Metabolic syndrome (MetS) is influenced by parental traits and diet. Drosophila melanogaster is a potential disease model organism, sharing physiology and genetic similarities with humans. Previous research had focused on Drosophila melanogaster as a model organism for obesity and diabetes, but not for MetS. This research aimed to determine the effect of both parental diet and high sugar fat (HSF) intake on glucose, cholesterol, and triglyceride hemolymph levels of Drosophila melanogaster. Wild flies were purified in either control (standard) or MetS media (extra 3% sucrose and palm oil). Seventy-five pairs were divided into 5 groups, according to parental origin and feeding media, and maintained in five generations (F1-F5). Glucose, triglyceride, and cholesterol levels were measured using a colorimetric assay in three replications of each generation per group. Glucose, triglyceride, and cholesterol levels were significantly different in all treatment groups, the control groups, and between generations in each group (p<0.05). Higher glucose and triglyceride levels appeared in the youngest generation (F5) of all groups, and in the flies reared on HSF diets. Maternal HSF-exposed groups demonstrated a more pronounced impact of parental metabolic state on the glucose and triglyceride levels of the earlier generation. These findings highlight that parental exposure to HSF and prolonged HSF intake independently and synergistically lead to persistent and amplified metabolic dysregulation across generations. Drosophila melanogaster, modeled in this study, represents a novel experimental organism that is suitable for studying the epigenetic inheritance of MetS, gaining more consideration for the metabolic health consequences of long-term dietary habits and parental metabolic state.

Recognizing handwritten digits and mathematical symbols remains a nontrivial challenge due to handwriting variability and visual similarity among classes. While deep learning, particularly Convolutional Neural Networks (CNNs), has significantly advanced handwriting recognition, many existing solutions rely on deep, resource-intensive architectures. This study aims to develop a lightweight and efficient CNN model for multi-class classification of handwritten digits and mathematical symbols, with an emphasis on deployability in resource-constrained environments such as educational platforms and embedded systems. The proposed model, implemented in Julia using the Flux.jl library, features a compact architecture with only two convolutional layers and approximately 55,000 trainable parameters significantly smaller than typical deep CNNs. Trained and evaluated on a publicly available dataset of over 10,000 grayscale 28×28-pixel images across 19 symbol classes, the model achieves a test accuracy of 91.8% while maintaining low computational demands. This work contributes to the development of practical handwritten mathematical expression recognition systems and demonstrates the feasibility of using Julia for developing lightweight deep learning applications.
 
Keywords - Digits, Mathematical Symbol, Classification, CNN

Fenomena fear of missing out (FOMO) makin memengaruhi perilaku konsumtif masyarakat di era digital. Penelitian ini bertujuan untuk mengeksplorasi pengaruh FOMO terhadap pola pengeluaran di kalangan individu berusia 18–45 tahun dengan menggunakan pendekatan Exploratory Data Analysis (EDA). Data primer dikumpulkan melalui kuisioner daring dan dianalisis menggunakan teknik visualisasi berbasis Python  Hasil analisis menunjukkan adanya korelasi positif yang kuat antara tingkat FOMO dan perilaku pembelian impulsif, khususnya pada kalangan pengguna media sosial seperti TikTok dan Instagram. Faktor-faktor yang memengaruhi meliputi frekuensi tingkat paparan konten influencer, jenis metode pembayaran yang sering digunakan, dan momen promosi yang menciptakan rasa urgensi. Selain itu, ditemukan perbedaan pola konsumsi yang dipicu oleh FOMO berdasarkan variabel demografis seperti usia dan lokasi tempat tinggal. Hasil penelitian ini menegaskan pentingnya pemahaman terhadap faktor psikologis dan sosial yang memengaruhi tren konsumsi digital. Penelitian ini memberikan wawasan yang bermanfaat bagi pelaku bisnis dalam merancang strategi pemasaran yang tepat sasaran, serta bagi pemangku kebijakan dalam mendorong perilaku konsumsi yang lebih bijak di era digital. 
  
Kata Kunci - Exploratory Data Analysis (EDA); Fear of Missing Out (FOMO); perilaku konsumtif; media sosial; visualisasi data.

