Bonsai Sancang (Premna microphylla) memerlukan pengelolaan kelembapan tanah yang tepat agar dapat tumbuh optimal. Penyiraman yang tidak sesuai dapat menyebabkan tanaman mengalami kekeringan atau pembusukan akar. Penelitian ini bertujuan mengembangkan sistem Internet of Things (IoT) berbasis ESP32 dengan penerapan metode Long Short-Term Memory (LSTM) untuk memprediksi kebutuhan penyiraman otomatis pada Bonsai Sancang. Sistem menggunakan sensor kelembapan tanah, sensor DHT22, dan sensor hujan untuk memperoleh data lingkungan secara real-time yang kemudian disimpan pada Firebase dan ditampilkan melalui website monitoring. Model LSTM dilatih menggunakan data historis dengan variasi interval 2, 4, 6, 8, dan 10 menit. Hasil pelatihan menunjukkan bahwa interval 4 menit menghasilkan performa terbaik dengan accuracy sebesar 99,59% dan weighted F1-score sebesar 99,59%. Sistem yang dikembangkan mampu melakukan monitoring kondisi lingkungan, mengendalikan penyiraman otomatis, serta mengoperasikan penutup atap otomatis saat hujan terdeteksi. Hasil penelitian menunjukkan bahwa penerapan LSTM pada sistem IoT dapat membantu menjaga kondisi lingkungan Bonsai Sancang secara lebih efektif dan mengurangi ketergantungan terhadap penyiraman manual.

Panci penguapan (Evaporimeter) merupakan sebuah alat penguapan (Evaporation) yang hanya dibaca disaat tertentu. Proses evaporasi pada Stasiun Klimatologi merupakan peristiwa perubahan fase air dari cari menjadi gas yang disertai dengan pelepasan panas. Evaporasi terjadi ketika air mengalami penguapan dan naik ke udara maka sebagian energi radiasi matahari bisa diubah menjadi energi panas. Pada alat evapotimeter dilengkapi dengan Hook Gauge sebagai pengukur ketinggian air yang nantinya dipakai untuk melihat seberapa besar terjadinya penguapan dan thermometer apung sebagai pengukur suhu air di dalam panci penguapan secara langsung. Dengan begitu pada saat observasi berlangsung pengamatan tersebut diharuskan ke lapangan agar mendapat datanya dan juga saat kekurangan air harus menyalakan keran terlebih dahulu, hal tersebut kurang efektif jika dilihat dari pengambilan data secara manual. Maka dari itu diperlukanya sebuah sistem otomatis berbasis IoT (Internet of Things). Sistem ini dirancang untuk melakukan pengukuran parameter lingkungan secara real-time di Stasiun Klimatologi Politeknik Negeri Jember sebagian dari upaya modernisasi pengamatan Klimatologi. Sistem yang dikembangkan bertujuan untuk mengotomatisasikan proses pengukuran evaporasi yang sebelumnya dilakukan secara manual, sehingga dapat mengurangi kesalahan pencatatan dan meningkatkan efisiensi pengamatan. Proses pengukuran dilakukan dengan memanfaatkan sensor tekanan HX710B untuk mendeteksi perubahan tinggi permukaan air serta sensor suhu DS18B20 pada panci penguapan sebagai parameter pendukung yang mengaruhi laju evaporasi. Seluruh data hasil pengukuran diproses oleh sistem dan direkam secara berkala dalam basis data, sehingga mampu menyediakan informasi evaporasi yang stabil, kontinu, dan berkelanjutan. Informasi tersebut diharapkan dapat mendukung analisis kondisi iklim dan pemantauan lingkungan disekitar secara optimal. Alat – alat yang akan digunakan meliputi mikrokontroler ESP32 sebagai otaknya, sensor tekanan HX710B, sensor suhu DS18B20, kemudian untuk monitoring menggunakan aplikasi mobile terbukti dapat terintegrasi dengan baik dan Firebase sebagai database suhu air dan tinggi air untuk pemantauan evaporasi secara real-time disertai history data sebelumnya.

Sistem sterilisasi apel otomatis berbasis IoT ini dirancang untuk menggantikan metode pencucian kimia manual yang berisiko meninggalkan residu berbahaya dengan menggunakan mikrokontroler ESP32 sebagai pusat kendali yang mengintegrasikan sensor suhu DS18B20, pH, dan TDS untuk memantau kondisi air secara real-time. Data dari multi-sensor tersebut kemudian diproses menggunakan logika Fuzzy Mamdani untuk menentukan durasi kerja generator ozon secara akurat melalui modul relai, di mana hasil pengujian menunjukkan performa sistem yang sangat baik dengan akurasi kontrol fuzzy mencapai 98,78% serta tingkat kesalahan yang sangat minim. Selain itu, aplikasi Android berbasis Flutter yang terhubung dengan database Firebase juga berhasil lulus uji fungsionalitas black-box dengan tingkat keberhasilan 100?lam menjalankan seluruh fitur kritis remote secara lancar, mulai dari visualisasi data parameter, pelacakan riwayat data historis, hingga eksekusi tombol emergency cut off.

