Fase perancangan basis data merupakan fase penting dalam pengembangan suatu sistem perangkat lunak. Namun diagram saja belum cukup untuk memacu proses konstruksi basis data. Transformasi rancangan ke bentuk SQL (Structure Query language) dengan tipe Data Definition Language DDL secara otomatis sangat mempercepat proses konstruksi tersebut. Pembangkitan DDL yang dibuat diintegrasikan ke dalam editor model data ERD Generator berbasis mobile. DDL yang dihasilkan berasal dari objek-objek yang dirancang pada level model data fisik dari ERD Generator berbasis mobile meliputi tabel referensi constraint trigger fungsi prosedur dan indeks. Teknologi yang digunakan untuk membangun pembangkit DDL adalah bahasa pemrograman java Android. Perancangan pembangkitan DDL ini menggunakan konsep pemrograman berorientasi objek dengan mengimplementasikan arraylist pada kelas-kelas object tertentu.

Budidaya ikan lele merupakan suatu usaha yang banyak dilakukan oleh masyarakat Indonesia karena keuntungannya yang terbilang cukup banyak. Namun dalam kenyataannya, masih banyak pula para peternak lele yang merugi dikarenakan hasil panennya tidak sesuai dengan yang diharapkan. Hal itu dikarenakan jumlah pakan yang diberikan tidak sesuai dengan kebutuhan ikan. Berdasarkan permasalahan tersebut, maka diperlukan suatu alat yang dapat membantu mengoptimalisasikan jadwal dalam pemberian pakan lele. Pada proyek akhir ini dibuatsebuah alat yang dapatmembantu dalam pemberian pakan ikan ikan lele secara otomatis sesuai dengan usia ikan tersebut. Sensor yang dipakai disini adalah load cell yang digunakan untuk mengukur berat dari pakan ikan (pelet) yang diinginkan sebelum pakan disebar. Setelah proses penimbangan selanjutnya pakan akan dikeluarkan untuk ditebar oleh baling-baling. Kecepatan motor sangatlah penting untuk penggerakan baling-baling penebaran pelet ke kolam ikan. Hal itu dikarenakan pemerataan pemberian pakan akan sangat berpengaruh pada pertumbuhan ikan. Pada proyek akhir ini juga akan ada report setelah alat selesai bekerja melalui SMS dan memiliki tingkat error penimbangan sebesar 3,1%. Hasil akhir dari alat ini diharapkan dapat membantu para pembudidaya lele khususnya yang masih baru atau dalam skala kecil dalam pemberian pakan ikan.

PT Atmatech Global Informatika sebagai perusahaan pengembangan perangkat lunak membutuhkan sistem manajemen proyek yang efektif untuk mengelola portofolio proyeknya yang kompleks dan beragam. Saat ini, perusahaan mengandalkan GitLab yang memiliki keterbatasan dalam manajemen proyek menyeluruh, terutama pada alokasi sumber daya manusia, perencanaan jadwal, dan analisis kinerja proyek. Untuk mengatasi tantangan tersebut, dikembangkan ProMan (Sistem Informasi Manajemen Proyek) yang terintegrasi langsung dengan GitLab API sebagai solusi komprehensif. ProMan menawarkan fitur-fitur utama seperti perencanaan proyek, kolaborasi tim, pelaporan progres, dan pengelolaan sumber daya proyek. Sistem ini diimplementasikan menggunakan teknologi VueJS untuk frontend, Golang untuk backend, MongoDB sebagai basis data, dan AWS S3 untuk penyimpanan file. Integrasi dengan GitLab API memungkinkan sinkronisasi data proyek, data tugas/issue, dan data pengguna. Pengujian awal menunjukkan bahwa ProMan mampu meningkatkan efisiensi manajemen proyek dengan memungkinkan pelacakan dan kolaborasi yang lebih baik, serta menghemat biaya operasional signifikan dibandingkan solusi komersial serupa seperti Jira atau Trello.

