Pada tahun 2014 rasio elektrifikasi nasional sebesar 84,4% atau meningkat 3,9% dari tahun 2013. Sehingga untuk mengatasi lonjakan konsumsi energi listrik maka pemerintah melakukan pengembangan energi baru terbaharukan (EBT) di berbagai wilayah di Indonesia seperti Sulawesi, NTT, dan NTB. Energi matahari dan energi angin memiliki potensi yang besar untuk dikembangkan melihat letak geografis Indonesia yang strategis. Salah satu bentuk pengembangan energi terbaharukan yang dapat dilakukan yaitu membuat teknologi DC-DC Converter hybrid untuk solar pv dan turbin angin. Saat ini, teknologi DC-DC converter yang sering digunakan menggunakan metode ATS (Automatic Transfer Switch) yaitu pemindahan switch secara otomatis dengan membandingkan daya puncak dari solar panel dan daya puncak dari turbin angin. Sehingga untuk meningkatkan daya output perlu adanya inovasi. Maka pada tugas akhir ini dirancang sebuah inovasi berjudul “Rancang Bangun Kontroler pada Pembangkit Listrik Hybrid (Solar PV dan Turbin Angin) untuk Meningkatkan Daya Output”. Metode yang digunakan untuk meningkatkan daya output yaitu dengan menyamakan kedua tegangan konverter yang dipasang secara parallel menjadi 15 volt. Hasil pengujian menunjukkan hasil bahwa pada kontroler solar pv memiliki error sebesar 0,85% terhadap setpoint. Sedangkan konverter turbin angin memiliki error sebesar 2,5% terhadap setpoint. Kedua konverter tersebut dapat saling menjumlahkan daya dengan baik di siang hari yaitu pada pukul 11.00 wib - 13.00 wib. Daya puncak penggabungan terjadi saat beban 10Ω dengan daya rata-rata sebesar 23,21 watt. Akan tetapi, pada jam 11.00 wib - 13.00 wib rangkaian penggabungan tersebut memiliki rugi-rugi daya rata-rata sebesar 6,01 %.

Akhir – akhir ini di masa pandemi Covid-19 rumah sakit mengalami peningkatan jumlah pasien karena penyebaran virus yang sangat cepat. Kebutuhan pelayanan di rumah sakit semakin meningkat daripada hari biasa. Oleh karena itu dibutuhkan robot Healthcare yang bisa membantu pelayanan pasien dan tenaga medis di rumah sakit. Dalam memberikan pelayanan, robot harus bisa menjalankan macam – macam tugas termasuk mengantarkan makanan dan minuman kepada pasien di kamar perawatan. Sehingga robot harus mampu mendeteksi dan mengenali objek yang ada dan mampu meletakkannya di tempat yang diharapkan. Untuk sensor sendiri disini menggunakan kamera BlasterX Senz3D. Hasil dari input tersebut berupa gambar RGB-D yang kemudian kita konversi ke point cloud agar bisa didapatkan informasi 3D. Kemudian informasi 3D tersebut akan dilakukan segmentasi dan klasterisasi untuk mendapatkan objek yang akan dideteksi dengan menggunakan RANSAC dan Euclidean Cluster. Kemudian ekstraksi fitur menggunakan descriptor Viewpoint Features Histogram (VFH) untuk mendapatkan ciri dari objek tersebut. Kemudian memprediksi dari hasil training dataset yang sudah dilakukan dengan menggunakan metode artificial neural network. Kemudian dilanjutkan dengan pelabelan visualisasi hasil objek. Dengan adanya robot Healthcare ini diharapkan bisa membantu tenaga medis baik dokter maupun perawat dalam melayani pasien di rumah sakit. Dan dengan sistem ini pula robot mampu mendeteksi dan mengenali objek di sekitar rumah sakit sehingga robot bisa melakukan tindakan terhadap objek-objek tersebut. Pada proyek akhir 1 ini, dilakukan pengujian terhadap 9 dataset dan 3 scene yang merupakan hasil pengambilan data sendiri. Hasil menunjukkan rata-rata akurasi 90.77 % terhadap pengujian 3 scene multi objek dan rata-rata akurasi 98.73 % terhadap pengujian scene objek tunggal.

