Penyakit kulit merupakan jenis penyakit yang sering dialami oleh makhluk hidup terutama kucing. Kucing salah satu hewan yang paling banyak dipelihara oleh manusia. Berdasarkan hasil survei berupa kuesoner yang disebarkan ke orang-orang yang memiliki kucing atau penyayang kucing, terdapat sekitar 65% dari 20 responden mengatakan kalau kucing peliharaannya pernah mengalami penyakit kulit dan sekitar 65% dari 20 responses mengatakan kesulitan mengenali penyakit kulit pada kucing. Pemilik atau pecinta kucing melakukan identifikasi penyakit kulit pada kucing dengan cara manual menggunakan indra penglihatan yaitu mata. Karena gejala penyakit kulit pada kucing memiliki kesamaan antar jenis penyakit, hal itu membuat pemilik atau pecinta kucing ragu atau salah mengenali jenis penyakit kulit pada kucing. Hal ini menyebabkan pecinta kucing salah memberikan pertolongan pertama atau pengobatan. Kondisi ini bisa membuat kucing bukan menjadi lebih sehat melainkan bisa bertambah parah. Solusi untuk mengatasi permasalahan tersebut untuk mengidentifikasi penyakit kulit pada kucing, penulis akan mengimplementasikan Deep Learning dengan menggunakan algoritma Convolutional Neural Network (CNN) untuk melakukan deteksi penyakit kulit pada kucing. Untuk mempermudah dalam pemakaiannya, dibuatlah dalam bentuk aplikasi android. Berdasarkan hasil uji confusion matrix didapatkan akurasi sebesar 78,33%, presisi sebesar 76,96%, dan recall sebesar 74,94%.

Pada era digital seperti sekarang cyberbullying kerapkali terjadi di berbagai belahan dunia termasuk di Indonesia, hal ini dapat terjadi pada siapa saja dan dimana saja terutama media sosial seperti YouTube melalui fitur komentar semua pengguna yang memiliki akun dapat dengan mudah terlibat cyberbullying hanya melalui berbalas komentar. Penelitian ini bertujuan untuk melakukan deteksi adanya cyberbullying melalui pengumpulan serta pengklasifikasian komentar negatif video pada kanal YouTube dengan konten tertentu berbasis bahasa Indonesia (serta bahasa-bahasa daerah tertentu, seperti Jawa dan Surabaya) melalui metode deep-learning Convolutional Neural Network — Long Short-Term Memory Network (CNN-LSTM). Dataset komentar yang dipakai dalam penelitian dikumpulkan dengan menggunakan Application Program Interface (API) yang telah disediakan oleh Youtube secara gratis dan berbatas kuota secara kumulatif. Terkumpul data komentar total sebanyak 26.918 komentar dengan perincian 9.834 komentar terklasifikasi cyberbullying dan 17.084 komentar terklasifikasi sebagai bukan cyberbullying. Setelah dataset dipakai dalam proses training pada model CNN-LSTM dan menghasilkan sebuah model dengan nilai F1-score sebesar 0,84, model tersebut dipakai dalam sebuah API sederhana yang menerima input beberapa kalimat yang akan dideteksi konten cyberbullying dan menghasilkan output berupa JSON yang berisi hasil klasifikasi dari setiap kalimat yang akan dideteksi.

"Electronic Traffic Law Enforcement" (ETLE) denotes a mechanism that employs electronic technologies to implement traffic regulations. This commonly entails utilizing a range of electronic apparatuses like cameras, sensors, and automated setups to oversee and uphold traffic protocols, administer fines, and enhance road security. ETLE systems are frequently utilized for identifying and sanctioning infractions like exceeding speed limits, disregarding red lights, and turning off the headlights. In Indonesia, there is currently no dedicated system designed to detect traffic violation, especially regarding vehicle headlights. Therefore, this research was conducted to detect vehicle headlights using digital images. With the results of this study, it will be possible to develop a system capable of classifying whether vehicle headlights are on or off. This research employed the deep learning method in the form of the YOLOv5 model, which achieved an accuracy of 94.12% in detecting vehicle images. Furthermore, the white color extraction method was performed by projecting the RGB space to HSV to detect the Region of Interest (ROI) of the vehicle headlights, achieving an accuracy of 73.76%. The results of this vehicle headlight detection are influenced by factors such as lighting, image capture angle, and vehicle type.

