Keamanan siber pada sistem operasi Linux menjadi krusial karena dominasinya pada infrastruktur server global. Salah satu ancaman utama adalah privilege escalation, di mana penyerang meningkatkan hak akses pengguna biasa menjadi administrator melalui eksploitasi miskonfigurasi. Penelitian ini bertujuan untuk membangun sistem pakar diagnosa privilege escalation menggunakan metode Forward Chaining berdasarkan framework MITRE ATT&CK. Sistem dirancang untuk meniru penalaran pakar keamanan siber dalam menganalisis fakta teknis pada sistem target. Pengetahuan sistem dikembangkan dari 7 sub-teknik MITRE ATT&CK yang didekomposisi menjadi 9 jenis vulnerability spesifik Linux. Hasil penelitian menunjukkan bahwa sistem mampu melakukan akuisisi fakta secara otomatis, mencocokkan pola logika melalui 9 aturan (rule base), dan memberikan rekomendasi mitigasi yang tepat. Pengujian dilakukan melalui skenario serangan pada Debian 12, di mana sistem berhasil mendiagnosis celah keamanan dengan transparan atau menyatakan sistem aman jika tidak ada aturan yang terpenuhi.

Magang adalah salah satu bagian penting dari kurikulum di Politeknik Negeri Jember yang wajib dijalani oleh mahasiswa pada semester tujuh. Program ini bertujuan untuk memberikan pengalaman langsung di dunia kerja sekaligus melatih kemampuan mahasiswa dalam menerapkan ilmu yang sudah dipelajari selama kuliah. Kegiatan magang ini dilaksanakan di lembaga kursus bahasa Inggris BIE Plus, yang berlokasi di Pare, Kediri, Jawa Timur. BIE Plus dikenal sebagai salah satu lembaga populer di Pare karena memiliki metode pembelajaran yang intensif dan lingkungan camp yang mendorong peserta untuk berbicara bahasa Inggris setiap hari. Magang dilaksanakan selama lima bulan, mulai Juli hingga November 2025. Selama periode tersebut, penulis berkesempatan untuk berkontribusi dalam pengembangan Sistem Informasi Manajemen Insentif Tim Marketing Berbasis Web. Sistem ini dibuat untuk membantu proses penghitungan dan pencatatan insentif agar lebih akurat. Sebelumnya, seluruh proses tersebut masih dilakukan secara manual menggunakan spreadsheet, sehingga sering memakan waktu lama dan berisiko terjadi kesalahan. Dengan adanya sistem ini, semua data bisa tersimpan rapi, laporan bisa diakses kapan saja, dan kinerja tim pemasaran bisa dipantau dengan lebih transparan. Selain mendapatkan pengalaman teknis di bidang pengembangan sistem berbasis web, penulis juga belajar banyak hal tentang cara kerja di lingkungan profesional, seperti kerja sama tim, manajemen waktu, serta komunikasi dengan pihak lembaga. Pengalaman ini memberikan gambaran nyata tentang bagaimana dunia kerja berjalan dan bagaimana teknologi dapat diterapkan untuk mempermudah kegiatan operasional. Melalui kegiatan magang ini, penulis berharap hasil proyek yang telah dikerjakan dapat memberi manfaat bagi BIE Plus dalam mengelola data insentif dengan cara yang lebih mudah dan tertata.

Perkembangan e-commerce yang pesat, khususnya pada platform Tokopedia, menghasilkan banyak ulasan produk yang dapat menjadi sumber informasi penting bagi pengguna. Namun, banyaknya ulasan serta ketidaksesuaian antara rating dan isi ulasan membuat pengguna kesulitan dalam memahami opini pelanggan secara keseluruhan. Penelitian ini bertujuan untuk mengembangkan aplikasi analisis sentimen berbasis mobile menggunakan metode Naive Bayes. Metode yang digunakan adalah CRISP-DM, dengan dataset PRDECT-ID sebagai data latih dan data hasil web scraping sebagai data uji. Proses data preparation meliputi case folding, stopword removal, tokenisasi, stemming, serta pembobotan TF-IDF. Model klasifikasi dibangun menggunakan Multinomial Naive Bayes dengan pembagian data 80?ta latih dan 20?ta uji. Hasil evaluasi menunjukkan akurasi sebesar 88,55%, yang menunjukkan model mampu mengklasifikasikan sentimen dengan baik. Aplikasi yang dikembangkan menyediakan fitur klasifikasi sentimen, ringkasan persentase, visualisasi pie chart, Top Phrases, serta ekspor PDF. Berdasarkan hasil wawancara dan kuesioner, aplikasi ini membantu pengguna dalam memahami ulasan secara cepat dan mendukung pengambilan keputusan.

