Transmisi gear merupakan proses pemindahan gear untuk mendapatkan kecepatan yang diinginkan berdasarkan perbedaan kombinasi gear yang ada. Pada sepeda,proses transmisi gear dilakukan oleh deraileur yang dikendalikan oleh shifter yang saling terhubung dengan sebuah kabel Bowden atau kabel sling.. Sudut putar lengan deraileur merupakan komponen berperan dalam transmisi gear ini. Pada sistem transmisi gear konvensional, perubahan sudut tersebut dikendalikan dengan cara menarik kabel sling yang saling terhubung antara deraileur dan shifter. Jadi dapat dikatakan perubahan transmisi gear dihasilkan dari pergerakan sudut lengan deraileur karena tarikan kabel sling beberapa cm oleh shifter. Nilai maksimum dan minimum dari sudut lengan deraileur berbeda. Jika deraileur belakang bergerak dari 0° hingga 65° dengan 6 step gerakan sedangkan deraileur depan dari sudut 0° hingga 45° dengan 3 step gerakan Pada transmisi gear elektrik, penggunaan kabel sling dihilangkan dan diganti dengan sebuah motor untuk menggerakkan lengan deraileur.. System transmisi ini lebih mudah baik dalam penggunaan maupun dalam proses pemasangan dan perawatan. Namun harga dari model transmisi ini masih sangat mahal. Sehubungan dengan masalah tersebut maka dibuatlah sebuah sistem transmisi gear elektronik untuk monitoring kelelahan berdasarkan dua sensor yaitu akselerometer dan heart rate sensor dan mekanik yang sederhana sehingga mampu meringankan biaya pengeluaran jika dibandingkan dengan system transmisi gear elektronik yang dijual di took. Electric derailleur ini digunakan untuk memonitoring tinkat kelelahan pengendara sepeda. Selain itu , tekanan pada pedal juga ikut berpengaruh pada kondisi kelelahan pengendara. Dengan nilai force max (F_max) 132,906 N dan F_min sekitar 33,085N, dapat dijadikan parameter tingkat kelelahan sehingga system ini mampu berjalan dengan baik

Media pembelajaran sangatlah berpengaruh pada proses pendidikan anak. Proses pembelajaran yang kurang interaktif dan kreatif dalam penyampaian materi dapat membuat anak-anak mudah merasa bosan dan malas. Dan juga pada media yang tidak menarik karena tidak adanya contoh-contoh visual serta audio mengakibatkan anak-anak kurang optimal untuk menangkap dan memahami apa yang diajarkan. Sehingga diperlukan suatu variasi baru untuk meningkatkan motivasi dalam belajar menulis huruf Abjad tingkat dasar. Metode media ini mengacu pada teori gaya belajar yakni visual, auditori, dan kinestetik. Oleh karena itu jika alat pembelajaran menulis huruf Abjad ini terwujud maka dapat dijadikan sebagai media solusi bagi anak dalam mengenal dan memahami huruf Abjad sebagai dasar pemahaman bahasa kebangsaan kita bahasa Indonesia. Sistem ini menggunakan penunjuk sebagai alat tulis yang berupa sensor cahaya dan mendeteksi cahaya dari LED matrik. Sistem ini memiliki 2 fungsi utama, yaitu mengenalkan bentuk dan perbandingan ukuran huruf yang benar dan memeriksa hasil tulisan user beserta indikatornya. Ketika papan dari kumpulan LED matrik tersebut disentuh oleh sensor cahaya, maka data masukan dari sensor tersebut akan dibandingkan dengan database dalam program yang kemudian hasilnya ditampilkan melalui LCD dan tampilan warna led yang berbeda sebagai hasil koreksi dari tulisan user tersebut. Dan setelah beberapa pengujian yang telah dilakukan maka tingkat keberhasilan dari sistem koreksi ini telah mencapai 74%.

