Penelitian ini mengembangkan modul berbasis web service untuk Sistem Informasi Penelitian dan Pengabdian Masyarakat (Simlitabmas) guna mengatasi inefisiensi pengelolaan penelitian akibat belum meratanya adopsi Simlitabmas di 2.982 PTS Indonesia, yang ditandai proses manual rumit, minimnya kolaborasi, ketiadaan sistem terintegrasi, dan antarmuka kurang intuitif. Modul menawarkan fitur pengajuan proposal, pelaporan progres (biaya & logbook), pengelolaan skema, dan antarmuka web user-friendly untuk: (1) menyederhanakan alur terintegrasi, (2) meningkatkan koordinasi via interoperabilitas dengan sistem internal kampus, (3) mengoptimalkan penggunaan melalui UX intuitif, dan (4) menyediakan standar sistem bagi perguruan tinggi tanpa Simlitabmas. Implementasinya diharapkan mempercepat proses pengajuan-monitoring-evaluasi, meningkatkan kolaborasi peneliti-dosen, menyeragamkan praktik penelitian, serta mendukung produktivitas penelitian akademik berkualitas.

Muddy Buddy merupakan brand yang memproduksi produk kecantikan dengan bahan organik berkualitas tinggi yang dibuat dengan bahan-bahan tradisional. Brand ini memiliki produk unggulan yang ditujukan untuk semua kalangan, dengan agen penjualan mulai dari reseller (usaha kecil) hingga distributor menuju pelanggan akhir (customer) di seluruh Indonesia. Banyaknya agen distribusi yang tersebar di seluruh Indonesia membuat para pelanggan setia produk Muddy Buddy mudah untuk mendapatkan produk yang mereka inginkan di tempat tinggal terdekat mereka, namun di sisi lain para agen penjualan baru dari daerah baru sulit untuk menjangkau pelanggannya dikarenakan data agen penjualan lama yang sering di promosikan di platform media sosial mereka. Bersumber dari permasalahan di atas, penulis terdorong untuk dapat mengatasi kesulitan tersebut dengan membuat website muddy buddy dengan sistem informasi geografis, menggunakan algoritma djikstra yang dapat memberikan informasi agen penjualan agar para customer mudah mendapatkan akses ke agen penjualan terdekat, baik itu agen reseller maupun agen distributor di Jawa Timur. Hasil tanggapan seluruh responden mengenai aplikasi ini dapat disimpulkan bahwa aplikasi ini baik digunakan untuk semua hak akses baik itu untuk sisi pelanggan maupun agen penjualan dalam proses transaksi dan proses pencarian agen penjualan.

Pentingnya transportasi sebagai bagian dari peradaban manusia membuat moda transportasi sangat penting. Hal itu dapat dilihat dari tren peningkatan jumlah kendaraan setiap tahunnya. Data jumlah kendaraan bermotor tahun 2018-2020 yang didapatkan dari Badan Pusat Statistik menunjukkan terjadinya peningkatan jumlah kendaraan yang signifikan dengan total jumlah kendaraan mencapai lebih dari 136 juta pada tahun 2020. Penyumbang jumlah kendaraan bermotor yang cukup besar berasal dari kendaraan pribadi, yakni mobil dan sepeda motor. Penyebab kemacetan di jalan dapat disebabkan oleh berbagai faktor, diantaranya volume kendaraan yang terlalu banyak, rambu lalu lintas yang kurang dan sistem pengelolaan lalu lintas yang kurang baik. Data volume kendaraan salah satunya dapat digunakan untuk mengatasi kemacetan dengan mengevaluasi sistem pengelolaan lalu lintas yang sudah ada dan menerapkan strategi pengelolaan arus lalu lintas yang lebih baik. Untuk menghitung volume kendaraan, biasanya dilakukan menggunakan tenaga manusia, dimana jumlah kendaraan yang lewat dihitung kemudian dibagi dalam rentang waktu tertentu. Metode tersebut perlu ketelitian dan masih memiliki beberapa kekurangan seperti dibutuhkan waktu yang cukup lama dan bisa jadi terdapat kekeliruan dikarenakan faktor human error. Permasalahan tersebut dapat diselesaikan dengan membuat sebuah sistem deteksi dan klasifikasi jenis kendaraan secara real-time menggunakan penerapan dari deep learning. Model YOLOv7 tiny digunakan untuk melakukan deteksi dan klasifikasi jenis kendaraan. Komponen dari sistem terdiri dari NVIDIA Jetson Nano untuk melakukan proses deteksi dan klasifikasi jenis kendaraan, USB camera untuk merekam kondisi lalu lintas jalan dan menyimpannya sebagai video. Sistem bekerja dengan membaca input yang berasal dari video, model YOLOv7 tiny akan membuat bounding box pada kendaraan yang terdeteksi serta memberikan nilai prediksi probabilitas jenis kendaraan tersebut.