This study's goal was to compare the usability of the websites for the Industrial Engineering and Chemical Engineering departments at a university. Since these sites are critical for new students seeking information, a user-friendly interface is essential for efficient and accurate information retrieval. To conduct the study, a user performance test was administered to 40 new students, all with less than a year of study. They were asked to complete three specific tasks: downloading a form, finding a "kaleidoscope" (a summary of activities), and locating information about oral exam registration. The researchers collected data on the time students took to complete the tasks (efficiency) and the number of errors they made. This data was t hen analyzed using a Two-Way ANOVA statistical method. The results showed significant differences in usability between the two websites, with a very strong interaction effect for both efficiency and error rates. The Industrial Engineering website was most efficient for downloading a form but proved to be the least efficient for finding the kaleidoscope. Conversely, the Chemical Engineering website was most efficient for finding the kaleidoscope but was the least efficient for form downloads. Regarding errors, finding the kaleidoscope and downloading a form presented the most significant challenges, while registering for the oral exam was the least error-prone task. These findings highlight the importance of making specific, tailored improvements to academic web design to enhance the user experience on these platforms.
 
Keywords – Usability; University Website; User Experience; Efficiency; Error Rates

Dropout merupakan masalah serius yang sering terjadi di dunia perkuliahan. Beragam penyebab yang membuat seorang mahasiswa harus di dropout dari kampus mulai dari biaya kuliah yang mahal, jarak tempat kuliah yang jauh, rasa malas dan lain sebagainya. Setiap kampus pasti menginginkan kelulusan untuk setiap mahasiswanya dikarenakan masalah dropout ini dapat memberikan penilaian buruk bagi pihak kampus. Maka dari itu, langkah yang dapat dilakukan untuk mengatasi peramasalahan ini adalah dengan melakukan klasifikasi. Salah satu metode klasifikasi yang dapat digunakan adalah Regresi Logistik. Metode ini mampu melakukan klasifikasi dengan baik dan memberikan hasil akurasi yang baik juga. Pada penelitian ini, objek yang menjadi bahan penelitian adalah Program Studi Sistem Informasi dan dataset yang digunakan adalah data mahasiswa dari Angkatan 2015 sampai 2024. Hasil dari penelitian ini memberikan nilai akurasi yang sangat tinggi yaitu 99%. Sedangkan presisinya 99%, recall 95% dan f1-score nya adalah 97%.
 
Kata Kunci – Klasifikasi; Regersi Logistik; Dropout; Universitas

Tidur adalah aktivitas penting untuk pemulihan energi, perbaikan sel, dan pengaturan hormon. Tidur yang nyenyak dan optimal bergantung pada posisi tidur yang nyaman dan durasi yang cukup. Namun, banyak orang yang masih mengabaikan faktor-faktor tersebut, sehingga mengakibatkan pengalaman tidur yang kurang nyenyak. Penelitian ini bertujuan untuk mengembangkan perangkat Smart Belt untuk memantau dan mengatur posisi dan durasi tidur dengan menggunakan sensor akselerometer dan sensor denyut jantung. Pengujian terdiri dari 30 uji coba deteksi posisi tidur, 30 pengukuran durasi tidur, dan 60 evaluasi sistem secara keseluruhan. Hasil penelitian menunjukkan bahwa sensor akselerometer dapat mengidentifikasi dan mendeteksi posisi tidur dengan akurasi 100%, sedangkan sensor denyut jantung menentukan durasi tidur berdasarkan denyut jantung dengan akurasi 83,33%. Secara keseluruhan, sistem Smart Belt beroperasi dengan akurasi 88,33%.
Kata kunci: Posisi Tidur, Durasi Tidur, Sabuk Pintar, Internet of Things

Citra bawah air umumnya mengalami penurunan kualitas visual akibat penyerapan cahaya dan hamburan partikel, yang menyebabkan dominasi warna biru serta rendahnya kontras dan ketajaman. Penelitian ini mengusulkan metode preprocessing sederhana berupa white balance berbasis ruang warna Lab, red channel boosting, dan contrast stretching untuk meningkatkan kualitas visual citra bawah air. Evaluasi dilakukan pada 60 citra dari UIEB Challenging Set menggunakan metrik UIQM yang mencakup UICM, UISM, dan UIConM. Hasil menunjukkan bahwa metode yang diusulkan mampu meningkatkan nilai UIQM dari 107,86 menjadi 191,34, melampaui metode Retinex dan Guided Filtering yang justru menurunkan kualitas visual. Secara visual, metode ini juga menunjukkan hasil yang lebih alami dan detail. Dengan implementasi ringan berbasis Python dan OpenCV, pendekatan ini dinilai cocok untuk sistem dengan keterbatasan komputasi serta relevan untuk digunakan dalam edukasi maupun aplikasi praktis. Hasil ini mengindikasikan bahwa pendekatan sederhana tetap mampu memberikan peningkatan kualitas citra bawah air yang signifikan.
Kata Kunci - citra bawah air, peningkatan kualitas citra, preprocessing sederhana, UIQM

