Bencana adalah sesuatu yang dapat terjadi tanpa dapat diprediksi kejadiannya, bencana biasanya dikaitkan dengan insiden yang disebabkan oleh manusia atau alam, bencana tersebut menyebabkan kerugian dan banyaknya korban jiwa. Proses pencarian korban dalam waktu yang singkat diperlukan untuk mengetahui posisi dari korban, fokus pada penelitian ini akan menunjukkan penggunaan deep learning khususnya pada convolutional neural network (CNN) diterapkan pada sebuah embedded platform, dimana arsitektur deep learning yang digunakan menggunakan model yang ringkas dan memiliki latency yang rendah, karena akan sangat cocok diterapkan pada device yang memiliki komputasi rendah khususnya pada embedded mobile platform. Penelitian tentang deep learning memanfaatkan data ribuan gambar manusia untuk dipelajari disebut dataset atau datatrain, untuk aplikasi pada embedded platform ini menggunakan dataset dari INRIA, PASCAL VOC 2007, 2008 kategori manusia, Freiburg Victim’s Dataset, hasil dari kombinasi dataset ini akan melewati proses augmentasi, yang artinya dalam satu gambar dapat memuat puluhan kombinasi unik gambar itu sendiri, seperti diputar (rotating), digeser (shifting), diperkecil atau diperbesar (scaling), dan proses filtering (gaussian blurring, noising, normalizing), gambar tersebut akan menjadi feed untuk arsitektur CNN MobileNet untuk menentukan object proposal keberadaan korban, proses deep learning lebih akurat akan dilakukan pada server yang berkomputasi tinggi, object proposal dari embeddded platform menjadi input untuk dilakukan verifikasi kebenaran adanya korban, secara khusus arsitektur pada server menggunakan CNN Resnet yang cenderung lebih presisi dan akurat. Proses learning pada masing masing model untuk MobileNet dengan 4.000 gambar augmentasi proses iterasi mencapai 1,5 juta step dalam waktu 7 hari learning, sedangkan pada Resnet dengan 10.000 gambar dengan iterasi 100.000 step dengan waktu learning 10 jam dengan spesifikasi komputer 4,0GHz processor, 8 Gigabyte GPU (Graphical Processing Unit), dan 24 Gigabyte RAM (Random Access Memory).

Unit Pusbangkar Poltekbang Surabaya merupakan salah satu unit yang berada di bawah Politeknik Penerbangan Surabaya yang bertugas untuk mengembangkan dan mendukung karier mahasiswa dan lulusan Poltekbang Surabaya. Dalam era digital ini, kebutuhan akan sistem manajemen data yang efisien dan akses informasi yang mudah menjadi sangat penting untuk mendukung operasional sehari-hari. Transformasi digital telah mengubah cara organisasi menyimpan, mengelola, dan memproses data. Sistem manajemen data yang efisien memungkinkan organisasi untuk mengurangi kesalahan, meningkatkan produktivitas, dan memastikan integritas data. Tools dan teknologi yang digunakan antara lain HTML, CSS, JavaScript, dan PHP untuk pengembangan front-end dan back-end, serta MySQL untuk manajemen basis data. Website yang dikembangkan nanti diharapkan dapat meningkatkan efisiensi pengelolaan data inventaris dan memberikan kemudahan akses informasi bagi pengguna.Penerapan sistem manajemen data berbasis website di Unit Pusbangkar Poltekbang Surabaya melalui model Waterfall diharapkan dapat meningkatkan efisiensi dan efektivitas dalam pengelolaan data inventaris serta mempermudah akses informasi bagi mahasiswa dan pegawai yang bertanggung jawab atas barang inventaris di unit Pusbangkar. Hasil dari proyek ini diharapkan dapat menjadi solusi yang berkelanjutan dalam menghadapi tantangan digitalisasi di dunia pendidikan dan industri penerbangan

