Hortikultura merupakan komoditas pertanian khas tropis yang berpotensial untuk dikembangkan di Indonesia. Tanaman tomat kaya akan vitamin A,C, kalsium, mineral, dan serat. Tetapi budidaya tanaman toamt ini rentan akan terkena penyakit. Karena alasan tersebut, petani harus memahami gejala virus penyakit pada tanaman. Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah yang seperti biasa dilakukan oleh seorang ahli atau pakar. Oleh karena itu diperlukan aplikasi sistem pakar dalam identifikasi penyakit tanaman hortikultura seperti tanaman tomat agar dapat memberi penanggulangan secara dini. Untuk mempermudah dalam membangun sistem pakar ini, maka menggunakan metode algoritma Best First Search dengan teknik penalaran maju atau Forward Chaining sehingga hasil lebih optimal. Penerapan metode Forward Chaining pada sistem pakar memudahkan sistem untuk melakukan penelusuran fakta pada basis data. Untuk pengujian pada aplikasi ini yaitu menggunakan pengujian fungsionalitas untuk mengetahui semua fitur pada website dapat berfungsi, pengujian validasi sistem dengan pakar untuk memvalidasi penyakit dan gejala yang dimasukkan ke dalam sistem sudah sesuai dengan penyakit dan gejala nyata yang telah diatasi oleh pakar, dan pengujian komputasi waktu digunakan untuk mengetahui seberapa lama website mendeteksi penyakit. Hasil pengujian untuk fungsionalitas, menghasilkan semua fitur pada website dapat berjalan sehingga website tidak ada error / bug. Untuk hasil pengujian validasi sistem dengan pakar membuktikan bahwa penyakit dan gejala sesuai dengan saran dan pengalaman yang telah dialami pakar. Dari pengujian validasi sistem, juga didapatkan bahwa penyakit bercak daun dan busuk buah memiliki probabilitasi muncul paling banyak dalam pengidentifikasian penyakit. Untuk hasil pengujian waktu komputasi identifikasi penyakit menghasilkan rata-rata 1,095 detik sehingga website memiliki waktu respon yang ideal dalam menampilkan hasil identifikasi penyakit.

Energi matahari atau yang sering disebut dengan solar cell merupakan salah satu energi terbarukan yang ketersediaannya tidak akan pernah habis. Dari pemanfaatan tersebut dapat digunakan sebagai energi alternatif pengganti bahan bakar solar yang digunakan untuk menggerakkan aerator pada tambak udang. Dalam proyek akhir ini dibuat suatu alat untuk mengkonversi energi matahari menjadi energi listrik dengan solar panel 100 WP, kemudian menyimpan energi listrik tersebut dalam aki dengan kapasitas 24 volt 14 AH. Karena tegangan yang dihasilkan oleh solar panel hanya mencapai maksimal 21 volt maka dibutuhkan Boost Converter sebagai penaik tegangan hingga menghasilkan tegangan output 28 volt. Untuk menjaga agar tegangan output konstan maka diberikan kontrol pada penyulutan boost converter menggunakan IC PWM UPC1909. Error tegangan yang dihasilkan berkisar hingga 13%. Arus pengisian battery dengan kapasitas 24 volt 14 AH mencapai 1,6 hingga turun dan konstan pada pembacaan arus 1,46 A selama 1 jam pengisian dengan pengambilan data setiap 5 menit.

Dataset berdimensi tinggi memungkinkan bagi para peneliti untuk melakukan analisis. Namun, dataset berdimensi tinggi biasanya memiliki ciri-ciri ukuran sampel yang kecil, class imbalance, dan tingginya kompleksitas yang menyebabkan sulit untuk dilakukan klasifikasi. Salah satu metode yang digunakan untuk mengolah data berdimensi tinggi yaitu dengan menggunakan seleksi fitur. Pada penelitian ini, seleksi fitur yang digunakan memanfaatkan algoritma Bacterial Foraging Optimization (BFO). Hasil dari seleksi fitur akan dibandingkan dengan evolutionary algorithm lainnya yaitu Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), dan Ant Colony Optimization (ACO). Hasil yang didapatkan setelah dilakukan klasifikasi menggunakan Support Vector Machine (SVM) adalah BFO berhasil unggul dalam fraction of features dan waktu klasifikasi dari algoritma yang lainnya, namun jika dibandingkan dalam hal akurasi, precision, recall, dan ROC AUC, BFO termasuk dalam rata-rata atau berada di tengah. Artinya tidak terlalu baik namun juga tidak terlalu buruk.