Kanker payudara adalah keganasan yang berasal dari sel kelenjar, saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara [1]. Kanker payudara menempati urutan pertama populasi di Jawa Timur pada tahun 2013. Deteksi dua tahun terakhir menunjukkan peningkatan dari 1.200 penderita jadi 1.700 [3]. Namun untuk mengurangi dan mencengah terkena kanker payudara dapat dilakukan deteksi dini kanker payudara. Deteksi dini kanker payudara dapat dilakukan dengan cara pemerikSAan payuDAra sendiRI (SADARI). Tingginya jumlah penderita kanker payudara terutama di Jawa Timur menunjukkan kurangnya pengetahuan dan kesadaran masyarakat tentang bahaya kanker payudara. Untuk itu diperlukan suatu media penunjang yang dapat memberikan informasi secara keseluruhan mengenai kanker payudara serta deteksi dini kanker payudara dengan cara SADARI. Media penunjang yang akan dibuat oleh penulis menggunakan video explainer dengan jenis video motion graphics. Diharapkan dengan video explainer tersebut dapat menunjang kegiatan penyuluhan pada remaja yang dilakukan oleh Yayasan Kanker Indonesia Cabang Jawa Timur.

Indonesia memiliki udang sebagai salah satu komoditas perikanan. Udang jenis Vannamei adalah komoditas utama untuk ekspor udang Indonesia. Kegiatan pada proses budidaya komoditas ini berupa pembenihan dan pembibitan. Pada proses pembenihan terdapat proses perhitungan saat hendak dijual. Proses perhitungan saat ini dilakukan secara manual, dimana terdapat kelemahan di dalamnya yaitu waktu yang terbuang dalam proses perhitungan dan tingkat akurasi yang rendah. Sehingga membutuhkan sebuah cara agar perhitungan dapat dilakukan dengan cepat dan akurasi yang tinggi. Berdasarkan proyek akhir sebelumnya dengan nama Alat Penghitung Benih Udang Berbasis Vision oleh Muhammad Marthoni Rozaqo Saeni, kebutuhan ini telah terakomodasi. Akan tetapi, hasil dari proyek akhir alat ini belum bisa menghitung benih dalam jumlah yang lebih banyak dari 70. Selain itu usia dari benih yang dapat dideteksi masih berkisar PL-12 ke atas. Oleh karena itu untuk selanjutnya diperlukan sebuah cara agar hasil yang didapatkan dan tingkat ketelitian lebih tinggi. Tujuan dari proyek akhir kali ini adalah untuk meningkatkan hasil deteksi dari benih udang. Proyek akhir kali ini menggunakan standalone device, secara spesifik menggunakan Raspberry Pi. Raspberry Pi akan mengambil input berupa gambar dari benih. Kemudian dari gambar tersebut akan diproses menggunakan model Faster RCNN ResNet50 dan SSD MobileNet V2 yang telah dilakukan training. Proses deteksi menggunakan alur kerja yang telah mempertimbangkan kapasitas dari perangkat input yang berupa kamera dan perangkat pemroses yang merupakan Raspberry Pi. Pemilihan alur kerja deteksi dan implementasi dari model terpilih, terbukti dapat meningkatkan nilai akurasi dari proses deteksi benih udang hingga 83,33% pada 206 benih udang.