Perkembangan teknologi informasi dalam bidang kesehatan mendorong pemanfaatan aplikasi digital untuk meningkatkan kualitas pelayanan, salah satunya melalui aplikasi SISTER ILP (Integrasi Layanan Primer) yang digunakan untuk mendukung proses pencatatan, skrining, dan pemantauan kesehatan masyarakat secara digital di fasilitas pelayanan kesehatan tingkat pertama. Namun, masih terdapat permasalahan seperti aplikasi yang lambat, sering mengalami error, serta perubahan antarmuka yang membingungkan pengguna sehingga diperlukan pengujian sistem secara menyeluruh untuk memastikan kualitas dan keandalan aplikasi. Penelitian ini bertujuan untuk menerapkan metode automation testing pada aplikasi SISTER ILP berbasis website menggunakan Katalon Studio guna menguji fungsionalitas sistem secara otomatis dengan mengacu pada tahapan Software Testing Life Cycle (STLC). Hasil pengujian menunjukkan bahwa automation testing mampu mendeteksi kesalahan sistem secara efektif dan efisien, serta memberikan gambaran kualitas fungsionalitas aplikasi, sehingga dapat meningkatkan stabilitas sistem dan meminimalisir kesalahan yang mengganggu pelayanan kesehatan, sehingga metode ini dapat menjadi solusi untuk meningkatkan kualitas, keandalan, dan performa aplikasi SISTER ILP dalam mendukung pelayanan kesehatan berbasis digital.

PT Sage Maslahat Indonesia menghadapi kendala dalam menentukan anggaran biaya pembelian hasil panen pada tahap pra-panen karena ketidakpastian estimasi hasil panen yang sering kali menyebabkan deviasi anggaran. Penelitian ini bertujuan untuk merancang dan membangun sistem peramalan biaya pembelian hasil panen menggunakan metode Random Forest Regression (RFR). Sistem ini dikembangkan berbasis website menggunakan Laravel dan FastAPI, serta memproses data historis yang meliputi luas lahan, curah hujan, suhu, harga beli petani, estimasi umur panen, dan varietas jagung. Model diproses dan dioptimasi menggunakan GridSearchCV untuk mendapatkan kombinasi parameter terbaik. Hasil pengujian menunjukkan bahwa model Random Forest Regression dengan parameter default memberikan performa terbaik dengan nilai R² sebesar 0,8618 pada data uji, dengan Mean Absolute Error (MAE) sebesar 217,93 Kg, Root Mean Squared Error (RMSE) sebesar 354,12 Kg, dan Mean Absolute Percentage Error (MAPE) sebesar 29,69%. Analisis feature importance menunjukkan bahwa fitur Log_Luas memiliki kontribusi paling dominan dalam memprediksi hasil panen, diikuti oleh umur tanaman, curah hujan, suhu, serta interaksi hujan dan luas lahan, sedangkan variabel varietas memiliki kontribusi yang relatif kecil. Pada tahap pengujian website, pengujian Blackbox Testing menunjukkan tingkat keberhasilan fungsional 100%, dan User Acceptance Test (UAT) memperoleh tingkat penerimaan sebesar 90,6% yang masuk dalam kategori sangat layak. Dengan demikian, sistem yang dikembangkan terbukti memiliki generalisasi yang baik dan layak digunakan sebagai alat bantu perencanaan biaya pembelian hasil panen secara lebih akurat dan efisien