Penelitian ini bertujuan untuk membandingkan kinerja metode Random Forest Regression dan Multiple Linear Regression dalam memprediksi hasil panen jagung sebagai dasar estimasi stok benih jagung di PT XYZ. Model prediksi menggunakan variabel pra-panen, meliputi luas lahan, varietas benih, curah hujan, suhu, tanggal tanam, dan kadar air, berdasarkan data historis produksi tahun 2021 hingga 2025. Metodologi penelitian meliputi preprocessing data, feature engineering, pelatihan model, serta evaluasi menggunakan metrik MAE, RMSE, MAPE, dan R². Hasil penelitian menunjukkan bahwa Random Forest Regression memiliki performa yang lebih baik dibandingkan Multiple Linear Regression dalam memprediksi hasil panen jagung. Random Forest menghasilkan nilai R² sebesar 0,9561 pada data uji, dengan MAE sebesar 112,06 kg, RMSE sebesar 189,79 kg, dan MAPE sebesar 12,54%, yang menunjukkan tingkat akurasi tinggi serta kemampuan generalisasi yang baik. Sementara itu, Multiple Linear Regression menghasilkan nilai R² sebesar 0,8657, dengan MAE sebesar 215,45 kg, RMSE sebesar 332,06 kg, dan MAPE sebesar 27,05%, yang menunjukkan tingkat kesalahan prediksi yang lebih tinggi. Selanjutnya, hasil prediksi panen dikonversi menjadi estimasi stok benih melalui proses pascapanen, meliputi sortasi, pengeringan, perontokan, dan grading, untuk memperoleh jumlah akhir benih siap kemas dalam ukuran 1 kg dan 5 kg. Sistem yang dikembangkan diimplementasikan dalam bentuk aplikasi berbasis web yang mendukung proses prediksi, monitoring, dan perencanaan stok. Sistem ini diharapkan dapat membantu perusahaan dalam meningkatkan pengambilan keputusan terkait perencanaan produksi dan manajemen persediaan.

Laporan ini membahas pengembangan sistem backend berbasis Large Language Model (LLM) untuk layanan konseling chatbot yang mampu menghasilkan respons personal, kontekstual, dan berkelanjutan bagi mahasiswa. Sistem dikembangkan melalui basis pengetahuan, prompt engineering, RAG, memory, dan evaluasi pengguna. Hasil pengujian menunjukkan peningkatan performa model serta tingkat penerimaan pengguna sebesar 87,38%, sehingga sistem berpotensi menjadi solusi konseling digital yang mudah diakses, anonim, dan adaptif.

Laporan ini membahas pengembangan sistem Document Enhancement berbasis AI di PT Inspigo Inovasi Indonesia untuk meningkatkan kualitas dokumen sebagai basis pengetahuan layanan AI Mentor. Sistem ini mengoptimalkan proses Retrieval-Augmented Generation (RAG) melalui ekstraksi dokumen PDF, peningkatan akurasi OCR, pengayaan konteks, penyisipan catatan kaki, serta vektorisasi dokumen ke Pinecone. Hasil pengembangan menunjukkan bahwa sistem mampu memperbaiki kualitas dokumen agar lebih terstruktur, kontekstual, dan siap digunakan dalam pencarian semantik berbasis AI.

Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap Program Makan Bergizi Gratis (MBG) di media sosial X sekaligus mengevaluasi performa algoritma Support Vector Machine (SVM) dalam mengklasifikasikan opini tersebut. Data penelitian dikumpulkan melalui metode crawling menggunakan keyword "MBG", "Makan Bergizi Gratis", dan "Makan Siang Gratis" pada periode 06 Juli hingga 06 Desember 2025. Dari total data yang dikumpulkan, diperoleh 1.906 tweet valid yang telah melalui proses validasi pakar bahasa. Tahapan analisis meliputi text preprocessing (pembersihan data, case folding, tokenisasi, normalisasi, stopword removal, dan stemming), pembobotan kata menggunakan TF-IDF, serta klasifikasi menggunakan metode SVM dengan kernel Radial Basis Function (RBF). Optimasi hyperparameter dilakukan menggunakan Grid Search dengan nilai optimal C = 10 dan gamma = 0,1. Evaluasi model menggunakan K-Fold Cross validation (K=5) dengan rasio data 80:20 menghasilkan rata-rata akurasi 93,29% ± 1.15%, presisi 93,33% ± 1.15%, recall 93,29% ± 1.15%, dan F1-Score 93,28% ± 1.16%. Sistem diimplementasikan dalam bentuk dashboard berbasis web menggunakan Streamlit dan memperoleh skor System Usability Scale (SUS) sebesar 75 (kategori "Good"). Distribusi sentimen menunjukkan dominasi opini negatif sebesar 58,4% (1.113 data) terkait isu keamanan pangan, pengelolaan anggaran, dan tata kelola program, sementara opini positif sebesar 41,6% (793 data) mendukung peningkatan gizi nasional, dampak ekonomi, dan investasi SDM jangka panjang.

Pertumbuhan populasi dan anomali iklim mengharuskan penerapan pertanian presisi untuk menjamin ketahanan pangan. Platform JejakPadi mendukung penelusuran rantai pasokan, namun tidak dilengkapi dengan fitur prediksi hasil panen, sehingga perkiraan yang dilakukan masih bersifat manual dan rentan terhadap kesalahan. Penelitian ini membandingkan enam algoritma kecerdasan buatan, diantaranya tiga model pembelajaran mesin berbasis ensembel pohon (Random Forest, Gradient Boosting, Bagging Regressor) dan tiga arsitektur pembelajaran mendalam (LSTM, GRU, SimpleRNN) untuk memprediksi hasil panen 10 komoditas utama. Kumpulan data terdiri dari 28.242 baris data historis global dari FAO dan Bank Dunia. Hasil menunjukkan bahwa model ensembel berbasis pohon secara konsisten unggul dibandingkan deep learning, dengan Bagging Regressor mencapai R² di atas 0,90 (beras 0,9209; jagung 0,9360) dan Random Forest mencatat MAE terendah sebesar 0,063. Analisis pentingnya fitur menunjukkan bahwa hasil panen historis (rolling_yield_mean3) mendominasi (>95%), sementara faktor lingkungan memiliki pengaruh minimal. Model dengan kinerja terbaik diintegrasikan ke dalam platform JejakPadi sebagai Sistem Pendukung Keputusan berbasis cloud untuk memberikan rekomendasi prediktif dan memitigasi risiko kegagalan panen.