Jagung (Zea mays ssp. mays) adalahtanaman panganketiga terbesar setelah gandum dan beras, dan di Indonesia menempati posisi kedua setelah padi. Jagung dapat ditanam di daerah dengan suhu tinggi dan rendah serta curah hujan dan irigasi yang cukup. Namun jagung sangat rentan terhadap penyakit selama siklus hidupnya, yang dapat menurunkan kualitas dan kuantitasnya. Di Sumenep, Jagung dapat dikatakan sebagai bahan pangan pokok untuk sebagian masyarakat pedesaan atau pelosok. Penyebab terjadinya serangan pada tanaman jagung adalah ketidaktahuan petani dalam pencegahan dan penanganannya sehingga menyebabkan produksi jagung mengalami penurunan. Dinas pertanian kabupaten Sumenep juga belum mempunyai sistem untuk klasifikasi hama dan penyakit jagung. Tujuan penelitian ini adalah klasifikasi penyakit dan hama tanaman jagung menggunakan metode naïve bayes dengan information gain. Naïve Bayesdigunakan untuk mengolah nilai-nilai probabilitas setiap gejala, dan nilai persentase dari setiap hama dan penyakit. Information Gain untuk menyeleksi bobot gejala yang paling berpengaruh dalam menentukan hama dan penyakit jagung.Hasil uji coba, akurasi naïve bayesdengan information gaindapat meningkatkan akurasi rata-rata sebesar 3,17 % dibanding klasifikasi tanpa seleksi fitur. Akurasi terbaik diperoleh dengan metode information gaindan naïve bayes sebanyak15 fiturdari 47 fitur denganakurasi sebesar 98,47 %.Penelitian ini merekomendasikan 15 fitur, dengan 3 fitur terbesar adalah tidak berbuah, daun berklorosis sebagian atau seluruh daundan adanya bekas gigitan pada batang.

Difteri adalah penyakit menular dan mematikan, penyakit ini dilaporkan oleh Dinas Kesehatan Jawa Barat kembali merebak akibat penanganan yang lambat. Jauhnya fasilitas layanan kesehatan dan keterbatasan jumlah dokter menjadi permasalahan. Tujuan dari penelitian ini adalah merancang dan membangun sistem pakar yang mampu melakukan diagnosis awal penyakit difteri melalui penerapan metode certainty factor. Aplikasi ini dirancang dalam bentuk web dengan mengikuti proses pengembangan aplikasi ESDLC (Expert System Development Life Cycle). Hasil dari penelitian ini adalah sebuah aplikasi sistem pakar berbasis web untuk mendiagnosis penyakit difteri dengan basis pengetahuan terdiri dari 12 gejala penyakit. Sistem pakar diagnosis penyakit difteri ini telah melalui proses uji coba menggunakan metode blackbox testing, hasilnya menunjukkan semua fitur dalam aplikasi yang sudah dibuat dapat beroperasi dengan baik. Selain itu, tingkat akurasi dari sistem pakar ini sebesar 90% berdasarkan akurasi yang telah dilakukan terhadap 10 data uji. Hasil tersebut menunjukkan bahwa diagnosis yang dihasilkan dari sistem pakar mempunyai hasil yang sejalan dengan diagnosis pakar.

Bantuan modal diperlukan untuk meningkatkan produktivitas dan mendukung pertumbuhan industri kecil dan menengah (IKM). Dinas Perindustrian dan Tenaga Kerja Kabupaten Bangkalan seringkali mengalami kesulitan untuk merekomendasikan dan memprioritaskan penerima bantuan dari IKM agro dan non-agro sesuai dengan kriteria yang telah ditetapkan. Permasalahan tersebut mengakibatkan terjadinya penyaluran bantuan modal yang tidak efisien. Sistem rekomendasi untuk penentuan prioritas bantuan IKM dengan menggunakan metode AHP dan MOORA. Metode AHP digunakan untuk mengatribusikan nilai bobot pada kriteria yang berbeda, sedangkan metode MOORA dimanfaatkan untuk melakukan peringkat pada setiap opsi yang ada. Parameter kriteria yang digunakan adalah jumlah produksi, tenaga kerja, omzet dan surat ijin usaha. Pengujian validasi metode MOORA mendapatkan nilai precision 86%, recall 90%, accuracy 80% dan F1-score 88% yang menunjukkan metode MOORA mampu menghasilkan rekomendasi alternatif yang terbaik. Manfaat hasil penelitian ini dapat membantu penyalur untuk merekomendasikan dan memprioritaskan penerima bantuan modal IKM sesuai dengan kriteria.

