Stres pada mahasiswa memengaruhi performa akademik dan psikologis, sehingga memerlukan deteksi dini. Namun, metode kuesioner konvensional dinilai kurang praktis, subjektif, dan rentan bias. Oleh karena itu, penelitian ini mengusulkan sistem deteksi stres otomatis, objektif, dan non-invasif berbasis Speech Emotion Recognition (SER) dengan arsitektur Deep Learning. Sistem dirancang mengekstrak fitur akustik hibrida 41-dimensi yang mengintegrasikan parameter spektral (13 MFCC, Delta, Delta-Delta) untuk menangkap karakteristik vokal, serta parameter prosodik (Pitch algoritma YIN, RMS Energy) untuk intonasi dan volume. Fitur disinkronkan ke dalam matriks (250, 41) untuk diproses oleh model Stacked LSTM. Hasil eksperimen menunjukkan model mencapai konvergensi optimal pada Epoch 49, dengan akurasi pelatihan 82,28% dan pengujian 68,85%. Implementasi model pada aplikasi GUI desktop terbukti sangat responsif dengan rata-rata waktu komputasi di bawah 0,2 detik. Pendekatan analisis bio-akustik suara wicara ini membuktikan bahwa model Stacked LSTM berpotensi besar menjadi instrumen penapisan dini (early screening) kesehatan mental mahasiswa secara real-time.

Lalu lintas merupakan hal mendasar yang sangat dibutuhkan dalam sistem mobilitas. Kepadatan lalu lintas kini salah satu polemik besar yang menjadi titik khusus sebagai perhatian serius di dunia lalu lintas Indonesia. Dalam memahami suatu traffic atau lalu lintas perlu mempelajari secara intensif. Tidak memungkinkan mengamati jalan raya setiap saat atau menghitung jumlah kendaraan setiap jamnya, oleh karena itu dibutuhkanlah media simulator traffic yang mampu merekayasa setiap kejadian di jalan raya. Simulator SUMO (Simulation of Urban Mobility) merupakan media yang telah muncul sejak tahun 2001 ini masih terbilang rumit dan sulit untuk dipahami bagi orang baru yang akan belajar membuat rekayasa traffic secara baik dan benar. Terlebih lagi untuk menghasilkan data keluaran yang valid sangat dibutuhkan sebagai hasil analisis. Oleh karena itu dilakukan penelitian ini yang bertujuan untuk membantu mempermudah para pengguna simulator SUMO. Penelitian ini dimaksudkan untuk membuat suatu modul panduan dan pengantar dari penggunaan simulator SUMO (Simulation of Urban Mobility), sebagai media pembelajaran simulasi rekayasa traffic bagi mahasiswa maupun pihak-pihak yang membutuhkan dari penggunaan simulator SUMO ini.

Humanoid robot soccer merupakan robot yang penampilan keseluruhannya dibentuk berdasarkan tubuh manusia yang memiliki tujuan bermain sepak bola layaknya manusia. Oleh karena itu, humanoid robot soccer memiliki sensor seperti mata yaitu kamera dan sensor lainnya menyerupai tubuh manusia. Dalam perancangan humanoid robot soccer ini, desain robot menjadi hal yang mendasar agar robot memiliki bentuk dan memiliki pergerakan layaknya manusia. Diambil contoh dari perlombaan Kontes Robot Sepak Bola Indonesia (KRSBI) divisi humanoid. Robot harus memiliki kemampuan untuk dapat berjalan, berlari, dan menendang bola secara dinamis dengan mempertahankan keseimbangan. Dalam proyek akhir ini dilakukan perancangan konstruksi humanoid robot soccer dengan tinggi 87 cm. Selanjutnya dilakukan analisa kinematika, statik, dan dinamika pada humanoid robot. Analisa kinematika ini digunakan untuk mengendalikan gerakan robot oleh aktuator-aktuator agar sesuai dengan gerakan yang diinginkan dan analisa dinamika dipakai untuk menjaga keseimbangan robot ketika bergerak/berjalan. Dari analisa di atas menghasilkan keseimbangan robot ketika adanya disturbance sebesar 30 derajat saat berjalan di tempat dan menghasilkan pergerakan setiap servo yang akurat mengikuti referensi trajectory.

Mata Elang adalah salah satu Intrusin Detection System yang memanfaatkan Big Data sebagai solusi terhadap aliran data yang dapat mencapai angka Gi-gaBit per second (GBps), pengolahan maupun penyimpanan data yang ditangani lebih dari satu node untuk memaksimalkan hasil yang diadapat, sehingga semakin lama atau semakin besar sebuah institusi maka akan semakin banyak node yang dibutuhkan. Tentu saja semakin banyak penambahan jumlah node akan semakin sulit untuk memasng node baru tentusaja manajemenpun juga menjadi makin sulit. Adapun tujuan daru penelitian ini adalah pengimplementasian Docker yang dapat menyederhanakan proses instalasi pada Defense Center Mata Elang dan pengembangan aplikasi untuk memenejemen Dfense Center yang telah mengimplementasikan Docker untuk beradaptasi dengan perkembangan ini.

Meskipun teknologi Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing (MIMO-OFDM) memiliki banyak keunggulan dan banyak digunakan pada sistem komunikasi masa kini seperti 4G LTE, 802.11ac, 802.11ax, dan 5G, sistem ini memiliki kekurangan terutama yang disebabkan oleh penggunaan High Power Amplifier (HPA) non-linier pada sistem transmisinya. Penggunaan HPA non-linier dapat mendegradasi sistem MIMO-OFDM karena menyebabkan terjadinya in-band distortion dan out-of-band distortion. Selain itu, keamanan data pengguna juga menjadi concern dalam sistem komunikasi MIMO-OFDM. Kasus penyerangan sistem komunikasi seperti jamming dan eavesdropping sering terjadi dikehidupan nyata. Maka dari pada penelitian ini dilakukan pembuatan sistem keamanan data berbasis enkripsi Elliptic Curve Cryptography (ECC) pada sistem komunikasi MIMO-OFDM terkompensasi untuk sistem transmisi Data Image. Kompensasi dilakukan sistem MIMO-OFDM yang terdagradasi oleh HPA dilakukan dengan menggunakan teknik reduksi Peak-to-Averate Power Ratio (PAPR) Iterative Clipping Filtering (ICF) dan predistortion. Hasil pengukuran menunjukkan bahwa penggunakan teknik kombinasi reduksi PAPR ICF dan predistortion mampu untuk mengkompensasi sistem MIMO-OFDM yang terdistorsi oleh HPA non-linier. Selain itu dalam pembuatan sistem ini digunakan neural networks sebagai predistortion untuk melinearisasi HPA. Neural networks digunakan karena flexible dan memiliki hasil kompensasi yang lebih baik dibandingkan dengan penggunaan Digital Predistortion. Untuk mengamankan data pada sistem komunikasi MIMO-OFDM digunakan metode subcarrier randomization dan subcarrier reconstruction untuk mengacak subcarrier sinyal yang ditransmisikan. Penggunaan subcarrier randomization didasarkan pada perubahan bit antara message dan ciphertext algoritma ECC. Penggunaan ECC pada penelitian ini mampu meringankan proses komputasi dibandingkan dari penelitian sebelumnya yang menggunakan algoritma Rivest Shamir Adleman (RSA). Seluruh sistem ini diimplementasikan dengan perangkat Software Defined Radio (SDR) untuk mengetahui performa sistem pada kondisi kanal real-world. Dari hasil evaluasi sistem didapatkan hasil bahwa sistem yang diajukan menghasilkan performa yang lebih baik daripada penelitian terdahulu.