EEG (Electroencephalography) merupakan perekaman aktifitas elektrik di lapisan terluar kulit kepala yang ditimbulkan oleh impuls-impuls yang di hasilkan oleh neuron-neuron di korteks otak. Aktifitas listrik dari otak direkam dengan menggunakan elektrode yang di pasang pada 3 titik referensi di area luar kulit kepala. Dari bentuk gelombang yang diperoleh, dapat dianalisa untuk mengetahui kelainan yang terdapat pada otak. Pada alat ini selain mampu merekam sinyal gelombang yang dihasilkan oleh otak, alat ini juga mampu untuk mengirim data pada komputer secara wireless sehingga alat ini bisa di bawa dan di pakai di daerah yang menjangkau dengan radius pengiriman data. Tampilan pada layar komputer berupa bentuk gelombang yang akan ditampilkan pada system antarmuka pada komputer. Dari hasil filter yang didapat terdapat rata-rata persentase error sebesar 13% dikarenakan toleransi alat yang digunakan. Selain itu dari hasil yang telah didapat pada saat objek melakukan aktifitas berfikir matematika dihasilkan amplitudo sinyal otak kiri mengalami peningkatan daripada saat kondisi normal, dimana pada kondisi normal amplitudo yang didapat sebesar 600mVpp. Pada pengujian ketika objek melakukan aktifitas tidur, amplitudo dari sinyal yang didapat lebih kecil daripada kondisi normal. Pada pembandingan alat dengan menggunakan biopac didapatkan rata-rata persen erro sebesar 9.8% dilihat dari perubahan amplitudo dan besarnya amplitudo dari alat dan biopac. Data mampu dikirim secara wireless dengan baik ketika berada pada jarak dibawa 100 meter pada ruang terbuka dan 45 meter pada ruang tertutup.

Pada umumnya sebuah perangkat lunak dibangun dengan menggunakan paradigma komputasi serial, di mana perangkat lunak tersebut dirancang untuk dieksekusi oleh sebuah sebuah mesin yang mempunyai sebuah CPU. Klasifikasi K-Nearest Neighbour (KNN) membutuhkan komputasi tinggi dan waktu yang lama apabila dilakukan pada komputasi serial karena proses klasifikasi yang dilakukan perlu menghitung jarak data test dengan keseluruhan data training yang dimiliki sistem. Pada penelitian ini, kami mengajukan pendekatan baru untuk menyelesaikan permasalahan komputasi tinggi pada klasifikasi data KNN dengan menggunakan komputasi parallel Mosix. Aplikasi mosix mendistribusikan proses klasifikasi kepada beberapa node, sehingga proses program bermigrasi ke node di jaringan yang mampu menjalankan proses komputasi yang lebih cepat. Mosix bekerja pada saat proses perhitungan euclidian distance dan sorting jarak terpendek pada masing-masing node. Eksperimen ini dilakukan untuk data training sebanyak 4898431 baris dari KDDCUP'99 untuk 2 dan 4 node. Hasil eksperimen menunjukkan waktu eksekusi yang dibutuhkan sedikit dibandingkan dengan komputasi serial.

Budidaya jamur tiram pada umumnya menggunakan penyiraman manual. Petani jamur hanya menyiram sesuai dengan kebiasaan atau perkiraan saja. Petani jamur tidak mengetahui secara pasti kondisi kelembaban didalam rumah jamur. Kondisi ini tentunya memerlukan bantuan dari perangkat mikrokontroller dan sensor kelembaban untuk mengetahui secara pasti. Sehingga setiap saat kelembaban rumah jamur dapat diatur dengan penyiraman secara otomatis. Petani jamur biasa menggunaan pompa air bersumber dari listrik PLN, sehingga memerlukan biaya untuk listrik per bulannya. Untuk menghemat pengeluaran, tentunya penggunaan pompa air menggunakan sumber baterai dengan pengisian dari solar panel dapat menghemat biaya listrik. Algoritma biseksi dalam proyek akhir ini mampu menemukan daya maksimum solar panel dalam waktu singkat. Algoritma ini dapat langsung menuju titik tengah dari kurva P-V solar panel. Sehingga tidak perlu menjejaki dari titik terendah. Pada proyek akhir ini algoritma biseksi mampu meningkatkan daya rata-rata 22,175 watt. Solar panel dalam sistem ini sebagai penyuplai daya bagi battery charger synchronous buck converter. Dengan daya maksimum, converter menghasilkan output yang maksimum pula. Error dari converter ini sebesar 12.971% menyebabkan output saat mengunakan MPPT lebih besar dari yang direncanakan. Sistem charging dapat melakukan penghubungan dan pemutusan dengan otomatis, sehingga sistem penyiram jamur dapat mengambil sumber dari baterai untuk penyiraman dan exhaust kapanpun.