PT XYZ sebagai distributor produk pertanian menghadapi kendala ketidakseimbangan stok akibat penentuan jumlah pembelian benih jagung BISI 18 yang masih dilakukan secara manual dan tidak terstruktur. Penelitian ini bertujuan merancang dan membangun sistem informasi peramalan penjualan berbasis website menggunakan metode Triple Exponential Smoothing untuk mengoptimalkan proses perencanaan pembelian tersebut. Metode pengembangan sistem menerapkan SDLC Waterfall, sedangkan pengujian fungsionalitas menggunakan Black Box Testing. Komputasi peramalan memanfaatkan data sekunder berupa riwayat penjualan bulanan selama 60 bulan, dari Januari 2020 hingga Desember 2024. Hasil pengujian membuktikan model TES Multiplicative lebih akurat dibandingkan varian Additive. Perhitungan komputasi sistem menghasilkan parameter pemulusan paling optimal sebesar ? = 0,7629, ? = 0,0948, dan ? = 1. Implementasi algoritma pada sistem yang dibangun menggunakan framework Laravel ini menghasilkan tingkat akurasi MAPE in-sample sebesar 12,83%, yang tergolong dalam kategori baik. Uji kelayakan aplikasi membuktikan 100% fitur berjalan sesuai skenario tanpa ditemukan adanya galat. Sebagai kesimpulan, sistem informasi ini terbukti efektif dalam mengotomatisasi pengolahan data historis bervolume besar dan mampu menyajikan proyeksi penjualan 12 bulan ke depan, sehingga memberikan acuan pengambilan keputusan yang andal bagi PT XYZ.

Kabupaten Jember memiliki jaringan jalan sepanjang 2.823,052 km yang memerlukan pemantauan kondisi secara berkala. Meskipun data kondisi jalan sudah terintegrasi melalui aplikasi PKRMS, pengembangan Web GIS yang dapat diakses secara luas dan mudah digunakan oleh berbagai pihak terkait di DPUPR Kabupaten Jember belum terlaksana. Penelitian ini mengembangkan sistem informasi geografis berbasis web yang mengklasifikasikan kondisi kerusakan jalan menggunakan metode Surface Distress Index (SDI). Validasi akurasi pada 30 segmen sampel menunjukkan tingkat akurasi 100%, dan pengujian User Acceptance Testing (UAT) menghasilkan skor rata-rata 5,00 dari skala 5,00. Sistem berhasil mengklasifikasikan kondisi jalan ke dalam empat kategori yaitu Baik (SDI < 50), Sedang (SDI 50–100), Rusak Ringan (SDI 100–150), dan Rusak Berat (SDI > 150), serta menampilkannya dalam peta SIG interaktif yang dapat diakses secara multi-user secara real-time.

Konsumsi energi fosil di Indonesia terus mengalami peningkatan seiring dengan pertumbuhan ekonomi dan pembangunan nasional, sementara ketergantungan terhadap energi fosil yang masih sangat tinggi menjadi tantangan besar dalam mencapai target Net Zero Emission (NZE) tahun 2060. Penelitian ini bertujuan untuk memprediksi konsumsi energi fosil Indonesia menggunakan metode ARIMAX (Autoregressive Integrated Moving Average with Exogenous Variables) dengan Produk Domestik Bruto (GDP) sebagai variabel eksogen. Data yang digunakan adalah data konsumsi energi fosil Indonesia dalam satuan TWh dan data GDP Indonesia periode 1965–2024 yang diperoleh dari Our World in Data dan World Bank. Pemodelan dilakukan melalui tahapan transformasi logaritma natural, uji stasioneritas menggunakan Augmented Dickey-Fuller (ADF) Test, serta analisis ACF dan PACF untuk menentukan kandidat model. Model terbaik yang diperoleh adalah ARIMAX(3,2,1) dengan nilai AIC sebesar 341,64, MAPE sebesar 5,21% yang termasuk kategori Sangat Baik, MAE sebesar 111,71 TWh, RMSE sebesar 171,20 TWh, dan R² sebesar 0,7173. Sebagai media visualisasi hasil prediksi, dikembangkan website FossilTrack menggunakan framework Flask berbasis Python yang diuji menggunakan Black Box Testing dan User Acceptance Testing (UAT) dengan skor rata-rata 90,17% kategori Sangat Layak.

