Perkembangan teknologi informasi mendorong penggunaan aplikasi berbasis web dan mobile dalam layanan kesehatan seperti Posyandu. Seiring meningkatnya kompleksitas aplikasi, diperlukan pengujian perangkat lunak yang efektif untuk menjamin kualitas sistem. Penelitian ini bertujuan untuk mengimplementasikan otomatisasi Black Box Testing menggunakan Katalon Studio pada aplikasi layanan Posyandu serta menganalisis hasil pengujian. Metode yang digunakan meliputi penyusunan skenario pengujian, pembuatan test case, implementasi pengujian otomatis pada platform website, serta pengujian manual Black Box Testing pada platform mobile, dan analisis hasil. Dari 30 test case pada website, sebanyak 29 berhasil (passed) dan 1 gagal (failed), dengan tingkat keberhasilan 96,6%. Kegagalan terjadi akibat kurang optimalnya validasi input. Sementara itu, pengujian manual pada aplikasi mobile terhadap 14 test case menunjukkan bahwa seluruh test case berhasil (passed) dengan tingkat keberhasilan 100%. Penggunaan Katalon Studio terbukti meningkatkan efisiensi, konsistensi, dan akurasi proses pengujian. Dengan demikian, kombinasi otomatisasi pengujian pada website dan pengujian manual pada mobile dapat menjadi solusi efektif dalam meningkatkan kualitas aplikasi dan membantu pengembang dalam mengidentifikasi kesalahan fungsional.

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.

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.

Sektor pariwisata merupakan salah satu aspek penting dalam pembangunan daerah, di mana Pantai Pasir Putih Kabupaten Situbondo menjadi salah satu destinasi unggulan bagi wisatawan. Pengelolaan ulasan pengunjung pada platform digital seperti Google Maps menjadi sangat krusial karena opini yang disampaikan dapat memengaruhi citra destinasi serta menjadi bahan evaluasi bagi pihak pengelola. Banyaknya ulasan yang masuk secara terus-menerus menyebabkan proses pemantauan secara manual menjadi tidak efisien. Oleh karena itu, ulasan pada Google Maps dapat dijadikan sumber data utama untuk menganalisis respon dan tingkat kepuasan pengunjung terhadap fasilitas maupun pelayanan di objek wisata tersebut. Metode Support Vector Machine (SVM) merupakan metode klasifikasi data yang bekerja dengan cara mencari hyperplane terbaik untuk memisahkan kelas data. Dalam proses klasifikasi ini, opini pengunjung dikategorikan ke dalam tiga kelas sentimen, yaitu kelas positif, netral, dan negatif. Data yang digunakan dalam penelitian ini merupakan ulasan tekstual pengunjung Pantai Pasir Putih Situbondo yang diambil menggunakan teknik web scraping melalui platform Apify. Data yang berhasil dikumpulkan sebanyak 1.848 ulasan melalui proses pre-processing dengan tahapan cleaning, case folding, normalisasi, tokenisasi, stopword removal, dan stemming. Selanjutnya, data memasuki proses pembobotan kata dengan menggunakan TF-IDF (Term Frequency-Inverse Document Frequency). Berdasarkan klasifikasi yang dilakukan dengan metode SVM, didapatkan hasil per-forma tertinggi pada pembagian data 90:10 dengan nilai accuracy sebesar 84%, pre-cision 84.69%, recall 84.32%, dan nilai f1-score sebesar 84.46%.

Pencatatan perkembangan siswa dan kegiatan administrasi di PAUD Aisyiyah Kartoharjo saat ini masih dilakukan secara manual menggunakan buku penghubung. Hal ini rentan terhadap kehilangan data dan kurang efisien dalam penyampaian informasi kepada wali murid. Selain itu, terdapat risiko keamanan pada proses penjemputan anak karena belum adanya sistem verifikasi identitas penjemput secara sistematis. Di sisi lain, tenaga pendidik (guru) juga sering mengalami kendala dalam menentukan rute perjalanan yang efisien saat melaksanakan agenda kunjungan rumah (Home Visit). Penelitian ini bertujuan untuk membangun sebuah sistem terintegrasi berbasis Web dan Mobile (Android) guna mengatasi permasalahan tersebut. Sistem ini dikembangkan menggunakan metode Waterfall, dengan memanfaatkan framework Laravel untuk sisi Web Admin dan Flutter untuk aplikasi pengguna. Untuk memperketat keamanan, sistem dilengkapi dengan fitur verifikasi penjemputan berbasis QR Code unik. Selain itu, sistem juga mengimplementasikan Algoritma A Star (A*) untuk menghitung estimasi jarak terdekat (cost dan heuristic) guna memberikan rekomendasi rute Home Visit paling efisien bagi guru. Berdasarkan hasil pengujian menggunakan metode Black Box Testing, seluruh fitur aplikasi pada platform Web maupun Android terbukti dapat berjalan 100% sesuai dengan perancangan fungsional. Pengujian User Acceptance Testing (UAT) yang melibatkan pihak guru dan wali murid juga menunjukkan tingkat kepuasan yang sangat tinggi. Sistem ini disimpulkan berhasil mendigitalisasi pemantauan perkembangan anak, meminimalisir risiko penjemputan oleh pihak yang tidak bertanggung jawab, serta mengoptimalkan efisiensi waktu perjalanan guru