Pengenalan aktivitas manusia merupakan sebuah sistem yang mampu mengenali aktivitas aktivitas manusia melalui sensor dan algoritma pemrosesan data. Telah banyak penellitian dilakukan menggunakan wearable sensor seperti gyroscope dan accelerometer, namun pendekatan tersebut dapat mengganggu kenyamanan pengguna. Alternatif lain menggunakan sensor kamera seperi kinect v2 telah dikembangkan, namun sebagian besar masih menggunakan pendekatan single classifier yang rentan terhadap keambiguan data. Pada proyek akhir ini, digunakan sensor kinect v2 untuk mengambil data gambar RGB Depth dan mendeteksi posisi joint guna menghasilkan koordinat 3D. Data tersebut kemudian diproses melalui konversi ke koordinat dunia nyata, perhitungan sudut skeletal berdasarkan proyeksi vektor euclidean, serta translasi joint referensi terhadap titik pusat tubuh. Fitur hasil ekstraksi dilatih menggunakan algoritma Support Vector Machine, Artificial Neural Network, dan Decision Tree untuk membentuk model klasifikasi. Selanjutnya, dilakukan klasifikasi aktivitas manusia menggunakan pendekatan ensemble learning untuk menggabungkan keunggulan dari ketiga model tersebut. Sistem ini diharapkan dapat diterapkan pada robot sosial sebagai robot pendamping yang mampu mengenali aktivitas penggunanya dan memberikan respons yang sesuai. Sistem yang dikembangkan mampu melakukan translasi joint reference dan perhitungan sudut skeletal dengan rata rata selisih 0.013 meter dan 2.25 derajat. Sistem serta menghaslikan model pengenalan aktivitas dengan akurasi 70 persen untuk SVM, 73.49 persen untuk DTree, dan 76.59 persen untuk ANN. Pendekatan ensemble learning soft voting memberikan performa terbaik dengan akurasi keseluruhan mencapai 78.69 persen, sedangkan hard voting bernilai 77.46 persen dan weighted voting bernilai 78.36 persen.

Meningkatnya pelanggan tenaga listrik pada sektor rumah tangga salah satunya karena banyaknya rumah kos atau kontrakan. Namun saat ini sering dijumpai permasalahan di rumah kos yaitu mengenai pembayaran tagihan listrik. Terkadang penyewa kamar menggunakan energi secara boros atau tanpa kendali dan pemakaian energi listrik setiap penyewa kamar berbeda – beda. Namun nyatanya tetap dikenakan biaya yang sama sehingga menimbulkan ketidakadilan dalam pembayaran listrik. Beragam cara telah dilakukan untuk menangani permasalahn ini, namun dirasa masih kurang efektif karena masih sering terjadi pemborosan energi listrik tanpa disadari oleh penggunanya. Berdasarkan masalah tersebut dalam proyek akhir ini akan dibuat suatu alat monitoring penggunaan daya yang dilengkapi dengan estimasi dan informasi untuk perencanaan konsumsi daya dalam kesehariannya. Dengan menggunakan ACS712 sebagai sensor arus dan ZMPT101B sebagai sensor tegangan. Nilai daya yang didapat dari ACS712 dan ZMPT101B diolah oleh mikrokontroler Arduino Mega 2560 hingga mendapat besarnya daya, energi, yang nantinya ditampilkan oleh LCD Display. Alat ini juga dilengkapi dengan fitur estimasi dan informasi pemakaian daya pada setiap harinya dari jumlah energi yang telah diinputkan. Selain itu juga terdapat pengingat berupa suara dari speaker apabila pemakaian daya melebihi batas yang ditentukan. Ketika pemakain daya melebihi dari jumlah yang kita beli maka otomatis listrik pada kamar tersebut mati. Hasil Pengujian alat jika dibandingkan dengan Watt Power Energy Analizer Meter diperoleh %error yang cukup kecil yaitu 2,78%.