Kecelakaan lalu lintas merupakan salah satu penyebab utama kematian, yang seringkali diperparah oleh keterlambatan penanganan medis pasca insiden. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi kecelakaan (ResQMe) berbasis smartphone Android yang memanfaatkan sensor akselerometer dan GPS untuk mendeteksi kecelakaan secara otomatis dan mengirimkan pesan darurat. Sistem ini membaca data guncangan secara real-time yang kemudian diproses menggunakan Low Pass Filter (LPF) untuk mereduksi noise. Data tersebut diekstraksi menjadi fitur statistik berdasarkan nilai Signal Magnitude Vector (SMV) melalui teknik windowing. Algoritma Machine Learning Random Forest kemudian digunakan untuk mengklasifikasikan pola guncangan ke dalam kondisi aman atau kecelakaan. Masalah ketidakseimbangan kelas pada dataset ditangani menggunakan parameter class_weight='balanced'. Evaluasi model menunjukkan bahwa nilai threshold optimal berada pada angka 0,8. Berdasarkan pengujian lapangan, sistem mampu mencapai tingkat akurasi sebesar 88% pada kondisi berkendara normal dan 96% pada simulasi kecelakaan, dengan rata-rata akurasi keseluruhan 92%. Saat kondisi kecelakaan terdeteksi, aplikasi ResQMe secara otomatis mengirimkan notifikasi dan titik koordinat lokasi ke kontak darurat melalui WhatsApp.

Banjir termasuk bencana hidrometeorologi yang kerap melanda Indonesia dan menyebabkan berbagai dampak terhadap kehidupan masyarakat. Sistem deteksi dini banjir yang ada umumnya masih mengandalkan data historis dan prediksi cuaca sehingga belum mampu memberikan informasi kondisi lapangan secara real-time. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pemantauan tinggi muka air berbasis web yang terintegrasi dengan teknologi Internet of Things (IoT) guna mendukung deteksi dini banjir secara real-time. Data yang diterima kemudian ditampilkan melalui website yang informatif dan interaktif serta dilengkapi layanan bantuan cerdas berbasis Artificial Intelligence (AI) untuk membantu pengguna memperoleh informasi terkait kondisi banjir. Pada penelitian ini, metode Waterfall dipilih sebagai model pengembangan sistem yang digunakan. Hasil penelitian menunjukkan bahwa sistem mampu menampilkan data ketinggian air secara real-time dan membantu penyampaian informasi banjir kepada masyarakat dalam memperoleh informasi banjir secara lebih cepat dan mudah.

Perancangan dan Implementasi Dashboard Sentimen Netizen X Terhadap Kebijakan Pembatasan Gratis Ongkir dengan Naive Bayes, Nurizzati Adistya Putri, NIM E31232465, Tahun 2026, Teknologi Informasi, Politeknik Negeri Jember, Ir. Wahyu Kurnia Dewanto, S.Kom, MT (Dosen Pembimbing). Perkembangan e-commerce di Indonesia mendorong popularitas fitur gratis ongkos kirim (gratis ongkir) sebagai strategi promosi yang sangat diminati konsumen. Namun, pemerintah melalui Peraturan Menteri Komunikasi dan Digital (Komdigi) Nomor 8 Tahun 2025 membatasi fitur tersebut maksimal 3 hari dalam sebulan demi melindungi kesejahteraan kurir dan menjaga kualitas layanan pengiriman. Kebijakan ini memicu pro dan kontra di masyarakat, khususnya di media sosial X. Belum adanya sistem pemantauan opini publik secara real-time membuat pengambil kebijakan kesulitan membaca persepsi masyarakat secara cepat dan sistematis. Oleh karena itu, dibangun sebuah dashboard analisis sentimen berbasis web yang mengklasifikasikan dan memvisualisasikan opini netizen X terhadap kebijakan tersebut. Penelitian ini bertujuan untuk mengidentifikasi opini netizen X terhadap kebijakan pembatasan gratis ongkir, menerapkan algoritma Naïve Bayes untuk mengklasifikasikan sentimen secara otomatis, serta merancang dashboard interaktif yang menyajikan hasil klasifikasi secara visual dan mudah dipahami. Pengembangan sistem dilakukan menggunakan metode waterfall yang terdiri dari tahap requirement, design, implementation, verification, dan maintenance. Data diperoleh melalui crawling dari media sosial X, kemudian diproses melalui tahap pre-processing meliputi cleansing, case folding, tokenizing, normalisasi, stopword removal, dan stemming. Teks diubah menjadi representasi numerik menggunakan TF-IDF sebelum diklasifikasikan oleh Naïve Bayes ke dalam tiga kategori sentimen: positif, negatif, dan netral. Berdasarkan hasil pengujian, sistem dashboard yang dibangun terbukti berjalan dengan baik dan efektif. Algoritma Naïve Bayes mampu mengklasifikasikan sentimen secara akurat berdasarkan hasil evaluasi confusion matrix dan classification report. Dashboard berhasil menyajikan hasil analisis sentimen secara visual dan interaktif, sehingga memudahkan pihak terkait dalam memahami dan memantau persepsi publik sebagai dasar pengambilan kebijakan yang lebih responsif.

