Analisis sentimen terhadap cyberbullying pada komentar media sosial TikTok penting dilakukan karena banyaknya komentar yang menggunakan bahasa tidak baku, singkatan, serta ungkapan bernada negatif yang dapat menyulitkan proses identifikasi secara manual. Penelitian ini bertujuan untuk menganalisis sentimen komentar TikTok yang berkaitan dengan cyberbullying menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan Logistic Regression. Data penelitian berjumlah 1.376 komentar yang diperoleh melalui proses scraping dari berbagai video TikTok. Data tersebut diberi label positif dan negatif serta divalidasi oleh pakar psikologi. Tahapan penelitian meliputi preprocessing, ekstraksi fitur menggunakan TF-IDF, pembagian data menjadi 1.100 data latih dan 276 data uji, serta klasifikasi menggunakan Logistic Regression. Hasil evaluasi internal menunjukkan nilai accuracy sebesar 80,80%, precision sebesar 80,81%, recall sebesar 80,78%, dan F1-score sebesar 80,78%. Pada pengujian tambahan terhadap 150 komentar TikTok, model memperoleh accuracy sebesar 70,67%, dengan 106 prediksi benar dan 44 prediksi salah. Model kemudian diimplementasikan dalam bentuk prototipe website berbasis Flask dan HTML yang menyediakan fitur analisis komentar melalui tautan video TikTok maupun input komentar secara langsung. Hasil penelitian menunjukkan bahwa metode TF-IDF dan Logistic Regression dapat digunakan untuk mengklasifikasikan sentimen komentar TikTok ke dalam kategori positif dan negatif. Namun, klasifikasi sentimen negatif tidak secara langsung menunjukkan bahwa suatu komentar termasuk cyberbullying

Penelitian ini dilaksanakan dengan tujuan untuk mendeteksi dan mengklasifikasikan ujaran kebencian dalam diskursus Rancangan Kitab Undang-Undang Hukum Acara Pidana atau RKUHAP yang bersumber dari media sosial X dan Threads. Perdebatan publik mengenai regulasi hukum tersebut memicu tingginya polaritas opini yang kerap mengandung ujaran kebencian terselubung dalam bentuk sindiran maupun kritik tajam. Data yang digunakan pada penelitian ini berjumlah 6.450 unggahan teks yang dikelompokkan secara bertingkat, yaitu Level 1 untuk deteksi biner ujaran kebencian dan Level 2 untuk lima sub-kategori melalui proses pelabelan terverifikasi. Data dilakukan pembagian menjadi 80% untuk data latih, 10% untuk data validasi, dan 10% untuk data uji. Pada penelitian ini, pengujian model IndoBERT dengan arsitektur Multi-Head Classification dan formulasi Hierarchical Masked Loss menunjukkan performa yang mumpuni dengan tingkat akurasi sebesar 93,95% serta nilai Macro F1 sebesar 78,26% pada Level 1. Pada Level 2, diperoleh tingkat akurasi sebesar 93,33% dengan nilai Macro F1 sebesar 64,98%, serta capaian Composite Macro F1 sebesar 71,62%. Model klasifikasi ini kemudian diintegrasikan ke dalam sebuah sistem antarmuka web berbasis Laravel dan FastAPI agar pengguna dapat memantau serta mendeteksi ujaran kebencian secara praktis dan interaktif. Secara keseluruhan, model IndoBERT terbukti efektif dalam mengenali konteks semantik dan membedakan ujaran kebencian pada diskursus kebijakan publik di media sosial.

