Banyak masyarakat menyampaikan opini mengenai Pemilu 2019 melalui Twitter. Kebiasaan masyarakat mem-posting tweet untuk menilai tokoh calon Pemilu adalah salah satu media yang merepresentasikan tanggapan masyarakat terhadap calon. Menjelang pemilihan umum, biasanya ada pihak-pihak tertentu yang ingin mengetahui sentimen dan tanggapan terhadap tokoh calon seperti lembaga survey. Namun, sebuah sistem sangat sulit untuk mengukur tendensi atau kecenderungan masyarakat terhadap calon karena sebuah opini memiliki bahasa yang bebas atau expression language yang beragam. Kami mengajukan pendekatan baru dalam analisis opini tentang pemilu yaitu dengan opinion mining berdasarkan waktu. Kami mengajukan pendekatan yang akan mengekstrak dan memproses data textstual secara otomatis untuk mendapatkan informasi sentiment yang terkandung di dalam kalimat opini. Ada beberapa tahap untuk melakukan analisis sentiment, diantaranya tahap pengumpulan data, preprocessing data, tahap analisis sentiment opinion dengan menggunakan metode naive bayes classifer, kemudian tahap visualisasi hasil. Pendekatan ini berbasis waktu, sehingga analisis opini dapat ditampilkan berdasarkan interval waktu. Hasil penelitian ini menunjukkan bahwa hasil akurasi metode naïve bayes classifier mencapai 62% dengan nilai recall sebesar 45 % dan presisi mencapai 41%.

Perkembangan teknologi telah mendukung terciptanya robot yang mampu mendeteksi dan memantau lingkungan. Peran dari robot tersebut untuk menjaga sistem pertahanan dengan melakukan monitoring lingkungan melalui visualisasi. Dalam tugas akhir ini dibuat sebuah sistem visualisasi untuk menentukan jarak pergerakan robot berdasarkan penentuan posisi dan orientasi kamera dengan menganalisa gambar gambar yang telah diambil melalui capture kamera. Saat robot melakukan pergerakan, kamera yang dipasang pada robot akan memberikan informasi jarak dan posisi berupa koordinat x dan y pada sistem komputer. Kemanapun robot bergerak dapat terpantau dengan jelas karena sudah diketahui orientasi, posisi dan jarak pergerakannya. Untuk memudahkan penentuan jarak, posisi dan orientasi robot pada sistem visualisasi ini digunakan metode optical flow sebagai pendeteksi gerak. Visual odometry juga dapat digunakan bersama dengan informasi dari sumber sensor lainnya yang dipasang pada robot sebagai sistem kendali seperti GPS, sensor inersia (IMU), encoders roda, dan lain-lain. Jenis robot yang digunakan sebagai sistem navigasi adalah robot VIPER. Hasil visualisasi merupakan penyampaian informasi dari kamera ke komputer sehingga bisa dilakukan pengambilan keputusan setelah mengetahui jarak, posisi dan orientasi robot.

Ginjal memiliki kelainan struktural seperti pembengkakan ginjal, perubahan posisi dan penampilan. Kelainan ginjal juga dapat timbul karena terbentuknya batu di ginjal. Saat ini, untuk mengenali batu ginjal masih membutuhkan waktu yang cukup lama. Hal ini dapat diatasi dengan pelaksanaan teknik segmentasi batu ginjal yang baik pada citra CT Scan. Segmentasi yang akurat dari lokasi dan luas batu ginjal memainkan peran penting dalam diagnosis batu ginjal. Perlu algoritma yang efisien untuk segmentasi batu ginjal. Preprocessing diperlukan untuk meningkatkan masukan citra CT Scan. Proses preprocessing citra CT Scan dimulai dari tahap preprocessing gambar CT Scan menggunakan metode region of interest (ROI). Tahap ini dilakukan untuk mengambil atau memisahkan area ginjal dengan area tulang yang terdapat di dalam citra. Hal ini perlu dilakukan karena citra tulang memiliki kemiripan dengan citra batu ginjal. Tahap selanjutnya adalah median filtering. Tahap ini dilakukan untuk mempertahankan batas tepi dari citra batu ginjal. Kemudian dilakukan thresholding untuk memisahkan batu ginjal dengan area ginjal. Terakhir dilakukan perhitungan luas batu ginjal yang ada di organ ginjal. Segmentasi yang akurat berpengaruh terhadap proses pengukuran luas batu ginjal. Pada tugas akhir ini, akan dilakukan perbaikan citra CT Scan ginjal kemudian dilakukan segmentasi untuk memisahkan citra CT Scan ginjal. Dengan metode yang diusulkan pada proyek akhir ini dapat memberikan solusi segmentasi dan pengukuran luas batu ginjal pada citra CT Scan ginjal dengan nilai rata-rata error yang terjadi pada penghitungan luas batu ginjal adalah 13.78%. Hal ini terjadi karena hasil segmentasi yang belum sempurna. Sehingga berpengaruh pada hasil dari perhitungan luas.

