Robot EILERO merupakan sebuah robot pemadam api berjenis quadruped yang dikembangkan oleh PENS untuk mengikuti Kontes Robot Pemadam Api Indonesia. Dalam kontes ini, robot harus dapat bergerak secara autonomous untuk menyelesaikan misi memadamkan api. Robot ini menggunakan sensor photodioda untuk mencari lokasi dari api. Akan tetapi, dalam kondisi tertentu cahaya matahari bisa masuk kedalam arena lomba, sehingga dapat mengganggu kinerja sensor. Hal ini dikarenakan sensor photodioda mengukur intensitas cahaya, sehingga ada kemungkinan sensor meleset dalam mencari lokasi api. Sensor IR Thermal AMG8833 merupakan jenis sensor array thermal yang dapat mengukur suhu dari suatu objek. Sensor ini dapat bekerja dengan baik dalam kondisi intensitas cahaya yang tinggi. Selain itu, sensor ini juga memiliki 8x8 atau 64 thermopile dimana tiap thermopilenya dapat mengukur suhu. Sehingga akurasi yang didapat dari pelacakan api akan lebih akurat, karena robot dapat mengetahui posisi X dan Y dari 64 pixel sensor. Data suhu yang diperoleh oleh sensor diolah dengan logika fuzzy untuk mengetahui output yang akan dieksekusi oleh robot berdasarkan posisi api. Dari hasil percobaan yang dilakukan, sensor ini memiliki persentase keberhasilan sebesar 96,6% dalam 30 kali percobaan. Sehingga sensor ini lebih baik dalam mendeteksi api ditempat terang dibandingkan sensor photodioda.

Beras merupakan bahan makanan pokok yang sangat diperlukan masyarakat Indonesia. Setiap keluarga mengkonsumsi minimal 1kg beras dalam sehari. Proses konversi berat beras umumnya masih menggunakan cara manual (timbangan manual). Proses ini seringkali membuat berat beras tidak akurat dan menimbulkan kerugian bagi penjual atau pembeli. Salah satu solusi untuk mengatasi masalah ini yaitu dengan menerapkan teknologi pada alat penimbang. Penelitian ini menggunakan 2 sensor load cell untuk mengukur berat beras. Dengan penggunaan 2 load cell diperoleh output penimbangan beras yang memiliki tingkat keakurasian yang baik. Keluaran dari sensor ini berupa tegangan dalam orde millivolt yang akan dikuatkan oleh rangkaian penguat (IC INA 125). Setelah dikuatkan, tegangan keluaran dari sensor load cell akan dimasukkan ke ADC pada mikrokontroller Atmega16 dan beban berat yang terukur ditampilkan melalui LCD. Disamping itu, tegangan keluaran load cell juga digunakan mikrokontroller untuk mengatur buka tutup valve yang digerakkan oleh motor DC. Terdapat 2 buah valve, dimana valve 1 digunakan untuk mengatur suplai beras pada alat penimbang dan valve 2 digunakan untuk mengeluarkan beras dari alat penimbang setelah proses penimbangan selesai. Sedangkan range yang digunakan pada alat penimbang beras secara otomatis ini adalah 1Kg, 2Kg, 5Kg dan 0,5Kg. Untuk setting berat 1Kg diperoleh % error ± 2,4%, 2 Kg diperoleh %error ± 1%, 5Kg diperoleh %error ± 0,8% dan 0,5Kg diperoleh %error ± 5,6%. Dengan demikian %error yang terjadi pada sistem ini ± 3,5%.

Pergerakan harga saham sulit diprediksi dan dapat berubah seiring waktu. Analisis teknikal diperlukan untuk menentukan waktu dan perusahaan yang tepat dalam investasi saham akan tetapi sebagai trader pemula akan mengalami kesulitan dalam menganalisa saham. Maka penelitian ini mengembangkan metode prediksi harga saham yang efektif dengan menggunakan model Long Short-Term Memory (LSTM) yang dikombinasikan dengan analisis teknikal. Prediksi harga saham yang akurat sangat penting dalam pengambilan keputusan investasi yang baik, kombinasi antara LSTM dan analisis teknikal dapat memberikan pendekatan yang kuat dalam menghadapi tantangan tersebut. Evaluasi kinerja model dilakukan dengan membandingkan hasil prediksi LSTM dengan harga saham aktual pada periode waktu yang tidak termasuk dalam data training. Hasil evaluasi prediksi harga saham dengan metode LSTM dan analisis teknikal memperoleh nilai RMSE sebesar 136.7 untuk harga Open, 126.5 untuk harga Close, 317.9 untuk harga High, 178.0 untuk harga Low, dan 189.6 untuk harga Adj.Close lebih baik dibanding dengan metode LSTM tanpa analisis teknikal. Sedangkan dengan metode LSTM mendapatkan hasil akurasi lebih baik dibandingkan dengan SVR dan KNN dari 5 dataset yang berbeda dengan nilai RMSE 65.21 untuk LSTM, 313.56 untuk SVR, 72.44 untuk KNN dan nilai R2 0.9919 untuk LSTM, 0.81 untuk SVR, 0.990 untuk KNN. Hasil dari model tersebut diimplementasikan kedalam sistem berbasis web yang menggunakan framework laravel dan database mysql.

