Indonesia memiliki angka kecelakaan lalu lintas yang tinggi dimana didominasi oleh pengendara sepeda motor. EDR (Event Data Recorder) sebagai alat perekam kejadian atau yang biasa dikenal dengan black box ini, belum menjadi standar keamanan kendaraan bermotor di Indonesia. Pemvisualisasian EDR terutama pada sepeda motor sebagai alat bantu reka ulang kejadian masih sebatas gambar grafik dan data berupa angka. Maka dari itu penelitian ini mengajukan solusi baru untuk visualisasi 3D EDR pada sepeda motor yang bisa membantu mereka ulang kejadian sesuai dengan data dan kondisi yang terjadi untuk membantu pembaca memahami kejadian yang sebenarnya. Data yang digunakan untuk membantu pemvisualisasian bisa dari data EDR ataupun dari data sensor IMU (Inertial Measurement Unit) smartphone yang terekam. Visualisasi 3D EDR ini bisa diakses secara offline dan dinamis, karena pengguna cukup memasukkan data yang mereka dapatkan sendiri kedalam Visualisasi 3D EDR tanpa harus menganimasikannya secara manual. Gambar visualisasi lingkungan berasal dari Google Maps untuk merealisasikan tempat kejadian. Pengguna juga dapat memilih tipe sepeda motor yang ingin divisualisasikan. Pemvisualisaian ini nantinya bisa membantu kepolisian dalam menangani kasus kecelakaan pada sepeda motor, peningkatan standar keamanan, dan penelitian untuk perkembangan produk motor selanjutnya yang ada di Indonesia.

Pada era digital saat ini penggunaan peralatan nirkabel telah menjadi bagian dari kehidupan sehari-hari, baik dalam pertukaran informasi seperti teks, audio maupun video atau juga digunakan untuk transaksi data. Namun terkadang komunikasi digital ini rawan oleh penyadap atau mata-mata untuk mengetahui isi dari suatu informasi tersebut. Sehingga pada Proyek Akhir ini akan dilakukan pembangkit kunci yang diharapkan bisa untuk membuat informasi data menjadi lebih aman. Dalam sebuah pembangkit kunci terdapat parameter RSS (Received Signal Strength) yang digunakan untuk melihat kekuatan sinyal antara pengirim (Tx) dan penerima (Rx). Namun, pengukuran RSS sering terjadi perbedaan kuat sinyal yang signifikan diantara Tx dan Rx. Untuk mengatasi permasalahan tersebut menggunakan tahapan praproses dengan menggunakan sistem deep learning dengan harapan akan membuat kuat sinyal antara Tx dan Rx memiliki kemiripan yang meningkat. Dari hasil pengujian yang dilakukan, Long Short-Term Memory mampu meningkatkan nilai korelasi setelah praproses dibanding korelasi pengukuran asli, dengan kenaikan kolerasi tertinggi didapatkan yaitu 0,675 dari kolerasi sebelum praproses sebesar 0,286 pada skenario ruang B301-B302 jarak 5m dengan kondisi statis. Proses kuantisasi dengan menggunakan Jana multibit, hasil dari kuantisai ini adalah 1 bit menjadi 2 bit greycode. Bit sebelum kuantisai sebesar 1046 menjadi 2048 pada semua skenario. Pada proses error correcting menggunakan BCH (31,6) dapat mengoreksi seluruh blok yang diproses lalu menghasilkan bit tertinggi pada skenario ruang B302 jarak 5m dengan kondisi statis dengan jumlah bit sisa sebanyak 972 bit. KGR tertinggi pada proses BCH (31,6) didapatkan pada skenario ruang B301-B302 jarak 4m dalam kondisi dinamis sebesar 2,11 bit/s. Pada konfigurasi BCH (31,6) rata-rata didapatkan kunci sebanyak 3 kunci Dengan waktu komputasi keseluruhan system pada setiap skenario rata-rata sekitar 8,9 menit. Pada proses error correcting menggunakan BCH (63,18) didapatkan jumlah bit sisa lebih banyak dan bit sisa terbanyak terdapat pada skenario ruang B302 jarak 4m dengan kondisi dinamis. Untuk nilai KGR tertinggi pada konfigurasi BCH (63,18) didapatkan nilai sebesar 4,07 bit/s pada skenario B302 jarak 5m dalam kondisi dinamis. Dengan rata- rata kunci yang didapatkan pada konfigurasi ini sebanyak 13 kunci. Waktu komputasi keseluruhan system pada setiap skenario rata-rata sekitar 8,9 menit.