Kanker merupakan penyebab kematian terbanyak di dunia. Sebanyak 32,4 juta penderita kanker saat ini, 52% diantaranya adalah kanker yang banyak dialami kaum perempuan yaitu kanker pada sistem reproduksi wanita. Sebenarnya kanker merupakan penyakit kronis yang sangat bisa untuk disembuhkan jika diberikan penanganan cepat dan tepat. Sampai saat ini, pasien hanya mendapat hasil pemeriksaan dari dokumen hasil lab dan keterangan langsung dari dokter. Dari latar belakang tersebut, munculah ide untuk membuat aplikasi personal healthcare bagi pasien disertai prediksi tingkat resiko kanker rahim sebagai langkah preventif, ke dalam sebuah aplikasi mobile yang mudah untuk dipakai. Tujuan dari proyek akhir ini untuk mempermudah pasien mengetahui prediksi dari tingkat risiko kanker rahim sehingga apabila diidentifikasi tingkat risiko penyakit yang cukup tinggi, pasien bisa segera mendapat penanganan lebih lanjut. Aplikasi ini menggunakan metode Logistic Regression untuk mengetahui prediksi dari tingkat risiko seseorang mengalami kanker rahim dengan menggunakan data supervised yang diperoleh dari RSI Jemur Sari Tahun 2017. Adapun variable yang sangat mempengaruhi tingkat risiko kanker rahim adalah pendarahan vagina, benjolan di vagina, dan nyeri di daerah pinggang atau perut bagian bawah. Dengan adanya aplikasi ini dapat membantu pasien mengetahui prediksi dari tingkat risiko kanker rahim yang dideritanya. Hasil pengujian metode Logistic Regression yang digunakan mempunyai tingkat akurasi yang cukup tinggi mencapai 95% dalam klasifikasi data begitu juga dengan ketepatan klasifikasi pada presisi dan recall.

Kehandalan merupakan bagian penting dalam menjalankan berbagai proses yang terjadi di industri untuk memperoleh keuntungan maksimal dalam suatu periode tertentu. Keberhasilan pada proses produksi adalah kehandalan dari komponen, sub sistem, atau sistem produksi untuk tidak mengalami kegagalan dalam jangka waktu tertentu. Pada proyek Akhir ini Penulis membuat penerapan redundant system pada sensor level dengan metode N+1 redundancy. N+1 Redundancy adalah metode untuk menjamin membantu ketahanan sistem saat terjadi kegagalan. Komponen (N) memiliki satu komponen cadangan (+1), dimana komponen cadangan ini bersifat aktif/pasif atau disebut standby, komponen backup akan aktif jika terjadi kerusakan komponen N, dan akan pasif (hot standby) selama sistem beroperasi secara normal. Sensor level yang digunakan berjumlah 3 sensor dengan N = 2 sebagai komponen aktif dan terdapat +1 komponen cadangan (hot standby). Sensor Level yang digunakan adalah sensor ultrasonik HC-SR04 sebagai komponen pengendalian level pada storage tank. Data dari sensor ultrasonik diolah melalui 2 parameter yaitu perhitungan standar deviasi dan range pengukuran untuk menentukan status sensor apakah mengalami fault detection. Hasil olah data dikirim ke Micro Master untuk disusun metode N+1 redundancy. Data level kemudian divisualisasikan pada software LabVIEW untuk dilakukan monitoring indikator sensor. Penggunaan metode N+1 redundancy pada proyek akhir ini mampu mengatasi downtime sehingga sistem dapat berjalan normal 100% selama salah satu sensor berfungsi normal tidak mengalami fault detection. Ada 3 sensor yang berfungsi secara normal dengan error masing-masing 1,4%, 3,2% dan 2,4%, dan 1 sensor fault digunakan sebagai pembuktian sensor mengalami fault detection dengan nilai error 98%. Nilai rata-rata standar deviasi pada sensor yang normal yaitu sebesar 0,48 cm dan sensor yang fault adalah 14,18 cm.