Permintaan produk Fast-Moving Consumer Goods (FMCG) di UD Aan Jaya Toko memiliki pola yang kompleks, meliputi tren peningkatan, pola musiman, lonjakan pada hari besar keagamaan, serta fluktuasi akibat operasional dan ketersediaan stok. Kompleksitas ini menuntut kemampuan peramalan yang akurat untuk mendukung optimasi stok barang. Penelitian ini bertujuan mengoptimalkan kinerja model prophet dalam meramalkan permintaan lima produk FMCG (minyak goreng, gula, telur, tepung, dan mi instan sedaap goreng) melalui perbandingan empat konfigurasi pemodelan: model standar, transformasi logaritmik, regresor eksternal, serta kombinasi transformasi logaritmik dan regresor eksternal. Pemodelan dioptimalkan melalui hyperparameter tuning menggunakan grid search pada tiga rasio pembagian data (50:50, 67:33, dan 83:17). Hasil penelitian menunjukkan bahwa rasio pembagian data 83:17 secara konsisten menghasilkan kinerja terbaik. Konfigurasi model dengan regresor eksternal menjadi yang optimal untuk minyak goreng (MAPE 7,40%), gula (MAPE 7,88%), telur (MAPE 7,72%), dan tepung (MAPE 9,00%), sedangkan model kombinasi transformasi logaritmik dan regresor eksternal menjadi yang optimal untuk sedaap goreng (MAPE 8,21%). Seluruh konfigurasi optimal menghasilkan MAPE di bawah 10% (kategori sangat akurat). Model optimal ini selanjutnya diimplementasikan pada sistem berbasis web menggunakan framework Streamlit dengan tingkat keberhasilan black box testing sebesar 93,75% dan User Acceptance Testing (UAT) sebesar 89%.

ABSTRACT Abstract of project presented to the Senate of Management & Science University in partial fulfilment of the requirements for the degree of Bachelor in Computer Science (Hons.). DESIGN AND DEVELOPMENT OF A SMART INDOOR AIR QUALITY AND COGNITIVE PRODUCTIVITY MONITORING SYSTEM WITH IOT AND AI By SUTAN ARSYAH NUGRAHA SEPTEMBER 2026 Indoor environmental quality significantly affects students’ cognitive performance, learning comfort, and well-being. Poor air quality, temperature, humidity, and lighting can reduce concentration and productivity, while traditional reactive systems respond only after environmental conditions exceed set thresholds, resulting in delayed control and lower energy efficiency. This project presents a Smart Indoor Air Quality and Cognitive Productivity Monitoring System that integrates Internet of Things (IoT) and Artificial Intelligence (AI) to provide adaptive environmental monitoring and control. The system uses an ESP32 microcontroller integrated with sensors to monitor CO?, PM2.5, temperature, humidity, and light. Environmental data will be transmitted to a cloud server and displayed through a web-based dashboard for real-time monitoring. A Long Short-Term Memory (LSTM) model will be implemented to predict future environmental conditions based on historical data. These predictions will support proactive control of ventilation, HVAC, and lighting before environmental conditions deteriorate, improving comfort, productivity, and energy efficiency. The system will be developed using the Agile methodology to support iterative improvements. Quantitative environmental data and qualitative user feedback will be used to determine appropriate comfort thresholds. System performance will be evaluated using prediction metrics including RMSE, MAE, and R-squared, along with integration and functionality testing. The proposed solution aims to provide an affordable and integrated smart environmental management system that combines IoT, cloud computing, and AI-based predictive analytics to improve user comfort, reduce energy consumption, and support sustainable smart educational facilities.

Pemilihan jenis tanaman untuk taman pada usaha jasa pembuatan taman seperti Sony Nursery umumnya masih dilakukan secara konvensional berdasarkan pengalaman. Proses ini kurang efisien, memakan waktu lama, serta berisiko menghasilkan rekomendasi yang tidak sesuai dengan kondisi lingkungan lahan dan preferensi pelanggan. Penelitian ini bertujuan untuk membangun sistem rekomendasi tanaman taman berbasis website yang terintegrasi dengan kecerdasan buatan guna memberikan rekomendasi secara otomatis, cepat, dan akurat. Metode klasifikasi yang diterapkan adalah Random Forest, yang handal dalam menangani variabel kompleks serta meminimalisir overfitting melalui pendekatan ensemble learning. Tahapan penelitian ini meliputi identifikasi permasalahan, studi literatur, pengumpulan dan persiapan data sebanyak 877 data bersih, pemodelan machine learning, evaluasi model, perancangan sistem, hingga implementasi website berbasis Laravel dan Python (Flask). Berdasarkan hasil pengujian model menggunakan rasio pembagian data train-test 80:20, algoritma Random Forest menghasilkan performa yang baik dengan tingkat akurasi sebesar 78%, presisi 77%, recall 78%, dan F1-score 76%. Pengujian fungsional dengan metode Black Box menunjukkan bahwa seluruh fitur sistem berjalan dengan baik. Selain itu, pengujian User Acceptance Testing (UAT) yang melibatkan 38 responden memperoleh tingkat kepuasan rata-rata sebesar 96%, yang membuktikan bahwa sistem ini mudah diakses,

