Deteksi hama pada tanaman sawi caisim merupakan salah satu tantangan utama yang dihadapi petani dalam budidaya tanaman ini, terutama di lingkungan greenhouse. Penelitian ini bertujuan untuk mengembangkan sistem deteksi hama berbasis algoritma YOLO (You Only Look Once) yang mampu mendeteksi hama ulat dan belalang pada tanaman sawi caisim dengan menggunakan citra digital. Proses penelitian mencakup pengumpulan dataset berupa gambar daun sawi caisim yang digigit hama, pelatihan model YOLO dengan konfigurasi yang berbeda, dan integrasi model ke dalam aplikasi mobile. Model YOLO yang dikembangkan diuji dengan beberapa varian, yaitu YOLOv8s, YOLOv8m, dan YOLOv8l, dengan jumlah epoch yang berbeda untuk mengevaluasi kinerja berdasarkan metrik precision, recall, mAP50, dan mAP50-95. Hasil eksperimen menunjukkan bahwa model YOLOv8l dengan 50 epoch memberikan performa terbaik secara keseluruhan dalam hal mAP50, sementara YOLOv8m dengan 50 epoch menunjukkan precision tertinggi. Selain itu, aplikasi mobile yang terintegrasi dengan model YOLO telah berhasil dikembangkan, memungkinkan pengguna untuk mendeteksi jenis hama secara langsung melalui perangkat mobile sekaligus memberikan rekomendasi penggunaan pestisida organik yang sesuai, seperti ekstrak tembakau untuk ulat dan ekstrak kulit jeruk nipis untuk belalang. Dengan sistem ini, diharapkan petani dapat mengidentifikasi jenis hama lebih cepat dan akurat, mengurangi pemborosan penggunaan pestisida, serta meningkatkan produktivitas dan efisiensi pengelolaan tanaman sawi caisim.

Perkembangan Internet of Vehicles (IoV) meningkatkan kebutuhan terhadap sistem keamanan jaringan yang mampu mendeteksi serangan secara cepat, akurat, serta tetap menjaga privasi data. Salah satu pendekatan yang dapat digunakan adalah Intrusion Detection System (IDS) berbasis deep learning yang dikombinasikan dengan Federated Learning sehingga pelatihan model dapat dilakukan tanpa memusatkan data pada satu lokasi. Namun, penerapan Federated Learning pada lingkungan IoV masih menghadapi tantangan akibat distribusi data yang tidak seragam (non-IID) dan keterbatasan sumber daya komputasi pada perangkat edge. Penelitian ini mengusulkan model lightweight DPDNet-Lite untuk mendeteksi serangan pada dataset TOW-IDS menggunakan representasi citra grayscale dan Discrete Wavelet Transform (DWT). Evaluasi berbagai konfigurasi preprocessing menunjukkan bahwa citra berukuran 256×256 dengan DWT level 2, yang menghasilkan masukan model berukuran 64×64, memberikan performa terbaik pada skenario Federated Learning. Meskipun menggunakan ukuran masukan yang relatif kecil, konfigurasi tersebut tetap mampu mempertahankan informasi penting dari trafik jaringan sehingga menghasilkan performa deteksi yang lebih baik dibandingkan konfigurasi preprocessing lainnya. Hasil pengujian menunjukkan bahwa DPDNet-Lite mencapai accuracy sebesar 98,15% pada Centralized Learning, 97,21% pada Federated Learning IID, dan 96,34% pada Federated Learning non-IID. Pada klasifikasi multiclass, model memperoleh accuracy sebesar 98,19% (IID) dan 95,34% (non-IID). Selain itu, pengujian pada AVTP Intrusion Dataset menghasilkan accuracy 92,65%, F1-score 93,41%, dan false positive rate 6,27%. Hasil penelitian menunjukkan bahwa DPDNet-Lite mampu mempertahankan performa deteksi yang tinggi pada berbagai skenario pelatihan serta berpotensi menjadi solusi IDS yang efisien untuk lingkungan IoV.

