Periode Golden Age (0-5 tahun) merupakan masa kritis tumbuh kembang anak yang memerlukan perhatian intensif dari orang tua untuk mencegah gangguan seperti stunting, underweight, dan wasting. Di Indonesia, prevalensi masalah ini masih tinggi. Posyandu Mawar Sukorame di Kota Kediri berperan dalam pemantauan tumbuh kembang anak, namun ibu asuh sering kesulitan mendapatkan konseling dan informasi terpercaya. Proyek ini mengembangkan chatbot tumbuh kembang anak menggunakan Google DialogFlow untuk menyediakan informasi akurat dan konseling interaktif tentang nutrisi dan perkembangan anak. Tujuannya adalah meningkatkan akses ibu asuh terhadap informasi dan konseling berkualitas, mendukung tumbuh kembang anak secara optimal, dan meningkatkan efisiensi layanan di Posyandu. Metode yang digunakan meliputi analisis kebutuhan pengguna, desain sistem chatbot, pengembangan dengan Google DialogFlow, serta pengujian dan evaluasi untuk memastikan kualitas dan efektivitas chatbot. Pendekatan deskriptif kualitatif digunakan untuk memahami fenomena yang dialami oleh subjek penelitian secara menyeluruh. Hasil penelitian menunjukkan bahwa chatbot ini mampu memberikan informasi yang tepat dan konseling yang responsif, serta meningkatkan pemahaman orang tua tentang nutrisi dan perkembangan anak. Dengan demikian, chatbot ini dapat menjadi alat yang efektif dalam mendukung peran Posyandu dan meningkatkan kualitas layanan kesehatan anak.

Tidak banyak terdapat media pembelajaran tentang rambu-rambu lalu lintas yang memberikan kemudahan kepada pengguna untuk mengukur tingkat pemahaman mereka terhadap materi yang telah dipelajari. Oleh karena itu tugas akhir ini mengusulkan sebuah media pembelajaran berupa game lalu lintas yang dibuat dengan model grafis 2 dimensi. Game pembelajaran rambu lalulintas ini menggunakan Unity sebagai Game Engine. Game ini memiliki kelebihan pada tampilan yang menarik dengan menyediakan beberapa map yang dapat dimainkan. Selain itu untuk memberikan kemudahan pengguna dalam mengingat dan memahami rambu yang ada, game ini memberikan kuis serta simulasi langsung terhadap rambu yang ada. Berdasarkan hasil uji coba yang telah di lakukan ke pengguna dapat disimpulkan bahwa game ini cukup memberikan pengetahuan kepada anak tentang rambu-rambu yang ada dan apa yang seharusnya mereka lakukan ketika dijalan bertemu dengan rambu tersebut.

Penyakit Tuberkulosis (TB) merupakan salah satu penyakit pembunuh utama yang menyerang golongan usia produktif (15-50 tahun) dan anak-anak serta golongan sosial ekonomi tidak mampu. Pada tahun 2016 kasus TB yang ditemukan dan ditangani mulai merambat naik melebihi dari perhitungan sasaran sebelumnya, lalu pada tahun 2017 CNR kasus baru TB BTA + di Kabupaten Tuban sebesar 74.77% per 100.000 penduduk sedangkan CNR seluruh kasus TB sebesar 104.76% per 100.000 penduduk. Untuk angka kesuksesan/ Succes Rate (SR) tahun 2017 sebesar 93.61%. Meskipun penemuan kasus baru TB BTA semakin berkurang tetapi tetap melebihi perhitungan sasaran pada tahun tersebut sesuai dengan ketetapan. Hal ini yang membuat TB pada di Kabupaten Tuban masih perlu diperhatikan. Metode clustering Hirarki Agglomerative bekerja dengan sederetan dari penggabungan yang berurutan atau sederetan dari pembagian yang berurutan dan berawal dari objek-objek individual. Jadi pada awalnya banyaknya cluster sama dengan banyaknya objek. Objek-objek yang paling mirip dikelompokkan, dan kelompok-kelompok awal ini digabungkan sesuai dengan kemiripannya. Sewaktu kemiripan berkurang, semua sub-kelompok digabungkan menjadi satu cluster tunggal. Dari permasalahan diatas, dibuatlah suatu penelitian Sistem Informasi Geografis tentang pemetaan Tuberkulosis di Kabupaten Tuban dengan menggunakan Metode Clustering yaitu Metode Hirarki Clustering sehingga dapat menentukan tingkat kerawanan rendah, sedang dan tinggi. Penelitian ini bertujuan untuk membuat aplikasi pemetaan tingkat kerawanan Tuberkulosis di Kabupaten Tuban berbasis mobile berdasarkan jumlah kepadatan penduduk, jumlah penderita, Jumlah seluruh kasus TB, CNR seluruh kasus TB, perkiraan penderita yang ditemukan dan ditangani, dan angka kematian selama pengobatan menggunakan Metode Hirarki Clustering.