Koperasi Syariah Khadijah Ar Rochim Sejahtera masih melakukan pencatatan data anggota dan transaksi keuangan secara manual, sehingga berpotensi menimbulkan kesalahan pencatatan, perbedaan perhitungan Sisa Hasil Usaha, serta keterlambatan penyusunan laporan keuangan untuk kebutuhan Rapat Anggota Tahunan. Penelitian ini bertujuan merancang dan membangun sistem informasi koperasi syariah berbasis web untuk membantu pengurus dalam mengelola data anggota, transaksi simpanan, pinjaman, angsuran, serta penyusunan laporan keuangan secara otomatis dan sesuai prinsip syariah. Sistem menerapkan hak akses berbasis peran Ketua, Bendahara, dan Sekretaris, serta menyediakan fitur pengunduhan laporan keuangan dalam format .xlsx. Pengujian dilakukan menggunakan metode black box testing dan uji coba pengguna dengan data simulasi. Hasil pengujian menunjukkan bahwa sistem berjalan sesuai kebutuhan fungsional, menghasilkan laporan keuangan yang akurat

Politeknik Elektronika Negeri Surabaya (PENS) telah melakukan penelitian dalam bidang sistem operasi sejak tahun 2013 dan sudah menghasilkan sebuah mikrokernel bernama FLoW. Mikrokernel adalah kernel dengan fungsi minimalis. Kemajuan sampai saat ini adalah sudah membuat kernel. Salah satu bagian yang belum diselesaikan adalah jaringan atau networking. Jaringan komputer merupakan komunikasi atau pertukaran data antara dua perangkat atau lebih melalui suatu media jaringan. Dalam membangun networking di dalam mikrokernel harus dibuat networking stack terlebih dahulu. Melalui proyek akhir ini peneliti akan mengembangkan bagian networking dari mikrokernel FLoW secara spesifik. Untuk dapat mengimplementasikan networking harus ada network device driver. Network device driver yang digunakan adalah Ethernet dan wireless network driver milik kernel linux. Dalam penerapannya diperlukan device driver environment (DDE) untuk dapat menggunakan linux device driver secara langsung. Aplikasi untuk mengimplementasikan networking menggunakan Lightweight IP (LwIP) sebagai network stack. Hasil akhir dari proyek akhir ini adalah pengujian komponen-komponen yang dibutuhkan untuk dapat mengimplementasikan networking pada mikrokernel FLoW. Dengan dilakukannya penelitian ini diharapkan dapat memberikan kontribusi bagi penelitian di bidang sistem operasi khususnya mikrokernel yang sedang dikembangkan oleh Politeknik Elektronika Negeri Surabaya.

Radiografi panoramik merupakan alat penting dalam diagnosis kelainan gigi, namun proses analisis manual sering menghadapi kendala seperti variabilitas pengalaman dokter dan kualitas citra yang tidak konsisten. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan mengembangkan sistem segmentasi dan deteksi otomatis pada citra radiografi panoramik menggunakan metode Mask R-CNN. Model dilatih menggunakan pendekatan teacher–student dan diuji pada empat jenis kelainan, yaitu karies, impaksi, lesi periapikal, dan resorpsi, dengan dua pra-pemrosesan berbeda (CLAHE dan Gamma Correction) dan tiga backbone berbeda (ResNet50+FPN, ResNet101+FPN, dan SWIN-T). Evaluasi dilakukan menggunakan metrik Average Precision (AP) dan Average Recall (AR), serta uji inferensi kualitatif pada 10 citra beranotasi. Hasil menunjukkan bahwa student model dengan backbone ResNet50+FPN memberikan performa terbaik dengan AP sebesar 48.7% dan AR sebesar 34.57% untuk bounding box, serta 45.5% dan 33.57% untuk masking. Pada evaluasi klasifikasi deteksi menggunakan 10 citra, model ini mencapai akurasi 95%. Penelitian ini menunjukkan bahwa Mask R-CNN berpotensi digunakan sebagai alat bantu pendukung diagnosis awal pada radiografi panoramik, meskipun performa masih tergolong moderat sehingga diperlukan peningkatan lebih lanjut. Sistem ini sekaligus menyediakan langkah awal pengembangan platform analisis citra gigi berbasis web yang dapat membantu mempercepat proses identifikasi.