Drainase bawah tanah memiliki peran penting dalam pengelolaan air di wilayah perkotaan. Namun, keterbatasan dalam hal pemantauan kondisi drainase menjadi salah satu penyebab terjadinya banjir, terutama di kota-kota dengan curah hujan tinggi. Penelitian ini bertujuan mengembangkan sistem monitoring drainase bawah tanah berbasis Wireless Sensor Network (WSN) dengan memanfaatkan teknologi LoRa dan logika fuzzy untuk mendukung implementasi Smart City. Sistem yang dirancang terdiri dari sensor ketinggian air dan sensor aliran air yang dipasang pada beberapa node sensor dan terhubung ke gateway untuk mengirimkan data ke cloud server. Data yang diperoleh kemudian diklasifikasikan menggunakan metode fuzzy Mamdani untuk menentukan kondisi drainase secara real-time. Pengujian dilakukan dalam berbagai kondisi lingkungan, termasuk ruang tertutup dan saluran drainase terbuka, untuk mengevaluasi kinerja komunikasi LoRa dan akurasi sensor. Hasil pengujian menunjukkan akurasi sensor ketinggian air mencapai 99,8%, sensor aliran air sebesar 95,53%, dan akurasi logika fuzzy mencapai 96%. Sistem ini berhasil memberikan peringatan dini terhadap potensi banjir dan membantu pengambilan keputusan dalam pengelolaan drainase kota secara cerdas.

Penelitian ini bertujuan untuk mengatasi tantangan yang dihadapi oleh fasilitas kesehatan selama pandemi COVID-19. Banyak dari fasilitas kesehatan sulit mengontrol kapasitas mereka selama pandemi karena banyaknya pasien yang perlu dirawat. Dalam perawatannya mereka memanfaatkan X-ray yang cenderung memiliki akurasi diagnosis yang rendah. Untuk mengatasi masalah ini, penelitian ini berfokus pada pengembangan sistem prediksi otomatis tingkat keparahan pneumonia COVID-19. Sistem prediksi ini memanfaatkan metode yang relatif baru bernama Brixia Score. Brixia Score merupakan sistem skoring tingkat keparahan Pneumonia COVID-19 pada X-ray dimana sistem akan memprediksi nilainya menggunakan deep learning. Model deep learning dilatih menggunakan dataset di salah satu fasilitas kesehatan Italia dan kemudian diuji menggunakan dataset publik yang lebih luas. Performa model yang dilatih lalu dibandingkan dengan penelitian terkait, yaitu BS-Net. Model pada penelitian ini memiliki performa yang masih lebih rendah daripada BS-Net dengan perbedaan yang tidak jauh signifikan.

Ketika pesawat terjatuh tentu dibutuhkan informasi tentang lokasi keberadaannya agar dapat segera dapat dievakuasi ataupun kemungkinan untuk penumpang yang masih hidup dapat segera mendapat pertolongan oleh tim SAR. Oleh karena itu diperlukan sebuah alat yang dapat memberikan informasi tentang lokasi pesawat yang terjatuh dan muncullah gagasan untuk membuat alat yang memiliki fungsi tersebut terciptalah ELT (Emergency Locator Transmitter) sebagai alat pemancar sinyal emergency yang akan otomatis aktif ketika terkena guncangan dengan 2.3G.

Drone saat ini semakin banyak digunakan pada berbagai bidang. Salah satunya adalah untuk mengantarkan barang. Dalam mengantarkan barang, drone perlu selalu melaporkan kondisi dirinya saat diperjalanan ke pada ground control station agar GCS bisa melakukan monitoring pada drone. Namun saat drone mengirimkan data ke GCS banyak sekali kerentanan yang dimiliki terhadap serangan attacker salah satunya adalah pengambilan kontrol device drone. Pengambilan kontrol drone bisa terjadi jika attacker berhasil mengirimkan script yang dapat mengambil alih kontrol drone. Untuk itu pada penelitian ini kami mengusulkan algoritma autentikasi yang dapat memfilter siapa saja yang boleh melakukan pengiriman data ke sistem. Algoritma yang digunakan adalah Zero Knowledge Authentication. Untuk meningkatkan performa dari algoritma Zero Knowledge Authentication, kami mencoba untuk mengkombinasikannya dengan kunci rahasia yang dihasilkan dari proses Secret Key Generation. Selain itu kami juga menambahkan algoritma AES 256 untuk mengamankan data yang dikirim. Dari hasil pengujian untuk proses Secret Key Generation pada kondisi statis memiliki nilai KDR 1.75%, KGR 9 bps dan memiliki efesiensi 100% . Selain itu juga kunci hasil dari Secret Key Generation lolos uji tes NIST serta memiliki performa yang lebih bagus dibandingkan dengan algoritma existing. Sementara untuk pengujian autentikasi dihasilkan efektivitas dari algoritma yang diusulkan setelah dilakukan percobaan serangan Brute Force adalah 100% untuk skenario single attacker serta multiple attacker pada kondisi LOS dan NLOS. Namun untuk pengujian packet sniffing algoritma yang diusulkan memiliki efektivitas 100% pada semua skenario. Pengujian lama waktu autentikasi juga dilakukan dan didapatkan hasil bahwa pada semua skenario waktu yang diperlukan untuk melakukan autentikasi berada pada satuan mikro detik sehingga algoritma yang diusulkan bisa untuk diimplemetasikan pada IoT dengan resource yang terbatas.

Mobile vending machine merupakan vending machine dengan tambahan mobile robot yang dapat membuat vending machine tersebut berkeliling, menemui, dan melakukan proses jual beli dengan pelanggan. Kendala utama dalam alat penjual otomatis adalah adanya sistem yang dapat digunakan pembeli untuk berinteraksi dengan alat tersebut, baik dalam pemilihan produk sampai melakukan proses pembayaran. Pada buku proyek akhir ini, membahas tentang perancangan sistem pembayaran dengan dua metode yaitu, dengan menggunakan uang rupiah kertas atau menggunakan uang elektronik yang diintegrasikan ke mobile vending machine. Sistem pembayaran ini dibuat untuk mempermudah pembeli untuk melakukan transaksi secara langsung dengan mobile vending machine. Sistem pembayaran juga dilengkapi dengan Graphical User Interface guna memandu pembeli dalam berinteraksi dengan mobile vending machine. Metode yang digunakan untuk mendeteksi uang kertas adalah menggunakan deep learning yakni dengan framework YOLOv4. Untuk mengatasi pembayaran dengan uang elektronik digunakan menampilkan Quick Response Code Indonesian Standard yang ditampilkan pada GUI. Mean Average Precision yang didapatkan dari model YOLOv4 adalah 99 persen dalam mendeteksi uang pecahan Rp1.000,00, Rp2.000,00, Rp5.000,00, dan Rp10.000,00.