Penelitian ini bertujuan untuk mengkaji pengaruh jenis fluida pendingin terhadap performa sistem organic passive cooling dalam mendukung konsep bangunan hijau (green building). Tiga jenis fluida diuji: air PDAM, air larutan garam, dan coolant. Metode eksperimen digunakan untuk mengamati parameter efektivitas saturasi, kapasitas pendinginan, COP (Coefficient of Performance), dan laju evaporasi selama 60 menit pengamatan. Hasil penelitian menunjukkan bahwa air PDAM memberikan performa paling optimal dengan efektivitas saturasi tertinggi (52– 56%), kapasitas pendinginan terbesar (0.87 – 0.94 kW), serta COP tertinggi (1.55 – 1.67), dikarenakan konduktivitas termal dan kapasitas panas spesifik yang tinggi. Air garam menempati posisi kedua dengan kinerja cukup stabil, sedangkan coolant menunjukkan performa terendah karena viskositas tinggi dan konduktivitas termal rendah, sehingga kurang efisien untuk sistem passive cooling. Kesimpulannya, pemilihan fluida pendingin berpengaruh signifikan terhadap efisiensi sistem, dengan air PDAM sebagai pilihan terbaik dalam konteks ramah lingkungan,hemat energy, dan bangunan hijau.

Otomatisasi dan pemantauan berbasis kehadiran manusia sangat penting untuk meningkatkan efisiensi energi dan keamanan. Namun, implementasi sistem yang efisien, real time, dan dapat diakses dari jarak jauh seringkali menjadi tantangan, memerlukan integrasi yang andal antara perangkat keras akuisisi data, pemrosesan cerdas, dan platform pencatatan data. Proyek akhir ini merancang dan membangun sebuah sistem deteksi manusia terintegrasi yang memanfaatkan kamera ESP32 CAM untuk akuisisi citra. Gambar yang ditangkap kemudian diproses menggunakan algoritma machine learning YOLOv5 pada komputer lokal untuk mengidentifikasi keberadaan manusia. Hasil deteksi, berupa status ON atau OFF, dikirimkan melalui protokol MQTT dan secara simultan dicatat ke Google Sheets lengkap dengan timestamp untuk keperluan pemantauan Penelitian ini berhasil mengimplementasikan prototipe sistem yang fungsional. Sistem mampu mendeteksi keberadaan manusia dan secara otomatis mengirimkan status melalui MQTT untuk memicu tindakan lebih lanjut. Seluruh data aktivitas, termasuk waktu deteksi, berhasil dicatat secara akurat dan real-time di Google Sheets, yang memungkinkan pemantauan historis yang efektif. Proyek ini menunjukkan keberhasilan integrasi antara perangkat IoT ESP32 CAM, machine learning YOLOv5, dan platform cloud untuk menciptakan solusi otomatisasi dan pemantauan yang efisien serta fleksibel.

Penerapan teknologi digital pada sistem TV memberikan banyak keuntungan. Itulah alasan perlunya melakukan transisi teknologi pada sistem TV di Indonesia. Saat ini, di Indonesia sedang dicanangkan pengembangan televisi digital. Standar teknologi yang digunakan untuk mengembangkan sistem TV digital di Indonesia adalah DVB­T (Digital Video Broadcasting ­ Terrestrial). Akan tetapi tidak menutup kemungkinan bahwa ke depannya akan ditetapkan menjadi DVB-T2 (Digital Video Broadcasting Terresterial 2nd Generation). Dalam standar DVB-T2 yang diperkenalkan, DVB-T2 tidak menggunakan MIMO ( Multiple Input Multiple Output ) melainkan MISO ( Multiple Input Single Output ) dalam bentuk ruang atau frekuensi dengan skema kode alamouti. Namun tidak menutup kemungkinan MIMO akan segera diterapkan pada DVB-T2. Hal ini tidak terlepas dari kebutuhan penyiaran televisi digital terrestrial yang membutuhkan transmisi dalam kecepatan tinggi, dan kapasitas yang besar. Maka dari itu dalam penelitian ini akan dilakukan pengamatan sistem DVB-T2 jika menggunakan MIMO 2x2 pada Software Defined Radio (SDR), dengan harapan hasil dari penelitian ini dapat membantu dalam pengembangan teknologi DVB-T2.

