Banjir sering melanda beberapa wilayah di Indonesia setiap tahunnya dan merugikan bagi warga yang terkena banjir. Diperlukan alat pendeteksi banjir jarak jauh.Alat ini tidak hanya meningkatkan keakuratan pendeteksian pada banjir namun bisa juga memantau secara real time sehingga memberikan siaga banjir disaat yang tepat. Alat pendeteksian ini akan di letakkan di jalan raya. Permukaan jalan raya yang tidak merata ini bisa berpotensi banjir disaat hujan deras. Nantinya akan dipasang sensor Ultrasonic. Pemantauan ketinggian air ini menggunakan teknologi Wireless Sensor Network dengan metode Geographic Based Approach. Ini merupakan metode berbasis geografi (geography based) .Routing yang akan disimulasikan, yaitu dibuat berdasarkan letak geografis tiap node dengan perhitungan jarak Euclidian. Wireless Sensor Network adalah suatu infrastruktur jaringan wireless yang menggunakan sensor untuk memonitor kondisi lingkungan yang dapat terhubung ke jaringan. Lalu pengiriman datanya menggunakan XBee S2C ZigBee, yang dapat mengirim data sejauh 3200 meter saat di outdoor. Keluarannya akan ditampilkan pada komputer. Setelah ditentukan dan diukur seberapa jauh daerah yang sering terjadi banjir di jalan raya tersebut, maka beberapa sensor node akan diletakkan. Sensor node ini nantinya akan dihubungkan dengan mikrokontroler. Setelah itu data yang didapatkan akan dikirim dengan XBee S2C ZigBee.Dan output akan ditampilkan ke layar komputer. Setelah dilakukan pengambilan data hasil yang didapatkan adalah alat deteksi ketinggian air dapat berjalan dengan baik.Pada saat dilakukan pengambilan data pada jalan yang tidak ada genangan air,maka sensor Ultrasonic dapat mendeteksi tidak ada ketinggian,tetapi saat dilakukan pengambilan data pada kondisi ada genangan air,maka sensor Ultrasonic membaca berapa ketinggian air tersebut. Dengan penggunaan teknologi Wireless Sensor Network untuk peringatan dini terhadap banjir ini maka dapat menghasilkan sistem yang memudahkan masyarakat dalam mengetahui daerah yang tergenang air terutama di jalan raya.

Inspeksi kualitas Printed Circuit Board (PCB) merupakan salah satu tahapan penting dalam proses manufaktur elektronik untuk memastikan produk yang dihasilkan bebas dari cacat. Proses inspeksi secara manual memiliki beberapa keterbatasan, seperti membutuhkan waktu yang relatif lama, bergantung pada operator, serta berpotensi menimbulkan kesalahan akibat faktor kelelahan. Oleh karena itu, penelitian ini mengembangkan sistem klasifikasi cacat PCB berbasis Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV2 yang dioptimalkan agar dapat diimplementasikan pada perangkat Raspberry Pi 4 Model B. Dataset yang digunakan berasal dari DeepPCB Dataset yang diproses melalui tahapan Region of Interest (ROI) Cropping, sehingga diperoleh citra yang berisi enam jenis cacat, yaitu missing hole, mouse bite, open circuit, short, spur, dan spurious copper. Model MobileNetV2 dilatih menggunakan metode transfer learning dan fine-tuning, kemudian dilakukan optimasi menggunakan TensorFlow Lite Quantization serta Manual Structured Dense Layer Pruning. Selanjutnya, dilakukan proses benchmarking untuk membandingkan performa beberapa metode optimasi berdasarkan akurasi, ukuran model, dan inference time. Model terbaik kemudian diimplementasikan pada Raspberry Pi 4 dengan antarmuka berbasis Gradio. Hasil penelitian menunjukkan bahwa kombinasi Manual Structured Dense Layer Pruning dan TensorFlow Lite Float16 Quantization menghasilkan performa terbaik dengan akurasi sebesar 98,67%, precision sebesar 98,73%, recall sebesar 98,67%, dan F1-score sebesar 98,67%. Selain itu, model memiliki rata-rata inference time sebesar 7,91 ms. Setelah diimplementasikan pada Raspberry Pi 4B, model tetap mempertahankan akurasi sebesar 98,67% dengan rata-rata inference time sebesar 135,06 ms, sehingga menunjukkan bahwa model mampu mempertahankan performa klasifikasi yang tinggi sekaligus dapat dijalankan pada perangkat edge dengan sumber daya yang terbatas. Pengujian implementasi pada Raspberry Pi 4 menunjukkan bahwa sistem mampu melakukan klasifikasi citra PCB melalui antarmuka Gradio serta menampilkan hasil prediksi, nilai confidence score, inference time, dan riwayat prediksi secara lokal. Berdasarkan hasil tersebut, dapat disimpulkan bahwa optimasi menggunakan TensorFlow Lite Float16 Quantization dan Manual Structured Dense Layer Pruning mampu meningkatkan efisiensi model tanpa mengurangi performa klasifikasi secara signifikan, sehingga sistem layak digunakan sebagai solusi inspeksi cacat PCB berbasis perangkat edge.

