Project Akhir ini dibuat untuk membantu memecahkan permasalahan pada sebuah organisasi pelajar islam terbesar di Indonesia Ikatan Pelajar Muhammadiyah Kabupaten Gresik untuk lebih mengorganisir semua kegiatan dan aktivitas yang dilakukan agar dapat menjadi sebagai bahan pertimbangan dalam pengambilan keputusan. Pada proyek Akhir ini akan dibuat sebuah aplikasi organisasi yang bertujuan untuk memberikan informasi mengenai semua kegiatan yang berhubungan dengan aktivitas keseharian organisasi. Aplikasi ini juga mencakup pencatatan master data seperti data member, data anggota, data donatur, data rekanan dan lainnya. Selain itu juga mengorganisir mengenai surat masuk dan surat keluar yang berhubungan dengan Organisasi. Dan yang tidak kalah penting adalah tentang pencatatan kegiatan-kegiatan yang dilakukan Organisasi mulai dari detail kegiatan, anggaran dana, dana msuk, dana keluar sampai gallery kegiatan. Dengan adanya aplikasi ini nantinya diharapkan dapat mengorganisir dan menata semua kegiatan dan aktivitas organisasi.

Pada banyak penelitian telah melakukan tracking untuk suatu objek didarat menggunakan pengolahan citra. Penggunaan deteksi warna dalam pengolahan citra untuk melakukan tracking memang rentan noise dan memerlukan rentang nilai threshold yang tepat, sehingga perlu deteksi bentuk. Penelitian ini bermaksud mengatasi kelemahan yang ada dengan menggunakan deteksi bentuk lingkaran dengan metode Hough Circle Transform untuk mendeteksi objek dengan luasan yang tepat dengan cara konversi RGB ke grayscale kemudian menghilangkan noise dengan blur selanjutnya menemukan kontur lingkaran dengan metode Hough Transform dan terakhir menentukan koordinat pusat dengan metode centroid. GCS pada komputer sebagai sistem pemrosesan dan monitoring pada quadcopter untuk pengambilan objek didarat secara otomatis. Pada saat pendeteksian objek lingkaran dengan diameter 20 cm dan latar belakang lingkungan yang beragam saat variasi jarak antara 50 cm sampai 100 cm didapatkan tingkat keberhasilan 100%. Sedangkan mulai menurun saat variasi jarak mulai antara 125 cm terdeteksi objek benar 97% ,jarak 150 cm terdeteksi objek lingkaran benar sebesar 99%, dan sampai jarak 175 cm terdeteksi objek lingkaran benar rata-rata persentase sebesar 90%. Pada implementasi pengambilan objek dengan quadcopter ketinggian 1m didapatkan error simpangan rata-rata pada respon terhadap sumbu X sebesar 45.07cm dan error simpangan rata-rata pada sumbu Y sebesar 34.40 cm. Ketinggian 2m error simpangan rata - rata pada respon terhadap sumbu X sebesar 35.69 cm dan error simpangan rata- rata pada sumbu Y sebesar 50.39 cm.

Permintaan untuk mengimplementasikan deep learning sebagai sebuah metode untuk menyelesaikan suatu permasalahan meningkat setiap tahunnya. Namun terdapat beberapa tahapan yang harus dilakukan sebelum mengembangkan sebuah model, diantaranya; mempersiapkan lingkungan pengembangan, mempelajari fundamental dari deep learning, mempersiapkan dataset serta mempelajari deep learning library yang akan digunakan untuk pelatihan model. Tahapan tersebut membuat proses pengembangan model banyak memakan waktu. Berdasarkan masalah tersebut, penulis mengusulkan DLGraph, yaitu sebuah platform deep learning yang berbasis pemrograman visual. Praktisi dapat melakukan drag-and-drop sebuah node yang merepresentasikan sebuah layer dan menghubungkannya untuk menjadi sebuah model yang berbentuk diagram alur. Pada platform ini praktisi juga melakukan pelatihan model menggunakan dataset sesuai. Untuk mengetahui akurasi yang dihasilkan oleh model yang dibuat menggunakan DLGraph serta kemudahan dalam menggunakan aplikasi, dilakukan dua pengujian. Pengujian pertama dilakukan dengan menuliskan model dalam bentuk kode secara manual dan drag-and-drop pada DLGraph. Pengujian tersebut menggunakan model sederhana serta MNIST digits sebagai datasetnya. Hasil dari pengujian tersebut menunjukan hasil accuracy dan loss terdapat selisih sebesar ±0.0004 dan ±0.0123. Pengujian kedua dilakukan oleh beberapa praktisi pemula yang ingin mengimplementasikan sebuah model. Pengujian tersebut membandingkan waktu pembuatan model dengan menuliskan kode secara manual dan drag-and-drop pada aplikasi. Dari percobaan tersebut terbukti bahwa pembuatan model deep learning dengan DLGraph lebih cepat dibanding menuliskan kode secara manual.

