Perdagangan internasional melalui kegiatan ekspor dan impor merupakan salah satu indikator penting dalam menilai kondisi perekonomian suatu negara. Data statistik ekspor-impor Indonesia yang dipublikasikan oleh Badan Pusat Statistik (BPS) masih disajikan dalam bentuk tabel statis sehingga kurang mendukung analisis data secara cepat. Penelitian ini bertujuan merancang dan membangun dashboard interaktif visualisasi data ekspor-impor nasional berbasis web menggunakan framework Laravel, database MySQL, dan Chart.js, yang dilengkapi metode Autoregressive Integrated Moving Average (ARIMA) menggunakan Python dan library Statsmodels untuk menghasilkan prediksi berdasarkan data historis. Sistem menyediakan visualisasi grafik tren ekspor-impor, neraca perdagangan, diagram kontribusi komoditas berdasarkan kode Harmonized System (HS), tabel data interaktif dengan fitur pencarian, penyaringan, ekspor data dalam format PDF, PNG, dan CSV, serta ringkasan hasil analisis. Pengujian sistem dilakukan menggunakan Black Box Testing, sedangkan performa website dievaluasi menggunakan Google Lighthouse, akurasi model menggunakan Mean Absolute Percentage Error (MAPE), dan tingkat usability menggunakan System Usability Scale (SUS). Hasil penelitian menunjukkan bahwa seluruh fitur sistem berjalan sesuai kebutuhan fungsional. Pengujian Google Lighthouse memperoleh nilai Performance sebesar 86 pada perangkat mobile dan 90 pada perangkat desktop, Accessibility sebesar 88, Best Practices sebesar 96, serta SEO sebesar 92. Evaluasi model ARIMA menghasilkan nilai MAPE sebesar 6,70% pada data ekspor (very good forecasting) dan 14,05% pada data impor (good forecasting). Selain itu, pengujian SUS memperoleh skor rata-rata 76,25 pada kelompok pegawai BPS dengan kategori Good dan 81,82 pada kelompok masyarakat umum dengan kategori Excellent. Hasil tersebut menunjukkan bahwa dashboard yang dikembangkan layak digunakan sebagai media visualisasi, analisis, dan pendukung pengambilan keputusan berdasarkan data statistik ekspor-impor nasional.

Pada saat ini, perkembangan teknologi di bidang robotik telah digunakan sebagai alat bantu manusia di bidang kesehatan salah satunya yaitu dibidang biomedik. Robot pada bidang teknik biomedik terdapat berbagai macam jenis salah satunya ialah robot penyangga tubuh yang berfungsi sebagai alat bantu gerak manusia. Robot penyangga tubuh dapat digunakan sebagai alat bantu jalan bagi penyandang disabilitas. Pada penelitian ini Robot penyangga tubuh dilengkapi sensor Electromyography (EMG) pada bagian kaki robot penyangga tubuh. Sensor Electromyography digunakan untuk mendeteksi sinyal kontraksi otot kaki pada bagian Vastus medialis dan Gastrocnemius. Output sinyal yang telah diambil akan diekstraksi cirinya menggunakan Wavelet Transform dan Statistical based. Statiscal based yang digunakan pada penelitian ini menggunakan Root Mean Square (RMS), kurtosis, dan Power Spectrum Density (PSD). Kemudian hasil dari feature extraction akan diidentifikasi menggunakan Artificial Neural Network (ANN) untuk mengidentifikasi aktivitas kontraksi sinyal otot pada bagian Vastus Medialis dan Gastrocnemius. Kombinasi metode CWT dan ANN ini mampu mengidentifikasi gerakan sinyal otot dengan akurasi sebesar 50% pada otot Vastus Medialis dan 33,33% pada otot Gastrocnemius pada relawan pertama. Pada relawan kedua mampu mengidentifikasi sebesar 46,67% pada sel jaringan otot Vastus Medialis dan 33,33% pada Gastrocnemius.

Kecukupan pangan merupakan hak asasi yang harus terpenuhi karena untuk dapat mempertahankan hidup, penduduk memerlukan pangan. Dapat diketahui dari data yang dijadikan informasi bahwa hasil panen mengalami fluktuasi dan peningkatan jumlah penduduk akan mempengaruhi peningkatan kebutuhan pangan. Selain itu, persebaran panen di Indonesia yang kurang merata dan permintaan bahan pangan terutama beras yang meningkat setiap tahunnya. Proyek akhir ini menyajikan sebuah sistem informasi dari pengolahan data panen dan konsumsi pangan menjadi prediksi panen dan prediksi konsumsi pangan menggunakan data mining dengan metode Moving Average dan Linear Regression ditampilkan dalam bentuk tabel dan grafik. Sistem ini mempermudah pemerintah untuk mengetahui wilayah yang mengalami kerentanan pangan di Indonesia dengan pemetaan dalam sebuah tampilan website. Sehingga pemerintah mengetahui informasi baru yang dapat dijadikan informasi untuk hasil prediksi pada tahun yang akan datang. Pada percobaan yang dilakukan, kami menggunakan data panen dari padi, jagung, kedelai, dan kacang tanah, menghasilkan sebuah prediksi hasil panen dan data konsumsi pangan menjadi hasil prediksi konsumsi pangan yang ditampilkan dalam bentuk grafik maupun tabel.

