur Geographic Information System (GIS) untuk pemetaan lokasi pelanggan dan infrastruktur Optical Distribution Point (ODP). Hasil pengujian menunjukkan bahwa aplikasi mampu menyatukan manajemen teknis jaringan dan administrasi pelanggan dalam satu solusi tunggal, memberikan visibilitas penuh kondisi jaringan secara real-time, menyederhanakan alur kerja operasional, dan menekan kompleksitas pemeliharaan perangkat lunak. Sistem ini terbukti menjadi solusi teknologi yang relevan dan adaptif dalam mendukung operasional ISP skala reseller di lingkungan industri yang kompetitif.

Industri penyiaran televisi menuntut ketepatan waktu, keandalan teknis, dan efisiensi operasional yang tinggi. Di Metro TV Jawa Timur, divisi transmisi memegang peranan krusial dalam memastikan siaran diterima masyarakat dengan kualitas prima. Namun, pengelolaan administrasi operasional harian seperti pencatatan absensi, penjadwalan shift, hingga pendataan inventaris perangkat sebelumnya masih dilakukan secara manual atau menggunakan sistem yang terpisah, sehingga rentan terhadap human error dan inefisiensi waktu. Kegiatan magang ini dilaksanakan mulai 1 Agustus hingga 31 Desember 2025 dengan tujuan utama merancang dan membangun Sistem Informasi Manajemen Transmisi berbasis web untuk mendigitalkan dan mengintegrasikan seluruh proses operasional divisi transmisi. Pengembangan sistem dilakukan menggunakan metode SDLC (Software Development Life Cycle) model Waterfall yang meliputi tahapan analisis kebutuhan, desain, implementasi, dan pengujian. Selain pengembangan sistem, kegiatan magang juga mencakup partisipasi aktif dalam kegiatan daily monitoring kualitas siaran, preventive maintenance, dan corrective maintenance pada perangkat pemancar. Hasil dari proyek magang ini adalah sebuah Sistem Informasi Manajemen yang terintegrasi dengan lima modul utama: (1) Absensi Operator real-time, (2) Penjadwalan Shift otomatis, (3) Manajemen Aset inventaris perangkat keras, (4) Monitoring Konten sebagai log digital kualitas siaran, dan (5) Manajemen Dokumen/Karyawan terpusat. Sistem ini juga dilengkapi dengan dashboard pemantauan yang terintegrasi dengan sensor IoT untuk memonitor bahan bakar genset cadangan. Berdasarkan pengujian menggunakan metode Black Box Testing, seluruh fungsionalitas sistem berjalan dengan valid dan sesuai dengan kebutuhan pengguna. Implementasi sistem ini berhasil mengubah proses administrasi manual menjadi digital, mempermudah pelacakan aset dan log siaran, serta membantu manajemen dalam pengambilan keputusan berbasis data secara transparan, sehingga mendukung operasional siaran Metro TV yang lebih terstruktur dan profesional.

Perkembangan industri fashion digital menuntut adanya sistem rekomendasi pakaian yang lebih personal dan adaptif. Namun, sistem rekomendasi yang ada umumnya masih berfokus pada kemiripan visual atau preferensi pengguna tanpa mempertimbangkan karakteristik fisik, seperti proporsi tubuh dan warna kulit. Penelitian ini mengembangkan sistem rekomendasi outfit berbasis Artificial Intelligence (AI) dengan mengintegrasikan model Multimodal Transformer (OpenAI CLIP), algoritma K-Nearest Neighbors (KNN), dan Sistem Pakar. Model CLIP digunakan untuk mengekstraksi fitur visual dan semantik, sedangkan KNN berperan dalam proses pencarian kandidat outfit yang memiliki kemiripan tertinggi. Selanjutnya, Sistem Pakar memanfaatkan parameter Body Mass Index (BMI) dan kategori warna kulit berdasarkan konsep Individual Typology Angle (ITA) untuk menghasilkan rekomendasi yang lebih personal. Dataset yang digunakan merupakan hasil penyaringan Polyvore Dataset sebanyak 12.500 data outfit. Hasil evaluasi menunjukkan bahwa model CLIP memperoleh akurasi klasifikasi sebesar 60% pada empat kategori gaya busana, yaitu Casual, Formal, Smart Casual, dan Sporty. Sistem yang dikembangkan mampu menghasilkan lima rekomendasi outfit terbaik beserta saran penataan busana yang sesuai dengan karakteristik fisik pengguna.