Phishing merupakan teknik kejahatan siber yang memanfaatkan rekayasa sosial untuk mencuri data sensitif, seperti kredensial login dan informasi keuangan. Kesulitan dalam mendeteksi URL phishing yang sering kali tersamarkan menjadi permasalahan utama. Penelitian ini menawarkan solusi berupa alat Open Source Intelligence (OSINT) berbasis web yang dibangun menggunakan framework Laravel dan bahasa pemrograman PHP. Alat ini mengintegrasikan tiga API, VirusTotal, WhoisXML, dan ip-api—untuk memverifikasi keamanan URL secara otomatis. Dengan menggunakan metodologi waterfall untuk pengembangan dan siklus hidup OSINT untuk operasional, sistem ini mampu melakukan analisis mendalam terhadap URL yang diinput pengguna. Hasil pengujian kuantitatif terhadap 80 URL menunjukkan tingkat akurasi deteksi sebesar 98,75%, dengan hanya satu kasus false positive. Luaran dari penelitian ini adalah sebuah alat OSINT yang tidak hanya mampu mendeteksi URL phishing secara akurat, tetapi juga menyediakan laporan analisis mendetail, informasi domain, serta fitur edukasi berupa panduan dan kuis interaktif untuk meningkatkan kesadaran pengguna terhadap ancaman siber.
 
Kata Kunci : Phishing, Open Source Intelligence, Application Programming Interface, Website Deteksi URL Phishing, Framework Laravel

Segmentasi pelanggan memainkan peran penting dalam meningkatkan profitabilitas bisnis dengan mengidentifikasi pola perilaku pelanggan. Penelitian ini mengusulkan pendekatan segmentasi berbasis model LRFM (Length, Recency, Frequency, Monetary) untuk meningkatkan ketepatan klasifikasi pelanggan. Dengan menggunakan data transaksi, skor LRFM dihitung dan diklasifikasikan ke dalam empat kategori: Best Customers (121 pelanggan), Loyal Customers, Potential, dan At Risk. Untuk meningkatkan interpretabilitas hasil, tiga teknik reduksi dimensi : t-SNE, UMAP, dan PaCMAP digunakan dalam analisis visual. Di antara ketiganya, UMAP menunjukkan visualisasi paling seimbang berdasarkan indikator separation clarity, cluster compactness, dan outlier identification. Hasil penelitian menunjukkan bahwa segmentasi visual membantu pengambil keputusan dalam mengidentifikasi kelompok pelanggan strategis untuk program retensi dan optimalisasi. Studi ini memberikan referensi berharga bagi industri yang ingin meningkatkan manajemen hubungan pelanggan melalui pendekatan berbasis data.
 
Kata kunci - Model LRFM, profitabilitas bisnis, reduksi dimensi, segmentasi pelanggan, UMAP

Pengenalan wajah (face recognition) merupakan suatu pengembangan dari teknologi deteksi wajah. Pengenalan wajah manusia merupakan salah satu turunan dari sistem biometrik yang menggunakan pola wajah manusia sebagai objek identifikasi. Sistem tersebut menggunakan pola wajah manusia yang terdapat dalam sistem basis data sebagai penyimpanan, kemudian akan melakukan perbandingan dengan gambar yang akan diuji. Sistem pengenalan wajah memiliki beberapa kendala, seperti sulit untuk mengenali objek dengan tingkat pencahayaan berbeda pada saat proses pengambilan gambar. Untuk mengatasi permasalahan yang terjadi akibat variasi tingkat cahaya, dikembangkan perangkat lunak dengan menerapkan metode Singular Value Decomposition (SVD). Pada projek ini metode eigenface cukup baik dalam melakukan pengenalan wajah. Bahkan dengan ukuran foto wajah yang cukup kecil (48 × 48), metode ini masih mampu untuk mengenali wajah dua orang yang sama. Proses pelatihan dan pengujiannya juga relatif singkat. Teknik ini dinilai efektif dalam mengenali foto wajah dengan ukuran yang kecil dan jumlah yang banyak.
 
Kata Kunci - Dekomposisi Nilai Singular, Eigenface, Pengenalan Wajah