Periode balita, yang mencakup usia anak di bawah lima tahun, merupakan fase penting dalam pertumbuhan dan perkembangan manusia. Pada masa ini, sangat penting untuk memastikan asupan gizi yang seimbang agar anak dapat tumbuh dengan baik dan mengembangkan kecerdasannya. Kurangnya asupan gizi yang memadai dapat menyebabkan rentan terhadap penyakit dan berisiko mengalami gizi buruk. Gizi buruk merujuk pada kondisi di mana seseorang mengalami kekurangan nutrisi atau memiliki asupan nutrisi yang di bawah standar. Dalam konteks anak balita, gangguan gizi buruk yang terjadi secara patofisiologi meliputi kekurangan energi protein, anemia akibat kekurangan zat besi, gangguan akibat kekurangan yodium, dan kekurangan vitamin A. Gangguan-gangguan ini dapat menghambat pertumbuhan, menurunkan daya tahan tubuh terhadap infeksi, menyebabkan rendahnya tingkat kecerdasan, penurunan kemampuan fisik, gangguan pertumbuhan fisik dan mental, stunting, kebutaan, dan bahkan kematian pada balita. Dalam studi ini, akan dikembangkan sebuah sistem pakar yang bertujuan untuk mengenali gizi buruk pada balita dengan menggunakan metode Naïve Bayes. Naïve Bayes adalah salah satu algoritma yang sering digunakan dalam sistem pakar karena kemampuannya dalam melakukan klasifikasi berbasis probabilitas. Dalam konteks sistem pakar, Naïve Bayes digunakan untuk menganalisis data masukan dan menentukan kemungkinan suatu kondisi berdasarkan pola yang telah dipelajari dari data sebelumnya. Berdasarkan pengujian akurasi sistem, diperoleh hasil dengan tingkat keakuratan yang tinggi.

Prediksi Harga Komoditas Pangan Provinsi Jawa Timur Menggunakan Algoritma Long Short Term Memory (LSTM), Lusy Damayanti, NIM E41211266, Tahun 2025, Teknologi Informasi, Politeknik Negeri Jember, Bety Etikasari, S.Pd., M.Pd (Dosen Pembimbing). Harga komoditas pangan di Indonesia, khususnya di Provinsi Jawa Timur, mengalami fluktuasi yang signifikan dan berdampak pada stabilitas ekonomi serta daya beli masyarakat. Jawa Timur sebagai salah satu sentra produksi pangan terbesar di Indonesia memiliki peran penting dalam menjaga keseimbangan harga komoditas. Namun, perubahan harga yang tidak terduga sering kali menyulitkan konsumen, pelaku usaha, dan pemerintah dalam perencanaan ekonomi dan kebijakan. Untuk mengatasi masalah ini, penelitian ini bertujuan untuk memprediksi harga 11 jenis komoditas pangan menggunakan metode Long Short Term Memory (LSTM), sebuah algoritma deep learning yang unggul dalam memproses data deret waktu (time series). Metode yang digunakan dalam penelitian ini mencakup pengumpulan data, preprocessing data, serta pembuatan model prediksi berbasis LSTM. Model dilatih dengan dataset harga komoditas dan dievaluasi menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) guna mengukur tingkat akurasi prediksi. Selain itu, hasil prediksi ditampilkan dalam bentuk website interaktif yang memudahkan pengguna dalam memantau tren harga pangan secara real-time. Hasil penelitian menunjukkan bahwa model LSTM mampu menghasilkan prediksi harga komoditas pangan dengan tingkat akurasi yang cukup baik pada epoch 100. Implementasi model ini diharapkan dapat menjadi solusi inovatif dalam membantu pemerintah, petani, pedagang, dan masyarakat dalam merencanakan strategi bisnis serta mengantisipasi perubahan harga pangan. Dengan demikian, penelitian ini berkontribusi pada pengembangan teknologi kecerdasan buatan dalam sektor pangan serta menjadi referensi bagi penelitian serupa di masa depan.