Sistem Isyarat Bahasa Indonesia (SIBI) merupakan salah satu media komunikasi utama yang digunakan oleh penyandang tunarungu dalam kehidupan sehari-hari. Namun, masih banyak masyarakat umum yang belum memahami bahasa isyarat sehingga proses komunikasi antara penyandang tunarungu dan masyarakat non-tunarungu sering mengalami hambatan. Keterbatasan tersebut dapat memengaruhi proses penyampaian informasi, interaksi sosial, hingga pelayanan dalam kehidupan sehari-hari. Seiring berkembangnya teknologi kecerdasan buatan, khususnya pada bidang pengolahan citra digital dan pengenalan pola, permasalahan komunikasi tersebut dapat dibantu melalui pengembangan sistem penerjemah bahasa isyarat secara otomatis. Penelitian ini bertujuan untuk mengembangkan aplikasi mobile penerjemah Bahasa Isyarat Indonesia menggunakan metode Convolutional Neural Network (CNN). Aplikasi yang dikembangkan mampu mengenali bentuk atau gerakan tangan pengguna melalui kamera smartphone secara real-time, kemudian menerjemahkan hasil pengenalan ke dalam bentuk teks sehingga dapat dipahami oleh masyarakat umum. Pengembangan aplikasi berbasis mobile dipilih karena memiliki tingkat fleksibilitas dan aksesibilitas yang tinggi sehingga dapat digunakan kapan saja dan di mana saja melalui perangkat smartphone. Tahapan penelitian dimulai dari proses pengumpulan dataset citra bahasa isyarat Indonesia menggunakan kamera. Dataset yang diperoleh kemudian melalui tahap preprocessing untuk meningkatkan kualitas data sebelum digunakan dalam proses pelatihan model. Tahapan preprocessing meliputi resize citra, normalisasi data, serta pembagian dataset menjadi data latih dan data uji. Setelah itu dilakukan pembangunan dan pelatihan model Convolutional Neural Network (CNN) untuk mengenali pola bahasa isyarat berdasarkan dataset yang telah dikumpulkan. Metode CNN dipilih karena memiliki kemampuan yang baik dalam melakukan ekstraksi fitur otomatis dan klasifikasi citra pada proses pengenalan objek. Setelah proses pelatihan selesai, model dievaluasi menggunakan data uji untuk mengetahui performa sistem dalam mengenali bahasa isyarat yang telah dilatih. Evaluasi dilakukan dengan menggunakan parameter pengujian berupa tingkat akurasi model. Model yang telah memenuhi kebutuhan pengujian kemudian diimplementasikan ke dalam aplikasi mobile sehingga pengguna dapat melakukan penerjemahan bahasa isyarat secara langsung melalui kamera smartphone secara real-time. Hasil penelitian menunjukkan bahwa aplikasi mobile penerjemah Bahasa Isyarat Indonesia berbasis Convolutional Neural Network (CNN) mampu mengenali dan menerjemahkan bahasa isyarat ke dalam bentuk teks dengan baik. Aplikasi yang dikembangkan diharapkan dapat membantu meningkatkan efektivitas komunikasi antara penyandang tunarungu dan masyarakat umum, serta menjadi salah satu bentuk penerapan teknologi kecerdasan buatan dalam mendukung komunikasi yang lebih inklusif dan mudah diakses oleh berbagai kalangan.

