PT. Sentra Vidya Utama (SEVIMA) merupakan perusahaan teknologi pendidikan (EdTech) yang memiliki produktivitas tinggi namun menghadapi tantangan dalam pengelolaan barang kebutuhan rumah tangga layak pakai milik karyawan yang sudah tidak digunakan. Kurangnya wadah yang memfasilitasi distribusi barang-barang tersebut menyebabkan potensi nilai guna barang menjadi terbuang. Oleh karena itu, diperlukan sebuah platform digital yang mampu mengelola transaksi barang bekas secara transparan sekaligus memberikan dampak sosial bagi masyarakat luas. Kegiatan magang ini difokuskan pada pengembangan website "SEVIMA Lelang" yang dirancang untuk memfasilitasi proses lelang barang dengan antarmuka yang responsif. Dalam pengembangannya, sistem ini menerapkan Arsitektur Service Module. Penerapan arsitektur ini bertujuan untuk memisahkan logika bisnis (business logic) ke dalam modul-modul servis yang independen, sehingga kode program menjadi lebih terstruktur, mudah diuji (testable), dan memiliki skalabilitas yang baik untuk pengembangan fitur di masa mendatang. Hasil dari pengembangan ini adalah sebuah sistem lelang terintegrasi yang mencakup modul bidding secara real-time, manajemen item, serta dashboard untuk penjual, pembeli, dan administrator. Dengan adanya platform ini, karyawan SEVIMA dapat menyalurkan barang tidak terpakai secara produktif, sementara masyarakat umum mendapatkan akses terhadap barang berkualitas dengan harga terjangkau. Selain itu, penerapan Arsitektur Service Module berhasil meningkatkan efisiensi dalam pemeliharaan kode dan standarisasi pengembangan perangkat lunak di lingkungan Tim Transformer PT. Sentra Vidya Utama.

Penelitian ini bertujuan untuk memprediksi status gizi balita berdasarkan data indikator kesehatan menggunakan metode Long Short-Term Memory (LSTM). Permasalahan yang diangkat adalah keterbatasan pemantauan status gizi yang masih bersifat statis dan belum mampu menganalisis perubahan kondisi gizi secara berkelanjutan. Data yang digunakan berupa data antropometri balita, yaitu usia, berat badan, tinggi badan, dan jenis kelamin, yang bersifat runtun waktu (time series). Data diproses melalui tahap pembersihan, interpolasi, pelabelan ke dalam tiga kategori, yaitu normal, kurang, dan lebih, serta transformasi menjadi data sekuensial dengan panjang 6 bulan sebagai input model. Model terbaik diperoleh melalui pengujian hyperparameter dengan konfigurasi 32 unit LSTM, dropout 0,2, learning rate 0,005, batch size 32, serta dua dense layer berukuran 64 dan 32 unit. Hasil evaluasi menunjukkan validation loss sebesar 0,1197, test accuracy sebesar 93,66%, dan macro F1-score sebesar 0,8722. Hasil tersebut menunjukkan bahwa model mampu mengklasifikasikan data dengan baik pada seluruh kelas, termasuk kelas minoritas. Model ini berpotensi menjadi dasar pengembangan prediksi kondisi gizi balita berdasarkan data historis antropometri.

Laporan Tugas Akhir ini merangkum perjalanan saya dalam mengembangkan aset visual untuk aplikasi Augmented Reality (AR) "Edusains Kebun Qur'an", sebuah proyek yang berawal dari pencapaian tim kami sebagai Juara 1 kategori Hackathon di ajang KMIPN V. Berangkat dari kebutuhan anak usia dini (PAUD) terhadap media belajar sains dan nilai Islami yang interaktif, teknologi AR hadir sebagai solusi yang menawarkan pengalaman lebih interaktif. Namun, tantangan terbesar dari aplikasi AR berbasis mobile adalah beban komputasi. Jika aset 3D terlalu berat, aplikasi akan terasa lambat (lagging). Oleh karena itu, peran utama saya dalam penelitian ini adalah merancang, memproduksi, dan mengoptimasi model 3D agar tetap menarik bagi anak-anak namun sangat ringan saat dieksekusi oleh smartphone. Seluruh proses ini saya kerjakan menggunakan metode ADDIE (Analyze, Design, Development, Implementation, Evaluation), dengan mengandalkan perangkat lunak Blender untuk pemodelan dan Unity untuk integrasinya. Dalam tahap produksinya, saya secara khusus menerapkan teknik low poly modeling bergaya stylized yang dipadukan dengan pewarnaan dasar tanpa material kompleks (albedo only). Pendekatan ini sangat krusial dan terbukti efektif untuk menekan jumlah poligon hingga hanya berkisar di angka 500-1500 saja per objek. Hasilnya, saya berhasil memproduksi 8 model 3D buah-buahan Al-Qur'an (seperti delima, zaitun, pisang, kurma, dll.) yang kemudian diintegrasikan dan dikalibrasi presisi dengan marker pada buku cetak Smart Kids Book melalui Vuforia SDK. Performa dan visual aset 3D ini telah divalidasi dengan hasil yang sangat memuaskan, terbukti dari perolehan skor uji kelayakan sebesar 97?ri Ahli Media, 84?ri Ahli Materi, dan 90?ri respons guru serta orang tua pengguna. Secara keseluruhan, proyek ini membuktikan bahwa estetika visual dan efisiensi performa (frame rate) dapat berjalan beriringan untuk menciptakan media edukasi yang imersif dan stabil. Untuk rencana keberlanjutan ke depannya, saya menargetkan pengembangan aplikasi ini agar memiliki variasi aset 3D yang lebih luas, seperti penambahan seri hewan, sayuran, dan tumbuhan lain yang ada di dalam Al-Qur'an. Selain itu, saya juga merencanakan peningkatan interaktivitas objek melalui penambahan animasi gerak agar pengalaman belajar anak-anak dengan aplikasi "Kebun Qur'an" menjadi jauh lebih hidup dan menyenangkan.

