Energi surya merupakan salah satu sumber energi baru terbarukan yang banyak dimanfaatkan melalui sistem photovoltaic. Namun, kinerja sistem photovoltaic sangat dipengaruhi oleh perubahan iradiasi matahari dan fenomena partial shading yang menyebabkan munculnya beberapa titik daya maksimum pada kurva Power–Voltage (P–V). Kondisi tersebut mengakibatkan metode Maximum Power Point Tracking (MPPT) konvensional cenderung terjebak pada titik maksimum lokal sehingga daya keluaran sistem tidak dapat dimaksimalkan. Sebagai solusi terhadap permasalahan tersebut, proyek akhir ini mengusulkan algoritma Modified Harris Hawk Optimization (MHHO) berbasis pola perburuan kooperatif sebagai metode MPPT metaheuristik. Penelitian ini bertujuan untuk meningkatkan akurasi pelacakan Global Maximum Power Point (GMPP), khususnya pada kondisi partial shading. Algoritma MHHO dikembangkan dengan mengintegrasikan dynamic exploration factor untuk memperluas kemampuan pencarian serta random walk strategy guna mempercepat konvergensi sekaligus menjaga keseimbangan antara eksplorasi dan eksploitasi sehingga mampu menghindari jebakan titik maksimum lokal pada kurva P–V yang memiliki banyak puncak. Algoritma MHHO diimplementasikan pada Cuk Converter yang terhubung dengan tiga panel surya untuk proses pengisian baterai sebagai sumber daya beban pompa air DC melalui pengaturan duty cycle secara real-time. Berdasarkan hasil pengujian pada berbagai kondisi iradiasi, metode MHHO memperoleh rata-rata akurasi pelacakan sebesar 99.12% dengan rata-rata waktu pelacakan 14.97 detik, lebih baik dibandingkan metode HHO yang memperoleh rata-rata akurasi 98.07% dengan waktu pelacakan 15.01 detik, serta metode PSO dengan rata-rata akurasi 97.26% dan waktu pelacakan 16.91 detik. Hasil tersebut menunjukkan bahwa algoritma MHHO mampu meningkatkan akurasi pelacakan sekaligus mempercepat proses konvergensi dalam menentukan GMPP pada kondisi partial shading.

Citra CT-Scan merupakan salah satu sumber data untuk dapat mengidentifikasi penyakit hati untuk diagnosis kanker hati pada orang dewasa. Melalui tindakan benar dengan bantuan pemeriksaan medis citra CT-Scan maka harapan hidup penderita dapat lebih panjang. Namund dalam prosesnya untuk mengidentifikasikan kanker hati melalui CT-Scan, para ahli sering mengalami kesalahan diagnosis karena pada kanker hati memiliki gejala yang sama untuk tipe kanker hati yang berbeda. Selain itu para ahli juga membutuhkan waktu yang cukup lama untuk mendiagnosa seorang pasien. Penelitian ini menggunakan pengolahan citra untuk mengolah citra CT-Scan menjadi citra yang dapat diterima komputer untuk diolah guna mendiagnosa pasien. Dengan pengolahan citra, penelitian ini mengembangkan metode segmentasi citra dengan Active Contour untuk identifikasi area tumor, Morphological Operators untuk memperhalus tepian citra, dan Thresholding untuk mengubah citra asli menjadi citra biner agar dapat dibaca dengan mudah oleh komputer. Pada tahap awal, dibangun tahap preprocessing untuk normalisasi citra dengan seluruh dataset dengan resize, grayscalling, dan gaussian filtering. Identifikasi citra untuk mendiagnosa, digunakan metode Convolutional Neural Network (CNN). Dengan layer fitur ekstraksi tekstur pada CNN maka area tumor dapat dideteksi dengan membuat tekstur dari citra lebih jelas melalui beberapa filter. Dan pada tahap akhir dengan layer klasifikasi pada CNN, program dalam mengeluarkan sebuah hasil identifikasi pada citra sebagai 2 klas yaitu terindeksi HCC (Hepatocelluler Carcinoma) dan normal.

