Penerangan Jalan Umum (PJU) merupakan suatu kebutuhan pokok bagi dunia transportasi darat. Penerangan Jalan Umum (PJU) yang memiliki jumlah yang cukup banyak di dunia transportasi darat sangat membutuhkan banyak supply listrik dari PLN. Supply dari PLN tersebut tidak hanya 1 – 2 jam melainkan selama 12 jam, hal tersebut berdampak pada penggunaan daya listrik PLN yang menjadi besar, dengan menyerap penggunaan listrik rumah tangga pemerintah kota sehingga tagihan listrik menjadi tinggi. Sumber dari energi matahari mampu dimanfaatkan menjadi energi listrik dengan menggunakan solar cell yang akan disimpan melalui alat berupa baterai Energi listrik yang telah tersimpan pada battery digunakan untuk menyuplai Penerangan Jalan Umum (PJU) pada kondisi malam hari. Ketika kondisi siang hari Penerangan Jalan Umum (PJU) dalam kondisi mati sehingga dalam siang hari terjadi proses charging baterai. Dalam proses charging ini digunakan metode Constant Current – Constant Voltage (CC-CV) dan terdapat satu jenis charge controller yaitu Kontrol PI untuk mengatur sudut penyulutan dari rangkaian buck converter agar tegangan output dan arus output sesuai dengan perencanaan. Sehingga dari pembuatan sistem tersebut mampu mempertahankan arus charging sebesar 4,2 A saat awal charging dan tegangan charging konstan 14 V saat akhir akhir charging sehingga mampu mengurangi overcharge pada baterai.

Energi listrik yang dihasilkan oleh sumber energi baru dan terbarukan (EBT) terus meningkat di seluruh dunia berkat kebijakan dari pemerintah dan kemajuan teknologi. Dalam beberapa tahun terakhir pembangkit listrik oleh energi terbarukan, dan khususnya oleh PV (Panel Surya / Photovoltaic) terus ditingkatkan. Namun, produksi listrik dari PV ditandai oleh fluktuasi/perubahan nilai output, dikarena memang demikian PV adalah sumber energi yang intermitten dan sangat dipengaruhi oleh kondisi meteorologi. Dari masalah tersebut maka telah mendorong pengembangan model peramalan energi untuk PV pada suatu daerah. Model ini bekerja memprediksi energi yang dihasilkan oleh PV per meter persegi (kWh/M2) dengan menggunakan data cuaca dan irradiance. Tujuan dari proyek akhir ini adalah memperkirakan hasil terbaik energi PV pada lokasi penempatan PV yang diinginkan. Metode yang dapat diterapkan dalam model peramalan ini adalah dengan ANN (Artificial Neural Network). Sistem ini menggunakan model yang didasarkan pada ANN dengan Backpropagation Algorithm untuk peramalan energi dari pembangkit PV pada suatu lokasi dengan tujuan menentukan lokasi terbaik untuk melakukan implementasi PV sebagai sumber energi listrik. Sistem ini akan dinilai dengan mengubah ukuran data set input, jumlah iterasi dan dijalankan secara sendiri/bersamaan. Pada pengujian data pada lapangan, digunakan MATLAB Simulink untuk menjalankan simulasi sitem pembangkit PV sebagai pembanding hasil prediksi yang telah didapatkan. Dari eksperimen yang dilakukan, didapatkan hasil prediksi yang baik dengan nilai error RMSE 0,07%, 0,22%, 0,65% untuk aplikasi PV 50Wp, 100Wp, dan 300Wp.

