Konsumsi listrik rumah tangga di Indonesia terus meningkat, mencapai 130.433,10 GWh pada tahun 2024 atau sekitar 42,59?ri total konsumsi listrik nasional. Pelanggan listrik prabayar sering menghadapi risiko listrik padam mendadak karena tidak dapat merencanakan dan memperkirakan kapan token akan habis berdasarkan pola konsumsi mereka. Penelitian ini merancang dan mengimplementasikan sistem prediksi konsumsi listrik rumah tangga berbasis IoT menggunakan metode Long Short-Term Memory (LSTM) dan aplikasi mobile Flutter bernama Siwatt. Perangkat monitoring dibangun menggunakan mikrokontroler ESP8266 dan sensor PZEM-004T untuk membaca parameter kelistrikan secara real-time melalui protokol MQTT. Dua model LSTM dilatih untuk prediksi per jam dan per hari, menghasilkan MAPE masing-masing sebesar 26,818?n 9,337%. Pengujian black-box menunjukkan seluruh fitur aplikasi berjalan sesuai yang diharapkan, menjadikan sistem ini solusi yang adaptif bagi pengguna prabayar dalam merencanakan pembelian token listrik secara lebih tepat waktu.

Isu pengelolaan sampah telah menjadi salah satu tantangan yang dihadapi berbagai daerah termasuk di Kabupaten Nganjuk, seriring meningkatnya jumlah penduduk yang berdampak pada bertambahnya volume sampah. Keterbatasan informasi mengenai lokasi Tempat Pembuangan Sampah (TPS) menyebabkan rendahnya kesadaran masyarakat dalam membuang sampah pada tempatnya. Kondisi tersebut mendorong adanya pengembangan solusi berbasis teknologi berupa Sistem Informasi Geografis (SIG) untuk memetakan lokasi TPS secara efektif. Penelitian ini bertujuan untuk membangun sistem pemetaan lokasi TPS di Kabupaten Nganjuk dengan menggunakan metode Feature Driven Development (FDD) yang berfokus pada pengembangan fitur bertahap, serta metode Haversine untuk menentukan lokasi terdekat. Sistem dikembangkan menggunakan Laravel, Bootstrap, serta memanfaatkan LeafletJs dan OpenStreetMap untuk menampilkan peta interaktif. Pengujian sistem menggunakan Black Box dengan teknik Equivalence Partitioning untuk memastikan fungsionalitas serta System Usability Scale (SUS) untuk mengukur tingkat kemudahan penggunaan. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu berjalan dengan baik, tingkat keberhasilan fungsional mencapai 100%. Pengujian usability menghasilkan skor rata-rata 75,6 dari masyarakat dan 80,8 dari admin yang termasuk dalam kategori baik. Sistem ini dinilai layak digunakan dalam membantu masyarakat menemukan lokasi TPS serta mendukung pengelolaan data sampah secara efektif.

Layanan pinjaman online menawarkan kemudahan finansial, namun juga menimbulkan berbagai keluhan masyarakat seperti bunga tinggi dan praktik penagihan yang tidak etis, sehingga penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi Easycash di Google Play Store menggunakan metode Support Vector Machine (SVM) serta mengevaluasi kinerja model yang dihasilkan, data dikumpulkan melalui teknik crawling dalam dua tahap dengan total 2.550 ulasan, kemudian dilakukan preprocessing yang meliputi case folding, cleaning (penghapusan tanda baca, angka, dan simbol), tokenizing, normalisasi kata (slangword), stopword removal, serta stemming untuk menghasilkan data teks yang bersih dan terstruktur, selanjutnya dilakukan pembobotan kata menggunakan metode TF-IDF untuk mengubah teks menjadi representasi numerik sebelum dilakukan proses klasifikasi menggunakan algoritma SVM ke dalam kategori sentimen positif, negatif, dan netral, hasil penelitian menunjukkan bahwa model SVM memiliki performa yang baik dalam analisis sentimen, khususnya dalam mengenali sentimen positif, dengan pengujian pada skenario terbaik (skenario kedua) menghasilkan akurasi sebesar 87,33?ngan 655 prediksi benar dari 750 data uji, meskipun demikian model masih mengalami kesulitan dalam membedakan sentimen negatif dan netral akibat kemiripan karakteristik linguistik, sehingga penelitian ini diharapkan dapat menjadi bahan evaluasi bagi penyedia layanan pinjaman online serta referensi bagi regulator seperti OJK dalam memahami persepsi masyarakat.

Penelitian ini bertujuan untuk menganalisis interaksi pengguna terhadap sistem absensi digital SIDAK Desa menggunakan pendekatan System Development Life Cycle (SDLC) dan usability testing. Evaluasi dilakukan melalui metrik usability yang meliputi task success, time on task, error rate, efficiency, dan learnability untuk mengukur kualitas interaksi serta efektivitas penggunaan sistem. Hasil penelitian menunjukkan bahwa tingkat keberhasilan tugas mencapai 100%, yang menandakan sistem mudah digunakan oleh pengguna dengan literasi digital dasar hingga menengah. Variasi pada waktu penyelesaian tugas dan learnability mengindikasikan adanya perbedaan kemampuan adaptasi pengguna, terutama dipengaruhi oleh usia dan pengalaman teknologi. Nilai error rate yang rendah menunjukkan kesesuaian sistem dengan karakteristik pengguna, meskipun masih terdapat hambatan kecil pada pengguna tertentu. Hasil uji MANOVA membuktikan adanya perbedaan signifikan antar metrik usability secara simultan, yang memperkuat bahwa interaksi pengguna dipengaruhi oleh faktor sistem dan karakteristik pengguna. Sistem SIDAK Desa terbukti mampu meningkatkan efektivitas kerja melalui peningkatan kecepatan, akurasi, serta efisiensi proses absensi.