Pada umumnya motor induksi tiga fasa banyak digunakan oleh dunia industri karena memiliki beberapa keuntungan antara lain motor ini sederhana, murah dan mudah pemeliharaannya. Pada penggunaan motor induksi sering dibutuhkan proses menghentikan putaran motor dengan cepat. Untuk menghentikan putaran rotor, torsi pengereman diperlukan yang dapat dihasilkan secara mekanik maupun secara elektrik. Pengereman untuk menghentikan putaran motor induksi dapat dirancang secara dinamik. Metode pengereman dinamik memiliki keuntungan antara lain kemudahan pengaturan kecepatan pengereman terhadap motor induksi tiga fasa dan kerugian mekanis dapat dikurangi. Dengan mengaplikasikan pengereman dinamik pada motor induksi tiga fasa didapatkan hasil proses menghentikan putaran motor induksi lebih cepat dibandingkan tanpa pengereman dinamik. Metode pengereman dinamik merupakan sistem pengereman yang dilakukan dengan menginjeksikan arus DC pada kumparan stator motor induksi tiga fasa setelah hubungan kumparan stator dilepaskan dari sumber tegangan sumber AC. Sumber arus DC yang diinjeksikan diperoleh dari keluaran Buck Converter sebesar 1 Volt sampai 10 Volt dengan duty cycle antara 5% sampai 50% sehingga ketika sumber AC dilepas dari sumber tegangan maka sumber arus DC dapat diinjeksikan sehingga dapat menghentikan putaran motor induksi tiga fasa dari waktu awal 2.88 detik menjadi 0.29 detik sampai 0.85 detik sesuai dengan nilai duty cycle yang digunakan sehingga pengereman motor induksi tiga fasa dapat dilakukan dengan metode pengereman dinamik.

Sistem pencarian gambar yang ada sering menghadapi kesulitan untuk menemukan gambar yang diambil sesuai dengan permintaan gambar. Kesulitan umumnya disebabkan oleh keinginan pengguna untuk mencari gambar berbeda dengan informasi dominan dari gambar yang dikumpulkan dari ekstraksi fitur. Dalam penelitian ini, penulis menyajikan pendekatan baru untuk sistem pencarian gambar yang bergantung pada konten dengan pembobotan otomatis. Penulis menerapkan segmentasi gambar sebagai proses yang bergantung pada konten sebelum ekstraksi fitur untuk mengidentifikasi apakah ada objek atau tidak di dalam gambar. Sistem mengekstrak 3 fitur, yang merupakan fitur warna, bentuk, dan tekstur dan menggabungkan fitur-fitur ini untuk pengukuran kesamaan antara permintaan gambar dan basis data gambar. Warna histogram HSV digunakan untuk mengekstraksi fitur warna suatu gambar. Sedangkan ekstraksi fitur bentuk menggunakan Connected Component Labeling (CCL) yang menghitung nilai area, diameter setara, luas, convex hull, soliditas, eksentrisitas, dan perimeter masing-masing objek. Ekstraksi fitur tekstur menggunakan pendekatan Leung Malik (LM) dengan 15 kernel. Ekstraksi fitur yang telah didapat tidak langsung diproses tetapi dihitung bobot masing-masing fitur terlebih dahulu. Hal ini bertujuan agar fitur yang digunakan sesuai dengan komposisi dari fitur gambar. Untuk penerapan sistem yang penulis usulkan, penulis menerapkan sistem dengan patokan 1000 gambar SIMPLIcity dataset yang terdiri dari 10 kategori yaitu Afrika, pantai, sejarawan bangunan, bus, dinosaurus, gajah, mawar, kuda, gunung, dan makanan. Hasil percobaan dilakukan 70.38% tingkat akurasi untuk mendeteksi objek dengan fitur warna, 71% oleh fitur tekstur, 60% oleh fitur bentuk, 78.43% oleh fitur warna-tekstur gabungan, 72.65% oleh fitur warna-bentuk gabungan, 72% gabungan tekstur- fitur bentuk dan 80.5% menggabungkan semua fitur.