Untuk mendeteksi bola pada KRSBI Beroda yang cepat dan efektif umumnya menggunakan kamera USB webcam yang dipadukan dengan omnidirectional mirror yang dapat mendeteksi dari berbagai arah. Dalam pendeteksian bola dapat digunakan teknik thresholding warna, namun seiring berjalannya waktu jika terdapat perubahan cahaya yang terpapar langsung pada bola, maka hasil thresholding akan menjadi rusak dan membuat pendeteksian bola menjadi kacau, bahkan objek selain bola dapat terdeteksi. Pada proyek akhir ini digunakan metode yang berbeda, yakni sebelum memasuki tahap tracking bola, citra bola yang sudah dikonversi menjadi satu channel dari nilai red space pada frame yang didapat secara realtime diperbaiki dengan mengalikan nilai contrast yang didapat dari keluaran fuzzy sehingga citra bola yang dilakukan proses deteksi tetap baik seperti kondisi bola normal tanpa terkena cahaya dan bola dapat dideteksi dengan mudah dengan akurasi pendeteksian sebesar 80% saat kondisi cahaya lampu berubah.

Penelitian ini bertujuan untuk mengembangkan sistem yang dapat mendeteksi nilai dan keaslian uang rupiah sebagai alat bantu transaksi bersuara bagi penyandang tunanetra. Sistem ini memanfaatkan kamera, modul Raspberry Pi, dan teknologi text-to-speech untuk memberikan informasi nominal dan status keaslian uang dalam bentuk suara. Dataset yang digunakan berisi gambar uang kertas asli dan palsu dengan berbagai variasi posisi dan pencahayaan, kemudian diproses menggunakan arsitektur CNN. Dari hasil pengujian, sistem mampu mengenali nominal dan keaslian uang dengan akurasi rata-rata sebesar 80,36%, dan beberapa kategori mencapai akurasi hingga 100%. Sistem ini menunjukkan potensi besar dalam membantu penyandang tunanetra mengenali uang secara mandiri dan efisien. Pengembangan lebih lanjut dapat difokuskan pada peningkatan akurasi melalui perluasan dataset dan teknik pengolahan citra yang lebih adaptif terhadap kondisi lingkungan.

PDAM (Perusahaan Daerah Air Minum) adalah perusahaan yang menyediakan air bersih. PDAM mengembangkan layanan mereka dengan mempertimbangkan keluhan, saran, dan keluhan dari pengguna. Seiring berjalannya waktu, pengguna layanan PDAM meningkat sehingga memungkinkan jumlah pengaduan juga meningkat dan PDAM tidak mungkin menganalisis data pengaduan menggunakan data manual. Hal ini dikarenakan selain jumlah data yang sangat banyak, setiap manusia memiliki sudut pandang yang berbeda- beda dalam menganalisa sehingga dibutuhkan waktu tertentu untuk menyinambungkan hasil analisa dari setiap individu. Dalam penelitian ini mengajukan gagasan untuk menganalisis data keluhan PDAM dengan analisis sentimen berbasis aturan kategorisasi. Analisis sentimen berbasis aturan dalam penelitian ini menggunakan dua belas aturan, di mana keunikan aturan ini adalah deteksi konjungsi. Deteksi konjungsi Indonesia adalah metode pertama yang tersedia di Indonesia. Deteksi konjungsi diusulkan untuk mengetahui apakah konjungsi memiliki pengaruh penting dalam makna kalimat. Hasil analisis sentimen adalah skor dari kalimat pengaduan negatif, positif atau netral. Dan kategorisasi adalah metode untuk memberikan skor kalimat termasuk keluhan tentang keruh, kebocoran air, kebocoran, meter, penggunaan, atau tidak mendapatkan air. Uji coba pada system analisis sentimen dilakukan pada 392 data yang mengandung kata sambung dan memiliki skor sentimen secara manual. Nilai akurasi yang diperoleh menggunakan aturan deteksi konjungsi meningkat 13% dari aturan tidak menggunakan deteksi konjungsi. Dan nilai akurasi kategorisasi pada 100 data pengaduan adalah 84% benar dan 16% salah. Jadi untuk nilai akurasi tinggi dalam deteksi konjungsi perlu memperhatikan konteks kalimat dan kamus kata dan dalam kategorisasi juga harus memperhatikan kata-kata dan menulis kategori prioritas dalam program

