Sistem pendengaran manusia memiliki kemampuan untuk mengetahui lokasi asal sumber suara pada ruang tiga dimensi dan bahkan ketika tidak terdapat informasi visual sedikitpun. Dewasa ini, kemampuan tersebut menjadi referensi utama dalam menyelesaikan permasalahan – permasalahan yang berkaitan dengan lokalisasi sumber suara. Pada perkembangannya, ada banyak penelitian yang telah dilakukan untuk mengimplementasikan sistem presepsi pendengaran buatan, namun sebagian besar menggunakan microphone array yang terdiri dari lebih dari dua microphone. Sistem yang menggunakan dua microphone bisa dikatakan masih dalam tahap awal perkembangan bila dibandingkan dengan sistem yang menggunakan microphone array. Beberapa penelitian yang telah dilakukan sebelumnya menggunakan metode Head Related Transfer Function (HRTF) dan cross correlation untuk melakukan estimasi azimuth sumber suara. Kekurangan dari metode HRTF ialah memerlukan banyak parameter yang harus diketahui terlebuh dahulu serta memerlukan computational cost yang tinggi, sedangkan metode cross-correlation memiliki kekurangan rentan terhadap gangguan noise. Guna mengembangkan penelitian mengenai sistem lokalisasi sinyal suara binaural, maka penulis membuat sebuah sistem lokalisasi sumber suara binaural menggunakan metode fast fourier transform (FFT). Hasil dari simulasi menunjukkan metode FFT mampu melakukan kalkulasi nilai interaural phase difference (IPD) dengan nilai error rata-rata sebesar 0.983O. Sedangkan pada implementasinya sistem lokalisasi sumber suara yang dibuat mampu melakukan estimasi azimuth pada anechonic chamber dengan nilai error rata-rata sebesar 9,16O pada jarak 30 cm, 10,69O pada jarak 40 cm, dan 12,47O pada jarak 50 cm. Sedangkan pada pengujian di reverberant environment sistem mampu melakukan estimasi azimuth dengan error rata-rata 11,07O pada jarak 30 cm, 12,55O pada jarak 40 cm, dan 13,33O pada jarak 50 cm.

Pesatnya perkembangan teknologi melahirkan berbagai inovasi yang mempermudah kehidupan manusia, salah satunya adalah kendaraan otonom. Teknologi ini memungkinkan kendaraan bergerak secara aman dan efisien tanpa bantuan manusia dengan menggunakan berbagai sistem dan sensor. Salah satu komponen penting dalam kendaraan otonom adalah teknologi deteksi objek, yang berfungsi untuk mengenali dan memahami lingkungan sekitar agar kendaraan dapat mengambil keputusan secara tepat. Deteksi objek melibatkan proses analisis gambar untuk mengenali berbagai objek seperti kendaraan dan pejalan kaki, serta membutuhkan sensor yang mampu memberikan informasi jarak secara akurat. Proyek akhir ini bertujuan mengembangkan sistem obect detection pada mobile robot dengan memanfaatkan integrasi sensor kamera dan lidar. Objek yang dideteksi mencakup mobil, bus, truk, sepeda motor, dan pejalan kaki. Kamera berperan dalam mengenali jenis objek berdasarkan citra visual, sementara lidar digunakan untuk mrngukur jarak objek dari robot. sistem ini diterapkan pada mobile robot dengan sistem kendali ackerman, yang digunakan sebagai prototipe kendaraan otonom. Metode utama yang digunakan adalah integrasi data kamera dan lidar, sehingga deteksi objek dapat dilakukan secara lebih akurat. Kamera menyediakan informasi visual untuk mendukung proses klasifikasi objek, serdangkan lidar memberikan data kedalaman yang memperkuat akurasi posisi dan jarak objek. Hasil dari penelitian menunjukkan bahwa sistem mampu melakukan deteksi objek dengan tingkat akurasi yang baik. Pengujian deteksi objek menggunakan sistem instance segmentation pada objek statis memiliki tingkat keberhasilan 76,88 persen dan pada objek dinamis memiliki tingkat keberhasilan 100 persen pada kecepatan 1 sampai 3 meter perdetik. Pada proses sinkronisasi waktu memiliki rata rata perbedaan waktu 8 milidetik. Pengujian jarak pada objek yang terdeteksi memiliki rata rata perbedaan nilai sebesar 0,034 meter dan pengujian sudut pada objek terdeteksi memiliki rata rata perbedaan sebesar 1,16 derajat.

