Untuk membuat Automatic Turret Gun dapat mendeteksi dan membedakan objek yang akan dieksekusi dengan presisi membutuhkan teknologi Computer Vision. Metode-metode seperti Haar Cascade Classifier dan Hough Transform dengan SVM Classifier sudah berhasil digunakan pada pendeteksian manusia. Metode lain yang cukup terkenal akhir-akhir ini dalam pendeteksian manusia adalah Convolutional Neural Network (CNN) juga telah menunjukkan hasil optimal. Namun, untuk melihat metode yang optimal untuk digunakan pada Automatic Turret Gun, maka dilakukan sebuah penelitian untuk melihat kecepatan respon dan akurasi pendeteksian. Metode- metode pendeteksian manusia membutuhkan komputasi yang cukup berat, oleh karena itu pada penelitian ini menggunakan fitur komunikasi pada Robot Operating System sehingga proses pendeteksian objek bisa dilakukan pada komputer terpisah dari mikrokontroler dan data yang didapatkan dikirim lewat protokol TC/IP. Dari penelitian yang dilakuan dapat dilihat bahwa metode Haar Cascade dan Hough Transform menunjukkan hasil yang hampir sama yaitu memiliki kecepatan pendeteksian lebih baik daripada CNN akan tetapi CNN memiliki akurasi yang lebih baik daripada 2 metode lainnya.

Keausan merupakan masalah yang sering ditemui dalam proses produksi. Hal ini disebabkan karna dapat mengakibatkan erosi pada pipa bagian produksi. Salah satu industri yang sering mengalami hal tersebut adalah industri pembangkit listrik khususnya pembangkit listrik tenaga uap. Keausan dapat mengakibatkan erosi yang mengakibatkan kebocoran pada pipa, sehingga perlu dilakukan prediksi erosi pada pipa elbow. Dalam penelitian ini digunakan pemodelan CFD pada aplikasi ANSYS 19.1 untuk memprediksi erosi dalam aliran gas dengan variasi undulation pada pipa elbow. Hal ini dilakukan untuk mengetahui apakah pemodelan pipa dengan jumlah undulation tertentu dan dikombinasikan dengan konfigurasi twisted mampu mengurangi erosi pada pipa elbow. Perubahan aliran sangat berpengaruh terhadap laju erosi karna dapat mempengaruhi interaksi partikel dengan dinding serta kecepatan impact. Hasil akhir dari penelitian ini yaitu didapatkan hasil bahwa pipa dengan variasi 3 undulation mengurangi erosi hingga 38% sedangkan pipa dengan variasi 5 undulation mengurangi erosi hingga 22% dibandingkan pipa biasa.

Surabaya memiliki tempat pariwisata yang indah karena adanya garis pantai yang memanjang di bagian timur kota tersebut. Namun sayangnya, daerah pesisir yang berada di kota tersebut telah tercemar oleh kegiatan masyarakat sekitar daerah tersebut maupun di laut yang membuat pantai tersebut kurang menarik untuk dikunjungi. Selain itu, kondisi tersebut bisa merugikan ekosistem daerah pesisir, khususnya sumber daya alam yang dijadikan penghasilan bagi warga dan juga kesehatan warga yang tinggal disekitarnya. Penelitian ini menggunakan Metode Indeks Pencemaran (IP), merupakan metode yang dipergunakan untuk mengukur tingkat pencemaran relatif terhadap parameter kualitas air yang diijinkan. Metode ini mampu untuk menyelesaikan permasalahan yang diteliti dengan menunjukkan status pencemaran daerah pesisir di tiap-tiap titik pengambilan sampel. Hasil dari penelitian ini, pemerintah dan warga Surabaya mampu mengambil tindakan yang tepat dengan adanya analisa pencemaran tersebut serta menjaga kelestarian daerah pesisir sehingga nantinya sumber daya alam yang dihasilkan oleh daerah tersebut bisa mendapatkan hasil yang maksimal dan juga bisa mengubah pendapatan masyarakat maupun pemerintah sendiri.