This research is a systematic literature review of factors that influence repurchase intention. Repurchase intention is important for companies because it will shape customer behavior to become loyal, customers usually tend to have an interest in buying products or services repeatedly so that the company will benefit from products or services that have been sold. The aim of this research is to provide insights into the research trends and issues in the studies of Repurchase Intention. The literature search focused on finding journals published between 2018 and 2023. Only English-language journals with the keyword Repurchase Intention were used in this research. Researchers found 80 journals that matched these keywords but after reading the collected articles thoroughly and removing duplicate and irrelevant articles, the authors produced 50 articles to be used in this research. The findings highlight key drivers for increasing sales: Satisfaction, Trust, Perceived Value, Price, and Word of Mouth. Additionally, 14 moderating factors were identified, with Age being the most prominent in four articles. Korea, India, and Indonesia lead research contributions, each with six articles. Structural Equation Modeling (SEM) is the prevailing measurement method, while other approaches persist. Companies are recommended to prioritize these core factors for consumer engagement. Future research should delve into unexplored moderating factors and alternative measurement methods, enriching our understanding of this vital field.

Data penelitian terakhir menunjukkan bahwa masyarakat merasa takut untuk melakukan pemeriksaan ke instansi kesehatan akibat kurangnya pengetahuan Covid-19, sehingga menyebabkan ketidak pedulian dalam aktivitas sehari-hari terhadap dampak dari situasi penyakit Covid-19. Oleh karena itu dibutuhkan sebuah aplikasi sistem deteksi gejala awal penyakit Covid-19 berbasis mobile. Tujuan dari penelitian ini membuat aplikasi sistem deteksi penyakit Covid-19 dengan menerapkan metode pengklasifikasian Naive Bayes sehingga mempermudah pengguna dalam melakukan tes mandiri gejala awal Covid-19. Metode perancangan yang digunakan adalah Extreme Programming (XP) yang terdiri dari planning, analysis, design, implementation, dan maintenance. Data yang digunakan terdiri dari 2 dataset yaitu dataset untuk pengklasifikasian penyakit Covid-19 dengan jumlah data sebanyak 44.453 dan dataset untuk pengklasifikasian varian Covid-19 berjumlah 128.769. Penelitian ini melakukan 2 kali pemodelan menggunakan Split Data dengan perbandingan 5:5 untuk klasifikasi penyakit Covid-19 dan perbandingan 3:7 untuk klasifikasi varian Covid-19. Hasil penelitian ini berhasil membangun Sistem deteksi penyakit Covid-19 berdasarkan gejala awal menggunakan algoritma Naive Bayes berbasis android dan telah mampu memprediksi penyakit Covid-19 ke dalam 4 class dengan nilai F1-Score yaitu Allergy 0,98, Cold 0,61, Covid 0,56, dan Flu 0,95, serta gejala yang paling berpengaruh pada class Allergy yaitu CS13 (Loss of taste) dengan nilai 0,50, class Cold yaitu CS3 (Tiredness) dengan nilai 0,52, class Covid yaitu CS12 (Difficulty breathing) dengan nilai 0,51, dan class Flu yaitu CS19 (Sneezing) dengan nilai 0,53, sistem yang dibangun juga mampu memprediksi varian Covid-19 ke dalam 3 class dengan nilai F1-Score yaitu alpha 0,85, delta 0,78, dan omicron 0,93, serta gejala yang paling berpengaruh pada class Alpha yaitu VS3 (Loss of appetite) dengan nilai 0,74, class Delta yaitu VS12 (Cough) dengan nilai 0,87, dan class Omicron yaitu VS10 (Sore throat) dengan nilai 0,67, juga aplikasi berhasil dan dapat dirancang dengan pendekatan Extreme Programming (XP).

