Baffle merupakan salah satu komponen yang digunakan pada shell and tube yang bertujuan untuk meningkatkan performa heat exchanger dengan cara menimbulkan olakan aliran pada sisi shell. Berdasarkan standar TEMA, jarak baffle minimum adalah 1/5 dari De (diameter dalam shell). Penelitian ini bertujuan untuk menganalisa pengaruh variasi baffle spacing jenis single segmental, dengan masing-masing variasi yakni tanpa baffle, baffle spacing 60 mm, 86 mm, dan 150 mm menggunakan studi numerik simulasi Computational Fluid Dynamics (CFD). Hasilnya, baffle spacing 60 mm memiliki nilai temperature dan total perpindahan panas yang paling tinggi di antara yang lainnya. Total perpindahan panas meningkat 8,09% pada baffle spacing 60 mm, 6,47% pada baffle spacing 86 mm, dan 4,24% pada baffle spacing 150 mm dibandingkan dengan shell and tube tanpa baffle. Hal ini disebabkan penambahan baffle akan menyebabkan aliran fluida di sisi shell menjadi berkolak sehingga fluida mengalami kontak yang lebih lama dengan sisi tube dan memiliki lintasan aliran yang lebih panjang sehingga panas yang dipindahkan dari sisi tube menjadi lebih besar.

Pentingnya prediksi curah hujan pada bidang – bidang yang membutuhkan prediksi curah hujan seperti dalam bidang pertanian, transportasi dan industri. Dalam bidang pertanian, curah hujan dipengaruhi oleh factor cuaca yang dijadikan sebagai salah satu pertimbangan dalam penentuan kecocokan jenis tanaman yang akan dibudidayakan. Besarnya curah hujan yang terjadi tidak dapat ditentukan secara pasti, namun dapat diprediksi atau diperkirakan. Prediksi curah hujan dilakukan menggunakan time series data pada data curah hujan dari data BMKG Perkembangan deep learning untuk peramalan time series pada penelitian penelitian sangatlah pesat dengan diketahui bahwa deep learning dalam kasus kasus yang berbeda mampu menghasilkan akurasi diatas 85%, dan mempunyai hasil yang paling baik. Penelitian ini mengusulkan metode Long Short Term Memory (LSTM) yang merupakan bagian dari Deep Learning untuk prediksi data time series. Menggunakan beberapa atribut sebagai data acuan yang meliputi, temperatur minimum, temperatur maksimum, curah hujan, lamanya penyinaran matahari, kelembapan rata – rata, dan kecepatan angin rata – rata. Dataset dibagi menjadi 85% data training dan 15% data testing. Dalam ujicoba prediksi curah hujan pada penelitian ini dilakukan dengan menggunakan metode LSTM, GRU dan RNN, dari ketiga percobaan metode tersebut didapatkan hasil akurasi terbaik dari metode LSTM yaitu dengan nilai MSE 0.321, MAE 0.385, dan R2 0.596. Selanjutnya, setelah dilakukan prediksi maka dilakukan klasifikasi menjadi empat kelas yaitu tidak hujan, hujan rendah, hujan sedang dan hujan tinggi. Dari hasil klasifikasi tersebut diketahui penggunaan ketiga metode tersebut menghasilkan akurasi terbesar 97% yaitu pada metode LSTM, kinerja dari LSTM menunjukkan hasil yang maksimal, hal ini membuktikan bahwa pada metode LSTM mampu memprediksi data time series. Metode ini diharapkan dapat dijadikan alat bantu yang dapat membantu peneliti selanjutnya dalam memprediksi suatu data time series.

