Gangguan penyulang merupakan salah satu gangguan yang terjadi akibat beberapa faktor seperti gangguan pohon, maupun gangguan trafo distribusi. Dalam hal ini ketika terjadi gangguan maka peralatan Fuse Cut Out (FCO) akan putus sehingga fasa pada penyulang yang mengalirkan arus ke trafo distribusi akan hilang tegangan. Jika dalam gangguan penyulang mengalami gangguan permanen hal ini akan lama dalam proses lokalisir untuk penemuan titik gangguan, ketika penyulang memiliki banyak percabangan maupun penyulang tersebut panjang dalam kilometer sirkuit. Untuk membantu dalam proses identifikasi dan pencarian gangguan dengan membaca nilai dari hilang tegangan fuse cut out serta dalam mengurangi waktu padam pelanggan dalam kecepatan respone dan recovery PT PLN (Persero), oleh karena itu dirancang dan dibuat sebuah alat untuk mendeteksi gangguan hilang fasa yang diterapkan dalam Gardu Distribusi dengan judul “Prototipe Pendeteksi Gangguan Hilang Fasa Pada Fuse Cut Out Berbasis Internet Of Things (IOT). Pada sistem ini menggunakan tiga buah sensor tegangan AMC1100 untuk mengukur besar nilai tegangan, serta tiga buah sensor arus ACS712 untuk mengukur besar nilai arus, dan STM32f407VG merupakan mikrokontroler yang berfungsi sebagai konversi data sinyal analog yang diterima dari masukan sensor lalu diproses menjadi sinyal digital. Wemos Esp8266 digunakan untuk mengirimkan informasi data – data yang telah diolah dari mikrokontroler STM32F4 menuju aplikasi telegram penerima. Relay Coil digunakan untuk memutus dan menyambungkan aliran arus menuju beban melalui perintah dari mikrokontroler. Setelah dilakukan serangkaian pengujian, sistem ini memiliki kemampuan identifikasi hilang fasa dan mampu mendeteksi nilai dari parameter hilang tegangan. Nilai batas dalam sistem ini untuk mendeteksi adanya hilang tegangan yaitu dibawah nilai tegangan dengan besar 2,2 Volt. Ketika terjadinya hilang tegangan dengan batas yang ditentukan sistem ini mampu mengirimkan informasi sesudah dan sebelum gangguan beserta alamat gardu distribusi.

Penelitian ini berfokus pada pengembangan sistem klasifikasi kendaraan dan deteksi jalur secara real-time berbasis model You Only Look Once versi 9 (YOLOv9) untuk mendukung implementasi teknologi Multi Lane Free Flow (MLFF) di infrastruktur transportasi cerdas. Sistem yang dikembangkan memanfaatkan model YOLOv9 yang telah dilatih secara khusus untuk mendeteksi berbagai jenis kendaraan dalam berbagai kondisi lalu lintas dengan tingkat akurasi pelatihan mencapai 0,92, serta mempertahankan akurasi lebih dari 85% dalam pengujian lapangan. Untuk meningkatkan presisi dalam penghitungan kendaraan per jalur, sistem mengintegrasikan mekanisme Region of Interest (ROI) dan algoritma pelacakan ByteTrack, yang secara efektif menghasilkan akurasi deteksi lebih dari 88%. Keunggulan sistem ini terletak pada kecepatan inferensi tinggi, ketahanan dalam menghadapi kondisi kompleks di lapangan, serta kemampuannya untuk beroperasi secara efisien dalam berbagai konfigurasi lajur kendaraan. Selain itu, sistem dirancang agar dapat terintegrasi dengan perangkat keras eksternal seperti pembaca RFID, memungkinkan sinkronisasi data identitas kendaraan dan jalur secara real-time. Hasil pengujian menunjukkan bahwa sistem yang diusulkan bersifat andal, skalabel, dan siap mendukung pengembangan infrastruktur MLFF secara nasional, dengan potensi signifikan dalam meningkatkan efisiensi dan akuntabilitas sistem pembayaran tol berbasis deteksi otomatis.

