Penelitian ini bertujuan mengembangkan Sistem Pendukung Keputusan (SPK) pembelian saham berbasis Android untuk membantu investor pemula memilih saham secara objektif dan terstruktur. Sistem ini mengintegrasikan metode Analytic Hierarchy Process (AHP) untuk pembobotan kriteria berdasarkan kuesioner pakar, dan Simple Multi Attribute Rating Technique (SMART) untuk pemeringkatan saham menggunakan data pasar aktual dari Yahoo Finance. Kriteria evaluasi yang digunakan mencakup aspek Return, Risiko, PER, EPS, ROE, Likuiditas, Dividend Yield, dan Kesehatan Finansial. Aplikasi mobile ini dibangun menggunakan framework Flutter, dengan backend Laravel dan modul pengolahan data Python. Hasil evaluasi pakar mengonfirmasi bahwa rekomendasi sistem telah sesuai dengan praktik investasi riil, sementara uji User Acceptance Testing (UAT) menunjukkan aplikasi berfungsi dengan baik dan layak digunakan sebagai alat bantu pengambilan keputusan investasi saham.

Penelitian ini mengembangkan sistem manajemen barang habis pakai berbasis website yang dilengkapi fitur prediksi kebutuhan barang di UDD PMI Jember. Sistem dikembangkan menggunakan metode Waterfall, sedangkan prediksi dilakukan dengan algoritma Random Forest Regression berbasis time series menggunakan data histori pemakaian periode Januari 2020–Mei 2026. Sistem menyediakan fitur prediksi, riwayat prediksi, monitoring hasil prediksi, dan rencana pengadaan barang. Hasil penelitian menunjukkan bahwa sistem dapat membantu pengelolaan persediaan menjadi lebih efektif serta mendukung pengambilan keputusan pengadaan barang.

Penelitian ini bertujuan merancang dan membangun Sistem Informasi Administrasi Kegiatan Organisasi Siswa berbasis web di SMA Negeri 1 Paiton untuk mengatasi proses administrasi yang masih dilakukan secara manual. Sistem dikembangkan menggunakan metode Waterfall, framework Laravel, bahasa pemrograman PHP, dan database MySQL. Sistem memiliki tiga jenis pengguna, yaitu admin, pembina organisasi, dan ketua organisasi, dengan fitur pengelolaan organisasi, pengajuan dan validasi kegiatan, notifikasi, laporan, serta dokumentasi kegiatan. Hasil pengujian Black Box Testing menunjukkan seluruh fungsi sistem berjalan dengan baik, sedangkan User Acceptance Test (UAT) memperoleh nilai 94,53%, sehingga sistem dinilai sangat baik dan mampu meningkatkan efektivitas serta efisiensi pengelolaan administrasi kegiatan organisasi siswa.

Penelitian ini bertujuan untuk melakukan komparasi metode Naive Bayes dan Support Vector Machine (SVM) untuk pengembangan sistem rekomendasi produk kuliner UMKM berdasarkan analisis sentimen publik pada komentar video review YouTube. Komparasi dilakukan karena kedua metode memiliki karakteristik yang berbeda dalam memproses teks komentar yang bersifat informal, singkat, dan sering mengandung lebih dari satu aspek penilaian dalam satu komentar. Sistem yang dibangun dirancang untuk mengidentifikasi sentimen pada lima aspek kuliner, yaitu rasa, harga, pelayanan, fasilitas, dan porsi, pada polaritas positif dan negatif sehingga hasil analisis dapat digunakan sebagai dasar dalam memberikan rekomendasi terhadap produk kuliner UMKM. Penelitian ini menerapkan tahapan pengumpulan komentar, preprocessing teks, pelabelan berdasarkan aspek, ekstraksi fitur menggunakan TF-IDF, serta klasifikasi multilabel menggunakan pendekatan One vs Rest (OvR) dengan metode SVM dan Naive Bayes. Hasil evaluasi menggunakan pembagian data 80:20 menunjukkan bahwa SVM memiliki performa yang lebih baik dibandingkan Naive Bayes. Pada evaluasi sentimen global, SVM memperoleh akurasi sebesar 70,53%, sedangkan Naive Bayes memperoleh akurasi sebesar 66,91%. Selain itu, SVM juga menunjukkan performa yang lebih stabil pada evaluasi berbasis aspek. Oleh karena itu, SVM dipilih sebagai metode utama untuk mendukung sistem rekomendasi pada penelitian ini. Seluruh hasil proses diintegrasikan ke dalam sistem berbasis web menggunakan framework Laravel untuk membuat sistem rekomendasi yang dapat digunakan secara praktis dan terstruktur.

Laporan magang ini disusun untuk mendeskripsikan pelaksanaan kegiatan magang di Lembaga Penyiaran Publik Radio Republik Indonesia (LPP RRI) Jember yang berfokus pada pengujian aplikasi Sistem Pelaporan Dokumen Kehilangan (SILAPOR) berbasis website menggunakan metode Blackbox Testing. Kegiatan magang dilaksanakan selama empat bulan, terhitung sejak 19 Agustus hingga 20 Desember, sebagai bagian dari upaya peningkatan kompetensi mahasiswa di bidang Teknologi Informasi. Pelaksanaan magang diawali dengan observasi lingkungan kerja dan pengenalan sistem SILAPOR. Selanjutnya dilakukan studi literatur, analisis kebutuhan pengujian, penyusunan skenario dan test case, serta pelaksanaan pengujian fungsional terhadap seluruh fitur utama aplikasi. Fitur yang diuji meliputi autentikasi pengguna, pengelolaan data pengguna, pengelolaan kategori dan data kehilangan, pengelolaan data pelapor, transaksi, serta pencetakan laporan. Berdasarkan hasil pengujian yang telah dilakukan, dapat disimpulkan bahwa seluruh fungsi aplikasi SILAPOR telah berjalan sesuai dengan kebutuhan pengguna dan spesifikasi sistem. Selain kegiatan teknis, mahasiswa magang juga berpartisipasi dalam berbagai kegiatan institusional di lingkungan LPP RRI Jember. Secara keseluruhan, kegiatan magang ini memberikan pengalaman kerja nyata bagi mahasiswa serta memberikan kontribusi bagi instansi dalam bentuk evaluasi dan rekomendasi pengembangan sistem agar dapat berfungsi secara optimal.