Osteoporosis merupakan penyakit degeneratif yang ditandai dengan rendahnya kepadatan mineral tulang yang sangat berbahaya apabila dibiarkan tanpa adanya penanganan karena dapat meningkatkan resiko rentan retak dan patah tulang. Dual Energy X-ray Absorptiometry (DXA) merupakan metode yang umum digunakan untuk deteksi osteoporosis. Namun masalahnya terletak pada ketersediaan jumlah perangkat DXA di Indonesia yang masih terbatas, oleh karena itu dibutuhkan suatu alternatif untuk mendeteksi osteoporosis. Pada proyek akhir ini, alternatif yang dipilih yaitu citra radiografi panoramik gigi dengan parameter tebal kortikal mandibula pada tulang rahang bawah. Hal ini dikarenakan mandibula berhubungan signifikan dengan kepadatan tulang sebagai parameter identifikasi osteoporosis. Citra radiografi panoramik gigi digunakan sebagai masukan sistem untuk selanjutnya dipilih ROI objek kortikal mandibula, kemudian dilakukan perbaikan kualitas citra melalui pre-processing dengan beberapa tahapan yaitu morphological operation, contrast stretching, adaptive-noise removal filtering dan image subtraction. Selanjutnya segmentasi dengan menggunakan metode thresholding dan morphological operation. Setelah itu dilakukan ekstraksi ciri untuk mengambil nilai rata-rata dari kortikal mandibula dan klasifikasi dengan metode KNN (K-Nearest Neighbor). Hasil keluaran sistem berupa kategori tingkat kepadatan tulang yaitu kepadatan tulang rendah atau normal. Sistem ini dapat memberikan informasi awal terkait kepadatan tulang dengan keberhasilan sistem mencapai 80% dan dapat dijadikan sebagai pertimbangan tindakan selanjutnya dalam antisipasi penyakit osteoporosis.

Seiring meningkatnya penggunaan mobil listrik di Indonesia, potensi kecelakaan akibat tabrakan ringan antarkendaraan turut meningkat, terutama karena rendahnya tingkat kebisingan mesin dan keterbatasan visibilitas pengemudi. Untuk mengatasi hal tersebut, proyek ini mengembangkan sistem peringatan tabrakan berbasis Internet of Things (IoT) yang diimplementasikan pada prototype mobil listrik skala miniatur. Sistem ini menggunakan mikrokontroler ESP32 dan sensor ultrasonik HC-SR04 untuk mendeteksi jarak antar objek secara real-time. Respon peringatan diberikan melalui LED RGB sebagai indikator visual dan buzzer sebagai indikator suara. Selain itu, sistem mengendalikan kecepatan motor DC menggunakan driver L298N dan modul PCA9685 sesuai dengan jarak terdeteksi: berhenti (<5 cm), pelan (5–15 cm), dan normal (>15 cm). Data jarak ditampilkan di aplikasi Android berbasis MIT App Inventor yang dilengkapi fitur login dan monitoring, serta dicatat otomatis ke Google Sheets sebagai histori. Sistem juga terintegrasi dengan WPPConnect untuk mengirimkan notifikasi WhatsApp saat kondisi bahaya terdeteksi. Hasil pengujian menunjukkan sistem mampu mendeteksi jarak dengan akurat, memberikan notifikasi secara responsif, dan mengendalikan kecepatan motor sesuai kondisi. Sistem ini diharapkan menjadi solusi awal yang efektif untuk meningkatkan keselamatan berkendara, khususnya pada kendaraan listrik di masa depan.