AuthLap Smart System: Otomatisasi Proses Peminjaman Laptop YEMI dan Monitoring Laptop Usage Outside Authorization Control di PT. Yamaha Electronics Manufacturing Indonesia, Rasyidah Aisy Ariyanto, NIM E41220015, Tahun 2025, 68 hlm, Teknologi Informasi, Politeknik Negeri Jember, Dhony Manggala Putra, S.E,. M.M. (Dosen Pembimbing). Program magang studi Teknik Informatika bertujuan untuk menyelaraskan teori akademik dengan praktik kerja di dunia industri. Melalui program magang, mahasiswa memperoleh pengalaman langsung dalam lingkungan kerja professional serta mengembangkan kompetensi teknis dan non teknis. PT. Yamaha Electronics Manufacturing Indonesia (YEMI) dipilih sebagai lokasi magang karena relevansinya dengan bidang pengembangan sistem informasi, otomatisasi dan keamanan asset teknologi informasi. Selama pelaksanaan magang, mahasiswa terlibat dalam pengembangan AuthLap System yaitu sistem yang dirancang untuk mengotomatisasi proses peminjaman dan pengembalian laptop internal serta memonitor penggunaan laptop di luar otorisasi perusahaan. Alur sistem dimulai dari pengajuan peminjaman secara otomatis, hingga pemantauan penggunaan laptop. Sistem ini mampu mendeteksi dan mencatat aktivitas penggunaan laptop di luar area atau ketentuan yang telah ditetapkan. Secara keseluruhan, pengembangan AuthLap System menjadi solusi inovatif yang terintegrasi dalam pengelolaan peminjaman dan penggunaan laptop di PT. Yamaha Electronis Manufacturing Indonesia (YEMI). Sistem ini mampu mengotomatisasi proses administrasi peminjaman sekaligus menyediakan fungsi monitoring penggunaan laptop di luar otorisasi, sehingga meningkatkan keamanan asset teknologi informasi perusahaan. Dengan penerapan AuthLap System pengelolaan asset laptop menjadi lebih terstruktur, efisien serta mendukung upaya perusahaan dalam menjaga akuntabilitas dan keamanan asset IT secara berkelanjutan.

Politeknik Negeri Jember (POLIJE) sebagai perguruan tinggi vokasi memiliki peran strategis dalam mencetak tenaga ahli yang unggul di bidang teknologi informasi. Salah satu program pendukung utamanya adalah kegiatan magang, yang memberikan mahasiswa kesempatan untuk menerapkan kompetensi langsung di lingkungan industri. Penulis melaksanakan magang di PT. Japfa Comfeed Indonesia Tbk Buduran, sebuah perusahaan besar yang bergerak di bidang agribisnis dan industri pakan ternak yang berlokasi di Buduran, Sidoarjo, Jawa Timur. Proyek utama yang dilaksanakan adalah pengembangan website Japfa Security System yang bertujuan untuk meningkatkan efisiensi pencatatan tamu dan keamanan perusahaan yang dimana banyak visitor atau tamu lainnya yang tidak gampang keluar masuk perusahaan kecuali ada izin temu dengan orang” kantor yang di tuju. Website ini dirancang untuk menggantikan penggunaan buku tamu dan buku kendaraan manual ke dalam bentuk sistem digital yang lebih terintegrasi, efisien, dan mudah diakses. Dengan adanya sistem ini, proses pencatatan data keluar masuk menjadi lebih cepat, akurat, serta meminimalisir risiko kehilangan atau kerusakan data. Hasil dari pengembangan website Japfa Security System ini diharapkan dapat memberikan manfaat nyata bagi perusahaan dalam mendukung sistem keamanan, meningkatkan efektivitas pengelolaan akses, serta menghadirkan solusi digital modern yang relevan dengan kebutuhan industri saat ini.

Permasalahan pengelolaan data operasional perkebunan tebu di Desa Karangrejo, Jember masih dilakukan secara manual menggunakan pencatatan fisik. Metode tersebut memiliki berbagai kelemahan, seperti risiko kehilangan data, kesalahan pencatatan, serta rendahnya efisiensi dalam pengolahan informasi. Selain itu, belum adanya integrasi data cuaca dalam sistem pengelolaan menjadi kendala dalam mendukung pengambilan keputusan yang tepat. Penelitian ini bertujuan untuk mengembangkan Sistem Manajemen Perkebunan Tebu berbasis web (SIMPERTEBU) guna meningkatkan efisiensi dan efektivitas pengelolaan data. Sistem dibangun menggunakan Firebase sebagai backend, meliputi Authentication untuk keamanan dan Realtime Database untuk pengelolaan data, serta terintegrasi dengan API OpenWeather untuk menyediakan informasi cuaca secara real-time. Hasil penelitian menunjukkan bahwa sistem mampu mengintegrasikan data lahan, aktivitas, biaya, dan cuaca dalam satu platform. Sistem ini meningkatkan efisiensi pencatatan dan pelaporan, serta menyajikan data dalam bentuk visual yang lebih informatif. Dengan demikian, SIMPERTEBU dapat menjadi solusi efektif untuk meningkatkan akurasi data, kemudahan akses, dan mendukung pengambilan keputusan berbasis data dalam pengelolaan perkebunan tebu.