Tugas akhir ini berkaitan dengan sistem yang dipakai untuk membantu penanggulangan penyebaran penyakit menular. Cara penanggulangan difokuskan pada partisipasi masyarakat. Dalam tugas akhir ini ada dua hal yang dikerjakan yaitu membuat sistem kamera untuk memantau lingkungan dan membuat perangkat lunak pemantau lingkungan. Sistem kamera yang dibuat adalah sebuah kamera spectral, yaitu kamera RGB dan kamera NoIR dengan 3 band filter (770nm-790nm, 855nm-890nm dan 928nm-955nm). Kamera ini dioperasikan menggunakan raspberry pi 3 untuk mengambil suatu gambar sekaligus untuk komunikasi antar module telemetry. Kamera ini akan diterbangkan di daerah kerumunan menggunakan drone dan gambarnya akan dianalisis di bagian perangkat lunak. Sistem perangkat lunak pemantau lingkungan terdiri dari software GUI komunikasi telemetry dan program pemantau lingkungan. Sofware GUI bertujuan untuk mengirim suatu perintah untuk mengoperasikan sistem kamera sekaligus menerima informasi darinya. Pada bagian program pemantau lingkungan, menggunakan CNN dengan arsitektur CSRNet, yaitu tehnik yang akan digunakan untuk mengenali berapa jumlah kerumunan yang ada pada sebuah gambar. Dataset yang telah diambil menggunakan kamera spectral menghasilkan gambar yang kurang baik, dalam artian tidak mengandung banyak kerumunan. Alhasil, disini menggunakan Dataset Shanghai yang mempunyai 1198 gambar dengan kombinasi kerumunan 330.165 orang. Dari hasil testing yang didapat, didapatkan error besar hingga 170%. Ini dikarnakan gambar yang di testing bukanlah gambar yang berkerumun. Pada saat proses training model menggunakan CSRNet, tidak diinputkan juga sebuah dataset kerumunan yang diambil menggunakan drone.

Pengenalan Aktivitas Manusia atau Human Activity Recognition (HAR) dibahas dan dipelajari secara luas dan menjadi alat yang efektif dalam komputer visi. Pada pengembangan pengenalan aktivitas manusia telah dilakukan dengan berbagai jenis pendekatan dan menggunakan berbagai jenis sensor atau alat. Salah satu alat yang digunakan dalam pengembangan pengenalan aktivitas manusia adalah kamera Kinect. Kamera Kinect dipilih karena keandalannya dalam menghasilkan data depth dan skeleton tracking yang dapat digunakan untuk melakukan pengenalan aktivitas manusia. Penelitian ini mengusulkan penggunaan kamera Kinect untuk dapat melakukan pengenalan aktivitas manusia dengan menggabungkan fitur sudut skeletal dan normalisasi posisi joint skeleton. Sudut skeletal dipilih karena memiliki hubungan secara langsung dengan aktivitas manusia. Sedangkan normalisasi posisi joint skeleton dipilih karena menghilangkan karakteristik kebergantungan dari skeleton seperti jarak objek dengan Kinect dan inisialisasi posisi awal. Sudut skeletal didapatkan dengan menghitung vektor Euclidian dan besar vektor antara joint pusat dengan joint yang mengapitnya. Untuk normalisasi posisi joint skeleton didapatkan dengan melakukan translasi posisi joint skeleton ke dalam koordinat baru. Posisi koorindat baru menggunakan acuan joint pada tubuh bagian tengah yaitu panggul tengah atau perut. Gabungan fitur tersebut di-learning menggunakan metode Support Vector Machine (SVM) dan menghasilkan dataset aktivitas berdiri, duduk dan berjalan. Didapatkan performa keakurasian dari sistem yaitu 96,67% dengan tipe SVM C-SVC dan kernel SVM linear u’*v.