Bencana banjir merupakan salah satu bencana hidrometeorologi yang sering terjadi di Indonesia dan berdampak signifikan terhadap kehidupan masyarakat, baik dari segi kerugian material maupun korban jiwa. Seringin meningkatnya kebutuhan akan informasi yang cepat dan akurat, diperlukan suatu sistem yang mempu tidak hanya memprediksi bencan, tetapi juga menyampaikan informasi secara efektif kepada masyarakat. Penelitian ini bertujuan untuk mengembangkan chatbot berbasis Artificial Intelligence (AI) dengan pendekatan Natural Language Processing (NLP) yang terintegrasi dalam sistem prediksi bencana banjir. Chatbot yang dikembangkan mampu memahami pertanyaan penggunaan menggunakan bahasa alami dan memberikan informasi secara real-time, seperti data korban meninggal, luka-luka, hilang, serta informasi kejadian berdasarkan waktu (hari ini, kemarin, atau tanggal tertentu). Metode yang digunakan meliputi proses NLP seperti normalisasi teks. Tokenisasi, serta pencocokan kata kunci, dan fuzzy matching. Hasil dari penelitian ini menunjukkan bahwa chatbot mampu meningkatkan kemudahan akses informasi dan mendukung mitigasi bencana secara efektif, dengan tingkat keberhasilan mencapai 100%. Dengan adanya sistem ini, diharapkan masyarakat lebih siap menghadapi bencana banjir.

Kabupaten Jember, khususnya di sepanjang aliran Sungai Kalijompo, merupakan wilayah dengan kerentanan tinggi terhadap bencana banjir. Sistem peringatan dini (Early Warning System) yang ada saat ini masih bersifat reaktif, hanya memberikan peringatan saat ketinggian air mencapai ambang batas kritis. Penelitian ini bertujuan membangun sebuah sistem prediksi ketinggian air sungai yang proaktif menggunakan metode Prophet Time Series Forecasting. Akuisisi data dilakukan secara otomatis melalui kamera CCTV yang diolah dengan teknik pengolahan citra digital untuk mendeteksi batas ketinggian air. Berdasarkan pengujian selama 109 hari, sistem berhasil mengumpulkan sebanyak 10.102 data deret waktu. Hasil pelatihan dan optimasi parameter pada model Prophet (menggunakan logistic growth, multiplicative seasonality, dan changepoint prior scale 0.5) terbukti meningkatkan akurasi secara signifikan. Evaluasi kinerja menunjukkan adanya penurunan nilai Mean Absolute Error (MAE) dari 4,38 cm menjadi 3,76 cm dan Mean Absolute Percentage Error (MAPE) dari 24,57% menjadi 16,90%, sedangkan Root Mean Squared Error (RMSE) sedikit meningkat dari 10,63 cm menjadi 10,87 cm. Model juga divalidasi mampu menangkap pola siklus fluktuasi harian sungai secara presisi ketika dibandingkan dengan data lapangan. Hasil penelitian ini secara efektif mengubah paradigma pemantauan dari sistem reaktif menjadi sistem peringatan dini yang proaktif, memberikan lead time yang lebih panjang bagi masyarakat sehingga mendukung efektivitas mitigasi bencana di Jember.