Toko ISTOK Blitar terletak di Jl. Puntodewo, Bendowulung, Kec. Sanankulon, Kabupaten Blitar, Jawa Timur 66151.Penjualan Barang di Toko ini masih menggunakan caara yang manual dan ruang lingkup penjualan yang tergolong masih kecil.Tujuan penelitian ini adalah membuat Sistem Penjualan Barang Pada Toko ISTOk di Blitar.Pengumpulan data dilakukan dengan cara wawancara, dan observasi.Tahap penelitian dimulai dari analisis sistem, kemudian analisis pengembangan sistem. Analisis sistem berbasis website dan mobile berorientasi objek, dengan alat bantu bahasa pemrograman yang digunakan PHP-Code Igniter, HTML, CSS-Bootstrap, Flutter-Dart-GetX,Database dibuat menggunakan MySQL. Hasil penelitian adalah website dan mobile yang memudahkan pihak toko pada proses penjualan dan laporan data hasil dari penjualan barang. sistem informasi ini mempunyai data rekap laporan yang dapat mempermudah toko dalam mengelola data penjualan.

Seiring kemajuan teknologi, cara komunikasi antara manusia dan komputer telah mengalami perubahan dari waktu ke waktu. Perubahan tersebut dengan tujuan supaya komunikasi antara manusia dan komputer dapat berlangsung secara lebih efisien. Dan pada proyek akhir ini akan dibuat mesin dialog percakapan Bahasa Inggris menggunakan interaksi dua arah anatara manusia dengan mesin (komputer). Metode yang digunakan adalah sinkronisasi facial animation character secara otomatis untuk speech. Metode ini disesuaikan untuk mengenali fonem sederhana. Fonem yang dikenali kemudian dikaitkan dengan posisi mulut untuk keyframe pada computer animation of speech menggunakan model parametric wajah manusia. Komponen text-to-speech melakukan analisis input teks. Software yang digunakan untuk animasi pada komputer adalah CrazyTalk. Sementara mesin pengenalan ucapan, adalah SAPI (Speech Application Programming Interface). SAPI memberikan kemampuan workstation untuk mengenali ucapan manusia sebagai masukan, dan membuat audio keluaran seperti suara manusia dari teks tertulis.

Machine learning telah banyak digunakan dalam bidang apapun untuk menganalisa sebuah dataset. Salah satu metode machine learning adalah Support Vector Machine. Metode support vector machine disini sebagai nilai akurasi ketepatan dataset diagnosa kondisi pasien tersebut. Pada penelitian kali ini untuk melihat nilai akurasi pada suatu data akan dibedakan berdasarkan rentang usia dan berdasarkan pada jumlah data dengan rentang usia tertentu. Pada data rentang usia dimulai dari rentang usia 29 sampai 39, 40 sampai 49, 50 sampai 59, dan 60 keatas. Sedangkan pada jumlah data dengan rentang usia tertentu sejumlah 20, 40, 60, dan 80 data. Proses training data kali ini menggunakan bahasa pemrograman python dengan menggunakan algoritma svm sehingga dalam prosesnya, dataset akan dibagi menjadi 75 persen data train dan 25 persen data test, dan untuk prosesnya memakai data test sebagai acuan. Dari pengujian yang dilakukan, nilai akurasi paling besar ditunjukkan pada rentang usia 29 sampai 39 dengan memiliki nilai akurasi 75 persen, sedangkan pada rentang usia yang lain dibawah 75 persen. Kemudian pada kategori jumlah data berdasarkan rentang usia tertentu, nilai akurasi paling besar ditunjukkan pada jumlah data sebanyak 80 data pada rentang usia 40 sampai 49 yakni sebesar 72.7 persen. Sedangkan yang lainnya didapatkan nilai akurasi dibawah 72.7 persen. Hal ini menunjukkan bahwa kualitas sebuah dataset sangat mempengaruhi terhadap nilai akurasi yang didapatkan. Setelah itu dilakukan sebuh proses waktu komputasi untuk mengetahui berapa waktu yang dibutuhkan dalam melakukan training sebuah dataset dalam pengujian kali ini. Dalam pengujian kali ini digunakan 5 sampel data pada rentang usia 40 sampai 49. Dari kelima sampel tersebut kemudian dirata rata, dan hasil yang didapatkan berkisar 0.89 detik. Angka tersebut adalah waktu untuk memproses sebuah data dengan jumlah data sebanyak 20 hingga 80 data.