Shell and tube heat exchanger (STHE) merupakan alat yang berfungsi untuk memindahkan panas antar fluida yang dialirkan dalam sisi shell dan sisi tube. Karena STHE merupakan salah satu alat yang memegang peranan penting dalam produktivitas PLTU, maka perlu adanya antisipasi agar performa STHE tetap optimal. Salah satu cara agar kondisi STHE tetap baik seiring berjalannya waktu adalah dengan optimasi desain pada STHE untuk meningkatkan performanya. Pada penelitian ini digunakan optimasi dengan metode Genetic Algortihm (GA) untuk meningkatkan nilai overall heat transfer (U) dan meminimalkan pressure drop. Variabel yang dioptimasi untuk mendapatkan performa STHE optimal adalah do, Nb dan Lta. Setelah dilakukan optimasi dengan metode GA didapatkan nilai U meningkat 9.7%, pressure drop shell dan tube masing-masing turun 3.5% dan 6.3%. Kemudian pada penelitian ini aplikasi HTRI digunakan untuk memvalidasi data hasil optimasi pemodelan STHE. Setelah divalidasi didapatkan perbedaan yang kecil antara nilai U, pressure drop tube dan shell HTRI dengan hasil optimasi. Tetapi jumlah crosspasses dan nilai fouling yang dihasilkan simulasi HTRI berbeda lebih dari 10% dengan pemodelan STHE. Perbedaan jumlah crosspasses dengan pemodelan bisa disebabkan karena pemodelan STHE yang dipakai bisa berbeda dengan yang ada di HTRI. Sedangkan perbedaan nilai fouling terjadi karena perubahan fouling pada pemodelan STHE adalah diabaikan. Setelah dilakukan optimasi diharapkan hasil nilai desain akhir dapat dijadikan pertimbangan dalam mendesain STHE dan dapat diimplementasikan pada industri pembangkit listrik.

BUMW atau Badan Usaha Milik Warga RW 06 Rewwin mempunyai omset kurang lebih 50 Juta dalam 1 Bulan. Omset tersebut dihasilkan dari 3 badan usaha yaitu Gantangan Burung, Pasar Krempyeng “Mitra Sejati” dan penyewaan Balai RW. Dengan omset yang begitu besar pengurus BUMW masih menggunakan cara manual untuk pengelolaan keuangan, dibutuhkan sebuah system informasi untuk pengelolaan keuangan sehingga dapat menghasilkan data yang cepat, aman dan akurat.

Wilayah Indonesia didominasi oleh perairan dan menjadikan wilayah perairan berpotensi dengan baik di berbagai sektor seperti salah satu prasarana transportasi air, pariwisata, perikanan serta perdagangan. Akan tetapi, saat kegiatan di sungai tentunya terdapat resiko yang dihadapi seperti dapat mengakibatkan korban tenggelam namun dari beberapa kejadian seringkali korban ditemukan sudah dalam keadaan tidak bernyawa. Proses pencarian korban hanyut harus segera dilakukan untuk meminimalisir resiko akibat terlambatnya proses pencarian. Kondisi air dan di sekitar sungai harus diperhatikan dalam proses pencarian korban hanyut di Sungai agar memudahkan Tim SAR dalam proses pencarian. Dari permasalahan tersebut, penelitian ini dilakukan untuk memberikan informasi kondisi air dan tanah di sekitar sungai sehingga dapat memprediksi kondisi di sekitar Sungai apakah rawan atau tidak serta dapat memprediksi ditemukannya korban hanyut yang mengapung. Penelitian tersebut berupa alat monitoring yang dapat mendeteksi korban hanyut mengapung di Sungai dengan menggunakan kamera yang telah terkompatibel dengan Raspberry Pi yang diolah menggunakan You Only Live Once version 5 (YOLOv5) dan dapat menampilkan informasi berupa debit air sungai, kemiringan tanah dan curah hujan. Data dari sensor-sensor tersebut diolah dan diklasifikasi pada Raspberry Pi menggunakan Artificial Neural Network (ANN) dan dikirim menggunakan Wi-Fi untuk disimpan di database. Data tersebut ditampilkan pada TFT LCD dan website sehingga dalam upaya pencarian korban lebih terarah dan korban bisa lebih cepat ditemukan. Pada Proyek Akhir ini, dihasilkan sistem deteksi yang dapat mendeteksi dengan baik, dibuktikan dengan nilai FPS sebesar 1-2 FPS. Dan untuk klasifikasi kondisi Sungai berdasarkan data test diperoleh akurasi sebesar 95%, sedangkan akurasi berdasarkan data sensor sebesar 90%.