Sebagian besar wilayah Indonesia yang terdiri atas perairan memiliki peran besar untuk meningkatkan pendapatan negara. Pendapatan yang dimaksud terdapat pada pelabuhan yang digunakan sebagai distribusi impor ekspor dalam bidang perdagangan. Namun biaya jasa distribusi oleh kapal akan terus meningkat seiring lama waktu yang digunakan untuk memakirkan kapal di atas laut selama menunggu kapal dilayani oleh pelabuhan maupun menunggu saat bongkar muat barang. Hal tersebut disebabkan karena padatnya antrian kapal di tempat yang sama dengan tipe kapal berbeda[1]. Keadaan antrean kapal yang demikian memunculkan inovasi untuk membuat “Sistem Notifikasi Antrian Kapal menuju Pelabuhan” yang diproses sejak kapal mendaftarkan identitasnya sampai kapal selesai bongkar dan keluar dari pelabuhan. Sistem notifikasi meliputi penataan posisi antrian kapal menggunakan algoritma Rule Based berdasarkan tujuan sandar, jenis muatan dan panjang kapal, notifikasi nomor antrian dan estimasi waktu berdasarkan pengolahan data durasi waktu secara real di Pelabuhan, dengan prosesnya menggunakan deteksi verifikasi oleh sensor RFID yang dipasang pada kapal pandu untuk membantu kapal pengguna memasuki jalur menuju dermaga tujuan. Dari pengujian sistem tersebut, pengguna kapal dapat langsung mengetahui slot antreannya sebelum memulai berlayar sehingga tidak akan ada lagi dermaga kosong yang dibuat singgah kapal yang tidak sesuai dengan komoditinya. Estimasi durasi kapal penumpang dibandingkan dengan estimasi durasi sistem memiliki erorr rata-rata 65%, untuk kapal kargo memiliki error rata-rata 140%, dan untuk kapal curah memiliki error rata-rata 77%. Kapal kargo memiliki error terbesar karena durasi bongkar kapal kargo paling tinggi dibandingkan jenis lainnya, sehingga untuk kapal kargo yang tidak memiliki antrean pertama akan memiliki akumulasi waktu tunggu yang lebih besar.

Pembelajaran bahasa Inggris, khususnya dalam penguasaan grammar dan speaking, merupakan tantangan bagi banyak mahasiswa, terutama ketika harus belajar secara mandiri tanpa bimbingan. Keterbatasan waktu pembimbing dan kurangnya media pembelajaran interaktif sering kali menyebabkan mahasiswa kesulitan mengevaluasi dan meningkatkan kemampuan tata bahasa mereka secara efektif. Selain itu, minimnya latihan yang terstruktur dan kurangnya akses terhadap simulasi tes TOEFL yang memberikan evaluasi rinci turut memperburuk proses pembelajaran. Penelitian ini mengusulkan pengembangan sistem berbasis website yang dilengkapi dengan fitur pembelajaran grammar dan speaking berbasis AI. Sistem ini dirancang untuk mendukung mahasiswa belajar grammar secara mandiri melalui analisis teks yang akurat, saran perbaikan, dan evaluasi berupa skor kesempurnaan. Selain itu, fitur latihan interaktif memungkinkan mahasiswa menjawab soal yang digenerate oleh AI dan menerima umpan balik langsung atas jawaban yang diberikan. Sistem juga menyediakan simulasi tes TOEFL yang memberikan hasil evaluasi rinci pada setiap keterampilan, seperti Listening, Structure, dan Reading. Dengan arsitektur yang mencakup antarmuka pengguna (frontend), server (backend), dan basis data, sistem ini dirancang untuk memberikan pengalaman pengguna yang optimal. Diharapkan, sistem ini dapat membantu mahasiswa mengatasi kesulitan dalam pembelajaran grammar, meningkatkan konsistensi latihan, dan mempersiapkan mereka dengan lebih baik untuk menghadapi tes TOEFL.