Peningkatan penggunaan media sosial di Indonesia dalam beberapa tahun terakhir menimbulkan perhatian terhadap potensi dampaknya pada fungsi kognitif, khususnya atensi visual dan kemampuan memori kerja visual-spasial. Secara teoritis, aktivitas yang menuntut pengolahan pola visual seperti Block Design Test melibatkan visuospatial sketchpad sebagai komponen working memory yang berperan dalam mempertahankan dan memanipulasi informasi visual serta spasial secara sementara. Namun, evaluasi terhadap pola atensi visual pada aktivitas tersebut masih menghadapi keterbatasan dalam memperoleh pengukuran yang objektif, rinci, dan terstandarisasi. Penelitian ini bertujuan untuk mengembangkan sistem evaluasi atensi visual berbasis Eye-Tracking yang memanfaatkan representasi graph untuk menganalisis pola pandangan mata selama penyelesaian Block Design Test, yang secara teoritis melibatkan kerja visuospatial sketchpad. Sistem yang diusulkan memanfaatkan Tobii Eye Tracker 5 untuk merekam pergerakan mata dan durasi pandangan pada setiap Area of Interest (AOI). Data gaze kemudian direpresentasikan ke dalam attention graph, dengan AOI sebagai node dan perpindahan pandangan antar-AOI sebagai edge. Untuk membangun representasi graph, penelitian ini menerapkan Graph2Vec melalui tahapan AOI sequence, attention graph construction, Weisfeiler-Lehman relabeling, ekstraksi subgraph, dan pembelajaran embedding hingga diperoleh vektor representasi graph berdimensi tetap. Selain itu, penelitian ini juga menggunakan Fused Gromov-Wasserstein (FGW) sebagai pendekatan pembanding untuk mengevaluasi kemiripan dua graph berdasarkan struktur konektivitas dan fitur node secara simultan. Hasil eksperimen menunjukkan bahwa Graph2Vec menghasilkan nilai cosine similarity pada rentang -0,166 hingga 0,221, dengan nilai tertinggi 0,221, yang mengindikasikan tingkat kemiripan representasi embedding yang relatif rendah terhadap graph referensi. Sementara itu, FGW menghasilkan nilai similarity pada rentang 0,203 hingga 0,851, dengan nilai tertinggi 0,851. Berdasarkan pengelompokan menggunakan nilai rata-rata dan standar deviasi, 62,50% data berada pada kategori Medium, sedangkan kategori High dan Low masing-masing mencakup 18,75% dari keseluruhan data. Hasil tersebut menunjukkan bahwa FGW menghasilkan rentang nilai similarity yang lebih besar dibandingkan Graph2Vec karena pengukurannya mempertimbangkan struktur graph dan fitur node secara bersamaan, termasuk atribut total_time dan fixation_count. Berdasarkan hasil penelitian ini, pendekatan berbasis graph menunjukkan potensi untuk digunakan sebagai salah satu alternatif dalam mengevaluasi kemiripan pola atensi visual pada penyelesaian Block Design Test berdasarkan representasi graph yang dibangun dari data eye-tracking.

Robot berkaki empat adalah jenis robot yang menyerupai binatang berkaki empat. Robot ini nantinya akan diikutsertakan dalam Kontes Robot Indonesia divisi Kontes Robot SAR Indonesia. Kompetisi ini adalah kompetisi dimana robot akan berpartisipasi dalam misi pencarian dan penyelamatan korban bencana yang biasa terjadi di Indonesia. Untuk menyelamatkan korban pada lomba tersebut, robot harus bisa membedakan korban asli dan dummy. Korban dummy ini berbeda dengan korban asli. Korban dummy yang ada pada misi KRSRI tahun 2024 tidak mempunyai tangan dan kepala. Sehingga robot harus bisa membedakannya. Kemudian robot harus bisa menyelamatkan korban asli tersebut untuk dibawa ke safe zone. Maka dari itu, robot harus memiliki sebuah sistem yang bisa membedakan korban asli dan dummy. Sehingga kami memutuskan untuk membuat sebuah sistem pendeteksi objek menggunakan Sipeed yang memiliki dedicated Neural Processing Unit (NPU). Sipeed tersebut digunakan karena memiliki form factor yang ringkas dan konsumsi daya yang kecil. Dengan tetap memiliki akurasi dan kecepatan processing yang cukup sehingga cocok untuk digunakan pada robot. Berdasarkan hasil pengujian dan analisis yang telah dilakukan, diketahui bahwa model YOLO V11n merupakan model yang paling optimal untuk diimplementasikan pada robot EILERO. Model ini mampu mendeteksi korban dengan tingkat akurasi sangat tinggi, nilai precision mencapai 0.9995, serta waktu inferensi tercepat yaitu 3.4 ms pada representasi INT8. Selain itu, integrasi sistem dengan robot EILERO juga telah berhasil dilakukan dengan rata-rata waktu penyelesaian misi sekitar 35 detik dan error navigasi sebesar 1,266 mm.

