Madu merupakan produk alami yang kemurniannya menjadi indikator utama kualitas dan keasliannya. Penelitian ini bertujuan untuk memprediksi tingkat kemurnian madu menggunakan algoritma Artificial Neural Network (ANN) dengan metode Backpropagation. Dataset terdiri dari 247.903 data dengan 10 atribut madu yang digunakan sebagai variabel input, sedangkan tingkat kemurnian madu dijadikan sebagai target output. Tahapan penelitian meliputi pra-pemrosesan data, pelatihan model, serta evaluasi hasil prediksi. Setelah melalui tahap pra-pemrosesan, jumlah fitur input bertambah menjadi 27. Pada proses eksperimen, dilakukan pengujian beberapa variasi arsitektur (27-14-14-1, 27-27-27-1, 27-54-54-1), fungsi aktivasi (ReLU, sigmoid biner, sigmoid bipolar), learning rate (0,01, 0,1, 0,5), dan jumlah epoch (1000, 1500, 2000) untuk memperoleh konfigurasi terbaik. Hasil optimal diperoleh pada arsitektur jaringan 27-54-54-1 dengan fungsi aktivasi ReLU, learning rate 0,5, dan jumlah epoch sebanyak 2000. Konfigurasi tersebut menghasilkan kinerja prediksi dengan nilai Mean Squared Error (MSE) 0,000542, R-squared (R²) sebesar 0,972010, dan Mean Absolute Percentage Error (MAPE) 1,26%. Hasil ini membuktikan bahwa algoritma Backpropagation Artificial Neural Network dapat digunakan secara efektif dalam memprediksi tingkat kemurnian madu.
Kata Kunci - Artificial Neural Network, Backpropagation, Prediksi, Kemurnian Madu

Penginapan berperan penting dalam mendukung mobilitas masyarakat, baik untuk kepentingan bisnis, pekerjaan, maupun perjalanan pribadi, sekaligus berkontribusi dalam sektor pariwisata sebagai sarana akomodasi. Salah satu tantangan utama penginapan adalah ketidakpastian jumlah tamu bulanan yang berdampak pada pendapatan dan pemanfaatan kamar. Penelitian ini bertujuan membangun model prediksi jumlah tamu tahun 2025 dengan metode simulasi Monte Carlo menggunakan data historis 2022–2024. Tahapan simulasi meliputi pembentukan distribusi probabilitas, penyusunan distribusi kumulatif, penentuan interval bilangan acak, serta pembangkitan bilangan acak melalui Mixed Congruential Method. Hasil penelitian menunjukkan pola musiman yang konsisten, dengan puncak kunjungan pada April yang diduga terkait perayaan Idulfitri 1446 Hijriah. Model prediksi mencapai akurasi 76,22% pada 2023, 76,80% pada 2024, dan 88,86% pada 2025, dengan rata-rata 80,63%. Pada 2025 diperoleh nilai MAE sebesar 88,50, RMSE sebesar 128,91, dan MAPE sebesar 11,14%. Temuan ini menegaskan bahwa metode Monte Carlo efektif dalam merepresentasikan ketidakpastian serta relevan sebagai dasar pengambilan keputusan strategis, sehingga dapat direkomendasikan untuk memprediksi lonjakan jumlah tamu dan mendukung peningkatan kualitas layanan penginapan.
 
Kata kunci – Jumlah tamu, prediksi, monte carlo, simulasi, data historis.

Navigasi otonom merupakan komponen mendasar dalam pengembangan sistem robot bergerak, terutama saat beroperasi di lingkungan bercabang seperti labirin (maze). Pada sistem berbasis mikrokontroler yang memiliki keterbatasan kapasitas pemrosesan dan memori, dibutuhkan algoritma navigasi yang ringan, efisien, serta tidak bergantung pada penyimpanan data jalur. Salah satu solusi yang sesuai dengan kondisi tersebut adalah algoritma Left–Straight–Right–Back (LSRB), strategi navigasi berbasis aturan prioritas arah secara stateless. Pendekatan ini memprioritaskan arah kiri terlebih dahulu, diikuti oleh lurus, kanan, dan terakhir mundur saat robot menghadapi percabangan. Penelitian ini bertujuan untuk mengevaluasi efektivitas algoritma LSRB dalam mengarahkan robot line follower menuju titik tujuan pada lintasan bercabang dengan struktur yang kompleks. Pengujian dilakukan dengan tiga titik awal berbeda, yang masing-masing mewakili tingkat kompleksitas jalur yang bervariasi. Evaluasi kinerja difokuskan pada dua parameter utama, yaitu waktu tempuh dan kestabilan navigasi robot selama pencarian jalur. Hasil menunjukkan bahwa algoritma LSRB mampu mengarahkan robot secara konsisten hingga mencapai titik akhir yang ditentukan. Namun demikian, waktu tempuh yang dihasilkan bervariasi tergantung pada posisi awal dan struktur jalur. Titik awal A menunjukkan performa terbaik dengan rata-rata 5,29 detik, sementara titik B mencatat waktu tertinggi sebesar 25,51 detik. Temuan ini menunjukkan bahwa LSRB efektif untuk navigasi sederhana dan memiliki potensi untuk ditingkatkan melalui integrasi dengan algoritma pemetaan atau teknik pembelajaran mesin agar lebih adaptif dan optimal.
Kata kunci - Navigasi Otonom, Robot Line Follower, Algoritma LSRB, Labirin, Waktu Tempuh