Arus listrik yang dihasilkan oleh suatu beban linear atau nonlinear mempunyai karakteristik tertentu. Oleh karena itu, dapat dilakukan identifikasi jenis beban dari arus rms yang dihasilkan oleh beban linear atau nonlinear. Identifikasi beban dengan menggunakan arus rms dilakukan dengan mengaktifkan beban (Saklar ON) sampai keadaan steady state beban yang akan digunakan dalam sistem. Pada tugas akhir ini dilakukan identifikasi jenis beban dengan arus rms yang dihasilkan oleh tiga jenis beban linear dan nonlinier. Proses pengumpulan data dilakukan dengan menggunakan prototipe dari alat ukur dengan menggunakan sensor arus, data yang dibutuhkan berupa arus dalam bentuk rms untuk seluruh jenis beban beserta kombinasinya. Masukan arus rms ini nanti digunakan parameter untuk pembandingan beban yang terpasang dengan menggunakan metode Feedforward Neural Network (FFNN) untuk proses klasifikasi. Feedforward Neural Network diberikan masukan berupa nilai arus rms dari 3 jenis kombinasi beban listrik, kemudian diberikan data learning untuk mendapatkan nilai weight dan bias. Kemudian dilakukan ujicoba dengan menggunakan data testing. Dari hal tersebut diharapkan penggunaan klasifikasi jenis beban dengan metode Feedforward Neural Network dapat melakukan identifikasi jenis beban lebih cepat dengan hasil yang akurat. Dari pengujian yang dilakukan untuk identikasi beban yang terpasang antara lain lampu (75 Watt), motor pompa 1 phasa (125 Watt), Setrika (320 Watt), menghasilkan arus rms yang ditampilkan di LCD mikro yang bernilai kurang lebih 0.27 A untuk beban lampu, kemudian beban motor pompa sebesar 0.77 A dan Setrika Sebesar 1.33 A. Sebagai perbandingannya dengan nilai yang ditampilkan di Clamp sebesar 0.333 A, 0.767 A, dan 1.303 A dengan masing – masing untuk beban lampu, motor pompa, dan setrika. Error dari arus rms ketiga beban tersebut antara LCD dan dari clamp masing – masing 18.6 %, 0.221% dan 1.56% untuk lampu, motor pompa, dan setrika serta akurasi ANN sebesar 99,99 % rata – rata untuk beban lampu, motor pompa, Setrika dan kombinasinya.

Koperasi Simpan Pinjam (KSP) atau Unit Simpan Pinjam (USP) Koperasi merupakan lembaga keuangan Non-Bank yang berbadan hukum yang pada saat ini mengalami pertumbuhan yang sangat pesat. KSP berfungsi sebagai intermediary service yang menghimpun dana masyarakat dan menyalurkan kembali pada masyarakat anggota koperasinya. Berdasarkan prinsip kehati-hatian dalam pengelolaan keuangan serta memberikan rasa aman kepada masyarakat maka pemerintah melalui Peraturan Kementerian Negara Koperasi dan UKM telah mengeluarkan Peraturan Kementerian No 6 tahun 2016 Tentang Pedoman Penilaian Kesehatan Koperasi Simpan Pinjam Dan Unit Simpan Pinjam Koperasi. Predikat Tingkat Kesehatan KSP dan USP Koperasi yang ditetapkan oleh Pemerintah adalah “Sehat”, “Cukup Sehat”, “Dalam Pengawasan”, dan “Dalam Pengawasan Khusus”. Akan tetapi pelaksanaan ini hanya dilakukan oleh petugas penilai dari pemerintah dan dilaksanakan secara manual dan membutuhkan waktu lama yaitu sekitar 1-2 minggu. Belum ada sistem yang digunakan oleh tiap koperasi untuk menghitung predikat kesehatan mereka sendiri, untuk memaksimalkan kemajuan koperasi. Oleh karena itu, penulis akan mengembangkan sistem informasi akuntansi dan penilaian predikat kesehatan koperasi berbasis web sesuai dengan Peraturan Kementerian Negara Koperasi dan UKM Republik Indonesia No 6 Tahun 2016.