Energi listrik merupakan kebutuhan fundamental di era modern, khususnya di sektor pendidikan dan industri. Data Badan Pusat Statistik (BPS) menunjukkan tren peningkatan konsumsi energi listrik per kapita, dari 650 kWh pada tahun 2009 menjadi 1200 kWh pada tahun 2022, dengan rata-rata peningkatan tahunan sebesar 6,51%. Ketergantungan ini menuntut adanya sistem pemantauan konsumsi energi yang akurat dan efisien. Di laboratorium industri Politeknik Elektronika Negeri Surabaya, penggunaan alat-alat tiga fase belum didukung oleh sistem monitoring yang memadai, sehingga menghambat pengelolaan konsumsi energi secara optimal. Penelitian ini bertujuan untuk mengembangkan sistem logger dan aplikasi berbasis web yang memantau konsumsi energi listrik secara real-time melalui integrasi dengan meteran KWh digital dan teknologi IoT. Model prediksi LSTM yang diusulkan berbasis deep learning diuji menggunakan data konsumsi listrik per jam, dan dibandingkan dengan model ARIMA, SARIMA, dan XGBoost. Hasil evaluasi menunjukkan bahwa model ini memiliki performa terbaik, dengan nilai MSE sebesar 181673 dan MAPE sebesar 0.095. Sebagai perbandingan, ARIMA mencatatkan MSE sebesar 372788 dan MAPE sebesar 0.135, SARIMA sebesar 248295 dan 0.105, serta XGBOOST sebesar 1046530 dan 0.204. Dengan demikian, model yang diusulkan menunjukkan peningkatan akurasi prediksi dibandingkan metode lainnya. Selain itu, mekanisme deteksi anomali berbasis MAE berhasil mengidentifikasi fluktuasi tidak normal, seperti pemadaman dan lonjakan beban dengan presisi (100%), recall (80%), dan F1-score (80%). Sistem yang diusulkan mampu menyediakan monitoring akurat, prediksi beban harian, serta peringatan dini atas kondisi abnormal, sehingga mendukung efisiensi manajemen energi listrik.

Penelitian ini bertujuan mengatasi volatilitas sensor dan ketidakpastian keputusan dalam manuver menyalip kendaraan secara real time dengan menerapkan arsitektur edge computing lokal berbasis heterogeneous dual LiDAR guna mengatasi keterbatasan area persepsi pada sistem sensor tunggal atau single LiDAR. Sistem NAVIENTA atau Navigation Intelligent Assistant ini memadukan sensor LiDAR jarak jauh TF350, pemindai laser jarak pendek RPLIDAR A3M1, dan arsitektur GPS dengan platform Intel NUC13ANH sebagai pusat pemrosesan konkuren untuk memfasilitasi antarmuka suara hands free. Kontribusi ilmiah dari karya ini terletak pada integrasi sinergis fusi informasi multi sumber asimetris melalui kombinasi Extended Kalman Filter atau EKF dinamik kinematik untuk estimasi kondisi atau state estimation yang kuat; yang kemudian dievaluasi secara real time oleh Mamdani Fuzzy Inference System atau FIS berbasis 27 aturan untuk menghasilkan kalibrasi status keselamatan seperti Safe, Caution, dan Danger tanpa dependensi cloud. Hasil eksperimen lapangan di Politeknik Elektronika Negeri Surabaya atau PENS menunjukkan galat rata rata rendah dengan profil latensi stabil, yaitu 1,08 persen dengan waktu deteksi 0,0158 detik pada pelacakan TF350 hingga 150 meter, 0,77 persen dengan waktu deteksi 4,26 detik pada pemindaian RPLIDAR A3M1 hingga 16 meter, serta 2,05 persen dengan waktu deteksi 1,00 detik pada estimasi kecepatan GPS. Namun, pengujian luar ruangan mengungkap adanya hardware processing delay rata rata sebesar 4,26 detik dengan rentang 3 hingga 5 detik pada RPLIDAR A3M1 akibat siklus penyaringan derau yang intensif. Latensi fisik ini memicu frustrasi pengemudi yang mengubah intonasi vokal, sehingga menurunkan tingkat keberhasilan pengenalan suara antarmuka auditori menjadi 85 persen. Sebaliknya, pada kondisi ideal, mesin suara Sherpa ONNX lokal berhasil mencapai akurasi 95,1 persen dan memangkas waktu reaksi pengemudi sebesar 38,8 persen, yaitu dari 1,8 detik menjadi 1,1 detik. Tanpa dependensi API eksternal, kerangka kerja NAVIENTA menyediakan solusi lintas platform yang tangguh untuk menghasilkan rekomendasi keputusan keselamatan yang andal.

Pole Mounted Circuit Breaker (PMCB) adalah karya inovasi dari PLN. PMCB memiliki fungsi sebagai pemutus, penghubung, dan pengaman untuk jaringan tegangan menengah 20 kV. Sebagai alat yang penting dalam mengamankan jaringan tegangan menengah PMCB diperlukan untuk memberikan keandalan dalam pendistribusian energi listrik. Salah satu permasalahan yang dapat terjadi adalah kenaikan temperatur pada PMCB yang dapat menyebabkan kerusakan isolasi. Apabila tidak segera ditangani dapat mengakibatkan flashover yang dapat membuat peralatan menjadi rusak. Oleh karena itu diperlukan alat yang dapat menjaga kondisi temperatur normal PMCB. Menurut datasheet VCB, temperatur normal adalah -5°C dampai 40°C. Untuk itu pada alat ini menggunakan sensor temperatur untuk memonitoring temperatur pada ruangan dalam PMCB, yang dapat dilihat melalui layar dan mengirimkan SMS memberitahuan saat temperatur melebihi 40°C. Disaat kondisi temperatur ruangan melebihi 40°C maka secara otomatis heater akan mati untuk menjaga temperatur ruangan dalam PMCB.