Sistem multi robot sangat memerlukan data posisi yang akurat untuk sistem navigasi. Posisi yang akurat berguna pada saat koordinasi multi robot dalam melaksanakan tugas. Penelitian ini menggunakan metode trilaterasi pada sistem multi robot untuk proses akuisisi posisi. Tiga titik acuan digunakan sebagai data awal untuk menentukan posisi pada koordinat kartesian sehingga posisi relatif robot dapat diketahui robot lain. Perhitungan trilaterasi digunakan untuk mendapatkan koordinat X dan Y dari robot yang kemudian digunakan sebagai data posisi untuk melakukan koordinasi. Dengan metode trilaterasi, robot dapat melakukan koordinasi dengan posisi yang akurat dari perhitungan trilaterasi, dan pergerakan dari robot saat koordinasi bisa semakin baik. Peningkatan pada robot dilakukan pada bagian desain mekanik dan efisiensi proses perhitungan. Menggunakan perangkat seminimal mungkin agar sistem multi robot menjadi sederhana dan efisien. Dengan metode trilaterasi ini posisi robot dapat diketahui dengan error rata-rata error untuk pembacaan posisi sumbu X sebesar 17% dan sumbu Y sebesar 7%.

Media pembelajaran merupakan sarana penyampaian materi pelajaran yang dapat menyalurkan pesan, merangsang pemikiran dan perasaan serta kemauan seseorang untuk belajar.Benda dan sifatnya adalah materi pelajaran IPA yang membahas tentang segala yang ada di alam yang berwujud beserta keadaan suatu benda tersebut.Materi benda dan sifatnya merupakan materi yang dianggap sulit bagi sebagian siswa SD kelas III salah satu faktornya karena kurangnya alat peraga guru sehingga pembelajaran sifat benda kurang maksimal.Oleh karena itu, dengan dibuatnya aplikasi media belajar ini di harapkan dapat membantu siswa SD untuk mendapatkan materi dan pembelajaran seputar benda dan sifatnya serta siswa akan lebih termotivasi dalam belajar. Dari latar belakang tersebut, maka penulis akan menyusun proyek akhir dengan judul Aplikasi Edukasi Sifat Benda Berbasis Android dan Augmented Reality.

Pengenalan wajah (face recognition) adalah proses identifikasi atau verifikasi seseorang menggunakan fitur wajah mereka, sementara deteksi keaslian (liveness detection) adalah metode untuk memastikan bahwa wajah yang dikenali adalah wajah asli dan bukan gambar atau rekaman. Kedua teknologi ini menjadi sangat penting dalam sistem keamanan biometrik modern untuk mencegah penipuan. Penelitian ini bertujuan untuk mengembangkan sistem anti-pemalsuan yang menggabungkan face recognition dan liveness detection menggunakan deep learning. Model FaceNet digunakan untuk pengenalan wajah, sementara beberapa arsitektur seperti VGG16, MobileNet V2, ResNet 50, dan DenseNet 121 dievaluasi untuk liveness detection. Dataset yang digunakan dalam penelitian ini terdiri dari gambar asli (real) dan gambar palsu (spoof), dengan augmentasi data untuk meningkatkan variasi dan kualitas data. Hasil penelitian menunjukkan bahwa FaceNet sangat efektif dalam face recognition, mencapai klasifikasi sempurna dengan precision, recall, dan f1-score sebesar 1,00 untuk semua individu dalam dataset. Dalam liveness detection, arsitektur VGG16 menunjukkan kinerja terbaik, mencapai akurasi 100% setelah 100 epoch pelatihan. Evaluasi menggunakan confusion matrix menunjukkan bahwa VGG16 unggul dalam mengidentifikasi gambar real dan spoof, serta efektif dalam mencegah serangan spoofing. Pengujian langsung dengan input kamera menunjukkan bahwa sistem mampu membedakan wajah real dan spoof dengan akurasi tinggi. Integrasi dengan platform web juga menunjukkan efektivitas model dalam kondisi nyata, mencegah upaya penipuan menggunakan foto atau cetakan gambar. Penelitian ini menekankan pentingnya augmentasi data dan pemilihan arsitektur deep learning yang tepat, serta memberikan dasar kuat untuk pengembangan lebih lanjut dalam sistem keamanan berbasis biometrik yang lebih akurat, andal, dan aman..

