Hepatitis A adalah penyakit peradangan hati yang disebabkan virus Hepatitis A (HAV) dari golongan Hepatoviridae genus Picornaviridae yang bertransmisi HAV melalui fecal-oral. Di Indonesia Hepatitis A sering menyebabkan KLB (Kejadian Luar Biasa). Pacitan merupakan salah satu Kabupaten di Jawa Timur yang sering terjadi KLB Hepatitis A, dan pada tahun 2019 merupakan KLB dengan jumlah kasus terbanyak, yakni 1.106 kasus. Tingginya tingkat prevalensi Hepatitis A di Kabupaten Pacitan ini, penyebabnya berkaitan dengan PHBS (Perilaku Hidup Bersih dan Sehat) terutama masalah suplai air bersih. Adapun tujuan dari penelitian ini adalah membuat aplikasi baru yaitu Analisis Spasial Tingkat Kerawanan Hepatitis A di Kabupaten Pacitan dengan AHP – Natural Breaks. Pada aplikasi ini memetakan dan mengklasifikasikan tingkat kerawanan hepatitis a menjadi rendah, sedang, dan tinggi di masing – masing kecamatan di Kabupaten Pacitan, sehingga dapat membantu pemerintah dalam melakukan pemetaan guna mencegah penyebaran Hepatitis A di Kabupaten Pacitan. Sistem informasi geografis ini menghasilkan peta tingkat kerawanan hepatitis a tahunan, peta tingkat kerawanan hepatitis a kumulatif, peta perbandingan tingkat kerawanan tahunan, grafik tingkat kerawanan hepatitis a tahunan, grafik tingkat kerawanan hepatitis a kumulatif, dan informasi mengenai hepatitis a.

Pembuatan gim semakin membutuhkan kecepatan dalam perkembangan peradaban. Salah satu kesulitan yang dihadapi para programmer adalah pembuatan terrain secara manual, yang memakan banyak waktu dan sulit dalam mendapatkan asset. Oleh karena itu, penelitian ini bertujuan mempermudah pemilihan warna pada peta menggunakan transform.position di UNITY, mempermudah penerapan warna pada peta dengan transform.position di UNITY, serta memberikan efisiensi dalam mendapatkan warna untuk peta yang dibuat dengan transform.position di UNITY. Pengujian fungsional mencakup uji pemasukan gambar, uji logika SOM, uji identifikasi warna dominan, dan uji pembuatan terrain. Hasilnya memenuhi standar dengan baik, dimana gambar yang dimasukkan ke dalam plugin dapat dipecah dan identifikasi warna berjalan lancar, menghasilkan banyak warna dari gambar luar. Logika SOM berfungsi dengan baik dalam mengelompokkan warna untuk pembuatan terrain dan menyederhanakan warna. Pengujian efisiensi menunjukkan bahwa 66 persen pengguna menyatakan plugin ini mudah digunakan, yang membantu mempercepat pembuatan gim. Dengan hasil ini, plugin dianggap sangat membantu dalam pembentukan terrain setelah semua program berjalan.

Tangan manusia merupakan instrumen sensorik indah yang digunakan untuk mengeksplorasi lingkungan dengan mendeteksi rincian menit suatu objek. Saat ini banyak pengembangan wearable device menggunakan variasi pola aktifasi otot sebagai media kontrol, sehingga perkembangan ini dapat dimanfaatkan untuk membantu manusia yang memiliki keterbatasan gerak berdasarkan aktifitas otot pada lengan. Penelitian ini bertujuan untuk mengklasifikasikan pola gerakan membuka dan menggenggam pada tangan dengan menggunakan perangkat Myo Armband berdasarkan sinyal Electromyography (EMG). Perangkat Myo Armband dipakai pada lengan kanan bagian bawah subjek untuk merekam aktifitas sinyal EMG. Sinyal EMG yang telah di ekstraksi menggunakan fitur time-domain Mean Absolute Value (MAV) diproses dengan metode Bayesian Regularization of Neural Network (BRANN). Hasil learning yang diperoleh menjadi input pada microcontroller, sehingga sistem dapat mengenali gerakan tangan pada subjek. Dari penelitian ini, sistem mampu mengenali pola gerakan tangan subjek sebanyak 92% pada gerakan tangan membuka dan 92% pada gerakan tangan menggenggam.

