Motor induksi tiga fasa banyak digunakan dalam industri karena efisiensi dan kemampuannya menggerakkan beban besar. Namun, kurangnya pengawasan dapat menyebabkan gangguan seperti arus lebih, tegangan lebih, dan ketidakseimbangan tegangan (unbalance voltage), yang berisiko merusak motor. Beberapa penelitian sebelumnya telah membahas proteksi berbasis Arduino dan relay standar, namun belum terintegrasi dengan sistem IoT yang mampu melakukan monitoring secara real-time. Penelitian ini merancang sistem proteksi motor induksi tiga fasa berbasis IoT menggunakan mikrokontroler STM32F401 dan modul ESP8266. Sensor arus SCT-013 dan sensor tegangan AMC1100 digunakan untuk mengukur parameter kelistrikan pada masing-masing fasa. Data dikirimkan ke platform WEB untuk pemantauan jarak jauh dan ditampilkan pada LCD untuk pemantauan lokal. Proteksi overcurrent mengacu pada kurva standar inverse sesuai IEC 60255-3. Jika terjadi gangguan, sistem memutus arus listrik melalui relay dan kontaktor, serta mengirimkan status gangguan ke server. Hasil pengujian menunjukkan sistem mampu mendeteksi overcurrent saat arus > 2,2A dengan error rata-rata waktu trip <4%. Sensor arus dan tegangan bekerja optimal pada arus di atas 2A dan tegangan di atas 80V dengan error <1%. Proteksi unbalance voltage bekerja sesuai standar ANSI, trip saat >3%. Sistem terbukti efektif dalam mendeteksi dan merespons gangguan secara otomatis, meningkatkan keamanan dan keandalan motor induksi di lingkungan industri.

Kasus Covid-19 di Indonesia yang terus bertambah mengharuskan berbagai segmen dalam masyarakat untuk menyesuaikan diri dengan Protokol Kesehatan yang berlaku. Sementara untuk sektor pendidikan di Indonesia sudah ada beberapa yang mengadakan pembelajaran tatap muka, tapi masih banyak instansi Pendidikan yang masih mengadakan pembelajaran secara daring, beberapa instansi Pendidikan sudah memiliki platform pembelajarannya sendiri sementara lainnya menggunakan teknologi yang sudah ada seperti Whatsapp, Gmeet, Zoom, dan lainnya. Pada sistem pembelajaran daring, akses internet pelajar tidak dapat dipantau sehingga menyebabkan kurang efektifnya proses pembelajaran yang sedang dilaksanakan. Oleh sebab itu diperlukanlah suatu platform pembelajaran yangmana selain dapat memfasilitasi seluruh kegiatan pembelajaran juga dapat membatasi akses internet dari penggunanya. Platform ini menggunakan Framework Laravel sebagai Front-end Web dan Back-end service dan Framework Flutter untuk Front-end Mobile. Kemudian untuk pembatasan akses internet pengguna akan dilaksanakan menggunakan teknologi VPN untuk dapat mengatur para pengguna agar menggunakan DNS server yang diatur. DNS server adalah sistem untuk memberikan alamat/ip dari domain yang ingin diakses oleh pengguna, untuk pembatasan akses internet nantinya akan menggunakan teknologi ini. Dengan kombinasi dari beberapa sistem, platform pembelajaran dengan pembatasan akses internet dapat sepenuhnya mengatur domain yang dapat diakses oleh pengguna, namun terdapat aplikasi yang tidak menggunakan domain sehingga masih dapat diakses, hal ini dapat diatasi dengan memblokir akses ip milik aplikasi tersebut di server VPN.

