Perubahan iklim berdampak signifikan terhadap produktivitas pertanian di Indonesia, negara tropis agraris yang bergantung pada sektor pertanian. Penelitian ini bertujuan memprediksi variabel iklim, yaitu suhu, curah hujan, dan kelembaban, serta produktivitas pertanian, meliputi padi, jagung, kedelai, kacang hijau, kacang tanah, ubi kayu, dan ubi jalar, serta memvisualisasikan hasilnya dalam dashboard interaktif. Data iklim diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika, sedangkan data pertanian dari Badan Pusat Statistik, mencakup beberapa provinsi di Indonesia. Metode Seasonal Generalized Space Time Autoregressive digunakan untuk memodelkan variabel iklim, menghasilkan akurasi tinggi untuk suhu dan kelembaban dengan MAPE kurang dari 2 persen, namun kurang optimal untuk curah hujan dengan SMAPE 17,03 persen hingga 36,53 persen. Metode Prophet digunakan untuk memprediksi produktivitas pertanian, menunjukkan performa baik untuk komoditas stabil seperti padi dan kacang tanah dengan MAPE kurang dari 5 persen, tetapi menantang untuk komoditas fluktuatif seperti jagung dan ubi jalar dengan MAPE lebih dari 10 persen. Hasil peramalan divisualisasikan melalui dashboard interaktif berbasis Power BI, menyajikan tren perubahan iklim dan proyeksi produktivitas pertanian, memberikan wawasan bagi pengambilan keputusan strategis untuk pertanian berkelanjutan. Penelitian ini menawarkan wawasan penting tentang hubungan iklim dan produktivitas pertanian serta alat visual informatif bagi pemangku kepentingan.

Televisi merupakan salah satu media informasi yang penting di Indonesia, karena mampu menyampaikan informasi secara cepat dan efektif. Berdasarkan survei yang dilakukan oleh Kementerian Komunikasi dan Informatika (Kemkominfo) bersama Katadata Insight Center (KIC), televisi menempati peringkat kedua sebagai sumber informasi utama setelah media sosial. Perkembangan teknologi yang pesat telah mendorong migrasi dari sistem siaran televisi analog ke digital. Dalam konteks ini, analisis sentimen terhadap program tayangan televisi menjadi penting untuk memahami opini masyarakat.Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap program tayangan TV dengan menggunakan data sosial media. Proses analisis sentimen ini mengandalkan teknik word embedding dan algoritma machine learning, khususnya Support Vector Machine (SVM), untuk mengklasifikasikan opini publik sebagai positif atau negatif. Teknik word embedding yang digunakan perbandingan dalam penelitian ini adalah word2vec dan TF-IDF,yang berfungsi untuk memetakan kata-kata dalam teks menjadi vektor-vektor yang dapat dianalisis lebih lanjut. Dengan menggunakan metode SVM, hasil analisis ini bertujuan untuk mengklasifikasikan sentimen dari data teks yang diperoleh, khususnya pada ulasan program tayangan televisi yang diambil dari platform sosial media. Namun didalam aplikasi penggunakan dilakukan TF-IDF dan SVM. Hasil dari penelitian ini diharapkan dapat memberikan wawasan mengenai persepsi publik terhadap program televisi tertentu, yang dapat dijadikan referensi bagi kebijakan media, peningkatan layanan, dan evaluasi produk dalam industri pertelevisian.

Penyebaran virus Covid 19 masih terus bertambah, bahkan hingga saat ini masih ada kasus positif yang masuk ke dalam data. Berbagai cara telah dilakukan untuk mencegah dan mengurangi penyebaran virus Covid 19, salah satunya dengan selalu menggunakan masker saat beraktivitas. Penelitian ini menyajikan sebuah sistem untuk mendeteksi penggunaan masker pada wajah saat kita melakukan aktivitas di luar rumah. Dengan menggunakan algoritma Convolutional Neural Network dengan metode pembelajaran You Only Look Once v3 dan framework neural network Darknet53 untuk menjalankan proses pelatihan dan pengujian.. Proses pelatihan dilakukan sebanyak 6.000 iterasi dengan jumlah dataset 1706 gambar berformat label YOLO. Deteksi penggunaan masker di implementasikan pada raspberry pi dengan pengerjaan model menggunakan Google Collaboratory. Proses uji coba gambar diuji dengan dua skenario. Untuk mengukur performanya parameter yang dinilai adalah confidence score, skenario uji coba pertama dengan menggunakan 10 data uji berhasil mendapatkan rata-rata confidence score 96,5% sedangkan skenario kedua dengan 10 data uji berhasil mendapatkan rata-rata confidence score 94,7%. Uji coba real time detection dilakukan dengan menggunakan raspberry pi dan mendapatkan performa yang tidak baik karena kurang nya hardware yang diperlukan sehingga rata-rata fps yang didapat adalah 0.1 fps dengan waktu deteksi 10000 ms. Performa dari model yang digunakan juga terpengaruh sehingga sulit untuk melakukan deteksi penggunaan masker secara real time dengan menggunakan raspberry pi.