Industri permainan telah mengalami perkembangan pesat dalam beberapa tahun terakhir, ditandai dengan munculnya berbagai jenis permainan yang menarik dan inovatif. Salah satu tren yang sedang meningkat adalah popularitas game midcore yang berhasil menarik perhatian pemain dari berbagai kelompok. Karena daya tariknya, banyak studio game beralih ke pengembangan game midcore untuk mengeksplorasi potensi pasar yang luas dan mencapai kesuksesan yang lebih besar. Salah satu tantangan utama yang dihadapi dalam pengembangan game midcore oleh perusahaan adalah perancangan dan pembuatan komponen antarmuka pengguna (UI) yang efektif. Bagian UI merupakan aspek kritis dalam permainan karena secara langsung mempengaruhi pengalaman bermain dan keterlibatan pemain. Di samping itu, pada saat ini belum ada standar universal atau framework yang sepenuhnya mendukung pengembangan UI pada game midcore. Kurangnya alat bantu yang efisien dapat menyebabkan penundaan dan peningkatan beban kerja pada tim pengembang, yang akhirnya dapat berdampak pada keseluruhan pengalaman bermain dan kualitas produk. Dalam menghadapi tantangan pengembangan UI pada game midcore, penelitian ini menyajikan solusi dengan menerapkan design pattern untuk mengembangkan komponen UI game yang akan menjadi framework pada Unity Engine. Hasil validasi menunjukkan bahwa penggunaan framework ini menyebabkan efisiensi pada waktu pengembangan dan interaction cost. Efisiensi interaction cost sebesar 10% hingga 66% dan waktu pengembangan sebesar 28% hingga 91%. Selain itu, dari hasil survei pelanggan menggunakan metode perhitungan Customer Satisfaction Score (CSAT), diperoleh tingkat kepuasan pelanggan sebesar 78%. Nilai 78% dalam skala CSAT dianggap sebagai tingkat kepuasan "excellent response," yang menyiratkan bahwa menurut pelanggan, framework ini telah memiliki performa yang sangat baik.

Warisan budaya merupakan salah satu bagian yang penting dalam budaya Indonesia dan perlu dilestarikan keberadaanya, salah satu warisan budaya yang perlu dilestarikan yaitu Rumah adat. Informasi terkait rumah adat juga cenderung dicari oleh masyarakat untuk kepentingan pendidikan dalam dunia pengenalan budaya, arsitektur, maupun dalam bidang pariwisata. Hingga saat ini masih banyak daerah di Indonesia yang masih memiliki rumah adatnya dengan tujuan untuk mempertahankan nilai budaya, sebagai tempat pertemuan acara adat, maupun sebagai objek wisata. Salah satunya adalah Provinsi Nusa Tenggara Timur (NTT) yang memiliki beragam rumah adat seperti Sao Ngada (Suku Bajawa), Sao Ria (Suku Ende), Ume Kbubu (Suku Timor), Sao Ata Mosa Lakitana (Sumba), dan Mbaru Niang (Suku Wae Rebo). Keanekagaraman bentuk, kemiripan material penyusun, dan kemiripan bangunan dapat membuat sebagian masyarakat awam kesulitan dalam membedakan jenis atau nama antara rumah adat yang satu dengan rumah adat yang lain. Oleh karena itu diperlukan teknologi digital yang dapat mengindentifikasi dan mengklasifikasikan rumah adat, sehingga dapat membantu wisatawan, maupun masyarakat umum yang mempelajari seputar rumah adat dalam membedakan jenis rumah adat tertentu. Dalam Penelitian ini model deep learning diterapkan untuk identifikasi dan klasifikasi rumah adat, dengan menggunakan algoritma Convolutional Neural Network (CNN) dan Capsule Networks (CapsNet). Penelitian ini bertujuan membandingkan algoritma deep learning, CNN menggunakan arsitektur Resnet50V2 dan CapsNet, dimana dataset yang digunakan terdiri dari 500 data rumah adat di NTT. Hasil penelitian menunjukkan bahwa CNN memiliki nilai akurasi sekitar 98% dengan nilai loss sekitar 0,72, sedangkan CapsNet memiliki nilai akurasi sekitar 72% dengan nilai loss sekitar 1,73%. Berdasarkan hasil klasifikasi tersebut dalam kasus ini, disimpulkan bahwa CNN lebih baik dalam mengklasifikasikan objek rumah adat dibandingkan dengan CapsNet. Oleh karena itu untuk pekerjaan lebih lanjut dapat dilakukan perbaikan parameter tuning untuk algoritma CapsNet dan juga dapat mengimplementasikan CNN dalam pembuatan aplikasi untuk identifikasi dan klasifikasi objek rumah adat sehingga dapat membantu Masyarakat umum dalam membedakan jenis rumah adat melalui aplikasi tersebut.