Perkembangan teknologi digital mendorong industri penyiaran radio untuk beradaptasi dalam mengelola dan memantau aktivitas persaingan, khususnya dalam bidang periklanan. Proses pemantauan radio kompetitor yang masih dilakukan secara manual dinilai kurang efektif dan efisien, sehingga diperlukan sebuah sistem berbasis digital yang mampu mendukung proses tersebut secara terstruktur dan terintegrasi. Penelitian ini bertujuan untuk merancang dan mengimplementasikan aplikasi web pemantauan radio kompetitor sebagai inovasi transformasi digital. Aplikasi web ini dirancang untuk membantu pengguna dalam mencatat, mengelola, dan menampilkan informasi terkait radio kompetitor serta aktivitas iklan yang ditayangkan. Perancangan sistem difokuskan pada antarmuka pengguna agar mudah digunakan dan mampu menyajikan informasi secara jelas dan sistematis. Metode yang digunakan dalam penelitian ini meliputi perancangan sistem, implementasi antarmuka pengguna, serta pengujian antarmuka menggunakan metode pengujian fungsional (black box testing). Pengujian dilakukan untuk memastikan bahwa setiap halaman dan fitur antarmuka dapat berfungsi sesuai dengan kebutuhan pengguna. Hasil penelitian menunjukkan bahwa aplikasi web pemantauan radio kompetitor berhasil diimplementasikan dan seluruh fitur antarmuka dapat berjalan dengan baik. Aplikasi ini mampu mendukung proses pemantauan aktivitas radio kompetitor secara digital, sehingga memudahkan pengguna dalam memperoleh informasi dan melakukan analisis dasar terhadap aktivitas periklanan radio pesaing.

Sistem absensi manual dan berbasis GPS pada aplikasi S-Learn di Politeknik Negeri Jember rentan terhadap kecurangan seperti titip absen dan pemalsuan lokasi. Penelitian ini mengimplementasikan sistem absensi biometrik berbasis pengenalan wajah menggunakan algoritma RetinaFace untuk deteksi wajah, ArcFace untuk ekstraksi fitur, dan cosine similarity untuk verifikasi identitas. Sistem diintegrasikan ke aplikasi S-Learn dengan arsitektur client-server menggunakan Flutter sebagai antarmuka mobile dan Flask sebagai backend. Pengujian pada berbagai kondisi lingkungan menunjukkan bahwa sistem mencapai pass rate 100% untuk pengguna genuine dengan rata-rata cosine similarity 0,8801, serta mampu menolak seluruh upaya pemalsuan identitas (impostor) dengan rata-rata skor 0,1275 menggunakan threshold 0,37. Rata-rata waktu verifikasi adalah 701 ms. Hasil Uji Penerimaan Pengguna (UAT) menunjukkan tingkat penerimaan tinggi dengan ratarata skor Likert 4,58 dari skala 5 dan NPS 8,6, di mana 100% responden menyatakan sistem layak digunakan. Sistem ini terbukti efektif meningkatkan validitas kehadiran dan mengurangi potensi kecurangan pada absensi digital.

Penilaian kualitas udang vaname secara manual yang kerap subjektif dan tidak konsisten melatarbelakangi studi ini untuk mengembangkan sistem visi komputer terintegrasi berdasarkan standar SNI 01-2728.1-2006. Sistem ini menggabungkan model YOLOv8 untuk deteksi dan isolasi objek, algoritma OpenCV untuk ekstraksi fitur visual (meliputi persentase bintik hitam, degradasi warna, dan objek asing), serta Weighted KNN (K=5) untuk mengklasifikasikan udang ke dalam empat kelas kualitas (Prima, Baik, Menengah, Rendah). Pengujian terhadap 2.000 citra udang dari Pasar Probolinggo menunjukkan bahwa sistem ini sangat andal dengan capaian akurasi keseluruhan sebesar 96,0%. Kelas "Baik" dan "Rendah" berhasil diidentifikasi dengan sempurna (100%), dan misklasifikasi minor hanya terjadi pada 16% sampel kelas "Prima" yang keliru dideteksi sebagai kelas "Menengah".