Di Indonesia terdapat 1340 suku berdasarkan sensus BPS tahun 2010. Setiap suku bangsa tersebut memiliki budaya dan tradisi yang berbeda, salah satu contohnya adalah permainan tradisional. Indonesia memiliki berbagai macam permainan tradisional, salah satu contoh permainan yang cukup populer adalah patil lele. Akan tetapi, permainan tradisional semakin terlupakan karena adanya konsol game dengan tampilan yang menarik. Terlebih lagi, tidak banyak permainan modern yang mengusung permainan tradisional. Selain itu, literatur mengenai permainan patil lele cukup susah untuk ditemukan. Penelitian ini dibuat untuk membantu melestarikan permainan tradisional dengan cara mengenalkan dan mengajarkan cara bermain permainan tradisional. Dengan memanfaatkan teknologi 3D Mixed Reality, user dapat mempraktekkan bagaimana cara memukul pada tiap tahapan permainan patil lele dengan media yang menarik. Penerapan 3D Mixed Reality pada penelitian ini menggunakan Kinect sebagai alat untuk melakukan input pada aplikasi. Kinect merupakan salah satu alat penangkap gerakan manusia yang terbaik karena tidak membutuhkan perangkat tambahan untuk menangkap gerakan user. Data gerakan dapat langsung diintegrasikan ke dalam Mixed Reality dengan bantuan Kinect SDK dari Microsoft.

Pada Artificial Intelligence terdapat Neural Network yang merupakan salah satu implementasi dari Machine Learning, sedangkan Deep Learning merupakan salah satu implementasi dari NN. Deep learning banyak diaplikasikan banyak diaplikasikan di kehidupan sehari-hari, salah satu contohnya mengemudi. Mengemudi merupakan suatu perilaku yang membutuhkan proses kognisi yang digunakan sebagai pengambil keputusan dalam berkendaraan yang membutuhkan perhatian dan konsentrasi. Salah satu transportasi yang dapat dikemudikan yaitu bus. Bus merupakan salah satu transportasi darat yang dapat menampung penumpang cukup besar. Pengemudi bus yang kelelahan dapat mengakibatkan ketidaknyamanan dan membahayakan bagi penumpang. Kelelahan pada pengemudi bus bahkan dapat menyebabkan kecelakaan lalu lintas. Kelelahan pada pengemudi bus dapat diketahui melalui ekspresi wajah pengemudi bus tersebut yang dimaati dengan kamera yang terpasang pada bus. Kondisi yang diamati yaitu penutupan mata dan menguap. Dari kedua kondisi tersebut dapat diketahui keadaan dari pengemudi bus sedang mengalami kelelahan atau tidak. Dari beberapa permasalahan yang telah disampaikan dapat dibuat sebuah sistem untuk mendeteksi kelelahan melalui pengenalan ekspresi wajah pada pengemudi transportasi bus pada penelitian tugas akhir ini. Sistem akan dijalankan pada bus dengan menggunakan mini PC Nvidia Jetson AGX Orin. Sistem memiliki improvement pada inference model yang dapat dijalankan pada PyTorch, ONNX, ataupun TensorRT. Sistem yang dibuat akan menghasilkan data yang diharapkan dapat mengembangkan Artificial Intelligence, lalu dapat diterapkan pada bus elektrik khususnya pada keamanan bus terlebih pada pengemudi bus. Berdasarkan pengujian secara keseluruhan akurasi dari model dengan backbone Resnet50 81,68% dan MobileNetV2 71,45%. Oleh karena itu model landmark wajah dengan backbone Resnet50 dipilih untuk digunakan dan memiliki akurasi head pose untuk yaw 75,92% dan pitch 68,83%, lalu akurasi deteksi kelelahannya yaitu 86,67%.

Saat ini perkembangan pemanfaatan sumber energi terbarukan seperti energi matahari dan energi angin telah meningkat secara signifikan. Penggabungan beberapa sumber energi atau sistem hybrid juga banyak dikembangkan untuk meningkatkan daya dan kehandalan sistem. Namun, ketika beberapa sumber energi digabungkan, maka akan terdapat banyak konfigurasi distribusi daya dari masing-masing sumber, selain itu daya yang dihasilkan oleh energi terbarukan bersifat fluktuatif, sementara itu beban membutuhkan tegangan dan energi yang stabil secara terus menerus. Oleh karena itu diperlukan suatu manajemen energi untuk mengatur distribusi daya dari kedua sumber secara otomatis dan dapat memberikan energi pada beban secara terus menerus dan optimal. Dalam proyek akhir ini multi input converter diusulkan untuk menggabungkan beberapa sumber energi menggunakan metode ANFIS. Hasil simulasi menunjukkan bahwa ANFIS dapat mempertahankan tegangan output dengan prosentasi error minimum sebesar 0,15% dan prosentase error maksimum sebesar 0.93%.

Hipertensi merupakan salah satu permasalahan serius yang kini dihadapi sebagian besar orang. Tidak dilakukannya pemeriksaan secara berkala membuat seseorang tidak mengetahui keadaan tekanan darah dalam tubuhnya. Hal ini akan memperparah keadaan seseorang apabila sebelumnya sudah mempunyai riwayat hipertensi. Salah satu solusi yang bisa diambil adalah dengan memiliki alat pengukur tekanan darah (tensimeter). Tensimeter merupakan alat untuk mengukur tekanan darah yang sering digunakan pada dunia medis. Tensimeter umumnya dibagi menjadi 2 yaitu tensimeter analog dan digital. Di zaman digitalisasi ini smartphone android sudah berkembang dengan berbagai fitur yang sudah sangat canggih. Oleh karena itu penulis ingin merancang sebuah alat tensimeter digital yang dapat melakukan pengukuran tekanan darah serta menyediakan riwayat hasil pengukuran sehingga masyarakat atau pasien dapat memantau keadaan dari tekanan darahnya. Untuk menghadirkan alat tersebut pada penelitian ini penulis akan mencoba mengintegrasikan alat ukur tekanan darah digital dengan mengirimkan data menggunakan android studio sehingga menjadi alat pendeteksi dan pemantau tekanan darah. ESP32 dan Arduino Nano akan digunakan untuk memproses data dan juga berfungsi untuk terhubung ke internet. Kemudian, sensor yang digunakan yaitu sensor MPX2050GP sebagai alat ukur tekanan dan kemudian data perhitungan tekanan dari sensor dikirim ke Firebase yang bertindak sebagai database dan pada akhirnya hasil dari percobaan yang akan dilakukan bisa di akses melalui aplikasi android yang ada di smartphone.

Penyaluran data sistem monitoring merupakan hal yang sangat penting dan dibutuhkan proses data yang cepat dan juga efisien karena data yang masuk dan keluar hanya dalam hitungan detik. Di dalam penelitian ini, kita mengimplementasikan sebuah Big Data pipeline dengan arsitektur yang efisien dan juga terstruktur dalam menyimpan data yang lebih efektif. Kita mengimplementasikan arsitektur lambda kedalam sistem monitoring kita untuk pemrosesan dan penyimpanan data. Dengan menggunakan beberapa teknologi seperti Spark, Hadoop HDFS, Cassandra untuk membantu dalam membangun Big Data ini. Kita juga menggunakan Spark streaming yang digunakan untuk pemrosesan data yang dilakukan secara real-time. Di penelitian ini, kita menunjukkan tentang efektivitas dan peran dari sebuah Big Data dalam sebuah sistem monitoring dalam menyimpan dan memproses data.