Perkembangan media sosial, khususnya X, telah menjadi sarana utama bagi masyarakat dalam menyampaikan opini dan pengalaman terhadap suatu produk, termasuk produk pembersih wajah. Ulasan yang tersebar dalam jumlah besar bersifat tidak terstruktur sehingga sulit dianalisis secara manual. Analisis sentimen dapat digunakan untuk mengolah data tersebut guna mengetahui kecenderungan opini publik terhadap suatu produk secara otomatis. Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap produk pembersih wajah di media sosial X menggunakan algoritma Logistic Regression. Dataset penelitian awal berjumlah 7.405 tweet yang diperoleh melalui teknik crawling, kemudian setelah dilakukan pembersihan data diperoleh sebanyak 1.173 data yang siap digunakan untuk analisis. Proses pelatihan model dilakukan menggunakan pembagian data dengan rasio 80%:20% serta evaluasi model menggunakan metode K-Fold Cross Validation dengan nilai k = 10, yang menghasilkan rata-rata akurasi validasi sebesar 85.40% dengan standar deviasi ±1.6% sehingga menunjukkan performa model yang stabil dan representatif. Hasil penelitian menunjukkan bahwa mayoritas opini publik terhadap produk pembersih wajah cenderung memiliki sentimen positif. Model Logistic Regression yang digunakan memperoleh akurasi sebesar 85.11% dan nilai AUC sebesar 0.8884 yang termasuk dalam kategori baik. Nilai recall pada kelas positif mencapai 100%, sedangkan pada kelas negatif sebesar 10.26%, yang menunjukkan bahwa model lebih optimal dalam mendeteksi sentimen positif dibandingkan sentimen negatif. Penelitian ini menunjukkan bahwa analisis sentimen menggunakan Logistic Regression dapat digunakan untuk memahami kecenderungan opini publik terhadap produk pembersih wajah di media sosial X.

Taman Nasional Baluran merupakan salah satu destinasi wisata alam unggulan di Kabupaten Situbondo yang memiliki daya tarik berupa fenomena Savana Bekol yang menyerupai daratan Afrika. Tingginya minat wisatawan tercermin dari jumlah ulasan pada Google Maps yang mencapai lebih dari 4.000 ulasan, namun data tersebut bersifat subjektif, menggunakan bahasa informal, dan tidak terkelompokkan secara otomatis, sehingga menyulitkan pihak pengelola dalam melakukan evaluasi layanan secara manual. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengunjung ke dalam kategori positif, negatif, dan netral menggunakan metode Random Forest. Data dikumpulkan melalui teknik web scraping dari Google Maps dan diproses melalui tahapan text preprocessing yang meliputi case folding, cleansing, normalisasi, stopword removal, tokenizing, dan stemming. Ekstraksi fitur dilakukan menggunakan metode TF-IDF untuk memberikan bobot pada kata-kata penting dalam dataset . Hasil penelitian menunjukkan bahwa metode Random Forest mampu menghasilkan klasifikasi sentimen dengan tingkat akurasi yang baik, di mana performa tertinggi dicapai pada skenario pembagian data 80% training dan 20% testing dengan nilai akurasi sebesar 80%. Visualisasi WordCloud menunjukkan bahwa mayoritas ulasan bernada positif yang berfokus pada keindahan alam dan satwa liar, sementara ulasan negatif didominasi oleh keluhan terkait kondisi jalan yang rusak dan fasilitas yang kurang memadai. Temuan ini diharapkan dapat menjadi dasar bagi pengelola wisata dan Dinas Pariwisata Situbondo dalam meningkatkan kualitas layanan dan infrastruktur berbasis data opini pengunjung.

Sistem presensi merupakan salah satu kegiatan administrasi penting dalam instansi pemerintahan untuk mencatat kehadiran pegawai secara terstruktur dan terdokumentasi dengan baik. Namun, sistem presensi yang belum dirancang sesuai dengan kebutuhan pengguna dapat menimbulkan kesulitan dalam penggunaan serta kurang optimalnya pengelolaan data kehadiran. Penelitian ini merancang UI/UX aplikasi presensi berbasis web dan mobile di Kantor Desa Pelem menggunakan pendekatan User Centered Design (UCD) agar desain sistem lebih sesuai dengan kebutuhan dan pengalaman pengguna. Evaluasi kegunaan dilakukan menggunakan metode System Usability Scale (SUS) secara kuantitatif dengan menyebarkan kuesioner kepada responden yang telah melakukan pengujian terhadap desain aplikasi. Hasil penelitian menunjukkan adanya peningkatan skor SUS dari kedua platform setelah dilakukan perbaikan desain berdasarkan masukan pengguna. Selain itu, hasil evaluasi juga menunjukkan peningkatan pada aspek kemudahan penggunaan dan penerimaan sistem oleh pengguna. Penggunaan metode UCD dalam proses perancangan serta metode SUS dalam evaluasi terbukti efektif dalam meningkatkan usability dan kualitas desain aplikasi presensi.