Bawang merah merupakan salah satu komoditas yang rentan terhadap penyakit busuk umbi akibat curah air berlebih, sehingga membutuhkan manajemen irigasi yang presisi. Untuk mengatasi permasalahan ini, dikembangkan prototype sistem pemantauan dan irigasi otomatis berbasis Internet of Things yang terintegrasi algoritma Machine Learning. Sistem memantau parameter kelembaban tanah, suhu, dan ketinggian air secara real-time menuju cloud database. Pengambilan keputusan irigasi dikendalikan oleh algoritma Long Short-Term Memory yang telah dilatih menggunakan lebih dari 90.000 data historis sensor. Proses pelatihan model berhasil mencapai konvergensi optimal pada iterasi ke 20, menghasilkan tingkat akurasi tinggi tanpa indikasi overfitting. Hasil mengujian menunjukkan sistem berjalan sangan responsive dan stabil. Kinerja komunikasi jaringan Internet of Things mencatatkan rata - rata delay sebesar 1,26 detik dengan packet loss 0,536%. Proses inferensi model Long Short-Term Memory untuk memprediksi kebutuhan air dan mengendalikan aktuator pompa hanya membutuhkan waktu komputasi 0,194 detik dengan margin error sebesar 2,02%. Secara keseluruhan, sistem kontrol close loop ini tervalidasi mampu mengambil keputusan irigasi otomatis dan mencegah risiko genangan air secara proaktif.

Saat ini belum terdapat alat yang secara khusus disediakan untuk memanggil petugas di Dinas PMK, alat yang digunakan untuk melakukan panggilan petugas PMK sekarang ini masih memanfaatkan Telepon Sentral 112. Solusi untuk mengatasi permasalahan tersebut adalah membuat suatu sistem peringatan kebakaran yang terintegrasi. Jika pada penelitian sebelumnya hanya menggunakan panic button, maka pada penelitian ini parameter yang digunakan yaitu sensor suhu DS18B20, sensor gas CCS811 dan sensor flame KY-026 yang terhubung dengan mikrokontroller Arduino Uno dan Output dari sistem adalah aksi yang dikirim melalui Wifi, sebelum dikirim data diolah terlebih dahulu menggunakan metode fuzzy mamdani lalu output fuzzy dikirim ke modul pada Dinas PMK sebagai informasi level kebakaran yakni (normal, siaga, waspada) pada LCD juga website sebagai tabel dan lokasi informasi kejadian kebakaran dan saat informasi berada pada level siaga maka informasi ini digunakan sebagai perintah untuk buzzer mengeluarkan peringatan suara, peringatan suara ini diartikan bahwa PMK harus segera ke Tempat Kejadian Kebakaran (TKK). Arduino uno rumah ditanamkan logika fuzzy Mamdani sebagai pemberi keputusan output berdasarkan perhitungan fuzzy. Terdapat 3 proses fuzzy, yaitu proses fuzzifikasi, proses inferensi dan proses defuzzifikasi. Proses fuzzifikasi menggunakan 3 variabel yaitu variabel gas, suhu dan api. Masing-masing variabel memiliki himpunan keanggotaan fuzzy. Variabel gas mempunyai 3 himpunan. Variabel suhu mempunyai 3 himpunan. Variabel api mempunyai 2 himpunan. Proses defuzzifikasi menggunakan metode centroid. Berdasarkan hasil pengujian, sistem dapat menentukan berbagai kondisi ruangan dengan keakuratan mencapai 100% dan master dapat membedakan slave yang boxnya diisi objek terbakar. Pada pengujian fuzzy didapatkan persentase keberhasilan sebesar 100% jika sistem dibandingkan dengan perhitungan fuzzy pada Matlab dengan berbagai kondisi perlakuan pada masing-masing rumah dengan kondisi ruangan tertutup.

Artificial Intelligence merupakan salah satu bagian dari ilmu komputer yang memelajari bagaimana komputer dapat pekerjaan seperti dan sebaik dilakukan oleh manusia bahkan bisa lebik daripada yang dilakukan manusia, Salah satu metode yang digunakan dalam penelitian ini adalah Regresi Logistik. Analisis regresi yang digunakan ketika variabel dependen (respon) merupakan variabel dikotomi. Variabel dikotomi biasanya hanya terdiri atas dua nilai, yang mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya diberi angka 0 atau1.Analisis Regresi logistik dapat diterapkan dalam berbagai bidang salah satunya bidang kesehatan yaitu untuk mendeteksi penyakit pre-eklampsia.Tujuan penelitian ini adalah untuk membuat sebuah aplikasi mobile yang mampu mendeteksi pre-eklampsia dan mengetahui variabel-variabel apa saja yang dapat mempengaruhi hasil diagnosa penyakit pre-eklampsia. Berdasarkan Data yang di dapat dari klinik kebidanan diketahui ada 9 variabel yang mempengaruhi diagnosa pre- eklampsia seperti sakit kepala(x1), Pembengkakan (x2), Tekanan Darah(x3), NYeri Pada Perut(x4), Kadar Protein dalam urine(x5), Pandagan Berkunang(x6),Mual Muntah(x7), Kenaikan Berat Badan(x8),dan Sesak Nafas(x9)