Maximum Power Point Tracking pada solar panel sangat diperlukan untuk mengoptimalkan daya keluaran yang dihasilkan oleh solar panel. Untuk mendapatkan hasil yang maksimal dari MPPT ini diperlukan metode yang tepat agar daya optimum yang dihasilkan dapat sesuai target dan memiliki respon yang cepat terhadap perubahan kondisi solar panel. Dalam pemanfaatannya, seringkali hasil dari MPPT digunakan untuk pengisian baterai, akan tetapi daya keluaran tersebut tidak dapat digunakan secara langsung untuk proses pengisian baterai karena nilainya tegangan dan arus pengisian baterai yang belum stabil. Sehingga untuk mengatasi masalah ini diperlukan suatu regulator yang dapat menstabilkan keluaran MPPT. Dengan memanfaatkan 2 buah solar panel berkapasitas 100WP berkonfigurasi paralel dan perencanaan SEPIC converter yang tepat serta penggunaan metode Adaptive Neuro-Fuzzy Inference System, daya keluaran maksimal yang dihasilkan dari solar panel dapat optimal dan sesuai dengan daya tertinggi yang dapat dihasilkan dari solar panel. Daya yang dikeluarkan dari solar panel ini akan dibaca dalam bentuk tegangan oleh sensor tegangan dan berupa arus oleh sensor arus ACS712 dengan daya tertinggi sebesar 135,248W. Tegangan dan arus keluaran solar panel selanjutnya diproses menjadi duty cycle dengan setpoint awal sebesar 52.91% untuk pengaturan switching pada SEPIC converter. Dari hasil switching SEPIC converter ini selanjutnya distabilkan dengan menggunakan regulator tegangan berupa buck converter yang selanjutnya dimanfaatkan untuk mengisi baterai lead acid berkapasitas 12V-18Ah. Tegangan charging akan dijaga konstan pada nilai tegangan 13.8V dan sistem dengan arus sebesar 5,41A.

Pemanfaatan renewable energy yang banyak diminati adalah solar panel yang mempunyai sumber tak terbatas yaitu sinar matahari. Salah satu kendala dalam pemanfaatan panel surya adalah ketika terjadi perbedaan iradiasi yang diterima setiap panel surya tidak sama atau non uniform under insolation pada panel surya yang disusun secara seri maupun paralel. Ketidakseragaman iradiasi disebabkan oleh permukaan panel surya yang tertutup sebagian atau partial shading yang menyebabkan energi panel surya yang diperoleh tidak dapat maksimal, efisiensinya rendah dan munculnya beberapa puncak daya (terdiri dari beberapa puncak lokal dan satu puncak global) dalam kurva karakteristik tegangan daya (PV). Kondisi ketidakseragaman iradiasi ini dapat menyebabkan algoritma P&O tidak dapat mencapai puncak global karena terjebak pada puncak local atau LMPP (Local Maximum Power Point) sehingga tidak mampu untuk membedakan antara puncak daya sebenarnya dan tidak sebenarnya, sedangkan algoritma PSO dalam mencapai daya puncak maksimal membutuhkan waktu yang lebih lama untuk mencapai kondisi konvergen. Penggunaan metode ABC untuk mengatasi kondisi ketidakseragam iradiasi dapat mencapai puncak global atau GMPP (Global Maximum Power Point). Berdasarkan data simulasi menggunakan PSIM, daya yang dapat dicapai metode P&O pada iradiasi konstan yaitu 260,78 Watt, metode PSO yaitu 198,65 Watt dan metode ABC yaitu 261,23 Watt. Waktu tracking yang diperlukan metode P&O yaitu 0,43 detik, sedangkan metode PSO yaitu 0,98 detik dan metode ABC selama 1,06 detik. Akurasi daya hasil simulasi metode P&O rata-rata 87,73% , metode PSO rata-rata 57,12% dan metode ABC rata-rata 99,3%.