Pada penelitian ini bertujuan untuk mendeteksi kerusakan tanaman pada lahan yang luas. Teknologi Unmanned Aerial Vehicle atau UAV digunakan untuk mengambil gambar lahan dari udara. Langkah pertama dari penelitian ini adalah pemetaan lahan dengan menggunakan metode Image Stitching yang ada pada aplikasi Open Drone Map atau ODM yaitu WebODM. Gambar orthophoto yang dihasilkan salanjutnya akan diproses untuk melakukan proses deteksi. KMeans Clustering digunakan untuk menghasilkan hasil deteksi. Dengan menggunakan parameter k adalah 2 untuk menghasilkan klaster yang diinginkan. Dua klaster tersebut diantaranya adalah klaster warna hijau dan klaster warna kuning. Dimana warna hijau menunjukkan tanaman yang sehat sedangkan warna kuning menunjukkan tanaman yang kurang sehat.

Peningkatan populasi lansia di Indonesia meningkatkan kebutuhan terhadap sistem pemantauan aktivitas, khususnya untuk mengenali kejadian jatuh. Sistem berbasis kamera tunggal dapat mengalami penurunan performa ketika tubuh subjek terhalang objek atau tidak terlihat secara lengkap dari satu sudut pandang. Proyek akhir ini mengembangkan sistem pengenalan aktivitas lansia berbasis dua kamera menggunakan pendekatan multi-view temporal fusion untuk mengurangi pengaruh oklusi dan perbedaan sudut pandang. Setiap aliran video diproses menggunakan MediaPipe Pose untuk mengekstraksi 33 titik landmark tubuh dalam koordinat (x), (y), dan (z). Data skeleton dibentuk menjadi urutan sepanjang 60 frame, kemudian diproses menggunakan Spatio-Temporal Graph Convolutional Network (ST-GCN). Dua konfigurasi fusi dibandingkan, yaitu decision-level fusion menggunakan maximum-confidence fusion dan feature-level fusion menggunakan operasi concatenation. Model dilatih menggunakan 11 kelas aktivitas. Tiga kelas arah jatuh digabungkan pada tahap keluaran menjadi satu kelas falling, sehingga sistem menghasilkan 9 kelas. Pada evaluasi internal terhadap 3.040 window, feature-level fusion memperoleh accuracy 94,44% dan macro F1-score 92,57%, sedangkan decision-level fusion memperoleh accuracy 94,14% dan macro F1-score 91,93%. Pada pengujian 444 pasangan rekaman independen atau video di luar dataset dengan total 6.221 window, decision-level fusion memperoleh accuracy 86,66%, macro F1-score 80,99%, dan weighted F1-score 86,75%. Feature-level fusion memperoleh accuracy 84,65%, macro F1-score 77,13%, dan weighted F1-score 85,05%. Nilai recall kelas falling pada decision-level fusion sebesar 69,52%, sehingga peningkatan variasi data dan optimasi model masih diperlukan untuk meningkatkan deteksi jatuh pada data independen.