Micro, Small, and Medium Enterprises (MSMEs) in Indonesia often set product prices manually using cost-plus calculations. While simple, this approach may overlook packaging costs, platform fees, competitor prices, and profit implications, resulting in unstructured and less market-responsive pricing decisions. This study introduces FinanceApp, a prototype AI-based decision support system designed to assist Indonesian MSMEs in pricing by integrating internal cost components and competitor price data. A quantitative Research and Development approach was applied, and the prototype was developed following the Spiral Model. Random Forest Regression was implemented to produce preliminary price recommendations. The system was evaluated through model performance testing, functional testing, and user acceptance testing. The dataset comprised 60 footwear product records and 48 competitor price records, with 19 rows used for model training. Model evaluation produced an MAE of 419.78, RMSE of 670.08, and R² of 0.245, indicating limited predictive generalization but feasibility at the prototype level. Functional testing confirmed that all major system modules performed as intended. User acceptance testing with 40 respondents yielded an average score of 4.20 (good), demonstrating positive perceptions of usability and decision-support value. Findings suggest that FinanceApp provides structured pricing support, improving data organization, cost visibility, competitor comparison, profit estimation, and pricing transparency. However, broader datasets, automated competitor data collection, algorithm comparison, and longitudinal MSME field testing are recommended before deployment as a production-level pricing tool.

Pemilihan jurusan perguruan tinggi merupakan hal yang perlu dipertimbangkan siswa sebelum melanjutkan pendidikan. Perbedaan kemampuan akademik, pelajaran favorit, minat, cita-cita, dan preferensi studi menyebabkan setiap siswa memiliki pertimbangan yang berbeda. Penelitian ini bertujuan membangun sistem rekomendasi jurusan berbasis web menggunakan algoritma C4.5 sebagai media pendukung bagi siswa dan Guru BK di SMAN 1 Pasirian. Pengembangan sistem menggunakan metode Waterfall yang meliputi analisis kebutuhan, desain, implementasi, pengujian, dan pemeliharaan. Data training diperoleh dari alumni SMAN 1 Pasirian yang sedang atau telah menempuh pendidikan di Politeknik Negeri Jember, dengan atribut nilai akademik, pelajaran favorit, minat, cita-cita, dan preferensi studi. Algoritma C4.5 digunakan untuk membentuk pohon keputusan dan aturan IF–THEN sebagai dasar pemberian rekomendasi. Pengujian menggunakan Black Box Testing dan User Acceptance Testing (UAT). Hasil Black Box Testing terhadap 25 skenario menunjukkan keberhasilan 100%, sedangkan UAT memperoleh tingkat penerimaan 100?ri Guru BK dan 97,39?ri siswa. Hasil tersebut menunjukkan bahwa sistem dapat digunakan sebagai media pendukung dalam pemberian rekomendasi jurusan berdasarkan karakteristik dan preferensi siswa.

Penelitian ini mengembangkan sistem penerjemah bahasa isyarat berbasis website menggunakan kamera, MediaPipe, dan Convolutional Neural Network (CNN) sebagai media pembelajaran gesture bahasa isyarat. MediaPipe digunakan untuk mendeteksi 21 titik landmark tangan, sedangkan CNN digunakan untuk mengklasifikasikan gesture huruf A sampai Z. Pengembangan sistem menggunakan metode Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Sistem menyediakan fitur pembelajaran gesture, penerjemahan melalui kamera, serta pengelolaan data gesture dan akun pengguna. Hasil pengujian menunjukkan model CNN memperoleh accuracy sebesar 95,53%, loss sebesar 0,1843, serta rata-rata precision, recall, dan F1-score sebesar 96%. Hasil tersebut menunjukkan bahwa sistem dapat membantu masyarakat mempelajari dan mengenali gesture huruf A sampai Z melalui kamera.