Robot tangan humanoid telah banyak digunakan pada industri maupun penggunaan dalam bidang pendidikan. Robot tangan humanoid berguna untuk membantu pekerjaan manusia dalam mengangkat barang industri ataupun menggenggam suatu benda berbahaya seperti bom atau tabung reaksi yang berisi zat berbahaya yang dapat membahayakan keselamatan manusia kemudian membantu operasi dalam bidang medis yang membutuhkan tingkat ketelitian yang tinggi. Perancangan robot tangan humanoid dibagi atas 3 bagian) yang terdiri dari mekanik, hardware ,dan software. Mekanik terdiri dari bagian tangan robot (jari-jari robot), lengan robot, bahu robot, dan base robot, bahan-bahan pembuatannya dari 3D print yang fleksibel. Bagian hardware robot tangan humanoid ini berbasis mikrokontroler dengan menggunakan Arduino Nano. Jari jari robot yang ditarik oleh micro servo dikendalikan oleh flex sensor 4,5 inch dengan memanfaatkan resistivitas dari Flex Sensor tersebut. Flex Sensor berkisar 10 KΩ - 40 KΩ. Berdasarkan hasil pengujian yang telah dilakukan pada penelitian ini, nilai flex sensor berubah-ubah tiap 10 tekukan berbanding lurus dengan sudut servo. Dan berdasarkan feedback flex sensor pada sarung tangan dan jari-jari robot, diketahui error pada ibu jari sebesar 0,01357, pada jari telunjuk sebesar 0,01065, pada jari tengah sebesar 0,00956, pada jari manis sebesar 0,00893, dan pada jari kelingking sebesar 0,01193. Dapat disimpulkan dari penelitian ini, robot tangan humanoid dapat mengikuti pergerakan tangan manusia dengan fleksibel.

Kelapa merupakan bahan makanan yang banyak dikonsumsi masyarakat mulai dari air kelapa sebagai pengobatan hingga daging kelapa yang sering dibuat sebagai penyedap rasa. Pemarutan kelapa merupakan salah satu bagian penting untuk mendapatkan mutu parutan kelapa yang bagus, karena umur kelapa yang di parut mempunyai ketebalan daging yang berbeda-beda dan dari rata-rata parutan kelapa yang dipasaran mempunyai nilai effisiensi rendah karena motor memiliki watt yang tinggi. Oleh sebab itu diperlukan pemarut kelapa yang memiliki effisiensi yang tinggi dan mempunyai kecepatan putar yang konstan. Pada proyek akhir ini bertujuan untuk mengontrol kecepatan motor yang konstan sehingga memiliki effisiensi putaran yang tinggi dengan cara dikontrol sesuai dengan keinginan pengguna menggunakan pengontrolan logika PID berbasis mikrokontroller ATMega16 dengan set poin kecepatan 800 rpm, dan mendapatkan nilai error presentase nilai tertinggi pada Kd sebesar 99% dan nilai terkecil pada Kp sebesar 6,7%.

Estimasi State of Charge (SoC) merupakan salah satu fungsi paling penting dalam Battery Management System (BMS) karena berpengaruh langsung terhadap performa, masa pakai, dan keselamatan operasional baterai litium-ion, khususnya pada aplikasi energi terbarukan dengan kondisi operasi yang dinamis. Metode estimasi konvensional rentan terhadap akumulasi error integrasi dan penurunan performa di bawah temperatur lingkungan yang bervariasi. Penelitian ini mengusulkan model deep learning berbasis Gated Recurrent Unit (GRU) untuk estimasi SoC menggunakan lima input, tegangan (V), arus (I), temperatur (T), tegangan rata-rata (Vavg), dan arus rata-rata (Iavg). Fitur rata-rata berjalan tambahan tersebut diperkenalkan untuk meningkatkan representasi temporal dari perilaku baterai dan memperbaiki akurasi estimasi. Data eksperimental dari dataset baterai LG 18650 HG2 digunakan di bawah empat temperatur operasi (0°C, 10°C, 25°C, dan 40°C). Model GRU yang diusulkan dievaluasi menggunakan jumlah epoch dan iteration pelatihan yang berbeda, di mana performa optimal dicapai pada 2400 epoch dan iteration, menghasilkan RMSE validasi sebesar 1,42%. Lebih lanjut, konfigurasi lima masukan yang diusulkan berhasil menurunkan RMSE validasi dari 4,34% menjadi 1,43%, yang selaras dengan peningkatan sebesar 67,05% dibandingkan dengan konfigurasi tiga input konvensional. Hasil ini menunjukkan bahwa integrasi fitur rata-rata berjalan secara signifikan meningkatkan akurasi estimasi dan ketahanan model GRU di bawah kondisi temperatur yang bervariasi, serta menyediakan pendekatan berbasis data (data-driven) yang efektif untuk estimasi SoC baterai litium-ion.