Menurut laporan dari BNPB (Badan Nasional Penanggulangan Bencana) tiap tahunnya masih banyak terjadi korban hanyut di Sungai. Hal ini disebabkan karena beberapa faktor seperti cuaca ekstrem yang menyebabkan hujan lebat yang dapat meningkatkan debit air Sungai secara tiba-tiba sehingga arus Sungai menjadi cepat dan kuat. Sudah banyak cara untuk meminimalisir jatuhnya korban hanyut, seperti memberikan pembatas pada Sungai dan papan peringatan tentang debit air pada sungai, namun musibah tidak dapat dihindari dan cuaca tidak dapat diprediksi dengan tepat. Pihak BNPB (Badan Nasional Penanggulangan Bencana) sudah melakukan upaya pencarian dengan cara manual yaitu dengan perahu karet untuk menyusuri Sungai. Namun cara tersebut dinilai kurang efektif, efisien dan sudut pandang kurang luas. Maka dari itu, sudut pandang yang lebih luas dan jangkauan yang lebih jauh sangat diperlukan saat pencarian korban hanyut di Sungai. Sehingga pada penelitian ini untuk membantu melakukan pencarian korban hanyut di sungai digunakan drone yang akan memperluas jangkauan pencarian dengan cara yang lebih efektif. Drone akan mengambil data berupa pengambilan gambar yang diduga korban yang terlihat pada permukaan air dari udara. Pengolahan citra guna meningkatkan kualitas citra tersebut maka digunakanlah teknologi deep learning untuk melakukan deteksi manusia dapat menggunakan fitur Histogram of Oriented dari citra yang diklasifikasikan menggunakan metode Support Vector Machine (SVM). Penelitian sementara menunjukkan bahwa secara simulasi dengan metode SVM didapatkan nilai akurasi terbaik pada proses shuffle yaitu 95.26% sedangkan jika tidak menggunakan shuffle memiliki hasil 93.88%.

Tujuan dari Proyek Akhir ini adalah membuat sebuah aplikasi yang dapat mendeteksi wajah yang dikenali yakni penghuni rumah atau tidak dikenali yakni orang asing. Banyaknya aktivitas manusia yang melibatkan rumah seperti silaturahmi, pengiriman paket, penjemputan transportasi online dan aktivitas lainnya tentu patut diperhatikan oleh penghuni rumah. Perlu dilakukan kewaspadaan terhadap siapa saja yang dapat masuk kedalam rumah dan untuk mencegah hal hal yang tidak diinginkan. Sehingga diharapkan penghuni rumah dapat memonitor keadaan sekitar rumahnya menggunakan sistem ini. Dalam pengoperasiannya memiliki beberapa proses yakni proses pendaftaran untuk menyiapkan foto penghuni rumah sebagai training dataset dan proses deteksi pengenalan wajah. Terdapat 45 wajah dari 15 orang berbeda yang didaftarkan sebagai penghuni rumah. Penelitian ini menggunakan bahasa pemrograman python dengan library face_recognition dan metode CNN. Berdasarkan hasil eksperimen dan pengujian, Sistem Keamanan Rumah sebagai Pemantauan Penghuni atau Orang Asing Berbasis Pengenalan Wajah yang telah dibuat dapat mengenali wajah yang sudah terdaftar dengan jarak maksimal 0,5 meter dan akurasi sebesar 68.48 persen hingga 70 persen. Jika wajah tidak dikenali maka sistem memberikan notifikasi bunyi dan email bahwa ada orang asing. Aplikasi dapat berjalan sesuai proses sehingga wajah penghuni rumah dapat dikenali dengan benar. Namun posisi wajah berpengaruh terhadap akurasi prediksi pengenalan wajah.

