Penyakit tumor otak adalah pertumbuhan sel otak yang abnormal didalam atau di sekitar otak secara tidak wajar dan tidak terkendali. Proses diagnosa tumor otak merupakan proses yang penting dalam mengindikasi adanya tumor otak pada manusia. Berbagai cara dilakukan untuk deteksi penyakit tumor otak, salah satunya dengan anatomi citra digital. Citra digital melalui Magnetic Resonance Imaging (MRI) merupakan salah satu metode untuk membantu dokter dalam menganalisa dan mengklasifikasikan jenis tumor otak. Namun, deteksi tumor otak menggunakan citra MRI masih dilakukan manual oleh dokter. Pada penelitian ini dibuat suatu sistem Computer Aided Diagnosis (CAD) yang dapat membantu dokter dalam melakukan deteksi terhadap penyakit tumor otak berdasarkan citra MRI. Tahapan yang dilakukan adalah melalui pre-processing menggunakan metode median filtering, melakukan skull stripping dengan menerapkan operasi morfologi opening dan closing untuk mengeliminasi daerah yang tidak diperlukan, segmentasi menggunakan metode thresholding untuk mengidentifikasi dan memisahkan jaringan tumor otak dan jaringan lain pada otak sehingga ditemukan daerah tumor otak, ekstraksi fitur untuk mengekstraksi ciri yang terkandung pada citra menggunakan fitur statistik orde pertama berdasarkan histogram citra dan fitur statistik orde kedua menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) untuk mengetahui tekstur gambar. Kemudian mengklasifikasikan objek tumor otak menggunakan metode Support Vector Machine (SVM) berdasarkan jenisnya, yaitu glioma, meningioma dan hipofisis dengan 60 data training. Dari hasil pengujian yang dilakukan terhadap 48 data uji, keberhasilan sistem dalam menentukan ketiga jenis tumor otak didapatkan nilai akurasi sebesar 95,83%, sensitivitas sebesar 93,33%, spesifitas 96,87% dan presisi 94,08%.

Cadangan bahan bakar fosil yang menipis membuat dunia mengalami krisis energi. Bahan bakar fosil masih menjadi sumber utama pembangkit listrik di Indonesia. Potensi energi angin di Indonesia dapat dimanfaatkan sebagai sumber energi baru terbarukan (EBT). Salah satu daerah yang memiliki potensi energi angin yaitu Pantai Goa Cina. Pantai tersebut terletak di wilayah selatan Kabupaten Malang. Energi angin merupakan sumber daya energi terbarukan yang dapat dimanfaatkan dengan menggunakan turbin angin. Penelitian ini bertujuan untuk meningkatkan performa aerodinamik turbin angin horizontal dengan modifikasi tip section berupa penambahan winglet yang sesuai dengan kondisi angin di wilayah Pantai Goa Cina. Penelitian ini melakukan simulasi 3D computational fluid dynamics dari turbin angin sumbu horizontal. Geometri bilah turbin menggunakan airfoil SG6043 dengan distribusi panjang chord dan sudut twist disepanjang 15 segmen serta penambahan winglet pada ujung bilah turbin angin sebanyak tiga variasi lengkungan antara lain 15, 30, dan 45 derajat. Penelitian dimulai dengan memperoleh data kecepatan angin pantai melalui Automatic Weather Station kemudian menentukan turbin angin horizontal yang sesuai dengan kondisi angin. Setelah menentukan geometri, proses verifikasi dilanjutkan dengan grid independent kemudian meembuat pemodelan geometri variasi serta melakukan simulasi CFD untuk memperoleh data dan menganalisis performa dari masing-masing variasi lengkungan winglet. Kinerja turbin dengan SG6043 dan bilah yang telah dimodifikasi akan dibandingkan pada tiga titik Reynold number. Hasil simulasi menunjukkan Geometri dengan variasi 15 derajat menghasilkan peningkatan lift-to-drag ratio tertinggi dibandingkan dengan variasi lainnya yaitu: 6,09%, 3,4%, dan 6,70% diikuti dengan peningkatan torsi sebesar 39,7%, 18,2%, dan 16,9%. Koefisien daya maksimum yang dihasilkan oleh geometri variasi adalah 0,509.

