Penelitian ini bertujuan mengembangkan sistem pencatat waktu untuk lari estafet yang dapat merekam waktu tempuh setiap pelari secara sistematis dan menampilkan data performa atlet dalam bentuk visual yang mudah dipahami. Sistem ini terdiri dari tongkat estafet berbahan aluminium yang sesuai standar internasional, dilengkapi dengan indikator LED sebagai penanda aktivitas, dan aplikasi Android berbasis Flutter sebagai antarmuka pengguna. Tongkat estafet menggunakan mikrokontroler ESP32 untuk mengirimkan data melalui protokol UDP menggunakan jaringan Wi Fi. Pengujian dilakukan pada dua jenis lari estafet, yaitu 4x100 meter dan 4x200 meter, dengan fokus pada latensi koneksi, penyimpanan data, dan visualisasi hasil. Hasil pengujian menunjukkan bahwa konektivitas sistem menggunakan router di titik start berkontribusi sekitar 29,23 persen dari total konektivitas pada percobaan pertama, sedangkan titik finish mencatatkan kontribusi 45,62 persen. Pada percobaan kedua, titik finish memiliki kontribusi lebih kecil yaitu 17,28 persen, sedangkan perangkat gawai berkontribusi 49,56 persen karena koneksi lebih cepat dan stabil. Dengan menggunakan tethering, pada percobaan pertama 40 sampai 44 meter, persentase waktu konektivitas di titik start adalah 29,23 persen, di titik finish adalah 45,62 persen, dan perangkat gawai adalah 25,16 persen. Pada percobaan kedua 32 sampai 36 meter, persentase waktu konektivitas di titik start adalah 33,16 persen, titik finish 17,28 persen, dan perangkat gawai 49,56 persen. Data hasil lari disajikan dalam bentuk grafik dan tabel melalui aplikasi Android, memberikan informasi terperinci mengenai waktu tempuh setiap pelari, yang dapat digunakan untuk perbandingan performa antar anggota tim. Selain itu, sistem juga memiliki fitur penyimpanan data secara lokal di perangkat Android, memungkinkan pelatih mengakses data historis untuk evaluasi dan perencanaan pelatihan lebih lanjut.

Pembelajaran praktikum jaringan komputer sering kali terhambat oleh tingginya biaya dan rendahnya skalabilitas laboratorium fisik, serta keterbatasan alat simulasi yang ada yang bersifat spesifik terhadap satu vendor dan tidak mampu menyediakan lingkungan operasi yang sesungguhnya. Keterbatasan ini sangat terasa di Indonesia, mengingat perangkat MikroTik mendominasi pasar ISP dan usaha kecil-menengah, namun belum terdapat platform pelatihan virtual yang memadai untuk MikroTik RouterOS. Penelitian ini merancang dan mengimplementasikan sebuah platform laboratorium virtual daring yang terintegrasi untuk pendidikan jaringan komputer. platform memanfaatkan Containerlab dan Docker untuk mengorkestrasi topologi jaringan berbasis kontainer, menggunakan image MikroTik Cloud Hosted Router (CHR) dan perangkat berbasis Linux sebagai node jaringan. Arsitektur terdistribusi Manager-Worker melalui gRPC bidirectional streaming memungkinkan peningkatan kapasitas secara horizontal dengan load balancing otomatis berbasis skor sumber daya. Instruktur dilengkapi dengan editor topologi visual berbasis web untuk merancang skenario jaringan dan mendefinisikan kriteria penilaian otomatis. Akses clientless ke perangkat virtual disediakan melalui Apache Guacamole yang mendukung SSH, Telnet, VNC, dan RDP. Sistem evaluasi berbasis event-driven berlangganan lang- sung terhadap perubahan kondisi perangkat untuk memberikan umpan balik kepada mahasiswa secara real-time melalui WebSocket. Pengujian sistem menunjukkan efisiensi sumber daya yang tinggi, dengan total konsumsi penyimpanan sekitar 93 MiB untuk 80 kontainer yang berjalan secara bersamaan, setara dengan 40 sesi lab aktif yang masing-masing terdiri dari dua node. Dengan konfigurasi 12 vCPU dan 12 GB RAM, platform mampu melayani hingga 35 pengguna aktif secara konkuren secara stabil, dengan kapasitas yang dapat ditingkatkan melalui penambahan Worker node. Sistem evaluasi otomatis telah divalidasi pada skenario konfigurasi alamat IP, static routing, dan protokol routing dinamis OSPF, RIP, serta BGP.