Kesehatan merupakan kebutuhan dasar dan hak asasi manusia yang dijamin oleh negara. Kesehatan didefinisikan sebagai keadaan sehat, baik secara fisik, mental, spiritual maupun sosial yang memungkinkan setiap orang untuk hidup produktif secara sosial dan ekonomis. Namun masyarakat sering sekali bingung dalam melakukan hidup sehat tersebut. Terlebih lagi jika dalam keadaan sakit, masyarakat pasti akan bingung untuk memilih fasilitas kesehatan mana yang cocok untuk menyelesaikan permasalahan tersebut. Dari latar belakang inilah penulis ingin menyelesaikan permasalahan tersebut dengan aplikasi "Geographic Information System (GIS) untuk Pencarian Fasilitas Kesehatan & Dokter Spesialis Berbasis Responsive Web" dengan nama aplikasi GeoMedis. Dengan menggunakan aplikasi ini pengguna dapat mencari rumah sakit, klinik, puskesmas atau praktek dokter yang terdekat dengan radius 10 km menggunakan Haversine Formula. User juga mendapatkan informasi lengkap seperti alamat lengkap faskes, foto, daftar dokter yang bekerja, fasilitas dan layanannya serta jam operasional dari faskes tersebut. Dari pengujian yang telah dilakukan aplikasi ini hanya membutuhkan waktu pengaksesan 1,460 detik untuk mainpage, 0,65 detik untuk halaman list faskes dan 1,579 detik untuk halaman detail faskes.

Mobile Wireless Sensor Network adalah sebuah jaringan sensor nirkabel yang terdapat beberapa sensor dan dikirimkan secara mobile, Dalam beberapa kasus sensor - sensor tersebut diharuskan memiliki ketahanan energi yang baik. Untuk itu diterapkan sebuah metode clustering dengan menggunakan protokol Leach. Leach adalah protokol routing yang membentuk cluster dari beberapa sensor berdasarkan kekuatan sinyal yang diterima. Kemudian sensor - sensor tersebut mengirimkan data pada cluster head secara terjadwal (scheduling) dengan penentuan waktu tertentu. Mekanisme ini menghemat energi karena hanya sensor yang sedang aktif yang akan mengirimkan data ke masing - masing cluster head dan kemudian cluster head tersebut melakukan transmisi data yang telah dikompres ke Base Station, akibatnya konsumsi energi berkurang sehingga mengoptimalkan lifetime jaringan sensor. Dengan menggunakan sistem ini diharapkan agar energi yang dibutuhkan sebuah sensor untuk mengirimkan data informasi menjadi lebih efisien sehingga sensor dapat bertahan lama. Proyek akhir ini menggunakan tiga metode yaitu Randomwaypoint, RPGM, dan GaussMarkov untuk menentukan pergerakan dari setiap sensor dan menghasilkan data yang di dapat dari proses pengolahan pada file leach.out dengan menggunakan matlab dimana hasil implementasi menunjukkan perbandingan antara total data, total energy dan total sensor yang hidup. Dari metode mobility yang digunakan metode RPGM merupakan metode yang baik untuk Mobile Wireless Sensor Network, karena yang memiliki efektifitas energi yang lebih efisien.