Pada tugas akhir ini dibuat suatu Simulasi pencarian rute dengan menggunakan algoritma A-Star. Pada aplikasi ini dibuat dengan menghubungkan antara animasi pada processing dengan aplikasi pada android dengan perantara bluetooth pada masing-masing device. Aplikasi pada android atau smartphone disini berfungsi untuk memberikan perintah atau mengelolah node-node tersebut dengan menggunakan algoritma A-star kemudian node yang diperoleh akan dikirimkan dan diterima oleh animasi pada processing dan akan bergerak sesuai dengan yang dikirimkan oleh aplikasi pada smartphone. Hasil yang diperoleh pada penelitian ini adalah kesesuaian antara data yang dikirimkan melalui bluetooth , kemudian algoritma akan diproses melalui aplikasi android dan dikirimkan menuju animasi pencarian rute terdekat yang menerima data string dan menuju node yang sesuai dengan algoritma A-Star (A*) pada aplikasi android. Pada perbandingan antara teori dengan praktik pada processing dengan menggunakan 21 node, dengan 5 simulasi dan animasi melalui node-node yang berbeda-beda. diantara kelima simulasi tersebut terdapat rute yang paling dekat yaitu pada node awal O dan node tujuan D dengan jarak 667 dalam satuan pixel. Jarak tersebut merupakan jarak terdekat dibandingkan dengan lima simulasi yang lain.

Jalan yang tidak terawat berkontribusi pada jumlah kematian kecelakaan lalu lintas yang terjadi setiap tahun. Kondisi dari jalan rusak di Indonesia mencapai sekitar 2500 mil atau lebih dari 8% dari total jalan nasional. Semakin tinggi jumlah kerusakan jalan, kemungkinan kecelakaan lalu lintas akibat kerusakan jalan juga meningkat.Perbaikan jalan secara komprehensif dan berkelanjutan perlu dilakukan untuk mencegah resiko tersebut, namun survei kerusakan jalan yang ada saat ini masih menggunakan cara konvensional yang tidak efektif dari segi waktu, biaya, dan tenaga. Berbagai cara telah ditempuh untuk pengembangan teknik survei kerusakan jalan, baik melalui aplikasi mobile, Accelerometer, hingga Image Processing dengan teknologi Deep Learning. Pada penelitian ini dilakukan pengembangan teknologi survei kerusakan jalan berbasis Image Processing menggunakan Deep Learning Convolutional Neural Network dengan pre-trained model MobileNet V2. Metode klasifikasi tingkat kerusakan jalan menggunakan metode Surface Distress Index (SDI), dengan pemfokusan parameter pada jumlah dan ukuran lubang, untuk penentuan tingkat kualitas jalan apakah baik, sedang, rusak ringan, atau rusak berat. Sistem ini dijalankan menggunakan Jetson Nano sehingga dapat dipasang pada kendaraan untuk deteksi kerusakan jalan secara real-time. Data gambar, lokasi dan tingkat kerusakan jalan ditampilkan melalui platform website sebagai sistem informasi kerusakan jalan. Hasil penelitian menunjukkan bahwa model dengan pre trained model SSD MobileNet V2 dan Hyperparameter batch size 8, menghasilkan mAP sebesar 0.0869 dan total loss training sebesar 0.6028, lebih optimal dibandingkan penggunaan batch size yang lebih rendah atau pre trained model SSD Resnet50 V1. Pengujian implementasi hardware menunjukkan presisi hasil deteksi pada range 60 – 100 % untuk jalan sepanjang 1 kilometer.

Seiring dengan kemajuan teknologi sekarang ini, kehidupan manusia tidak dapat lagi dipisahkan dari kebutuhan energi listrik Kebutuhan manusia akan energi listrik terus meningkat dari waktu kewaktu menunjukkan bahwa begitu tingginya manfaat listrik bagi kehidupan manusia. Disisi lain hal yang sering terlupakan adalah tentang bahaya yang dapat ditimbulkan oleh listrik. Banyak kasus yang diakibatkan oleh kelalaian dalam menggunakan energi listrik, salah satunya adalah tersengat aliran arus listrik. Sehingga dari permasalahan tersebut dibuat sebuah alat pendeteksi aliran arus bocor pada beban dengan menggunakan sensor yang dapat mendeteksi perbedaan flux ketika ada arus bocor. Alat ini mempunyai 2 buah steker digunakan sebagai beban listrik rumah tangga dan 1 steker khusus digunakan untuk beban televisi yang terkoneksi secara wireless dengan menggunakan bluetooth sebagai upaya penghematan energi listrik. Alat ini mampu mendeteksi arus bocor sebesar 0,5 mA dengan baik dengan kemampuan memutus tegangan dengan kecepatan 1742 μs. Sistem mampu mendeteksi pergerakan dengan jarak dari sensor pir sejauh 2,8 meter dengan komunikasi data pada Bluetooth dengan jarak 4 meter. Dengan adanya alat ini dapat memberikan rasa aman bagi pengguna dalampenggunaan listrik.