Penelitian ini akan menguji sistem pada penerima Automatic Identification System (AIS) yang berbasis Software Defined Radio (SDR) dan Raspberry Pi. AIS adalah sistem pelacakan otomatis yang mentransmisikan informasi posisi, identitas, dan navigasi kapal. Dalam penelitian ini, platform RTL-SDR akan berfungsi sebagai penerima sinyal AIS dari kapal terdekat. RTL-SDR akan menangkap sinyal Very High Frequency (VHF) yang selanjutnya akan dilakukan pemrosesan sinyal lebih lanjut menggunakan Raspberry Pi untuk men-dekode informasi dengan pemrograman C. Selain itu juga kita perlu menentukan power gain, frekuensi, frekuensi sampling yang tepat untuk mengevaluasi kinerja sistem penerima AIS, khususnya dalam menentukan kekuatan sinyal minimum yang diperlukan agar sistem dapat berfungsi dengan optimal. Proyek ini dirancang untuk menawarkan solusi yang lebih hemat biaya dan fleksibel dibandingkan dengan penerima AIS konvensional. Dengan menghubungkan antena AIS ke RTL-SDR dongle dan memproses sinyal yang diterima melalui Raspberry Pi, sistem ini akan melakukan filtering, demodulasi, dan decoding sinyal untuk mendapatkan data AIS yang akurat. Data yang diterima akan dianalisis untuk mengevaluasi keakuratan dan keandalan informasi yang diperoleh. Dengan demikian, diharapkan sistem yang dikembangkan dapat memberikan kontribusi signifikan dalam pemantauan dan manajemen lalu lintas kapal yang lebih efisien dan ekonomis.

Beberapa factor alam menjadi salah satu penyebab menurunnya performa sebuah jaringan. Di Indonesia sendiri yang merupakan negara tropis memiliki dua musim yaitu musim kemarau dan penghujan. Musim kemarau dan musim penghujan menjadi salah satu pemicu terjadinya penurunan sinyal. Adanya angin kencang yang mengakibatkan pergeseran antena tentunya mempengaruhi performa sinyal. Sama hal nya dengan kelembaban yang mampu menurunkan kualitas sinyal karena sinyal sulit untuk dikirim. Pada cuaca panas yang terik membuat perangkat jaringan menjadi panas. Kondisi – kondisi tersebut menjadi sebuah permasalahan yang sering terjadi di masyarakat umum. Maka, dilakukankan sebuah penyelesaian pada permasalahan tersebut, salah satunya adalah dengan melakukan pengoptimalan sinyal yaitu dengan cara pointing. Pointing antena dilakukan dengan menggerakan atau memindah posisi antena yang berada diatas tower. Proses pointing pada umumnya membutuhkan waktu yang lama hingga mendapatkan posisi sudut dengan hasil nilai sinyal yang terbaik dari pancaran satelite ke station bumi. Oleh karena itu, dibuatlah sistem pointing otomatis yang akan mendeteksi sudut secara otomatis dalam proses pencarian sinyal. Alangkah relevan pada proses pendeteksi sudut azimuth dan elevasi digunakan sensor CMPS 11. Sensor akan mendeteksi pada saat motor bergerak dan hasil akhir sensor CMPS 11 sendiri akan beruba nilai sudut sesuai dengan pada kalibrasi pergerakan motor, yang mana sudut tersebut akan menentukan nilai sinyal. Sistem ini akan menghasilkan posisi sudut terbaik dalam proses pengambilan sinyal terbaik. Dengan menggunakan metode GPS, yang mana metode ini akan menggunakan nilai GPS titik awal lokasi sebagai receiver dari satelit. Satelit disini adalah sebagai transmitter pada saat proses pointing. Sistem ini nantinya akan bisa mempersingkat waktu pada saat proses pointing.

Pemetaan kondisi cuaca di lahan pertanian merupakan langkah penting dalam mendukung pengambilan keputusan berbasis data, khususnya pada pranata mangsa sebagai pedoman musim tanam. Penelitian ini memanfaatkan data dari perangkat smart weather untuk memprediksi parameter cuaca menggunakan Long Short Term Memory dan mengklasifikasikan kondisi mangsa dengan algoritma Random Forest. Proses pelabelan kondisi mangsa dilakukan otomatis dengan Hierarchical Clustering, menggunakan kombinasi metode Ward, metrik jarak Euclidean, normalisasi data, dan reduksi dimensi UMAP, yang menghasilkan 12 kelas mangsa sesuai kalender pranata mangsa. Evaluasi clustering menunjukkan Hierarchical Clustering unggul dibandingkan DBSCAN dan K Means, dengan skor Silhouette 0.6076, Davies Bouldin 0.5529, dan Calinski Harabasz 32895.6698. Untuk klasifikasi Random Forest, komposisi data 85 persen data train dan 15 persen data testing memberikan akurasi tertinggi sebesar 96.5 persen, sedangkan rata rata akurasi cross validation mencapai 94.98 persen, menunjukkan model yang stabil dan andal. Pada prediksi parameter cuaca, konfigurasi terbaik LSTM 128 unit, batch size 64, learning rate 0.002, sequence length 35 menghasilkan R2 sebesar 0.8388 dengan error rendah. Integrasi sistem menunjukkan data klasifikasi mangsa dan prediksi cuaca tujuh hari ke depan berhasil ditampilkan di website dengan menu utama dashboard dan rekomendasi tanaman. Pengiriman data dari perangkat IoT ke website menggunakan MQTT menunjukkan stabilitas tinggi dengan interval pengiriman 5014 sampai 5024 ms, delay 14 sampai 24 ms, dan waktu publish konsisten setiap 5 detik. Penelitian ini membuktikan efektivitas integrasi data IoT dan model pembelajaran mesin dalam mendukung manajemen pertanian berbasis teknologi.