Perubahan cuaca yang tidak terprediksi dapat menyebabkan dampak signifikan pada sektor pertanian, terutama di wilayah lahan pertanian yang sangat bergantung pada kondisi iklim. Penelitian ini bertujuan untuk mengembangkan model prediksi cuaca berbasis metode autoregressive time series forecasting, menggunakan data historis parameter cuaca seperti suhu, curah hujan, kelembapan, dan kecepatan angin. Model prediksi cuaca yang dikembangkan menggunakan pendekatan autoregressive pada data deret waktu dengan memanfaatkan fitur lag dari data historis, yang kemudian dipelajari menggunakan model Multilayer Perceptron atau MLP sebagai algoritma pembelajaran untuk menghasilkan prediksi parameter cuaca. Model ini dirancang untuk menganalisis pola dan tren dalam data historis guna menghasilkan prediksi cuaca yang akurat. Dalam penelitian ini, data cuaca akan diperoleh dari sumber terpercaya seperti NASA atau perangkat IoT lokal, dan akan melalui proses pra-pemrosesan untuk memastikan kualitas data. Evaluasi model akan dilakukan menggunakan metrik RMSE, MSE, dan MAE untuk mengukur tingkat akurasi. Hasil prediksi yang dihasilkan diharapkan dapat mendukung pengambilan keputusan strategis dalam pengelolaan aktivitas pertanian, seperti jadwal tanam dan irigasi, sehingga meningkatkan efisiensi dan produktivitas pertanian secara keseluruhan.

Kondisi generasi muda saat ini terasa sudah sangat jauh dengan pengetahuan-pengetahuan Islam. Dimana seharusnya kita sebagai Muslim yang menjadi penerus cerita sejarah Islam sehingga untuk generasi selanjutnya tidak terputus pengetahuan-pengetahuan sejarah tentang Islam. Yang menjadi sorotan saat ini adalah perilaku generasi muda yang sedikit sekali tercermin dari sifat Sahabat-Sahabat Rasulullah yang sama-sama berjuang untuk Islam dan sudah dijamin diri mereka yaitu surga dari Allah. Sehingga dengan adanya aplikasi cerita digital tentang 10 Sahabat yang memiliki sifat teladan yang patut dicontoh ini dan dijamin masuk Surga dapat membantu menceritakan kisah-kisah mereka dengan menarik. Dan dapat membantu generasi muda untuk mengenal lebih dalam dan timbul semangat untuk bisa menjadi seperti sahabat-sahabat Rasulullah.

Bencana banjir dapat terjadi kapan saja, khususnya di daerah yang masih berada dekat dengan ruas aliran sungai yang besar. Banjir di daerah tepi dapat terjadi akibat volume air sungai melebihi badan sungai yang mengitarinya. IoT dapat digunakan untuk membantu dalam mengatasi satu contoh tersebut dengan memberikan informasi mengenai tingkat bahaya dan ancaman banjir sehingga masyarakat dapat melakukan persiapan terlebih dahulu sebelum menjadi korban tanpa perlu selalu mendatangi dan memonitoring aktivitas di sungai setiap waktu. Terdapat rancangan alternatif lain yang lebih ekonomis dan cukup mudah dibuat atau dirakit sendiri, salah satunya adalah dengan menggunakan sensor ultrasonic berbasis mikrokontroler. Sensor ultrasonic sebagai alat pendeteksi level ketinggian air yang digabungkan dengan mikrokontroler serta berbasis IoT. Kemudian untuk sistem alert atau pemberitahuannya akan dilakukan melalui beberapa API yang terhubung dengan beberapa media sosial.

