Perkembangan teknologi yang pesat telah memungkinkan berbagai sektor untuk mengadopsi sistem berbasis digital guna meningkatkan efisiensi dan akurasi. Sistem absensi dapat diotomatisasi dengan teknologi pengenalan wajah. Penelitian ini bertujuan untuk merancang sistem absensi berbasis mobile menggunakan metode Two Dimensional-Linear Discriminant Analysis (2D-LDA) dan K-Nearest Neighbors (KNN). Metode 2D-LDA digunakan untuk ekstraksi ciri wajah dengan mempertimbangkan dimensi dua arah, yang meningkatkan akurasi dalam klasifikasi wajah dibandingkan metode LDA konvensional. Sementara itu, KNN berperan dalam proses klasifikasi dengan mencari tetangga terdekat dari data wajah yang telah diproses. Sistem ini dikembangkan menggunakan framework Flutter untuk platform mobile dan diintegrasikan dengan database MySQL. Hasil penelitian menunjukkan bahwa kombinasi metode 2D-LDA dan KNN dapat memberikan akurasi yang tinggi dalam pengenalan wajah untuk keperluan absensi, dengan tingkat akurasi mencapai 99,0?rdasarkan pengujian terhadap dataset wajah mahasiswa. Dengan adanya sistem ini, diharapkan dapat mengurangi risiko kecurangan dalam absensi serta meningkatkan efisiensi dalam pencatatan kehadiran mahasiswa.

Deteksi kebuntingan pada domba merupakan aspek penting dalam manajemen peternakan untuk meningkatkan produktivitas dan mengurangi potensi kerugian. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kebuntingan domba berbasis Machine Learning dengan menggunakan Convolutional Neural Network (CNN) arsitektur ResNet-152 pada citra ultrasonografi (USG). Data yang digunakan dalam penelitian ini terdiri dari 1.200 gambar USG yang dikumpulkan dari peternakan Gumukmas Multifarm, Jember. Data ini kemudian dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Proses pengolahan data melibatkan tahapan preprocessing, augmentasi data, dan normalisasi untuk meningkatkan performa model. Model CNN ResNet-152 dilatih menggunakan TensorFlow dengan optimasi Adam dan fungsi aktivasi sigmoid untuk klasifikasi biner (bunting dan tidak bunting). Hasil pengujian menunjukkan bahwa model memiliki tingkat akurasi yang tinggi, dengan metrik evaluasi seperti precision, recall, F1-score, dan confusion matrix yang menunjukkan keandalan dalam mendeteksi kebuntingan. Penelitian ini diharapkan dapat menjadi langkah awal dalam pengembangan teknologi berbasis kecerdasan buatan untuk meningkatkan efisiensi peternakan dan mendukung industri peternakan yang lebih modern.

Penentuan biaya ongkos kirim merupakan aspek penting dalam layanan pengantaran makanan. Aplikasi DiKantin POLIJE menyediakan layanan pengantaran makanan dari kantin POLIJE ke berbagai lokasi di kampus, dengan sistem perhitungan biaya yang selama ini bersifat statis. Oleh karena itu, penelitian ini membandingkan dua metode optimasi, yakni North West Corner (NWC) dan Least Cost (LC), untuk menentukan pendekatan yang lebih optimal. Hasil analisis menunjukkan bahwa dalam satu transaksi, tidak terdapat perbedaan signifikan antara kedua metode. Namun, saat diterapkan pada lebih dari satu transaksi, perbedaannya menjadi lebih jelas. Melalui perhitungan yang mempertimbangkan jarak dan biaya bahan bakar menunjukkan bahwa metode NWC menghasilkan nilai 4,731.29, lebih rendah dibandingkan metode LC yang menunjukkan hasil 5,704.62 sehingga hasil perhitungan dengan metode NWC dianggap lebih optimal. Implementasi metode optimasi ini meningkatkan pendapatan pengiriman sebesar 2,54% dibandingkan dengan metode statis yang digunakan sebelumnya. Validasi lebih lanjut dilakukan melalui kuesioner kepada pengguna DiKantin dengan membandingkan hasil perhitungan metode NWC dan metode statis. Hasil pengujian menunjukkan bahwa 54,8% responden menyetujui bahwa metode optimasi lebih dapat diterima dibandingkan dengan pendekatan statis.

Pada era revolusi 4.0 perkembangan teknologi telah memberikan dampak signifikan pada berbagai aspek kehidupan manusia, termasuk dalam industri perhotelan, restoran, dan layanan kecantikan seperti salon. Seiring berjalannya waktu terjadi perkembangan yang signifikan, berbagai peningkatan dan fitur canggih membuat masyarakat lebih mudah untuk mengakses website dan aplikasi mobile. Industri salon kecantikan adalah sektor yang terus berkembang seiring dengan peningkatan kesadaran masyarakat akan penampilan dan perawatan diri. Dalam era digital, teknologi informasi dan internet telah memengaruhi cara bisnis salon beroperasi dan berinteraksi dengan pelanggan. Salon Winda adalah salah satu salon kecantikan yang telah berdiri selama beberapa tahun dan telah membangun reputasi yang baik di kalangan pelanggan setianya. Namun, seperti banyak bisnis dalam industri ini, Salon Winda juga dihadapkan pada sejumlah tantangan yang perlu diatasi untuk mempertahankan dan meningkatkan kinerja bisnis mereka. Pada umumnya, pelanggan yang ingin mendapatkan layanan di salon harus menelepon atau pergi langsung ke salon untuk membuat janji. Hal ini sering kali menimbulkan kesulitan bagi pelanggan dalam mencari waktu yang cocok dengan jadwal mereka. Di sisi pemilik salon, manajemen jadwal manual dapat menjadi tugas yang memakan waktu dan berisiko terjadinya kesalahan dalam penjadwalan. Oleh karena itu, perancangan sistem informasi reservasi yang efisien menjadi sangat penting bagi Salon Winda. Sistem ini akan membantu mengotomatisasi proses pemesanan layanan, mengelola jadwal pelanggan, dan memberikan akses yang lebih mudah bagi pelanggan untuk membuat janji secara online.

Flutter merupakan framework open-source yang banyak digunakan dalam pengembangan aplikasi lintas platform, khususnya Android. Pemilihan library state management dan dependency injection menjadi aspek krusial dalam menentukan performa dan efisiensi aplikasi. Penelitian ini bertujuan untuk membandingkan performa antara Riverpod dengan GetIt yang diintegrasikan bersama BLoC. Metode penelitian meliputi implementasi dua versi aplikasi dengan pendekatan yang berbeda, kemudian dilakukan pengujian performa menggunakan Android Profiler, Snapdragon Profiler, dan Flutter DevTools. Pengujian dilakukan dalam dua skenario, yaitu normal profiling testing dan complexity testing. Hasil penelitian menunjukkan bahwa GetIt dengan BLoC lebih efisien dalam penggunaan CPU pada pengujian normal, sedangkan Riverpod lebih baik dalam pengelolaan memori. Namun, Riverpod menunjukkan konsumsi energi yang lebih tinggi akibat sifat reaktifnya. Pada pengujian kompleksitas, Riverpod unggul dalam efisiensi memori dan waktu eksekusi, menjadikannya pilihan yang lebih baik untuk aplikasi dengan struktur data yang kompleks.

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.