Selama ini media alat pembelajaran huruf braille yang digunakan para tuna netra untuk mempelajari dan menghafal huruf braille masih kurang efektif yaitu berupa board lubang titik-titik, kertas dan alat tusuk. Sedangkan untuk menghafalkan huruf braille yaitu dengan cara menusukkan titik-titik huruf braille pada board yang sudah dilapisi kertas. Kemudian dalam proses belajar tersebut masih membutuhkan pendamping dalam penggunaannya. Oleh karena itu, alat ini bertujuan untuk media pembelajaran elektronik dalam mengenali huruf braille delapan titik (yang sesuai dengan standar ISO/TR 11548:2001) dan satu cell huruf yang prinsip kerjanya diambil dari kebiasaan tuna netra dalam membaca huruf. Alat ini memiliki dua fungsi utama yaitu mengeluarkan suara dan menganalisa suara jawaban user. Pada alat ini digunakan solenoid untuk membentuk huruf braille dan menggunakan plat sentuh sebagai sensor sentuh untuk mendeteksi adanya sentuhan huruf dan mengeluarkannya dalam bentuk suara. Tingkat keberhasilan dari sistem pembelajaran ini adalah 100%. Ketika user mencoba menebak huruf braille yang ditampilkan oleh alat, maka user mencoba menjawab huruf braille tersebut menggunakan microphone sebagai pendeteksi input suara. Kemudian metode Euclidean Distance digunakan sebagai persamaan rumus untuk membandingkan hasil suara dari user didapatkan tingkat keberhasilan dari pengenalan huruf braille yaitu 58,75% untuk pengenalan 5 huruf braille A, I, U, E, dan O.

Pertanian Cerdas Iklim adalah strategi inovatif yang bertujuan untuk meningkatkan produktivitas pertanian dan memperkuat adaptasi terhadap perubahan iklim. Penelitian ini berhasil mengembangkan sistem pemantauan kesehatan padi berbasis visual yang mengintegrasikan penggunaan drone DJI Mini 3, analisis indeks vegetasi, dan algoritma deep learning. Data visual dikumpulkan dari citra udara menggunakan drone, kemudian diproses melalui fase penyambungan citra menggunakan WebODM untuk menghasilkan peta ortofoto lengkap dari sawah padi. Analisis kesehatan tanaman dilakukan dengan dua pendekatan: pertama, dengan menerapkan Indeks Visible Atmospherically Resistant (VARI) untuk mengukur tingkat kehijauan tanaman berdasarkan nilai piksel RGB; dan kedua, dengan melatih model YOLOv4-Tiny untuk secara otomatis mengklasifikasikan kondisi tanaman menjadi kategori sehat (HIJAU) dan tidak sehat (KUNING) berdasarkan warna daun. Berdasarkan hasil pengujian, sistem mampu menghasilkan peta vegetasi yang secara visual mewakili kondisi tanaman dan mendeteksi klasifikasi tanaman dengan akurasi memuaskan baik dalam simulasi test-rig maupun eksperimen lapangan skala kecil. Hasil ini menunjukkan bahwa sistem yang dikembangkan telah efektif memenuhi fungsinya sebagai alat pemantauan kesehatan sawah berbasis visual.

Dalam era modern ini, teknologi pencahayaan mengalami perkembangan signifikan, salah satunya penggunaan LED strip RGB (Red, Green, Blue) yang memungkinkan pengaturan warna dan kecerahan secara dinamis. Pada penelitian ini dilakukan perancangan dan realisasi sistem LED driver berbasis Internet of Things (IoT) untuk mengatur warna dan intensitas cahaya LED strip RGB secara presisi dan dapat dikendalikan jarak jauh. Dibandingkan dengan LED strip RGB konvensional yang beredar di pasaran yang umumnya hanya menyediakan pengaturan manual melalui remote dan tanpa kemampuan otomatisasi, sistem yang dirancang pada penelitian ini memiliki beberapa keunggulan. Sistem bekerja dengan menerima perintah dari dashboard web melalui koneksi WiFi yang diproses oleh ESP32 untuk menghasilkan sinyal PWM sesuai tingkat kecerahan. Sinyal PWM mengendalikan rangkaian driver LED berbasis MOSFET guna mengatur tegangan pada kanal RGB LED strip. Modul RTC terintegrasi digunakan untuk menjaga waktu dan menjalankan fungsi nyala/mati LED secara otomatis berdasarkan jadwal yang ditentukan pengguna. Hasil pengujian integrasi menunjukkan adanya ketidak linieran tegangan pada kanal RGB dengan rata-rata error sebesar 24,6% pada kanal merah, 40,1% pada kanal hijau, dan 8,4% pada kanal biru akibat karakteristik beban LED dan sistem penggerak. Fitur penjadwalan otomatis berbasis RTC bekerja dengan baik dengan rata-rata error waktu ON sebesar 2 detik dan OFF sebesar 1,5 detik.

Penyakit demam berdarah merupakan salah satu penyakit yang paling mematikan di Indonesia. Sudah banyak nyawa terenggut oleh penyakit yang dibawa oleh nyamuk nyamuk aedes aegypti ini. Apalagi Indonesia memiliki curah hujan yang tinggi disetiap tahunnya, sehingga sangat cocok untuk perkembang biakan nyamuk tersebut. Sebenarnya penyakit tersebut dapat diatasi lebih dini, sehingga akan banyak nyawa yang bisa terselamatkan. Namun pencegahan dan penanganan yang lambat membuat hal itu sulit diwujudkan. Seperti yang terjadi di daerah kabupaten jember, persebaran penyakit demam berdarah sudah sangat mengkhawatirkan. Data pada tahun 2009-2010 menunjukkan bahwa dikabupaten Jember persebaran penyakit demam berdarah mencapai angka 1000 lebih. Dari masalah tersebut, maka perlu sebuah tools atau sistem yang dapat memprediksi persebaran demam berdarah dikabupaten Jember, sehingga pemerintah kabupaten Jember dapat memantau persebaran penyakit demam berdarah sejak dini. Sehingga pencegahan dapat dilakukan lebih awal dan banyak nyawa yang terselamatkan. Sistem prediksi penyakit demam berdarah ini memvisualisasikan hasil prediksi dalam bentuk peta digital dan tabel prediksi tiap kecamatan dan prediksi satu jember dengan menggunakan metode Simulated Annealing. Tetapi metode ini kurang mampu memprediksi persebaran penyakit demam berdarah secara akurat dengan nilai rasio 10:31 dan tingkat error untuk perhitungan prediksi kasus demam berdarah di jember lebih besar dari pada perhitungan prediksi di setiap kecamatan.

Pada Proyek Akhir ini, akan mengaplikasikan teknologi basis Image Processing untuk dapat menangkap obyek berupa suatu bilangan operasi matematika dasar dengan menggunakan kamera (webcam). Keluaran dari sistem akan membantu anak-anak dalam pembelajaran operasi matematika dasar. Keluaran tersebut akan ditampilkan pada Windows Console Aplication pada komputer. Metode yang digunakan ialah metode K- Nearest Neighbors (KNN) yakni sistem pengklasifikasian obyek berdasarkan jarak terdekat node pada center utama. Dapat disimpulkan bahwa aplikasi berjalan dengan baik dengan presentase 100% pada jarak 40cm, serta dalam kondisi pencahayaan sebesar 325 Candela pada pagi hari dengan tingkat keberhasilan 91.6%