NAKULA: Pengembangan Sistem Cerdas Klasifikasi Kualitas Telur Ayam Berbasis IoT Menggunakan CNN. Ahmad Faisal RidhoTullah, NIM E32231767, Tahun 2026, Program Studi Teknik Komputer, Jurusan Teknologi Informasi, Politeknik Negeri Jember. Dosen Pembimbing: Mochammad Rifki Ulil Albaab, S.T., M.Tr.T. Proses sortir telur ayam di banyak peternakan masih dilakukan secara manual sehingga rentan terhadap subjektivitas dan ketidakkonsistenan. Untuk mengatasi masalah tersebut, dikembangkan sistem NAKULA, yaitu sistem klasifikasi kualitas telur ayam berbasis Internet of Things (IoT) menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Sistem NAKULA menggunakan ESP32 sebagai pengendali utama, ESP32 CAM untuk pengambilan citra telur, sensor Load Cell HX711 untuk mengukur berat telur, sensor IR Obstacle untuk mendeteksi keberadaan telur, serta robot arm sebagai aktuator penyortiran. Citra telur diproses menggunakan model CNN untuk mengklasifikasikan telur ke dalam empat kategori, yaitu Grade A, Grade B, Grade C, dan Tidak Layak (TL). Hasil klasifikasi kemudian dikombinasikan dengan data berat telur dan ditampilkan secara real-time melalui aplikasi mobile berbasis React Native. Hasil pengujian menunjukkan bahwa model CNN berbasis MobileNetV2 berhasil mencapai akurasi validasi sebesar 95,49% dengan rata-rata F1-score sebesar 95,3%. Pada pengujian sistem terintegrasi yang dilakukan langsung di lapangan menggunakan 100 butir telur selama lima sesi pengujian, sistem memperoleh akurasi sebesar 72,0%. Sensor Load Cell menunjukkan nilai Mean Absolute Percentage Error (MAPE) sebesar 2,02%, dan sensor IR Obstacle berfungsi dengan baik. Aplikasi mobile NAKULA berhasil menampilkan data klasifikasi secara real-time serta mampu mengendalikan kecepatan conveyor melalui koneksi jaringan IoT

Proyek ini membahas pengembangan sistem identifikasi dan pemilahan kualitas telur ayam berbasis computer vision yang dilengkapi dengan teknologi deteksi objek YOLO dan klasifikasi CNN. Tujuan dari sistem ini adalah menciptakan solusi otomatis yang dapat menggantikan proses sortasi manual menjadi lebih terintegrasi, akurat, dan efisien. Dalam pengembangannya, sistem dirancang untuk memudahkan peternak dalam memilah kualitas telur secara konsisten tanpa bergantung pada penilaian subjektif manusia. Sistem SORTA memanfaatkan ESP32-CAM sebagai perangkat pengambil citra telur secara real-time, yang kemudian dikirimkan melalui jaringan WiFi ke server untuk diproses oleh model YOLOv8 dan CNN guna mengklasifikasikan kualitas visual cangkang telur. Selain analisis citra, sistem juga dilengkapi dengan sensor load cell dan modul HX711 untuk mengukur berat telur sebagai parameter pendukung dalam penentuan grade akhir. Hasil klasifikasi kemudian digunakan untuk menggerakkan robot arm secara otomatis guna memilah telur ke slot yang sesuai berdasarkan kategori Grade A, Grade B, Grade C, dan Tidak Layak. Seluruh data hasil pemilahan ditampilkan secara real-time melalui website monitoring berbasis Next.js sehingga proses sortasi dapat dipantau dan dievaluasi kapan saja. Dengan adanya sistem ini, diharapkan proses pengelolaan sortasi telur di tingkat peternak dapat berjalan lebih efisien, konsisten, dan terstruktur. Selain itu, penggunaan teknologi computer vision berbasis YOLO dan CNN memungkinkan klasifikasi kualitas telur dilakukan secara otomatis tanpa memerlukan tenaga penilai manual, sehingga memberikan nilai tambah dalam efektivitas, kecepatan, dan kemudahan pengelolaan hasil produksi telur ayam.

Toddler nutritional status is an important indicator in monitoring child growth and development. Nutritional problems in toddlers, such as undernutrition, stunting, and obesity, can have long-term impacts on children's health and development. Therefore, an effective system is needed to assist the process of classifying toddler nutritional status through the utilization of information technology. This study aims to classify toddler nutritional status using the Random Forest method based on anthropometric data, including gender, age, weight, and height. The research process includes data preprocessing, dataset merging, handling imbalanced data using the class weight technique, and parameter tuning to improve model performance. The classification model was developed based on the indicators of weight-for-age (BB/U), height-for-age (TB/U), and weight-for-height (BB/TB). The results show that the Random Forest model achieved good performance in classifying toddler nutritional status. The accuracy values obtained were 93.25% for the BB/U indicator, 93.49% for the TB/U indicator, and 93.49% for the BB/TB indicator. However, the model still has limitations in recognizing minority classes, especially in the TB/U indicator, as indicated by the relatively lower Macro F1-Score. Based on these results, the Random Forest method has the potential to be used as an initial screening tool for classifying toddler nutritional status more quickly and efficiently.