Transportasi laut yang aman guna menjaga stabilitas tranportasi dan mengurangi terjadiya risiko tabrakan ataupun bahaya yang terjadi pada pelabuhan yang ramai seperti Pelabuhan Tanjung Perak Surabaya sangat dibutuhkan. Salah satu upaya menaggulangi masalah tersebut adalah dengan membangun sistem navigasi yang dilengkapi dengan Vessel Traffic Service (VTS) yang merupakan sistem pemantauan lalu lintas yang dapat memberikan informasi kepada kapal yang mana informasi yang diberikan berupa posisi, kecepatan, arah kapal, bahaya, dan lain-lain. Selain itu juga dibutuhkan pemberian rute untuk traffic control kapal yang ada guna menghindari tabrakan. Sehingga dari sini dapat mengurangi risiko tabrakan yang dapat terjadi. Pada penelitian proyek akhir ini telah dibuat perancangan sistem navigasi pada VTS untuk menghindari adanya tabrakan antar kapal. Yang mana digunakan data dari VTS yaitu berupa posisi kapal, kecepatan, sudut haluan, dan baringan antar kapal. Sistem navigasi ini dirancang dengan menggunakan algoritma fuzzy tipe mamdani untuk menentukan adanya risiko tabrakan yang terjadi yang dapat diamati melalui pusat VTS. Hasil dari penelitian ini yaitu kondisi kemungkinan risiko tabrakan antara dua buah kapal mempunyai nilai risiko tabrakan terbesar yaitu 86,16 % dengan kondisi dua kapal berada pada posisi yang berlawanan atau crossing dengan kecepatan maksimal kapal sebesar 16,7 knot. Sedangkan, nilai risiko terkecil yaitu sebesar 16,4% dengan kondisi dua kapal pada posisi berlawanan dengan nilai sudut antara kedua kapal bernilai besar.

Perkembangan pesat media sosial membuat informasi dapat menyebar secara instan, namun sekaligus mempermudah peredaran berita palsu (hoaks) yang dapat menyesatkan public dan memengaruhi pengambilan keputusan masyarakat dalam skala luas. Tingginya paparan hoaks serta keberagaman topik dan gaya penulisan di berbagai platform digital menimbulkan kebutuhan mendesak akan sistem deteksi otomatis yang akurat dan adaptif lintas domain. Proyek akhir ini mengajukan pendekatan deteksi berita palsu berbasis model BERT (Bidirectional Encoder Representations from Transformers) yang memanfaatkan kekuatan pemahaman konteks dua arah dan teknik fine-tuning untuk meningkatkan kemampuan generalisasi pada berbagai topik berita, sekaligus menguji strategi transfer learning melalui TAPT (Task-Adaptive Pre-training) menggunakan beberapa dataset berita palsu yang berbeda domain. Data yang digunakan berupa judul berita berbahasa Inggris dengan label biner fake/real yang dibagi menjadi beberapa dataset (primary, secondary) untuk mensimulasikan pergeseran domain dan perbedaan kosa kata antarkorpus. Evaluasi dilakukan menggunakan metrik precision, recall, dan F1-score pada data uji yang terpisah untuk setiap skenario eksperimen. Hasil pengujian menunjukkan bahwa model BERT dengan strategi full fine-tuning memberikan performa hampir sempurna dengan F1-score weighted-F1 sebesar 99% pada dataset utama (ISOT). Lebih lanjut, penerapan transfer learning bertingkat melalui continuation training pada dataset kedua (WELFake) secara signifikan meningkatkan F1-score dari 13,77% menjadi 95,35% untuk BERT, dari 18,56% menjadi 95,52% untuk RoBERTa, dan dari 19,32% menjadi 96,89% untuk DeBERTa, sekaligus menunjukkan bahwa ketiga model dapat beradaptasi terhadap domain baru melalui domain shift. Temuan ini mengonfirmasi bahwa kombinasi BERT, fine‑tuning penuh, dan strategi transfer learning adaptif merupakan salah satu pendekatan yang sangat menjanjikan untuk deteksi berita palsu lintas domain pada skala besar.

Penelitian ini membahas tentang permasalahan dalam proses pemilihan karyawan terbaik di PT Otto Menara Globalindo, sebuah perusahaan teknologi informasi di Surabaya. Saat ini, pemilihan dilakukan secara manual dengan kriteria suara terbanyak, tanpa adanya kriteria yang jelas. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sebuah sistem penilaian karyawan berbasis web menggunakan metode Delphi dan Analytical Hierarchy Process (AHP) untuk membuat proses pemilihan lebih sistematis dan konsisten. Permasalahan pada proyek akhir ini adalah bahwa karyawan hanya memilih sesama rekan tanpa alasan spesifik, mengakibatkan ketidakjelasan dalam penilaian karyawan terbaik. Pembatasan masalah melibatkan studi kasus di PT Otto Menara Globalindo, implementasi sistem berbasis web menggunakan framework Laravel, dan pengecualian metode Delphi dari sistem. Tujuan penelitian adalah membantu PT Otto Menara Globalindo dalam meningkatkan proses pemilihan karyawan terbaik dengan merancang sistem penilaian berbasis web. Metode Delphi dan AHP digunakan sebagai solusi untuk memastikan objektivitas dalam menentukan karyawan terbaik. Manfaat dari penelitian ini adalah terciptanya sistem pendukung keputusan yang dapat membantu perusahaan dalam memberikan keputusan objektif dalam menentukan karyawan terbaik. Sistem ini didesain untuk seluruh karyawan PT Otto Menara Globalindo dan diharapkan dapat meningkatkan efisiensi dan kualitas dalam manajemen sumber daya manusia perusahaan.