Perkembangan teknologi informasi telah mendorong kebutuhan akan media penyimpanan data yang efisien, fleksibel, dan terjangkau, terutama bagi institusi seperti Yayasan Insan Sakinah Indonesia. Proyek ini bertujuan mengimplementasikan sistem Network Attached Storage (NAS) berbasis Raspberry Pi dengan sistem operasi OpenMediaVault sebagai solusi penyimpanan data terpusat dengan biaya rendah dan tanpa kebutuhan spesifikasi hardware tinggi. Sistem NAS yang dibangun menyediakan akses file melalui jaringan lokal dengan manajemen pengguna berdasarkan tingkatan hak akses. Pengujian performa menunjukkan waktu akses rata-rata 2,66 detik untuk 1 pengguna dan meningkat menjadi 4,07 detik saat diakses oleh 7 pengguna. Penerapan cloud balancing meningkatkan throughput dari 2,60 MB/s menjadi 2,95 MB/s dan menjaga suhu CPU tetap di bawah 40°C. Pada pengujian backup, file sebesar 299,34 MB dapat diproses dalam 8–11 detik dengan throughput 27–37 MB/s, penggunaan CPU 15–21%, dan RAM 43–54%. Hasil pengujian membuktikan bahwa NAS berbasis Raspberry Pi mampu menangani kebutuhan penyimpanan data secara efisien dan terpusat. Sistem ini menggantikan metode lama yang tersebar di berbagai perangkat, sehingga lebih aman dan mudah dikelola. Dengan kinerja yang cukup baik dan biaya rendah, solusi ini cocok digunakan untuk lingkungan berskala kecil hingga menengah.

Penelitian ini bertujuan untuk mengembangkan sistem deteksi plat nomor kendaraan berbasis teknologi deep learning yang terintegrasi dengan mesin cetak otomatis, guna meningkatkan efisiensi dan akurasi dalam manajemen parkir. Sistem ini dirancang untuk mengatasi keterbatasan sistem konvensional dalam mengenali plat nomor pada berbagai kondisi pencahayaan, sudut pengambilan gambar, serta mengurangi potensi kesalahan manusia. Hingga saat ini, beberapa tahapan telah berhasil diselesaikan, termasuk pengaktifan kamera pada perangkat Posline untuk menangkap gambar plat nomor kendaraan dengan resolusi tinggi, integrasi ML Kit untuk mendeteksi dan mengenali plat nomor secara realtime menggunakan teknologi machine learning, serta pengoperasian printer otomatis untuk mencetak tiket keluar yang berisi informasi penting seperti nomor plat. Hasil menunjukkan bahwa sistem yang dikembangkan mampu meningkatkan akurasi deteksi karakter plat nomor dari 65% menjadi 92% setelah dilakukan preprocessing dataset secara intensif. Selain itu, sistem berhasil melakukan proses deteksi hingga pencetakan tiket dalam waktu kurang dari 3 detik per kendaraan. Penelitian ini diharapkan dapat memberikan solusi yang lebih efisien dan akurat dalam pengelolaan parkir serta meningkatkan pengalaman pengguna.

Kualitas air tambak merupakan salah satu faktor yang mempengaruhi tingkat kesuksesan dalam budidaya udang vannamei. Akan tetapi, para petani sering mengalami kesulitan dalam menentukan treatment yang tepat sesuai dengan kondisi air dan mikroorganisme di dalamnya. Oleh karena itu, diperlukan sebuah intelligent decision support system (IDSS) untuk mengetahui kualitas air serta memberikan rekomendasi yang sesuai. IDSS bekerja dengan cara mengklasifikasi kondisi air dan mengestimasi kadar mikroorganisme berdasarkan beberapa input nilai parameter air. Untuk melakukan hal tersebut, diperlukan sebuah knowledge model untuk diintegrasikan ke dalam sistem. Pada penelitian ini, berbagai algoritma machine learning digunakan untuk membuat knowledge model dari sebuah dataset akuakultur. Teknik pemrosesan lain seperti normalisasi data, feature extraction, dan penggunaan algoritma optimasi grid search juga diaplikasikan. Selanjutnya, skema pengujian dengan k-fold cross validation dilakukan untuk mengetahui performa dari knowledge model yang terbentuk. Adapun parameter performa utama untuk persoalan klasifikasi adalah nilai akurasi, sedangkan pada persoalan regresi digunakan nilai mean absolute error (MAE). Dari hasil percobaan yang telah dilakukan, model terbaik untuk klasifikasi kondisi air tambak adalah model yang dibentuk dengan algoritma 1D-CNN (1 dimensional-convolutional neural networks) dengan nilai akurasi sebesar 80,84%. Sedangkan untuk estimasi kadar mikroorganisme air, model algoritma multi-layer perceptron dan gradient tree boosting memiliki performa paling baik dengan nilai MAE masing-masing 0,024 dan 6,441. Dengan menanamkan ketiga model tersebut kedalam sistem, IDSS mampu memberikan rekomendasi treatment yang tepat untuk udang vannamei sesuai dengan kondisi air tambak.