CV Mitra Sempurna Jaya, sebuah perusahaan rental mobil yang berbasis di Kabupaten Sidoarjo sejak tahun 2018, mengelola total 24 unit armada yang terdiri dari tipe Avanza, Ertiga, Xenia, dan Innova. Selama masa operasionalnya, perusahaan menghadapi tantangan dalam merencanakan ketersediaan unit karena masih mengandalkan pengalaman manual pengelola. Hal ini menyebabkan manajemen sering kali mengalami kesulitan dalam memprediksi lonjakan permintaan yang signifikan pada periode krusial, seperti hari raya, tahun baru, dan musim liburan sekolah. Untuk mengatasi permasalahan tersebut, dikembangkan sebuah sistem prediksi permintaan sewa mobil berbasis website. Sistem ini mengimplementasikan metode Triple Exponential Smoothing (TES) Holt-Winters Additif sebagai algoritma utama, dengan metode Simple Moving Average (SMA) sebagai instrumen pembanding. Dalam pengembangannya, sistem dibangun menggunakan framework Laravel dan basis data MySQL, serta didukung oleh library Python Statsmodels untuk memastikan parameter model teroptimasi secara otomatis. Basis peramalan dilakukan dengan mengolah data historis transaksi penyewaan selama 27 bulan, mulai dari Januari 2023 hingga Maret 2025. Berdasarkan hasil evaluasi, metode TES terbukti memiliki performa yang jauh lebih unggul dan akurat dibandingkan metode SMA untuk seluruh jenis kendaraan. Hal ini tercermin dari nilai MAPE yang dihasilkan, yakni sebesar 5,34% untuk Avanza, 3,62% untuk Xenia, 4,51% untuk Ertiga, dan 5,20% untuk Innova. Karena seluruh nilai tersebut berada di bawah ambang 10%, maka akurasi sistem masuk dalam kategori sangat baik. Selain itu, nilai MASE yang berada di bawah angka 1 memperkuat bukti bahwa model ini lebih andal daripada metode naive. Kualitas fungsional sistem juga telah diuji menggunakan metode Function Point Analysis (FPA) dengan perolehan skor sebesar 85,18%, yang menunjukkan bahwa sistem siap digunakan dengan kualitas yang baik. Dengan adanya sistem ini, manajemen CV Mitra Sempurna Jaya kini memiliki alat bantu digital yang mampu memberikan rekomendasi perencanaan armada secara lebih akurat, efisien, dan objektif berdasarkan tren data historis yang ada.

Perkembangan teknologi informasi mendorong transformasi digital pada pelayanan administrasi desa. Desa Pesudukuh masih menghadapi kendala dalam pengelolaan surat menyurat yang dilakukan secara manual, seperti penggunaan kertas berlebih, arsip tidak rapi, dan pelayanan yang kurang efisien sehingga masyarakat harus datang langsung ke kantor desa. Penelitian ini bertujuan merancang antarmuka (frontend) website administrasi surat berbasis digital untuk mempermudah pelayanan. Metode yang digunakan adalah Scrum dengan tahapan user story, product backlog, sprint, dan daily scrum secara iteratif sesuai kebutuhan pengguna. Data penelitian diperoleh melalui wawancara untuk menggali kebutuhan sistem. Perancangan antarmuka menghasilkan fitur pengajuan surat secara online, pengelolaan arsip, informasi desa, serta pemantauan status surat. Pengujian sistem dilakukan menggunakan metode System Usability Scale (SUS) dengan melibatkan 103 responden. Hasil pengujian menunjukkan skor SUS sebesar 73,77 dengan kategori Acceptable dan adjective rating Good. Hasil tersebut menunjukkan bahwa sistem mudah digunakan, dapat diterima oleh pengguna, serta mampu mendukung pelayanan administrasi desa secara lebih efektif dan efisien.

Sistem presensi yang digunakan di SMKN 1 Tamanan memiliki berbagai kelemahan, seperti inefisiensi waktu, potensi kecurangan, serta kesulitan dalam pengelolaan dan rekapitulasi data kehadiran. Hal ini disebabkan karena masih menggunakan cara manual berupa pemanggilan secara langsung siswa yang hadir pada setiap mata pelajaran. Berikutnya wali kelas akan memverifikasi ulang untuk memastikan siswa yang telah hadir. Sistem ini sangat memakan waktu dan juga kesulitan untuk didokumentasikan. Oleh sebab itu, peneliti mengajukan sistem presensi guru dan siswa berbasis mobile menggunakan pendekatan Convolutional Neural Network (CNN) dengan arsitektur mobilefacenet sebagai mode pengenelan wajah. Sistem dikembangkan menggunakan framework Flutter, MediaPipe untuk deteksi wajah, serta model Mobilefacenet pretrained sebagai feature extractor. Proses presensi meliputi deteksi wajah, preprocessing, ekstraksi fitur dalam bentuk embedding, serta verifikasi menggunakan metode Cosine Similarity dengan nilai ambang batas tertentu. Hasil pengujian menunjukkan bahwa sistem memiliki performa yang baik dengan tingkat keberhasilan Blackbox Testing sebesar 100%, rata-rata akurasi pengenalan wajah sebesar 80,88%, serta nilai User Acceptance Test (UAT) sebesar 77,31%. Dengan demikian, sistem yang dikembangkan mampu meningkatkan proses presensi menjadi lebih mudah dan efisien serta mudah dikelola karena terintegrasi secara online.

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.

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.