Banjir merupakan salah bencana alam yang paling sering terjadi di Indonesia. Becana ini memilki berbagai dampak yang signifikan dalam berbagai aspek, mulai dari aspek sosial, ekonomi, hingga lingkungan. Oleh karena itu, diperlukan sistem peringatan dini yang mampu memberikan prediksi secara akurat sebagai upaya mitigasi preventif. Penelitian ini bertujuan untuk mengembangkan sistem prediksi daerah rawan bencana banjir yang diterapkan pada website bernama "Smart Mitigation" menggunakan medel machine learning Long Short-Term Memory (LSTM) dan Random Forest. Data yang digunakan dalam platform ini memiliki karakteristik non-linear, fluktuatif, serta memiliki ketergantungan temporal. Proses pengolahan data antara lain meliputi preprocessing, feature engineering, serta data augmentation untuk mengatasi imbalance data. Model yang dibangun kemudian diintegrasikan ke dalam aplikasi sebagai fitur utama dalam mendukung mitigasi bencana. Hasil penelitian menunjukan bahwa pendekatan machine learning mampu memberikan performa prediksi yang baik dan dapat dimanfaatkan sebagai sistem pendukung keputusan dalam mitigasi banjir. Model ini memperoleh accuracy sebesar 96,67%, precision sebesar 100%, recall sebesar 83,33%, F1-score sebesar 0,9091, serta ROC-AUC tertinggi yaitu 0,9792. Dengan adanya sistem ini, diharapkan dapat meningkatkan kesiapsiagaan masyarakat dan membantu pihak terkait dalam mengambil langkah preventif sebelum terjadinya bencana.

Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap program Danantara di media sosial Twitter menggunakan algoritma Random Forest. Data dikumpulkan melalui proses crawling sebanyak 3.132 tweet pada periode 24 Februari hingga 30 November 2025. Tahapan pengolahan data meliputi cleaning, pelabelan sentimen berbasis lexicon yang dikoreksi secara manual oleh ahli bahasa, case folding, penghapusan data duplikat sehingga diperoleh 2.560 data, normalisasi, tokenisasi, stopword removal, dan stemming. Data kemudian diubah ke dalam representasi numerik melalui pembobotan kata sebelum dilakukan proses klasifikasi. Evaluasi model dilakukan menggunakan confusion matrix dengan pendekatan k-fold cross validation, di mana hasil terbaik diperoleh pada fold ke-4 dengan selisih terkecil antara akurasi data training dan validasi. Hasil pengujian menunjukkan bahwa algoritma Random Forest menghasilkan akurasi sebesar 85,74% yang menunjukkan kinerja klasifikasi yang cukup baik. Kesalahan klasifikasi masih ditemukan berupa false positive dan false negative yang disebabkan oleh kesalahan hasil voting mayoritas dengan label aktual. Pengembangan dashboard analisis sentimen mampu menyajikan informasi secara ringkas dan informatif serta memudahkan pengguna dalam memahami hasil analisis. Sistem yang dibangun telah berjalan sesuai dengan fungsinya dan mampu menangani input dengan format file yang tidak didukung dengan menampilkan peringatan, sehingga proses tetap berjalan sesuai dengan yang diharapkan

PT. Sentra Vidya Utama (SEVIMA) merupakan perusahaan teknologi pendidikan (EdTech) yang memiliki produktivitas tinggi namun menghadapi tantangan dalam pengelolaan barang kebutuhan rumah tangga layak pakai milik karyawan yang sudah tidak digunakan. Kurangnya wadah yang memfasilitasi distribusi barang-barang tersebut menyebabkan potensi nilai guna barang menjadi terbuang. Oleh karena itu, diperlukan sebuah platform digital yang mampu mengelola transaksi barang bekas secara transparan sekaligus memberikan dampak sosial bagi masyarakat luas. Kegiatan magang ini difokuskan pada pengembangan website "SEVIMA Lelang" yang dirancang untuk memfasilitasi proses lelang barang dengan antarmuka yang responsif. Dalam pengembangannya, sistem ini menerapkan Arsitektur Service Module. Penerapan arsitektur ini bertujuan untuk memisahkan logika bisnis (business logic) ke dalam modul-modul servis yang independen, sehingga kode program menjadi lebih terstruktur, mudah diuji (testable), dan memiliki skalabilitas yang baik untuk pengembangan fitur di masa mendatang. Hasil dari pengembangan ini adalah sebuah sistem lelang terintegrasi yang mencakup modul bidding secara real-time, manajemen item, serta dashboard untuk penjual, pembeli, dan administrator. Dengan adanya platform ini, karyawan SEVIMA dapat menyalurkan barang tidak terpakai secara produktif, sementara masyarakat umum mendapatkan akses terhadap barang berkualitas dengan harga terjangkau. Selain itu, penerapan Arsitektur Service Module berhasil meningkatkan efisiensi dalam pemeliharaan kode dan standarisasi pengembangan perangkat lunak di lingkungan Tim Transformer PT. Sentra Vidya Utama.

Pengembangan Website Rating Makan Siang berbasis Laravel merupakan proyek sistem informasi yang dirancang untuk memfasilitasi karyawan internal dalam memberikan rating dan komentar terhadap makan siang harian. Sistem ini dikembangkan menggunakan framework Laravel dengan fitur autentikasi LDAP, manajemen menu dan vendor, kalender makan siang, request makanan, serta klasemen makanan. Selain itu, tersedia halaman admin untuk mengelola perencanaan dan evaluasi makan siang sehingga proses pengelolaan makan siang perusahaan menjadi lebih efektif, terstruktur, dan mudah diakses oleh karyawan.

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.