Perkembangan teknologi dalam bidang trasportasi berkembang cukup pesat khususnya pada kendaraan listrik, hal ini didasari oleh krisis bahan bakar fosil. Salah satu penggerak yang banyak digunakan di dalam kendaraan listrik adalah motor brushless DC (BLDC). Alasan dari penggunaan motor BLDC ini yaitu kerena memiliki nilai torsi dan efisiensi yang tinggi, biaya perawatan yang rendah, serta respon kecepatan yang dinamik. Pada umumnya, motor BLDC terdapat sebuah sensor posisi (hall sensor) didalamnya, yang mana hall sensor ini akan memberikan umpan balik informasi posisi ke pengontrol sehingga dengan menggunakan metode sensored pengopersian motor bisa dilakukan dengan baik karena pengontrol tersinkroniksasi sempurna dengan posisi rotor. Beberapa penelitian terkait motor BLDC telah dilakukan oleh para ahli diantaranya adalah pengaturan kecepatan BLDC, pembebanan pada motor BLDC serta lainya. Pada makalah akan dikaji tentang pengaturan kecepatan motor Brushless DC dengan menggunakan PWM (Pulse Width Modulation), metode PWM pada prisipnya adalah mengatur duty cycle yang dihasilkan oleh mikrokontroler untuk pensaklaran pada Inverter Tiga Fasa. Kecepatan motor BLDC dapat diubah menggunakan sebuah throttle sehingga semakin besar duty cycle maka kecepatan motor BLDC tersebut juga akan semakin tinggi ataupun sebaliknya. Pada controller BLDC ini terdapat sebuah monitoring yang tersambung dengan device android berupa tegangan, arus, daya & kecepatan motor. Untuk mendukung analisis maka dilakukan pengujian laboratorium

Kebutuhan sayur mayur yang semakin meningkat dengan keterbatasan lahan dan sumber daya air dalam pertanian konvensional. Namun, kendala dalam mengendalikan dan pemantauan faktor faktor yang mempengaruhi pertumbuhan tanaman hidroponik yang tepat dan secara efektif masih menjadi tantangan bagi petani. Dalam budidaya hidroponik sawi, perlu memperhatikan faktor faktor penting yang perlu diperhatikan untuk mencapai pertumbuhan tanaman yang optimal, seperti pemantauan yang teratur terhadap pemberian larutan nutrisi. Ketidakseimbangan pemberian larutan nutrisi dapat menyebabkan masalah seperti pertumbuhan tanaman yang terhambat, penyakit, dan rendahnya hasil panen. Dalam pembudidayaan hidroponik sawi dibutuhkan nilai larutan nutrisi dalam kisaran optimal untuk mendukung pertumbuhan tanaman. Proses pemberian nutrisi ini dilakuan berdasarkan mengacu pada usia dari tanaman dalam pemberian kadar nutrisi pada setiap pertumbuhannya. Proyek Akhir ini bertujuan untuk mengembangkan sistem pemantauan pada tanaman hidroponik sawi dengan prediksi usia daun menggunakan Machine Learning yang menggunakan aplikasi mobile flutter sebagai pemantauan usia tanaman melalui input gambar atau capture gambar. Data yang digunakan dalam proyek akhir ini adalah gambar tanaman sawi yang diambil dari usia semai 1 hari hingga usia panen 40 hari berdasarkan pemantaun pertumbuhan dari petani hidroponik. Gambar gambar ini dikumpulkan menggunakan kamera ponsel dengan jarak ambil 30 cm dari usia 1 hingga 30 hari dan menjadi 45 cm ketika usia 31 hingga 40 dengan total dataset yang memiliki 2000 gambar yang tersebar dalam 40 kelas. Proyek akhir ini menggunakan bagian dari metode Machine Learning yaitu deep learning dengan arsitektur convolutional neural network CNN yang memanfaatkan arsitektur MobileNetV2 untuk pengolahan data gambar daun. Dataset dibagi menjadi data pelatihan, data validasi, dan data pengujian, dengan rasio masing masing 80 persen, 10 persen, dan 10 persen. Model Machine Learning yang dikembangkan mampu mengklasifikasikan usia tanaman sawi akurasi pelatihan mencapai 82.38 persen, akurasi validasi mencapai 78.50 persen dan akurasi pengujian mencapai 79.50 persen.