Perkembangan teknologi mendorong peningkatan penggunaan baterai Lithium Iron Phosphate (LiFePO₄) dalam kendaraan listrik dan perangkat portabel berkat stabilitas termal, umur panjang, dan tingkat keamanan yang tinggi. Namun, pengisian cepat masih menjadi tantangan karena keterbatasan metode konvensional. Penelitian ini merancang sistem fast charging untuk baterai LFP 4S1P 12,8 V/6 Ah menggunakan interleaved buck converter 3 fasa untuk mengurangi ripple arus dan meningkatkan efisiensi. Metode pengisian yang digunakan adalah Multistage Constant Current–Constant Voltage (MCC-CV) yang dikendalikan oleh Fuzzy Logic Controller (FLC) guna menjaga kestabilan arus dan tegangan selama proses pengisian. Sistem ini juga dilengkapi dengan adaptive current protection yang menyesuaikan arus secara real-time terhadap kondisi suhu baterai, serta passive balancing untuk menyamakan tegangan antarsel. Hasil pengujian menunjukkan bahwa sistem mampu menurunkan imbalance dari 17,96% dan ∆V sebesar 56 mV menjadi 1,46% dan 50 mV dalam 10 menit awal pengisian. Selain itu, sistem dapat menyelesaikan pengisian penuh dalam waktu 50 menit, lebih cepat 4 menit dibandingkan metode CC-CV, dengan efisiensi mencapai 80,14% dan ripple arus hanya 5,92%. Dengan demikian, sistem ini terbukti efektif, efisien, dan aman untuk pengisian baterai LiFePO₄.

Keterbatasan jaringan komunikasi di daerah terpencil atau saat bencana mendorong kebutuhan akan alat komunikasi dua arah yang mandiri. Penelitian ini bertujuan merancang dan membuat walkie-talkie digital berbasis Raspberry Pi 3B+ yang dilengkapi modul GPS Neo-6M dan layar LCD. Perangkat ini menggunakan metode pair-to-pair secara half-duplex melalui jaringan Wi-Fi lokal (Ad-Hoc), sehingga bisa terhubung langsung tanpa internet atau server. Pengiriman suara diproses secara real-time dengan protokol socket TCP/IP dan pustaka PyAudio melalui tombol Push-To-Talk (PTT). Hasil pengujian menunjukkan waktu respons tombol PTT berada di bawah 150 milidetik dengan waktu tunda transmisi suara kurang dari 1 detik. Jangkauan koneksi antar perangkat dapat berjalan hingga jarak 30 meter pada area terbuka tanpa halangan. Fitur GPS dapat membagikan posisi pengguna dengan nilai rata-rata selisih jarak sebesar 6,0 meter di area terbuka dan 13,2 meter di area dalam ruangan. Proyek akhir ini menghasilkan alternatif alat komunikasi darurat portabel yang dapat berfungsi sesuai dengan rancangan.

Dalam jaman modern diperlukan sistem pengukuran untuk rangkaian listrik utamanya untuk pengukuran tegangan. Kemudahan penggunaan alat ukur tegangan dapat dilakukan dengan merubah beberapa bagian dari komponen perangkat keras yang dapat diubah menjadi bagian dari perangkat lunak. Penggunaan voltmeter dalam masa sekarang masih disulitkan karena masih diperlukan pengaturan range dan pemilihan input dengan saklar mekanis untuk menentukan apakah tegangan input merupakan tegangan AC atau DC. maka dibuatlah penelitian tentang pengaturan input secara cerdas untuk memberikan pengukuran langsung terhadap tegangan pada komponen uji baik tegangan input DC atau tegangan input AC dengan range 1 Volt – 400 Volt. Identifikasi tegangan masukan dapat dilakukan dengan cara mengidentifikasi nilai ADC sensor tegangan yang masuk ke mikrokontroller. Dengan menggunakan dasar ADC pada tegangan 0 maka dapat diketahui apakah tegangan masukan merupakan tegangan AC atau tegangan DC Selain pengukuran tegangan, juga dapat dilakukan identifikasi gangguan tegangan, yaitu gangguan tegangan berupa Undervoltage, Overvoltage, dan Voltage Interuption dengan metode rule based. Digunakan STM32F7 untuk mikrokontroller utama pembuatan program dan tampilan menggunakan LCD TFT 4,3”. Voltmeter yang digunakan sebagai pembanding adalah AVOmeter ZOTEK ZT-102. Hasil pengukuran menunjukkan nilai error yang besar terdapat di tegangan 5 volt ke bawah, sedangkan tegangan 6 volt ke atas memiliki rata-rata error 0,2%. Terdapat error pada identifikasi tegangan masukan AC / DC pada tegangan 5 volt kebawah serta identifikasi gangguan tegangan tidak terdapat error.