Penilaian esai secara manual membutuhkan waktu dan rentan terhadap subjektivitas. Penelitian ini mengembangkan sistem penilaian esai otomatis berbasis Large Language Model (LLM) untuk mengevaluasi kompetensi Data Scientist dalam bidang Sains Data Terapan. Sistem menggabungkan dua pendekatan utama: keyword matching untuk memastikan kesesuaian isi dengan kompetensi soal, dan LLM yakni seperti IndoBERT dan LLaMA untuk menilai kualitas serta kelengkapan jawaban. Eksperimen dilakukan dengan berbagai strategi, termasuk fine-tuning dan pembekuan encoder, serta pendekatan regresi dan klasifikasi. Selain itu, model diuji menggunakan beberapa bentuk input mulai dari hanya jawaban, gabungan pertanyaan dan jawaban, hingga penggunaan token khusus untuk membedakan keduanya. Hasil terbaik diperoleh dari pendekatan klasifikasi dengan fine-tuning penuh nilai QWK sebesar 0.951, meskipun strategi ini berisiko mengalami overfitting. Sementara itu, LLaMA menunjukkan performa tinggi dan stabil, QWK 0.9369. Sistem ini telah diimplementasikan dalam bentuk aplikasi web menggunakan Streamlit, dilengkapi dengan fitur login dosen dan mahasiswa serta tampilan skor esai secara otomatis dan terstruktur. Hasil evaluasi menunjukkan bahwa pendekatan ini efektif meningkatkan efisiensi dan objektivitas penilaian esai.

Teknologi MIMO sangat dibutuhkan dalam dunia komunikasi nirkabel (wireless) yang berperan untuk sepasang antena di sisi pemancar dan sisi penerima yang bekerja pada komponen multipath. Desain sistem MIMO tersebut mampu memaksimalkan laju data untuk mendukung aliran data serta meningkatkan keandalan sistem secara keseluruhan. Maka disimpulkan bahwa teknologi tersebut memiliki akses komunikasi data yang handal, cepat dan efisien dalam penggunaan bandwidth. Namun, kelemahan dari MIMO adalah setiap penggunaan antena di sisi penerima membutuhkan RF front-end yang banyak sesuai jumlah antena. Sehingga, untuk ukuran antena berdimensi besar, hal tersebut tidak efektif. Oleh karena itu, RF front-end di sisi penerima membutuhkan teknik Single-RF dengan jumlah antena sesuai kebutuhan yang bertujuan meminimalisir jumlah RF front-end. Pada proyek akhir ini, dilakukan simulasi untuk menganalisa performansi kinerja teknik Single-RF pada sisi penerima di sistem MIMO dengan menggunakan teknik deteksi V-BLAST. V-BLAST merupakan teknik pengkodean kanal yang digunakan dalam meminimalisir terjadinya error saat proses pengiriman data yang besar dan cepat. Sehingga teknik ini bertujuan untuk menekan kuantitas dari Bit Error Rate (BER). Antena yang akan digunakan memiliki dimensi 2x2 berbasis Single-RF. Modulasi yang akan digunakan yaitu 64-QAM dengan menggunakan kode konvolusi encoder 1/3 rate . Hasil yang diperoleh proyek akhir ini yaitu meningkatkan kinerja dan meminimalisir RF front-end dengan menggunakan teknik V-BLAST pada sistem MIMO yang mana parameter yang diamati yaitu perbandingan Bit Error Rate (BER) terhadap Signal to Noise Ratio (SNR) yang akan ditampilkan dalam kurva BER vs SNR.

Transformasi digital meningkatkan permintaan industri terhadap platform analitik video berbasis Artificial Intelligence (AI). Namun, banyak platform memiliki antarmuka yang kompleks sehingga menyebabkan tingkat adopsi pengguna rendah. Penelitian ini menerapkan pendekatan User-Centered Design (UCD) pada platform Nedo Vision untuk menyelaraskan desain antarmuka dengan kebutuhan operasional pengguna. Evaluasi kualitas sistem dilakukan menggunakan McCall Quality Model yang berfokus pada aspek Correctness, Reliability, dan Usability, serta pengujian System Usability Scale (SUS) dalam dua tahapan iterasi. Pada iterasi pertama, pengujian SUS menghasilkan skor rata-rata sebesar 54.17 untuk fitur BYOM, 65.42 untuk fitur Pipeline Workflow 64.17 untuk Auto Label, yang menunjukkan bahwa kualitas usabilitas sistem masih berada dalam kategori ambang batas (marginal). Berdasarkan umpan balik tersebut, perbaikan pada iterasi kedua difokuskan pada optimasi kanvas kerja, penambahan fitur Autosave dan Undo/Redo, serta penyediaan halaman pratinjau Preview Auto labeling. Langkah optimasi ini berhasil meningkatkan kepuasan pengguna dengan capaian skor SUS akhir sebesar 69.38 untuk fitur Custom Workflow dan 77.50 untuk fitur Auto Label yang masuk dalam kategori layak dan dapat diterima (acceptable). Selain itu, pengujian fungsional berbasis model McCall memvalidasi bahwa sistem telah stabil dalam mengeksekusi skenario logika industri di lapangan.