Mengecat tembok dengan warna yang beragam sedang menjadi tren di masyarakat. Namun biaya yang dikeluarkan untuk membuat tembok yang warna warni tidaklah murah. Apabila ingin warna yang lebih beragam, beberapa orang mengakalinya dengan mencampur warna secara manual. Akan tetapi hasil pencampuran warna manual tersebut tidak selalu akurat dan juga tidak praktis dalam pengerjaannya. Dari masalah tersebut, diciptakannya suatu alat yang mampu menghasilkan berbagai macam warna dari beberapa warna dasar secara otomatis, sehingga hasilnya lebih akurat dan mudah digunakan. Pada alat ini terdapat pengaduk cat otomatis agar hasil dari pencampuran cat dapat tercampur secara merata. Selain itu, dengan terintegrasinya alat ini dengan android sebagai tampilan utama dari sampel cat dapat memudahkan pengguna dalam mengoperasikan alat ini. Warna yang dapat dihasilkan alat ini sebanyak 16 warna preset dengan metode pencampuran sesuai Teori Brewster dengan sedikit penambahan warna. Warna yang dihasilkan dari alat ini mempunyai nilai keakuratan warna dengan warna asli rata rata sebesar 79,90%. Sehingga diharapkan dengan alat ini mampu membantu masyarakat yang ingin mengecat tembok mereka dengan beragam warna tanpa harus membeli kesemua warna tersebut sehingga dapat meminimalisir biaya pembelian cat.

Dalam penanganan bencana alam, fase mitigasi bencana sangat penting. Penelitian ini bertujuan merancang dan mengimplementasikan private cloud dengan metode Load Balancing untuk mengolah dan mendistribusikan data hasil deteksi kebencanaan. Private cloud berperan kunci dalam mengelola data dari sensor selama fase mitigasi. Aplikasi web dasbor akan dibangun untuk memberikan data real-time dan visualisasi guna mendukung prediksi, pengambilan keputusan, dan koordinasi respons. Data IoT dari sensor di lokasi bencana akan diintegrasikan ke aplikasi web, termasuk lokasi, kedalaman sungai, laju aliran, dan suhu. Aplikasi web ini memungkinkan manajemen bencana mengakses informasi real-time, memvisualisasikan data, dan membuat keputusan berdasarkan tren dan pola. Evaluasi performa kontainer Docker juga dilakukan untuk memastikan keandalan aplikasi web dalam situasi kritis. Pengujian ini mengukur kapasitas CPU, penggunaan memori, dan transfer data untuk mendapatkan pemahaman tentang performa aplikasi selama bencana. Hasil pengujian menunjukkan algoritma Load Balancing Round Robin dan Least Connection pada Docker Containers dan private cloud secara efisien mendistribusikan beban kerja. Penggunaan CPU terendah adalah 0.99% (Round Robin) dan 0.72% (Least Connection), sedangkan penggunaan CPU tertinggi adalah 57.12% (Round Robin) dan 63.47% (Least Connection) pada virtual machine dengan rata-rata penggunaan memori antara 74.07% dan 78.08%. Hasil pengujian performa data transfer menunjukkan algoritma Least Connection memiliki throughput yang lebih tinggi dibandingkan dengan algoritma Round Robin, yaitu 112.56 KB/detik dan 97.68 KB/detik, serta rata-rata data yang diterima dan dikirim yang lebih tinggi pula.

Makalah ini menyajikan sistem informasi bimbingan dosen wali dengan mahasiswa untuk menyelesaikan sebuah masalah yang sedang terjadi pada mahasiswa dan juga memonitoring seberapa sering dosen wali memberi bimbingan terhadap mahasiswa. Menyelesaikan masalah bisa dengan banyak hal contohnya dengan bercerita dengan orang yang dapat dipercaya, sama halnya dengan bimbingan ini untuk mengurangi beban masalah yang sedang terjadi pada mahasiswa agar dapat belajar dengan nyaman. Dari sudut pandang ini diusulkanlah sebuah sistem informasi dan monitoring perwalian mahaiswa. Sistem ini dibuat untuk mempermudah dalam proses bimbingan yang memiliki fitur utama yaitu bimbingan dan grafik bimbingan. Fitur bimbingan digunakan untuk merekap hasil sedangkan untuk fitur grafik digunakan untuk memonitoring seberapa sering bimbingan dilaksanakan. Untuk menjaga rahasia mahasiswa maka setiap user mahasiswa hanya dapat melihat hasil bimbingan masing-masing. Setiap mahasiswa yang memiliki masalah akan dibantu oleh dosen wali dalam menyelesaikan masalah dengan memberikan beberapa solusi. Dari hasil percobaan yang telah dilakukan, proses bimbingan dapat terekap dengan jelas dan mudah termonitoring dengan menampilkan hasil bimbingan mahasiswa dan juga grafik bimbingan yang menunjukkan keaktifan dalam melakukan bimbingan.