Penjadwalan merupakan bagian utama pada sebuah real-time operating system (RTOS). Penjadwalan akan menentukan bagaimana sebuah RTOS akan berjalan ketika terdapat task yang harus dikerjakan. Pada umumnya, sistem operasi membedakan antara penjadwalan thread yang di atur oleh software kernel scheduler dan penjadwalan interrupt service routine (ISR) yang langsung diatur oleh hardware. Hal tersebut akan menimbulkan masalah priority inversion dimana ISR dengan prioritas rendah dapat mengintrupsi thread dengan prioritas tinggi. Dari permasalahan tersebut, penelitian ini akan menjadi solusi dengan memadukan konsep penjadwalan oleh software kernel dan penjadwalan ISR yang langsung diatur oleh hardware. Dari konsep penjadwalan dengan ruang prioritas terpadu ini maka akan dibuat interrupt-driven scheduling dimana thread akan menjadi interrupt. Dalam tugas akhir ini interrupt-driven scheduling akan diimplementasikan pada mikrokontroller ARM Cortex-M, sehingga nantinya hanya ada ISR yang berjalan pada sistem operasi. Dengan mengimplementasikan konsep interrupt-driven scheduling diharapkan kernel sebuah RTOS akan lebih sederhana untuk mengatur jalannya sebuah sistem operasi diatasnya, dan mengijinkan perangkat keras untuk menjalankan penjadwalan pada sistem interrupt. Hasilnya dibuat dua desain RTOS, desain pertama FLoW RTOS akan berjalan pada layer aplikasi dan desain kedua berjalan pada sistem interrupt. Terdapat dua perhitungan performa yang diuji yaitu performa kecepatan pembuatan task dan performa kecepatan context switch. Dari percobaan dan pengujian yang telah dilakukan, performa pembuatan task pada desain pertama membutuhkan waktu 52 mikro detik sedangkan pada desain kedua membutuhkan waktu 24 mikro detik. Untuk performa context switch desain pertama membutuhkan waktu 18 mikro detik sedangkan desain kedua membutuhkan waktu 7 mikro detik. Hal ini membuktikan bahwa performa pembuatan task dan context switch lebih ringan desain kedua daripada desain pertama karena ringan nya kernel yang dibuat dan berjalannya task di sistem interrupt. Namun desain kedua belum dapat menerapkan preemption untuk melakukan context switch ditengah-tengah jalannya task karena evaluasi deadline berjalan menunggu selesainya task untuk dieksekusi.

Jalur Selatan merupakan salah satu jalur utama yang digunakan pengendara atau pemudik di provinsi Jawa Timur untuk bepergian keluar kota maupun untuk keperluan saat mudik. Tidak banyak orang yang mengetahui tentang informasi kondisi jalan di sepanjang jalan jalur selatan Jawa Timur. Didasarkan pada masalah kurangnya informasi kondisi lalu lintas tersebut dibutuhkan aplikasi Sistem Informasi Pemudik yang dapat berjalan pada platform mobile Android. Informasi yang ditampilkan berupa peringatan ketika pengguna memasuki daerah rawan, pencarian fasilitas umum terdekat, dan informasi kondisi lalu lintas terkini. Data-data mengenai informasi lokasi fasilitas umum dan daerah rawan di simpan dan ditampilkan dalam bentuk sistem informasi pemudik. Interface aplikasi di desain dengan menggunakan framework jQuery Mobile sehingga tampilan bisa lebih menarik. Aplikasi juga menggunakan library Phonegap untuk membuat aplikasi dalam bentuk mobile, sehingga lebih praktis dan dapat dibawa atau digunakan dimana-mana. Sistem informasi pemudik ini mampu menampilkan peringatan ketika pengguna memasuki daerah rawan, pencarian fasilitas umum terdekat beserta navigasi, menampilkan informasi kondisi lalu lintas terkini, serta melakukan pembaruan database. Untuk informasi daerah rawan terdiri dari daerah rawan kecelakaan, daerah rawan macet, dan perlintasan kereta api. Sedangkan untuk data fasilitas umum terdiri dari SPBU, ATM, rumah sakit, rumah makan, kantor polisi, bengkel motor, dan bengkel mobil.

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%.

Jumlah penderita kanker di Indonesia sangat tinggi. Hal ini terlihat dari berbagai data kanker yang dipublikasikan baik oleh pemerintah maupun lembaga-lembaga kanker. Setelah kanker serviks yang dinobatkan sebagai penyakit pembunuh wanita nomor 1 di Indonesia, ada kanker payudara (breast cancer) yang merupa-kan penyakit dengan kasus terbanyak kedua setelah kanker serviks dengan esti-masi jumlah 61.682 kasus pada tahun 2013. Padahal menurut dokter Onkologi, kanker adalah penyakit yang dapat disembuhkan jika ditangani dengan cepat. Oleh karena itu, munculah ide proyek akhir ini dengan tujuan untuk memberikan tools prediksi dari sebuah data sebagai pendukung keputusan dokter untuk identif-ikasi tingkat keganasan dari sebuah tumor dengan kasus data RS. Onkologi yang didefinisikan menggunakan metode regresi logistic. Dalam pengujian metode ma-chine learning dari metode Regresi Logistik, digunakan metode klasifikasi lain yai-tu Naive Bayes yang terbukti lebih unggul dikarenakan metode ini berdasarkan pada probabilitas atribut pada studi kasus yang ada.

Jaringan Sensor Nirkabel (JSN) merupakan sebuah jaringan nirkabel yang terdiri dari sekumpulan sensor yang digunakan untuk memonitoring suatu kondisi tertentu. Dalam Jaringan sensor nirkabel, lokalisasi merupakan hal yang penting untuk mengetahui posisi dari sebuah unknown nodes berdasarkan node referensi. Pada penelitian proyek akhir ini algoritma yang digunakan untuk mencari posisi dari unknown node menggunakan fuzzy membership function. Terdiri dari dua parameter yang menjadi data input yaitu power level antar node dan jangkauan komunikasi dari kedua parameter tersebut akan diperoleh nilai fuzzy yang akan diolah menjadi jarak berbobot. Dari jarak berbobot tersebut nantinya akan digunakan untuk estimasi posisi menggunakan metode trilaterasi. Hasil dari penelitian yaitu pengaruh yang terjadi saat perubahan jumlah membership function yaitu error posisi bertambah sekitar 5% hasil error posisi yang didapat saat melakukan pengujian menggunakan 3 membership function. Sedangkan untuk hasil pengujian pengaruh jumlah anchor node 50% dari jumlah unknown node mendapatkan error posisi lebih baik dari jumlah anchor node terkecil. Pada luas area 10x10meter yang digunakan dalam simulasi memperoleh hasil error posisi rata-rata lebih baik yaitu 10% daripada rata-rata error posisi pada luas area 40x40 meter.