Pospay merupakan aplikasi layanan keuangan digital milik PT Pos Indonesia yang digunakan untuk berbagai transaksi. Seiring meningkatnya jumlah pengguna, ulasan pada Google Play Store semakin banyak dan beragam sehingga analisis secara manual menjadi tidak efektif. Oleh karena itu, diperlukan analisis sentimen secara otomatis untuk mengklasifikasikan opini pengguna. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi Pospay menggunakan algoritma Support Vector Machine (SVM). Data ulasan sebanyak 25.025 diperoleh melalui web scraping. Kemudian diproses melalui tahapan preprocessing dan pembobotan TF-IDF sebelum diklasifikasikan ke dalam tiga kategori, yaitu positif, negatif, dan netral. Evaluasi model menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM mampu mengklasifikasikan sentimen dengan akurasi sebesar 96,53%, sehingga metode ini dinilai efektif. Sistem juga diimplementasikan dalam bentuk aplikasi berbasis web untuk mendukung proses klasifikasi dan visualisasi data.

Penelitian ini dilakukan untuk menerapkan algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan jurusan siswa di SMA Negeri 1 Sukomoro serta untuk menganalisis performa model yang dihasilkan. Masalah yang dihadapi adalah proses penentuan jurusan masih dilakukan secara manual, yang dapat menimbulkan kesalahan dan tidak efisien. Metode yang digunakan mencakup pengolahan data sebanyak 300 data, pembagian data menjadi data training dan data testing, normalisasi data, serta penerapan KNN dengan optimasi parameter melalui GridSearchCV dan evaluasi yang dilakukan dengan 5-fold cross validation. Hasil penelitian menunjukkan bahwa nilai K yang optimal adalah 27, dengan tingkat akurasi mencapai 86,67%. Evaluasi model menunjukkan rata-rata akurasi sebesar 75,42?ngan standar deviasi 3,58%, serta rata-rata nilai precision, recall, dan f1-score sebesar 0,87. Hasil kurva ROC AUC menunjukkan nilai macro-average sebesar 0,974, yang menunjukkan kemampuan klasifikasi yang sangat baik. Uji sistem menggunakan Black Box Testing mencapai tingkat keberhasilan 100%, sedangkan pengujian pengguna dengan System Usability Scale (SUS) mendapatkan skor 80,83 yang termasuk dalam kategori excellent. Berdasarkan hasil tersebut, sistem yang dikembangkan mampu mendukung proses klasifikasi jurusan siswa dengan lebih tepat dan efisien serta layak digunakan di lingkungan sekolah.

Kopi merupakan salah satu komoditas perkebunan unggulan di Indonesia dengan dua jenis utama yang banyak dibudidayakan, yaitu Robusta dan Arabika. Selain perbedaan jenis, kopi juga memiliki variasi tingkat roasting seperti light, medium, dan dark yang berpengaruh terhadap karakteristik fisik biji kopi. Proses identifikasi jenis dan tingkat roasting masih banyak dilakukan secara manual berdasarkan pengamatan visual, sehingga rentan terhadap subjektivitas dan ketidakkonsistenan akibat perubahan warna dan bentuk biji kopi setelah proses roasting. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi sistem klasifikasi biji kopi Robusta dan Arabika berdasarkan tingkat roasting menggunakan metode Convolutional Neural Network (CNN) dengan model MobileNetV2 pada platform mobile berbasis mobile. Dataset yang digunakan terdiri dari 2.100 citra yang terbagi dalam enam kelas, dengan proses pelatihan menggunakan 5-fold cross-validation (K-Fold Cross Validation) untuk memperoleh evaluasi performa yang lebih stabil dan representatif. Hasil pelatihan menunjukkan rata-rata akurasi validasi sebesar 88.22% ± 2.68%, yang mengindikasikan variasi performa antar fold tergolong rendah dan menunjukkan kemampuan generalisasi model yang cukup baik dan stabil. Secara keseluruhan, model mencapai akurasi pengujian 89.76% dengan precision, recall, dan F1-score di atas 78% pada seluruh kelas. Sistem juga memperoleh skor SUS sebesar 81.69, yang termasuk dalam kategori acceptable dengan Grade A. Hasil tersebut menunjukkan bahwa metode CNN-MobileNetV2 mampu melakukan klasifikasi biji kopi secara akurat, stabil, dan dapat diimplementasikan pada perangkat mobile.

Perkembangan bisnis online pada pelaku UMKM masih banyak mengandalkan pencatatan pesanan secara manual melalui media sosial, sehingga rentan terjadi kesalahan penulisan. Penelitian ini bertujuan mengatasi permasalahan tersebut dengan mengembangkan aplikasi mobile berbasis Optical Character Recognition (OCR) menggunakan Google ML Kit yang dikombinasikan dengan metode Regular Expression (Regex) untuk mengubah data pemesanan tidak terstruktur menjadi data pengiriman yang terstruktur secara otomatis. Pengembangan sistem dilakukan dengan metode Waterfall, menggunakan Flutter sebagai framework antarmuka dan Firebase sebagai basis data. Evaluasi sistem meliputi Black Box Testing dan System Usability Scale (SUS). Hasil penelitian menunjukkan bahwa sistem berjalan dengan baik dengan tingkat validitas 100%, akurasi OCR tinggi pada gambar digital (98%) dan kamera (85%), serta lebih rendah pada tulisan tangan (46%). Selain itu, aplikasi mampu meningkatkan efisiensi waktu secara signifikan dan memperoleh skor SUS sebesar 79,08 yang termasuk kategori baik dan dapat diterima oleh pengguna.