Electric Vehicle (EV) adalah kendaraan yang digerakkan oleh tenaga listrik, tidak menggunakan bahan bakar fosil, sehingga lebih ramah lingkungan. Minat global untuk mengganti kendaraan berbahan bakar bensin dengan EV meningkat dalam satu dekade terakhir sebagai langkah menuju target Net Zero Emission. Indonesia juga perlu mengadopsi kendaraan listrik dalam transportasi umumnya, seperti E-Bus, untuk mengurangi polusi udara dan menghadapi perubahan iklim. E-Bus memiliki keunggulan lingkungan yang signifikan, namun adopsinya memerlukan sistem manajemen operasional yang efisien. Sistem ini mencakup informasi tentang status bus, kapasitas penumpang, dan deteksi kelelahan pengemudi, yang diperoleh melalui Intelligent Agent System dan dikumpulkan oleh data collecting client. Namun, sistem manajemen operasional bus listrik yang dikembangkan oleh PENS memiliki kekurangan, termasuk belum ada implementasi server dan proses deployment yang masih manual. Untuk mengatasi masalah ini, diperlukan implementasi Continuous Integration/Continuous Delivery (CI/CD) untuk otomatisasi deployment dan mengurangi downtime. Pendekatan seperti rolling update dapat meminimalkan gangguan layanan selama pembaruan. Selain itu, integrasi ChatOps dapat meningkatkan koordinasi tim pengembang dan efisiensi operasional melalui platform komunikasi real-time.

Kubikel merupakan panel tegangan menengah yang berfungsi sebagai salah satu sarana penunjang utama untuk menyalurkan tenaga listrik ke konsumen. Permasalahan terjadinya korona bisa dipengaruhi oleh ruangan didalam kubikel dalam keadaan lembab maka suatu saat uap air akan menempel pada peralatan penunjang pada kubikel yang akan mengakibatkan terjadinya loncatan busur api yang dapat memadamkan penyaluran listrik. Bila uap air dibiarkan terus menerus akan terjadi loncatan bunga api antara penghantar dengan isolator, kemungkinan tersebut biasanya sudah diantisipasi dengan diletakkannya kubikel pada ruangan ber AC. Namun demikian tetap dilakukannya monitoring suhu dan kelembaban oleh petugas, akan tetapi dibeberapa daerah terkendala oleh terbatasnya petugas maka diperlukan alat monitoring suhu dan kelembaban di dalam kubikel untuk memudahkan petugas. Pada proyek akhir ini dibuat alat yang membantu petugas dalam proses monitoring suhu dan kelembaban, karena hasil dari monitoring dapat ditampilkan pada LCD dan website. Untuk pengukuran suhu digunakan untuk mengukur suhu disekitar konduktor dan pengukuran kelembaban digunakan untuk mengukur kelembaban dalam kubikel. Pada katalog kubikel Schneider SM6 normal suhu -50C sampai 400C dan untuk kelembaban dibawah 90%. Untuk itu pada alat ini diperlukan sensor suhu dan kelembaban (DHT22) untuk memonitoring suhu dan kelembaban pada kubikel yang dapat dilihat melalui website. Pada sensor yang digunakan error pengukuran suhu sebesar 1,27% dan pengukuran kelembaban sebesar 3,902%. Dengan adanya alat ini dapat memudahkan petugas dalam monitoring suhu dan kelembaban pada Kubikel 20 KV supaya penyaluran tenaga listrik ke konsumen tidak mengalami gangguan.

Robot manipulator merupakan salah satu teknologi robot yang diterapkan di dunia nyata. Kerjasama antara beberapa robot memberikan kelebihan efisiensi dan kecepatan. Dalam menerapkan kerjasama, diperlukan koordinasi antar robot agar pekerjaan bisa dilakukan dengan benar tanpa risiko tubrukan. Salah satu penerapan robot manipulator terkoordinasi adalah dalam pemindahan objek dimana sebuah kamera digunakan memandu robot menuju lokasi objek. Proyek akhir ini membuat sebuah sistem yang mengendalikan dua buah robot manipulator statis untuk melakukan pemindahan objek dengan cara tersebut. Kedua robot terhubung ke sebuah komputer utama yang terhubung dengan kamera di atas posisi kedua robot. Kamera akan mengambil data visual dari lingkungan sekitar robot untuk diproses oleh komputer utama dimana dilakukan proses deteksi objek menggunakan algoritma YOLOv4. Sistem ini akan mendeteksi objek-objek berbentuk tabung dengan warna merah. Hasil deteksi objek akan digunakan untuk menentukan posisi objek untuk kemudian mengarahkan robot untuk bergerak mengambil objek yang ditargetkan. Robot-robot akan ditugaskan untuk meletakkan tabung yang diambilnya mengitari tiang. Kedua robot memiliki irisan di area kerja mereka, dan untuk menghindari tubrukan di area ini, terdapat mekanisme koordinasi pada komputer utama untuk memastikan kedua robot tidak memasuki area irisan di saat yang bersamaan. Sistem yang dibuat dapat mendeteksi 113 dari 113 objek sasaran dengan 5 false positive, mengonversi koordinat objek terhadap robot dengan error 5 mm dan 9 mm terhadap robot 1 dan 2, dan menjalankan kedua robot untuk memindahkan 75 dari 96 objek dalam pengujian dengan tingkat kesuksesan 65,7% dan waktu rata-rata 20,7 detik per pemindahan berhasil pada kecepatan servo 3,3 rpm, sementara memindahkan 54 dari 60 objek dengan tingkat kesuksesan 57,4% dan waktu rata-rata 16,1 detik per pemindahan berhasil pada kecepatan servo 5,5 rpm.