Intersymbol Interference (ISI) yang merupakan akibat dari gejala multipath fading pada proses pengiriman data dari pemancar menuju penerima. Untuk menghilangkan pengaruh ini, digunakan detektor Zero Forcing (ZF) dan untuk menghemat bandwidth digunakan teknik Orthogonal Frequency Division Multiplexing (OFDM). Teknologi Multiple Input Multiple Output (MIMO) merupakan teknologi yang bermanfaat untuk komunikasi wireless dengan kecepatan transmisi data yang tinggi (high data rate) tanpa menambah bandwidth kanal karena menggunakan jumlah antena pemancar dan penerima lebih dari satu antena. Pada proyek akhir ini dilakukan simulasi terhadap kinerja sistem MIMO dengan teknik OFDM pada WLAN IEEE 802.11n menggunakan modulasi 16 Quadrature Amplitude Modulation (QAM). Pengujian dilakukan dengan konfigurasi MIMO menggunakan antena 2x2, 2x3, dan 2x4 dengan jumlah subcarrier 56 dan kanal yang digunakan adalah kanal selective fading. Pada akhirnya akan didapat kurva Bit Error Rate (BER) yang digunakan untuk mempresentasikan hasil kinerja dari sistem MIMO-OFDM ini. Dari hasil pengujian sistem dengan menginputkan sebanyak 4.480.000 bit, dan didapat hasil sistem MIMO 2x4 memiliki nilai BER 10-3 dengan selisih 5 dB dari sistem dengan antena 2x3 dan selisih 20 dB dengan sistem menggunakan antena 2x2.

Berdasarkan data BPS pada tahun 2018 Lamongan memiliki lahan sawah dan tambak seluas 45.627,54 hektar atau 25,17% dari luas Kabupaten Lamongan. Dengan lebarnya luas lahan sawah yang ada di Lamongan petani sering mengalami permasalahan setiap tahunnya salah satunya yaitu sulitnya mendapatkan air terutama ketika musim panas tiba, hal ini sering membuat petani mengalami gagal panen dan membuat petani mengalami kerugian yang cukup besar. Oleh karena itu pada tugas akhir ini saya membuat suatu system otomatisasi pompa air menggunakan teknologi IoT dan dengan bantuan sensor float level air yang digunakan sebagai indikator ketika air pada parit datang atau ketika air pada tambak habis, pada peralatan ini juga menggunakan teknologi protokol MQTT untuk mengirimkan data dari alat ke device smartphone user sehingga dengan MQTT ini user dapat memonitoring dan mengkrontrol kondisi air pada tambak.

Peningkatan volume lalu lintas akibat aktivitas masyarakat menyebabkan kerusakan jalan, seperti lubang (pothole), yang berpotensi memicu kecelakaan, kerusakan kendaraan, dan ketidaknyamanan. Pemeriksaan kondisi jalan secara manual memakan waktu dan biaya besar, sehingga diperlukan solusi otomatis yang efisien. Penelitian ini bertujuan mengembangkan sistem deteksi kerusakan jalan berbasis getaran dari sensor akselerometer dan giroskop (MPU6050), modul GPS, dan kamera untuk mengidentifikasi jenis jalan (normal, pothole, polisi tidur, speed trap) secara real-time. Sistem menggunakan algoritma CNN-LSTM, dimana CNN (Convolutional Neural Network) untuk mengekstraksi fitur getaran dan LSTM (Long Short-Term Memory) untuk menganalisis pola temporal, yang ditanamkan pada mikrokontroler. Data lokasi kerusakan jalan direkam melalui GPS untuk diunggah ke website dan didokumentasikan dengan foto. Pengujian menunjukkan akurasi prediksi 92% – 100% untuk semua klasifikasi jenis jalan. Sistem berhasil mendeteksi setiap jalan berlubang secara otomatis tanpa mengklasifikasi sebagai jenis jalan lainnya. Sistem ini menawarkan solusi cepat, murah, dan akurat untuk pemantauan kondisi jalan, dengan potensi integrasi ke sistem manajemen infrastruktur.

Landing gear positioning indicating system merupakan sistem yang berfungsi untuk memonitor posisi dari landing gear dan memastikan landing gear bergerak sesuai dengan instruksi pilot. Selain memonitor pergerakan landing gear, sistem ini juga memberikan warning berupa aural warning. Pada pesawat Boeing 737-800 NG, sistem ini memiliki sebuah sensor yang mendukung dalam memonitor landing gear. Sensor tersebut menggunakan jenis sensor proximity yang berguna untuk mengukur jarak. Pengukuran jarak ini digunakan sebagai pemicu ketika landing gear bergerak dari uplock menuju downlock dengan menempatkan sebuah target yang bergerak bersamaan menggunakan uplock hook. Uplock adalah kondisi dimana landing gear terkunci dan masuk kedalam wheel well. Salah satu sensornya yaitu uplock sensor yang terdapat pada landing gear actuator. Sensor ini memiliki jarak limitasi yang harus diperhatikan saat melakukan perawatan pada pesawat Boeing 737-800 NG. Indikasi dari sensor ini terpantau oleh beberapa lampu diatas lever switch. Pada saat uplock lampu berwarna hijau. Apabila lampu berwarna merah, menunjukkan bahwa landing gear dalam kondisi transit dari up ke down atau sebaliknya. Adapun untuk melakukan perawatan pada sistem ini dapat dilakukan melalui BITE (built in test equipment) test. BITE (built in test equipment) test ini harus berfungsi dengan baik dan akurat agar informasi dapat ditindaklanjuti oleh mekanik pesawat dengan tepat.

Botnet merupakan malicious software yang sering terjadi saat ini, dan dapat melakukan aktivitas berbahaya, seperti DDoS, spamming, phishing, keylogging, clickfraud, mencuri informasi pribadi and data penting. Botnet dapat mereplikasi diri tanpa sepengetahuan user. Beberapa sistem untuk mendeteksi botnet telah dilakukan menggunakan metode klasifikasi. Metode klasifikasi memiliki presisi tinggi, namun sayangnya membutuhkan usaha lebih dalam membuat model dan menyelesaikan masalah klasifikasi. Pada makalah ini, kami mengajukan metode On-line Clustering menggunakan Reinforcement Learning untuk mendeteksi botnet. Reinforcement Learning yang berinteraksi dengan lingkungan menjadi paradigma baru dalam machine learning. Metode reinforcement learning akan diimplementasikan dengan rule pendeteksi, karena dataset botnet ISCX merupakan dataset unbalanced yang memiliki perbedaan jumlah kelas data yang cukup jauh. Sehingga kami menginplementasikan Reinforcement Learning untuk mendeteksi Botnet menggunakan Pursuit Reinforcement Competitive Learning (PRCL) yang memiliki reward dan punishment dengan menambahkan rule pendeteksi untuk mencapai solusi. Berdasarkan hasil eksperimen, PRCL dapat mendeteksi botnet secara real time dengan akurasi tinggi (100% untuk Neris, 99.9% untuk Rbot, 78% untuk SMTP_Spam, 80.9% untuk Nsis, 80.7% untuk Virut, dan 96.0% untuk Zeus) dan kecepatan tinggi (158 ms). Metode yang diajukan dapat membantu administrator jaringan dalam mendeteksi botnet yang memiliki sifat tidak bisa diprediksi di dalam jaringan.