Keterbatasan motorik tangan dapat menghambat individu dalam mengekspresikan aktivitas bermusik, khususnya pada kondisi gangguan saraf atau cedera. Penelitian ini merancang sistem alat musik interaktif berbasis sinyal elektromiografi (EMG) yang mengonversi aktivitas otot lengan menjadi nada digital melalui MIDI controller secara real-time. Sistem terdiri atas sensor EMG, Arduino Uno, serta perangkat lunak berbasis Python dengan antarmuka grafis (GUI). Pemrosesan sinyal meliputi tahap akuisisi sinyal otot, ekstraksi fitur Mean Absolute Value (MAV), Root Mean Square (RMS), dan Waveform Length (WL), serta klasifikasi gerakan menggunakan algoritma Decision Tree. Hasil klasifikasi digunakan sebagai dasar pengiriman not MIDI ke Digital Audio Workstation (DAW). Pengujian sistem dilakukan terhadap delapan jenis gerakan tangan dengan masing-masing 10 kali percobaan, sehingga diperoleh total 80 data uji. Hasil pengujian menunjukkan tingkat akurasi sebesar 82,5% dengan 66 prediksi yang sesuai. Gerakan membuka tangan dan menekuk jari telunjuk menghasilkan akurasi 100%, sedangkan gerakan dengan pola aktivasi otot yang saling tumpang tindih, seperti membentuk angka 1 dan angka 2, menghasilkan akurasi sebesar 60%. Penurunan akurasi pada gerakan tersebut disebabkan oleh kemiripan nilai fitur MAV, RMS, dan WL sehingga menyulitkan proses pemisahan kelas oleh model Decision Tree.

WSN (Wireless Sensor Network) merupakan salah satu teknologi komunikasi, WSN terdiri dari sensor nodes dan gateway. Salah satu teknologi komunikasi yang digunakan pada WSN adalah LoRa. Pada komunikasi LoRa menggunakan energi yang rendah pada pemakaiannya, sehingga pada sistem WSN sering digunakan komunkasi LoRa sebagai teknologi wireless nya. Penggunaan energi pada komunikasi LoRa juga bergantung pada sensor nodes yang digunakan, faktor pada sensor nodes yang mempengaruhi penggunaan energi yaitu seperti Spreading Factor (SF) dan jumlah dari node. Sehingga akan berpengaru pada lifetime dari komunikasi LoRa yang digunakan pada sistem WSN. Ketika menggunakan jarak yang berbeda antara LoRa dan sensor nodes, hasil untuk penggunaan energi yaitu sama, sehingga jarak tidak akan mempengaruhi hasil penggunaan energi pada LoRa. Parameter yang digunakan oleh sensor nodes dan LoRa adalah parameter dari LoRa SX 1276. Kemudian jumlah sensor nodes akan mempengaruhi dari penggunaan energi pada LoRa apabila setiap sensor nodes mengirimkan pesan dengan jarak waktu yang berbeda yang mempengaruhi dari penggunaan energi pada LoRa adalah pesan yang diterima oleh LoRa. Hasil rata-rata penggunaan energi ntuk setiap pesan yang diterima oleh LoRa ketika menggunakan sensor nodes berjumlah 20, 50 , 80, 100, 250, 500, 750, dan 1000 adalah 0.011 Joule per pesan. Hasil dari perhitungan manual untuk LoRa dan hasil dari data simulasi memiliki rata-rata perbedaan 2,72%. Lalu ketika dihitung lifetime, yang didapatkan adalah semakin sedikit rata-rata pesan yang diterima per detik oleh LoRa, maka akan semakin panjang pula lifetima dari LoRa tersebut. Data yang didapatkan juga dimungkinkan untuk dijadikan sebuah datasheet yang dapat digunakan sebagai bahan untuk machine learning.