Nelayan merupakan mata pencaharian penduduk pesisir pantai yang menangkap ikan baik diatas maupun dibawah permukaan air laut menggunakan peralatan antara lain: jaring, pancing, perahu, dan lain - lain. Dengan alat sederhana ini mereka dapat memperoleh ikan yang cukup banyak tanpa merusak ekosistem alam. Namun tidak semua nelayan Indonesia bisa menjaga ekosistem alam atau yang biasa disebut sebagai nelayan ilegal. Supaya nelayan ilegal bisa mendapatkan ikan yang cukup banyak biasanya mereka menggunakan teknik bom atau racun ikan. Hal ini dapat merusak terumbukarang yang ada didasar laut dan membunuh ikan kecil serta makhluk hidup lainnya. Nelayan dapat dibedakan menjadi 3 kelompok yaitu nelayan buruh, nelayan juragan dan nelayan perorangan. Nelayan buruh adalah nelayan yang bekerja menggunakan alat penangkapan orang lain. Sebaliknya nelayan juragan adalah nelayan yang mempunyai alat penangkapan yang dioperasikan oleh orang lain. Sedangkan untuk nelayan perorangan adalah nelayan yang memiliki alat penangkapan sendiri dan dalam produksi tidak melibatkan orang lain. Jadi para nelayan harus mengetahui musim dan cuaca laut biar mendapatkan hasil yang 100% maksimal. Dan rata-rata / 80% nelayan menjual hasil tangkapannya pada juragan ikan, yang 10% ada yg dijual sendiri dan yang 10% lagi didatangi pelanggan dari daerah lain. Kondisi ini memunculkan ide untuk membuat video yang dapat memberikan pandangan terhadap masyarakat luas tentang nelayan di kenjeran dan potensi perikanan di Surabaya. Video ini merupakan Video Profile yang nantinya selama proses editing video akan menggunakan sebuah software yaitu Adobe Premiere Pro CC 2017. Dengan pembuatan video profile ini, diharapkan masyarakat serta pemerintah daerah maupun pusat dapat mengetahui potensi serta permasalahan yang dihadapi oleh nelayan Kenjeran, sehingga dapat memberikan bantuan pembuatan peraturan yang dicetak dan disosialisasikan kepada masyarakat nelayan.

Dalam era otomatisasi industri, kebutuhan akan sistem transportasi internal yang efisien dan presisi semakin meningkat. Automated Guided Vehicle atau AGV berbasis Differential Drive Mobile Robot atau DDMR menjadi salah satu solusi untuk mendukung pemindahan barang di lingkungan industri. Proyek akhir ini bertujuan mengembangkan sistem navigasi dan kendali kestabilan pada AGV berbasis DDMR, dengan fokus pada kestabilan gerak maju dan perencanaan jalur optimal. Kendali kestabilan diterapkan menggunakan kontrol PID, sedangkan perencanaan jalur dilakukan dengan algoritma A star. Sistem dikembangkan dengan memanfaatkan Arduino Mega sebagai pengendali utama, sensor encoder untuk odometri, MPU6050 untuk estimasi orientasi, sensor ultrasonik dan LiDAR untuk pemetaan serta deteksi hambatan di lingkungan sekitar. Hasil pengujian kontrol PID menunjukkan bahwa robot masih mengalami deviasi terhadap kecepatan dan jarak tempuh yang diinginkan, dengan error rata-rata jarak tempuh sebesar 11,61 persen akibat faktor mekanis, noise sensor, dan parameter PID yang belum optimal. Sementara itu, pengujian path planning menggunakan algoritma A star menunjukkan waktu komputasi lintasan antara 0,76 detik hingga 4 detik, bergantung pada jarak dan kompleksitas peta, dengan deviasi error posisi dalam rentang 2,24 cm hingga 12,04 cm atau 0,74 persen hingga 3,35 persen pada uji coba pertama dan 3,16 cm hingga 29 cm atau 0,10 persen hingga 0,95 persen pada uji coba berikutnya. Penggunaan SLAM Toolbox bersama sensor LiDAR terbukti efektif dalam memperbaiki posisi robot dan mengurangi penyimpangan akibat error odometri maupun kondisi lingkungan. Ini membuat sistem yang dikembangkan mampu membawa AGV menuju titik tujuan dengan akurasi yang cukup baik dan waktu komputasi yang responsif, meskipun kontrol PID masih memerlukan optimisasi untuk meningkatkan stabilitas gerak, sehingga metode yang diimplementasikan memiliki potensi signifikan dalam mendukung pengembangan AGV yang andal untuk aplikasi industri.

Saat ini banyak peternak yang bekerjasama dengan perusahaan peternakan ayam. Tujuannya adalah untuk menjalankan roda peternakan dengan menjamin bahan baku peternakan. Namun sering kali peternak mengalami kerugian karena kurang maksimalnya service yang diberi oleh pihak perusahaan. Akibatnya peternak menangung kerugian finansial. Pada proyek akhir ini, dibuat sistem informasi manajemen peternakan ayam potong berbasis website pada PT. Reza Perkasa yang bergerak dalam bidang breeding farm. Untuk mengatasi permasalahan itu maka dibangunlah sistem informasi manajemen yang dapat membantu memaksimalkan pelayanan di PT. Reza Perkasa divisi kemitraan. Sistem informasi ini menyediakan informasi monitoring kandang, sehingga petugas PPL dapat terbantu untuk menentukan kondisi kandang, mengatasi penyakit, dan melakukan pemeliharaan ayam potong yang baik dengan maksimal.