Kabupaten Jember menempati posisi ketiga tertinggi kasus HIV di Jawa Timur dengan total 7.834 ODHIV sejak 2006 hingga 2023. Wanita Pekerja Seks (WPS) menjadi kontributor utama penyebaran HIV, namun pemetaan spasial kelompok berisiko belum tersedia sehingga menyulitkan intervensi tepat sasaran. Penelitian ini membangun sistem WebGIS berbasis K-Means Clustering untuk mengelompokkan wilayah berdasarkan potensi risiko penyebaran HIV di Kabupaten Jember. Data WPS dari Yayasan Laskar Pelangi Petung diolah menjadi empat variabel rasio: WPS per 1.000 penduduk, Hotspot per 1.000 penduduk, Tes Rate, dan Positif Rate, lalu dinormalisasi dengan Z-Score. Klaster optimal ditentukan menggunakan Elbow Method dan divalidasi Silhouette Coefficient. Sistem dibangun dengan framework Laravel dan metode Waterfall. Hasil menunjukkan klaster optimal K=4 dengan Silhouette Score 0,620. Dari 31 kecamatan terbentuk empat klaster: Tinggi (Kaliwates dan Sumbersari), Sedang (14 kecamatan), Rendah/Khusus (Panti), dan Sangat Rendah (14 kecamatan). Visualisasi peta GIS interaktif membantu mitra LSM dan dinas kesehatan menentukan wilayah prioritas intervensi.

Pengelolaan barang bukti di institusi kepolisian memiliki peran penting dalam menjaga integritas proses hukum. Namun, dalam praktiknya, masih banyak ditemukan sistem pencatatan yang dilakukan secara manual dan rentan terhadap kesalahan, kehilangan data, bahkan penyalahgunaan wewenang. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem manajemen barang bukti kriminal berbasis teknologi blockchain, khususnya menggunakan platform Hyperledger Fabric sebagai implementasi private blockchain. Sistem ini dirancang untuk mencatat seluruh aktivitas barang bukti mulai dari penerimaan, penyimpanan, pemeriksaan, hingga pengeluaran dalam bentuk transaksi digital yang tidak dapat dimodifikasi (immutable). Dengan pendekatan ini, setiap perubahan status barang bukti dapat ditelusuri secara transparan dan real-time. Metode pengembangan sistem yang digunakan adalah prototyping, dengan tahapan observasi lapangan, wawancara, dan studi literatur. Hasil penelitian menunjukkan bahwa sistem yang dibangun dapat meningkatkan keamanan, akuntabilitas, dan efisiensi dalam pengelolaan barang bukti, serta mempermudah proses audit dan pengawasan internal di lingkungan kepolisian.

This study aims to implement interactive learning media for introducing vegetables to early childhood based on a website using Convolutional Neural Network (CNN). The media is equipped with image classification features, bilingual audio (Indonesian and English), and educational games. The architectures compared are ResNet50 and EfficientNet-B0 with transfer learning on 30 vegetable classes. The training results show that ResNet50 obtained a training accuracy of 95.47% and a validation accuracy of 87.41%, while EfficientNet-B0 obtained a training accuracy of 87.50% and a validation accuracy of 87.22%. Based on these results, optimization was performed on EfficientNet-B0 because it had more stable performance. Optimization was performed through intensive augmentation (rotation, shift, zoom, brightness, channel shift, and horizontal flip), fine-tuning of the last 40 layers, addition of a dense layer of 128 neurons, and a learning rate of 5e-5 with ReduceLROnPlateau. The optimization results increased the validation accuracy to 93.33% and the testing accuracy based on the confusion matrix to 96.48%. Black box testing showed that all features worked well. Evaluation using pre-test and post-test showed an increase in learning outcomes, with the average score rising from 38.43% to 82.41%. Furthermore, UAT obtained a score of 94.67% with a very good category. Thus, this media is declared effective and suitable for use as a learning tool for vegetable recognition for early childhood.