Jumlah penduduk Indonesia terus meningkat setiap tahun, termasuk di Kabupaten Jember yang pada 2023 mencapai 2.584.771 jiwa. Kepadatan penduduk berkontribusi terhadap berbagai permasalahan kesehatan, seperti tingginya angka kematian ibu (AKI) dan bayi (AKB), dengan 17 kasus kematian ibu dan 81 kematian bayi pada 2023. Penyebab utama AKI meliputi kehamilan di usia terlalu muda atau tua, jarak kehamilan yang rapat, dan keterlambatan rujukan, sedangkan AKB banyak disebabkan oleh asfiksia dan berat badan lahir rendah (BBRL). Untuk mengatasi masalah ini, pemerintah menjalankan program kemitraan bidan dan dukun bayi. Namun, informasi mengenai wilayah dengan risiko tinggi belum tersampaikan secara efektif. Oleh karena itu, penelitian ini membangun sistem berbasis Geographic Information System (GIS) dengan metode K-Means Clustering untuk mengelompokkan daerah tinggi kematian ibu dan bayi. Hasilnya menunjukkan bahwa metode ini berhasil membagi wilayah Kabupaten Jember menjadi tiga hingga lima klaster, yaitu sangat tinggi, tinggi, menengah, rendah, dan sangat rendah. Visualisasi dalam SIG memudahkan akses informasi dan identifikasi daerah prioritas untuk intervensi kesehatan, sehingga diharapkan dapat membantu menekan angka kematian ibu dan bayi lebih efektif.

Speech delay adalah masalah keterlambatan bicara dan perkembangan bahasa pada balita. Berdasarkan Survei yang dilakukan oleh Ikatan Dokter Anak Indonesia menunjukkan speech delay dan ketelambatan bahasa dialami 5% sampai 8% anak usia prasekolah. Speech delay terjadi karena dua faktor yaitu faktor genetik dan faktor lingkungan. Faktor lingkungan disebabkan oleh kurangnya stimulus verbal, minimnya interaksi dan komunikasi dengan orang sekitar khususnya orang tua. Namun, tidak semua orang tua memiliki waktu yang cukup untuk berinteraksi dengan balitanya sehingga dapat berdampak pada perkembangan bahasa balita. Masalah ini dapat diminimalisir melalui peran aktif orang tua dengan bantuan teknologi untuk memberikan informasi serta rekomendasi kegiatan interaksi dengan balita. Beberapa aktivitas dapat dilakukan orang tua seperti meminta dan mendengarkan balitanya bercerita, melihat dan meniru apa yang diucapkannya. Pada penelitian ini dikembangakan aplikasi Parent Assistance berbasis mobile dengan fitur pengingat, penjadwalan kegiatan interaksi orang tua-balita, dilengkapi panduan tumbuh kembang balita termasuk tahapan perkembangan fisik, kognitif, sosial, emosional balita serta tips perawatan, nutrisi, dan stimulasi berbicara yang sesuai untuk setiap usia. Tujuan jangka menengah yang ditargetkan adalah menurunkan risiko speech delay. Aplikasi yang dikembangkan secara fungsionalitas berjalan sesuai dengan yang diharapkan dan hasil uji System Usability Scale mendapatkan nilai 87 yang berarti sangat baik dan layak digunakan.

Penelitian ini bertujuan menganalisis sentimen pengguna terhadap aplikasi Zeopoxa Running di Google Play Store menggunakan metode Naïve Bayes. Dilatarbelakangi oleh perbincangan aplikasi olahraga, penelitian ini mengeksplorasi sentimen pengguna, klasifikasi Naïve Bayes, dan evaluasi performa klasifikasi. Manfaat penelitian ini adalah membantu calon pengguna dalam membuat keputusan yang lebih informasi terkait dengan mengunduh aplikasi Zeopoxa Running berdasarkan analisis sentimen dari ulasan pengguna yang ada. Dengan data scraping sebanyak 754, terdiri dari 675 data positif dan 79 data negatif. Dimana sentimen pengguna terhadap aplikasi Zeopoxa Running lebih banyak pada sentimen positif jika menurut data. Hasil evaluasi menunjukkan akurasi 94.70%, presisi positif 98%, presisi negatif 71%, recall positif 95%, recall negatif 88%, F1-Score positif 96% dan F1-Score negatif 78%. Melalui implementasi sistem menggunakan web PHP, penelitian ini memberikan kontribusi dalam pemahaman sentimen pengguna terhadap aplikasi Zeopoxa Running. Dengan demikian, diharapkan hasil penelitian ini dapat menjadi landasan bagi kebijakan yang lebih tepat sasaran dan responsif terhadap pengguna terkait aplikasi Zeopoxa Running.