Pengelolaan pembayaran pelanggan pada layanan RT/RW Net masih sering dilakukan secara manual, sehingga berpotensi menimbulkan keterlambatan pencatatan, kelalaian pengingat pembayaran, dan keterlambatan penanganan pelanggan yang menunggak. Penelitian ini bertujuan untuk membangun sistem prediksi keterlambatan pembayaran pelanggan RT/RW Net menggunakan algoritma Decision Tree C4.5 yang terintegrasi dengan notifikasi WhatsApp dan isolasi otomatis berbasis MikroTik. Data yang digunakan merupakan data historis pembayaran pelanggan Etis Digital pada periode Juli sampai Desember 2025 sebanyak 656 record. Dataset tersebut diolah melalui proses preprocessing dan feature engineering dengan atribut area, paket layanan, tanggal tagih, dan frekuensi keterlambatan, sedangkan status pembayaran digunakan sebagai label klasifikasi. Pengujian model dilakukan menggunakan beberapa rasio pembagian data, yaitu 60:40, 70:30, 80:20, dan 90:10, dengan hasil terbaik diperoleh pada rasio 80:20 yang terdiri dari 524 data latih dan 132 data uji. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 79%, precision sebesar 81%, recall sebesar 79%, dan F1-score sebesar 79%. Sistem yang dikembangkan juga mampu mengirimkan notifikasi pembayaran melalui WhatsApp, melakukan isolasi akses internet pelanggan yang terlambat membayar melalui MikroTik API, serta mengaktifkan kembali layanan setelah pembayaran dicatat. Dengan demikian, sistem ini dapat membantu pengelola RT/RW Net dalam melakukan prediksi keterlambatan pembayaran dan mengotomatisasi proses pengingat serta penanganan pelanggan secara lebih terstruktur dan efisien.

Jemberkamera menggunakan Google Maps untuk berinteraksi dengan pelanggan, tetapi besarnya volume ulasan informal dan subjektif menyulitkan evaluasi pelayanan secara manual. Penelitian ini bertujuan membangun sistem berbasis web untuk mengklasifikasikan sentimen ulasan pelanggan ke dalam kategori positif, netral, dan negatif menggunakan algoritma Multinomial Naive Bayes. Metode Synthetic Minority Over-sampling Technique (SMOTE) diterapkan untuk mengatasi masalah ketidakseimbangan data latih. Dataset sebanyak 2.492 ulasan murni diperoleh melalui teknik web scraping menggunakan platform Apify. Data teks tersebut diproses melalui tahapan preprocessing (pembersihan, penyeragaman huruf, normalisasi kata baku, pemotongan kata, penghapusan kata hubung, dan pencarian kata dasar) serta pembobotan kata Term Frequency-Inverse Document Frequency (TF-IDF). Pengujian performa model dilakukan menggunakan beberapa skenario pembagian data training dan testing. Hasil eksperimen menunjukkan bahwa skenario pembagian data 50% training dan 50% testing dengan penerapan SMOTE menghasilkan performa paling optimal dengan akurasi tertinggi sebesar 70,47%. Integrasi SMOTE terbukti efektif meningkatkan sensitivitas model dalam mengenali sentimen minoritas negatif serta mengurangi bias kelas mayoritas. Sehingga, pengelola Jemberkamera bisa mengetahui kepuasan pelanggan dan evaluasi secara objektif berbasis data opini digital.

Tempe merupakan makanan tradisional Indonesia yang proses fermentasinya sangat dipengaruhi oleh suhu. Suhu yang tidak stabil dapat menyebabkan proses fermentasi berjalan kurang optimal dan menurunkan kualitas tempe. Pada proses fermentasi konvensional, pengendalian suhu masih dilakukan secara manual sehingga suhu ruang fermentasi sulit dijaga tetap stabil. Penelitian ini bertujuan merancang sistem monitoring dan kontrol suhu fermentasi tempe berbasis Internet of Things (IoT) menggunakan NodeMCU ESP8266, sensor suhu DS18B20, pemanas PTC, dan kipas DC. Sistem dilengkapi metode Kalman Filter untuk menstabilkan pembacaan sensor dan regresi linear untuk memprediksi perubahan suhu. Data suhu dikirim ke Firebase Realtime Database dan dapat dipantau melalui aplikasi mobile secara real-time. Hasil pengujian menunjukkan bahwa sistem mampu bekerja dengan baik dalam menjaga kestabilan suhu fermentasi secara otomatis. Selain itu, hasil fermentasi tempe menggunakan alat berbasis IoT menghasilkan pertumbuhan jamur yang lebih merata, warna lebih putih, dan tekstur lebih padat dibandingkan metode manual. Dengan demikian, sistem yang dirancang dapat membantu meningkatkan kualitas dan konsistensi hasil fermentasi tempe.