Teknologi pengenalan wajah semakin banyak digunakan dalam sistem pengenalan biometrik. Pengenalan wajah dapat bekerja walaupun tanpa kerjasama user dan dapat berkerja pada jarak yang jauh dari user. Pada proyek akhir ini dibuat alat untuk dapat mengenali wajah menggunakan webcam. Metode yang dipakai yaitu Haar Cascade, Single Shot Multibox Detector (SSD), dan DLib CNN sebagai pendeteksi wajah. Selain itu akan dibuat indikator melalui LED yang menyala dan relay dengan indikator solenoid yang aktif. Terdapat beberapa pengujian yang akan dilakukan yaitu pengujian face recognition, pengujian jarak, pengujian LED, pengujian relay, pengujian intensitas cahaya, pengujian waktu, dan pengujian sudut. Pengujian wajah yang dihasilkan yaitu wajah dapat dikenali dan dapat terdeteksi apabila sistem dapat mengenali wajah dari user yang telah terdaftar dalam dataset. Untuk pengujian jarak dapat terdeteksi dengan jarak 30 cm, 100 cm, 240 cm, dan 310 cm pada metode Haar Cascade, sedangkan untuk metode Single Shot Multibox Detector (SSD) yaitu dengan jarak 30 cm, 100 cm, 170 cm, dan 240 cm. Lalu pada metode DLib CNN yaitu jarak 30 cm, 100 cm, 170 cm, 240 cm, 310 cm, dan 380 cm. Wajah dapat terdeteksi sesuai dengan jarak yang ditentukan. Pada pengujian LED dan relay didapatkan hasil pada pengujian dapat menyala dikarenakan pada face recognition telah sesuai dengan dataset sehingga digunakan indikator pada solenoid yang aktif. Pengujian intensitas cahaya dikategorikan dalam 3 golongan yaitu gelap, redup, dan terang. Dari ketiga kategori cahaya tersebut pada pengujian dapat mendeteksi wajah. Kemudian pengujian waktu yaitu terdapat beberapa kategori waktu yang digunakan dalam setiap metode. Untuk pengujian sudut yang dilakukan yaitu 0 derajat dan 45 derajat sehingga wajah dapat terdeteksi.

Salah Salah satu penyakit berbahaya yang mengancam kehidupan manusia adalah penyakit jantung. Banyak orang telah meninggal dunia disebabkan oleh penyakit jantung. Untuk menganalisa penyakit jantung, biasanya dokter mengambil video denyut jantung dengan melakukan tes ekokardiografi (USG jantung) untuk melihat keadaan dari pasien. Analisis dokter tentang video jantung tergantung pada ketelitian dan pengalaman dokter menganalisa sehingga sulit untuk menentukan keadaan jantung sebenarnya. Oleh sebab itu, diperlukan sebuah solusi baru untuk membantu dokter dalam menganalisa keadaan jantung dari video denyut jantung (ekokardiografi) pasien. Pada proyek akhir ini, video ekokardiografi (gerakan jantung) yang akan dideteksi hanya pada jenis PSAX saja. Video ekokardiografi akan dilakukan preprocessing untuk memperjelas objek jantung pada frame video ekokardiografi menggunakan metode Median Filtering. Kemudian dilakukan segmentasi objek rongga jantung secara semi automatik. Dan terakhir adalah tracking rongga jantung pada video dari hasil segmentasi menggunakan metode Optical Flow. Error yang dihasilkan luas rongga jantung antara penguji dengan sistem sekitar 0 – 7 % dan data 5 orang penguji mendekati simpangan baku rata – rata yaitu 0,32