Website Rumah Sakit Dharma Husada merupakan sebuah website Rumah Sakit yang ada di Kota Probolinggo. Informasi yang disediakan di dalam website ini berupa informasi mengenai layanan, fasilitas dan juga pendaftaran pasien secara online. Penelitian ini bertujuan untuk menerapkan pendekatan Design Thinking dalam merancang rekomendasi desain Website Rumah Sakit Dharma Husada. Pengujian rekomendasi desain untuk menu pendaftaran online yang menjadi masalah utama yaitu menggunakan metode Usability Testing berupa penyebaran kuesioner di dapatkan hasil pada indikator learnability sebesar 3.92, memorability sebesar 3.81, effiiciency sebesar 3.68, errors sebesar 4.1 dan satisfaction sebesar 4.1, selain itu dibantu dengan menggunakan tools Maze untuk mengetahui hasil pengujian pada menu pendaftaran online didapatkan hasil di atas rata-rata yang dimana Maze Usability Score mendapatkan nilai sebesar 96 dengan nilai kesuksesan langsung 100% di semua tugas dan mendapatkan feedback yang sangat baik dari pengguna untuk seluruh tampilan desain website. Sehingga dapat disimpulkan bahwa desain Website Rumah Sakit Dharma Husada sudah sangat layak.

Perubahan iklim dan pemanasan global merupakan isu global yang menjadi perhatian utama banyak negara, termasuk Indonesia. Salah satu penyebab utama dari fenomena ini adalah peningkatan emisi CO2. Emisi karbon menjadi salah satu kontributor utama yang menyebabkan perubahan iklim bersama dengan emisi gas rumah kaca. Emisi co2 yang berlebihan bisa menimbulkan naiknya suhu permukaan bumi secara signifikan. Penelitian ini bertujuan untuk memprediksi kadar emisi CO2 di Indonesia menggunakan metode Long Short Term Memory (LSTM), sebuah jenis jaringan saraf tiruan yang dirancang untuk menangani data deret waktu dengan dependencies jangka panjang. Data yang digunakan adalah data historis emisi CO2 di Indonesia dari tahun 1889 hingga 2023. Model dikembangkan melalui tahap persiapan data, pembersihan data, pemodellan, pengujian, dan evaluasi menggunakan MAE, RMSE dan MAPE. Dari hasil beberapa uji coba menggunakan parameter yang berbeda, hasil terbaik diperoleh dengan perbanding 80?ta training 20?ta testing, serta dikombinasikan dengan time step 10, epoch 50 menghasilkan nilai MAE sebesar 202411114.04, RMSE sebesar 227687452.87, dan MAPE sebesar 16.41%, sehingga hasil dari prediksi emisi co2 menggunakan metode LSTM emiliki akurasi yang cukup baik.

Penelitian ini menggunakan Multinomial Naïve Bayes untuk melakukan analisis sentimen pada layanan pengaduan masyarakat di aplikasi JAKI. Data dikumpulkan menggunakan Google Colab dan Python, menghasilkan 2.695 entri yang valid, termasuk 1.622 sentimen negatif, 142 netral, dan 1.201 sentimen positif. Hasil klasifikasi menunjukkan akurasi sebesar 40.5% untuk sentimen positif, 54,7% untuk sentimen negatif, dan 4,8% untuk sentimen netral. Dengan menggabungkan fitur Chi- square, akurasi meningkat dari 81,14% menjadi 82,41%. Temuan menunjukkan bahwa metode ini efektif dalam mengklasifikasikan sentimen positif dan negatif; namun, ketidakseimbangan data netral mempengaruhi akurasi. Secara keseluruhan, kombinasi Chi-square dan Multinomial Naïve Bayes terbukti cukup akurat untuk analisis sentimen dan evaluasi layanan di JAKI.