Perkembangan teknologi Internet of Things (IoT) membuka peluang dalam pengembangan sistem keamanan yang lebih efektif dan responsif. Namun, sistem keamanan pada lingkungan kos-kosan masih umumnya menggunakan metode konvensional yang memiliki keterbatasan dalam pemantauan akses secara real-time. Oleh karena itu, pada proyek akhir ini dirancang dan diimplementasikan sistem keamanan smart room berbasis ESP32 dan ESP32-CAM dengan notifikasi real-time melalui WhatsApp.Metode yang digunakan adalah integrasi mikrokontroler ESP32 sebagai pusat kendali dengan keypad 4x4 sebagai autentikasi PIN, sensor PIR sebagai pendeteksi gerakan, relay dan solenoid door lock sebagai pengunci pintu otomatis, serta ESP32-CAM untuk pengambilan gambar saat terjadi kesalahan akses. Sistem juga memanfaatkan Fonnte API untuk mengirimkan notifikasi keamanan kepada pengguna melalui WhatsApp.Berdasarkan hasil pengujian, keypad berhasil membaca input dengan tingkat keberhasilan 100%. Sensor PIR mampu mendeteksi gerakan dengan tingkat keberhasilan 100% pada jarak 1 meter serta 80% pada jarak 2 meter dan 3 meter. Pengiriman notifikasi WhatsApp berupa link gambar berhasil dilakukan pada seluruh pengujian dengan tingkat keberhasilan 100%. Selain itu, sistem berhasil menerapkan mekanisme penguncian sementara selama 10 menit setelah tiga kali kesalahan input PIN berturut-turut. Hasil tersebut menunjukkan bahwa sistem mampu bekerja sesuai dengan tujuan perancangan dan dapat digunakan sebagai prototype sistem keamanan smart room berbasis IoT.

Indonesia berada pada wilayah rawan gempa bumi sehingga proses asesmen awal pascagempa perlu dilakukan secara cepat objektif terukur dan aman. Proyek akhir ini mengembangkan sistem Portable Structural Health Monitoring untuk membantu asesmen awal kerusakan dinding hunian setelah gempa bumi. Sistem dirancang menggunakan arsitektur dual node yang terdiri atas ESP32 MPU6050 sebagai node sensor getaran dan RaspberryPi Camera sebagai node pemrosesan utama. Cabang visual menggunakan model CNN BiLSTM dengan backbone EfficientNetB0 BiLSTM untuk mengklasifikasikan citra dinding ke dalam kelas tidak retak retak ringan dan retak berat. Model visual terbaik memperoleh akurasi sebesar 97.83 persen dan digunakan sebagai feature extractor untuk menghasilkan latent vector visual 128 dimensi. Cabang sensor merangkum data percepatan dari MPU6050 menjadi tiga fitur getaran yaitu pga peak g rms g dan crest. Kebaruan utama penelitian ini terletak pada penerapan feature level multimodal fusion yaitu penggabungan 128 fitur visual dan 3 fitur sensor menjadi vektor fusi 131 dimensi. Vektor tersebut diklasifikasikan menggunakan Random Forest untuk menghasilkan tiga status operasional yaitu Aman Waspada dan Bahaya. Dataset fusi dibentuk melalui proses pairing berbasis sample id relabeling menggunakan multimodal decision matrix oversampling dan pelatihan Random Forest. Hasil evaluasi menunjukkan bahwa model multimodal fusion memperoleh accuracy F1 macro dan F1 weighted sebesar 0.9770 lebih tinggi dibandingkan visual only sebesar 0.8621 dan sensor only sebesar 0.9195. Model juga memperoleh Out of Bag Score sebesar 0.9768. Sistem diimplementasikan secara edge pada Raspberry Pi dengan komunikasi MQTT tampilan HMI dan dashboard monitoring lokal berbasis Streamlit. Dashboard menampilkan hasil asesmen data sensor probabilitas kelas log inferensi dan riwayat gambar secara lokal. Dengan demikian sistem yang dikembangkan dapat mendukung asesmen awal pascagempa melalui penggabungan informasi kerusakan visual dan respons getaran dalam satu keputusan operasional.