Kecelakaan lalu lintas akibat kondisi kantuk dan microsleep pada pengendara sepeda motor merupakan permasalahan keselamatan yang signifikan di Indonesia, dengan catatan 299.479 kecelakaan pada periode 2023-2024 dan 95% di antaranya disebabkan oleh human error yang mencakup kelelahan, kurang fokus, dan microsleep. Penelitian ini bertujuan merancang dan mengimplementasikan sistem peringatan dini kondisi kantuk berbasis wearable pada helm pengendara sepeda motor menggunakan sensor IMU MPU6050 dan algoritma Support Vector Machine (SVM) untuk deteksi microsleep secara real-time. Pendekatan yang digunakan bersifat eksperimental melalui perancangan perangkat keras berbasis mikrokontroler ESP32 yang terintegrasi pada helm, pengumpulan data gerakan kepala menggunakan metode non-overlapping window berukuran 10 sampel (1 detik pada frekuensi sampling 10 Hz), serta seleksi fitur empat tahap yang meliputi uji signifikansi statistik, analisis Cohen's d, eliminasi redundansi berbasis korelasi, dan Recursive Feature Elimination with Cross-Validation (RFECV). Lima fitur statistik domain waktu terpilih sebagai input model SVM kernel Radial Basis Function (RBF) dengan parameter C=1 dan gamma=1,0, yaitu angleX_max, angleY_min, angleY_mean, gy_min, dan gy_max, yang diekstrak dari dataset sebesar 4.750 sampel. Evaluasi model pada data uji menghasilkan akurasi 92,53?ngan recall kelas microsleep sebesar 92%, sementara pengujian lapangan terhadap 5 subjek dengan 50 simulasi microsleep menghasilkan detection rate sebesar 86?n latensi komputasi rata-rata 21,4 ms per window. Sistem peringatan dini berbasis wearable helm yang dikembangkan menunjukkan kemampuan mendeteksi kondisi microsleep secara real-time dengan performa yang memadai untuk aplikasi keselamatan berkendara, meskipun generalisasi model terhadap variasi jenis kendaraan dan karakteristik fisik pengendara masih memerlukan pengembangan lanjutan melalui diversifikasi data pelatihan.

Perkembangan teknologi kecerdasan buatan, khususnya dalam bidang Computer Vision, membuka peluang terciptanya bentuk interaksi manusia dan komputer yang lebih alami melalui pengenalan gestur tangan atau Hand Gesture Recognition. Namun, implementasinya pada permainan berbasis web secara real-time masih terbatas, sementara penggunaan perangkat input seperti keyboard dan mouse dinilai kurang fleksibel serta membatasi aksesibilitas pengguna. Penelitian ini bertujuan untuk mengembangkan dan menguji sistem Hand Gesture Recognition berbasis kamera yang digunakan sebagai kontrol gerakan pada Snake Game berbasis web. Metode pengembangan sistem yang digunakan dalam penelitian ini adalah model Prototype. Sistem memanfaatkan kamera sebagai media input utama untuk menangkap gestur dan gerakan tangan secara real-time serta pustaka MediaPipe untuk melacak dan mendeteksi 21 titik landmark tangan pengguna. Kontrol permainan dikembangkan menggunakan multi-gestur yang mencakup gestur arah (atas, bawah, kiri, kanan), gestur kursor untuk melakukan aksi seperti menekan tombol dan menggulir halaman (scroll), serta gestur jeda (pause) dengan memanfaatkan perhitungan jarak antara ujung ibu jari dan ujung jari kelingking menggunakan metode Euclidean Distance. Hasil pengujian kinerja sistem menunjukkan bahwa deteksi gestur tangan sangat dipengaruhi oleh faktor kondisi lingkungan. Sistem bekerja secara optimal pada rentang jarak 40 cm hingga 60 cm dengan kondisi pencahayaan yang cukup antara 120 lux hingga 220 lux. Sementara itu, hasil User Acceptance Testing (UAT) dari 20 responden, memperoleh nilai persentase kelayakan sebesar 87,5% yang menunjukkan sistem mampu memberikan pengalaman baru yang interaktif bagi pengguna dalam bermain game berbasis pengenalan gestur tangan.