Domain Name System atau DNS adalah komponen penting pada infrastruktur internet yang digunakan untuk mengarahkan domain ke ip address ataupun sebaliknya, sehingga semua query domain dapat terekam pada sistem ini. Dewasa ini DNS tidak hanya digunakan untuk keperluan normal, namun para attacker sering memanfaatkan DNS sebagai jembatan penyerangan. PANDI sebagai lembaga negara yang bertanggung jawab mengurus domain (.id) saat ini memerlukan sistem analisa traffic DNS agar dapat memudahkan deteksi awal serangan yang terjadi pada internet indonesia. Namun security tools yang tersedia masih memiliki banyak kekurangan untuk deteksi malicious pada traffic DNS. Pada paper ini kami menggunakan realtime DNS analisis untuk mengembangkan teknik anomaly-based agar dapat mendeteksi malicious traffic pada infrastruktur DNS. Untuk melakukan ini peneliti mencari network features yang menjadi ciri traffic BotNet dengan memanfaatkan aplikasi Bro Network Security Monitor sebagai sensor network traffic. kemudian fitur yang didapatkan akan diolah menggunakan metode machine learning agar dapat meningkatkan akurasi deteksi. Sementara itu solusi yang kami ajukan untuk mengatasi banyak dan cepatnya data maka digunakanlah platform BigData dengan bantuan tools kafka, spark dan mongodb. Sehingga sistem yang dibuat pada penelitian ini adalah sistem yang dapat menganalisa malicious traffic secara realtime. Dari hasil percobaan dan sistem yang kami buat didapatkan 19 fitur network traffic yang menjadi ciri malicious traffic pada infrastruktur DNS dengan hasil akurasi yang mencapai 93 persen dari metode decision tree, yang mana sistem deteksi ini dapat berjalan secara realtime.

Perkembangan teknologi TTS (text-to-speech) berbasis neural telah meningkatkan kualitas sintesis suara secara signifikan sehingga menjadikannya komponen penting dalam sistem asisten virtual serta human-robot interaction (HRI) berbasis suara. Seiring meningkatnya penggunaan Large Language Model (LLM) pada asisten virtual, kebutuhan terhadap sistem TTS yang responif, menjaga privasi data, dan mampu beroperasi secara lokal pada perangkat edge semakin penting. Namun, implementasi TTS lokal masih menghadapi beberapa kendala, terutama keterbatasan model bahasa Indonesia yang sesuai untuk edge device serta tingginya latensi yang dapat mengurangi kualitas interaksi real-time. Penelitian ini mengusulkan implementasi dan optimasi Piper-TTS sebagai modul TTS lokal pada asisten virtual berbasis Raspberry Pi. Model dibangun menggunakan arsitektur VITS end-to-end dengan vocoder HiFi-GAN dan diadaptasi ke bahasa Indonesia melalui fine-tuning menggunakan dataset suara berdurasi sekitar 10 jam terdiri dari 6.367 file audio, lalu dikonversi ke format ONNX. Untuk menekan latensi TTFA (Time to First Audio), arsitektur sintesis streaming produsen konsumen multithread diterapkan. Hasil pengujian menunjukkan metode streaming mencapai TTFA yang hampir konstan sebesar 1220 milidetik terlepas dari panjang input, sedangkan metode standar meningkat secara linear sebesar 72,76 milidetik per kata dengan nilai R² 0,999. Pada teks berisi 1.000 kata, metode streaming mengurangi latensi TTFA hingga 98,2% dan beroperasi 55,95 kali lebih cepat. Kedua metode mempertahankan RTF (real-time factor) yang relatif sebanding 0,126 dan 0,128. Evaluasi subjektif memberikan Skor MOS (Mean Opinion Score) 4,00 dari 5,00 oleh 30 responden. Integrasi sistem dengan LLM berbasis cloud dan lokal secara berturut-turut mencapai latensi TTFA rata-rata 2,10 detik dan 2,04 detik, meskipun pemrosesan lokal mengalami contention.