Shoot 'em Up adalah subgenre game yang menggabungkan elemen khas game bullet hell (atau danmaku) dengan estetika dan suasana yang lebih santai dan menenangkan. Subgenre ini mengambil konsep inti dari game bullet hell (banyak peluru yang harus dihindari), tetapi mengubah elemen-elemen yang membuatnya menegangkan menjadi lebih santai. Proyek ini mengeksplorasi penerapan Data Driven Factory Pattern untuk menciptakan variasi loadout senjata dalam game Shoot 'em Up berjudul 'Ignited Skies'. Tujuan utama adalah memberikan pemain pengalaman bermain yang lebih personal melalui pilihan senjata yang dapat disesuaikan dengan preferensi individu, sekaligus mempermudah game designer dalam mengatur dan memodifikasi senjata. Studi ini juga didasarkan pada observasi bahwa belum ada penelitian sebelumnya yang secara spesifik berfokus pada implementasi Data Driven Factory Pattern dalam konteks pengembangan game bergenre Shoot 'em Up, khususnya dalam pengelolaan sistem variasi senjata. Oleh karena itu, penelitian ini diharapkan dapat mengisi celah pengetahuan tersebut dan menjadi kontribusi signifikan dalam literatur pengembangan game, memberikan panduan praktis serta wawasan teoretis mengenai efektivitas pola desain ini untuk menciptakan Scalability, Maintainability, Reusability dan Flexibility untuk mendukung olaborasi antar peran pengembang.

Uang merupakan alat pembayaran yang digunakan untuk melakukan transaksi jual beli barang-barang dan jasa untuk memenuhi kebutuhan. Sering kali dibutuhkan nilai nominal uang yang lebih kecil untuk melakukan transaksi jual beli sehingga pada waktu tertentu banyak orang yang ingin menukarkan uangnya dengan nominal uang yang lebih kecil. Namun untuk melakukan penukaran uang ini harus dilakukan di bank-bank dengan mengantri, hal ini juga mengakibatkan peredaran uang palsu semakin meningkat Secara kasat mata, uang asli dan uang palsu sulit dibedakan. Namun terdapat cara untuk membedakan uang asli dan uang palsu, yakni dengan melihat, menerawang dan meraba ciri-ciri fisik uang, selain itu salah satu ciri keaslian uang yang sulit untuk dipalsukan adalah Invisible Ink. Untuk itu diperlukan suatu alat yang dapat bekerja sebagai pengganti bank untuk melakukan penukaran uang mulai dari menerima uang kertas, menentukan keaslian dan nilai minimal uang kertas hingga mengeluarkan uang hasil penukaran. Dalam proyek akhir ini digunakan Raspberry pi yang merupakan salah satu jenis Arm Board miniPC yang digunakan sebagai otak dari semua proses. Digunakan lampu ultraviolet untuk memunculkan gambar invisible ink pada uang kertas yang kemudian akan dicapture oleh kamera. Kemudian hasil gambar akan diolah dengan metode A-KAZE. Metode ini untuk melakukan klasifikasi uang sesuai dengan nilai nominal sebenarnya dan untuk menghitung uang penukaran yang akan dikeluarkan berdasarkan kelipatan. Didapatkan error sebesar 16.67% dengan tingkat keberhasilan 83.33% dan proses pengeluaran uang dengan tingkat keberhasilan sebesar 73.33%.

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%.