Tape ketan merupakan makanan tradisional Indonesia yang umumnya diproduksi secara manual dengan pengawasan berkelanjutan, sehingga memerlukan waktu lama dan tenaga kerja intensif. Proses manual yang mengharuskan membuka dan menutup wadah fermentasi secara berkala, berisiko menyebabkan kontaminasi dan menurunkan kualitas produk. Penelitian ini bertujuan mengimplementasikan Real Time Operating System (RTOS) pada sistem produksi tape ketan untuk merespons perubahan kondisi secara cepat dan memastikan parameter fermentasi tetap optimal. Perangkat keras yang digunakan terdiri dari sensor uap alkohol, sensor suhu, dan mikrokontroler ESP32, sedangkan perangkat lunak menggunakan firebase real time database dan antarmuka website. Pengujian dilakukan dengan membandingkan proses fermentasi tanpa RTOS dan dengan RTOS menggunakan waktu deadline 1000 ms dan interval pengambilan data setiap 1 jam. Komposisi tape ketan terdiri dari 100 gram beras ketan putih dan 1 gram ragi. Hasil pengujian menunjukkan persentase performa eksekusi dengan RTOS sebesar 98,53%, sedangkan tanpa RTOS sebesar 79,02%. Penerapan RTOS berhasil mempercepat proses fermentasi tape ketan hingga 12 jam lebih cepat. Implementasi RTOS terbukti efektif meningkatkan efisiensi produksi dan kualitas tape ketan.
 
Kata Kunci - Real Time Operating System (RTOS), Fermentasi, Tape Ketan, Persentase Performa Eksekusi

Tidur adalah aktivitas penting untuk pemulihan energi, perbaikan sel, dan pengaturan hormon. Tidur yang nyenyak dan optimal bergantung pada posisi tidur yang nyaman dan durasi yang cukup. Namun, banyak orang yang masih mengabaikan faktor-faktor tersebut, sehingga mengakibatkan pengalaman tidur yang kurang nyenyak. Penelitian ini bertujuan untuk mengembangkan perangkat Smart Belt untuk memantau dan mengatur posisi dan durasi tidur dengan menggunakan sensor akselerometer dan sensor denyut jantung. Pengujian terdiri dari 30 uji coba deteksi posisi tidur, 30 pengukuran durasi tidur, dan 60 evaluasi sistem secara keseluruhan. Hasil penelitian menunjukkan bahwa sensor akselerometer dapat mengidentifikasi dan mendeteksi posisi tidur dengan akurasi 100%, sedangkan sensor denyut jantung menentukan durasi tidur berdasarkan denyut jantung dengan akurasi 83,33%. Secara keseluruhan, sistem Smart Belt beroperasi dengan akurasi 88,33%.
Kata kunci: Posisi Tidur, Durasi Tidur, Sabuk Pintar, Internet of Things

Fish farmers often face the problem of difficulty monitoring water quality from time to time. One method that can make it easier for fish farmers is to develop a system using the forward chaining method. This research aims to make it easier for fish farmers to monitor and control water quality automatically. This system can monitor and control automatically based on facts collected. Things to pay attention to in the system are the suitability level of temperature, pH, and turbidity in the water. The monitoring and control system using the forward chaining method functions 100% by the rules that have been fully implemented

Fish is one of the foods that contain protein and has a high nutrient content, including minerals, vitamins, and unsaturated fats. The protein content in fish is relatively high. However, fish also contains adverse effects if it has undergone spoilage. Therefore, it is necessary to select fresh fish and non-fresh fish. Currently, fish freshness selection is still done manually by fishermen. This research builds a system that can identify freshness in mackerel which is expected to be an alternative solution in the process of selecting freshness of fish manually which takes a long time. By utilizing the TCS3200 sensor to identify the color of the fish and MQ135 to detect the smell of ammonia gas in the fish. This system uses Arduino Uno as the controller of the whole system. The results obtained from the selection process are in the form of fresh and not fresh fish that have been separated based on color and odor indicators, the data will be displayed on the LCD in the form of the accumulated weight of each fish that has been selected. The results of 30 times testing the entire system as much as 30 data obtained an accuracy value of 86.7%.

Keterbatasan sensorik yang melekat pada penyandang tunanetra menghalangi rutinitas mereka yang menyebabkan kesulitan dalam menjalankan aktivitas sehari-hari. Kurangnya teknologi pada alat bantu seperti tongkat yang menjadi kebutuhan para tunanetra menyebabkan kesulitan tunanetra menjalani aktivitas secara normal. Alat bantu yang mampu mengenali objek menjadi salah satu solusi untuk membantu para tunanetra. Dalam penelitian ini, dibangun sebuah sistem pengenalan objek menggunakan YOLO pada alat bantu tongkat tunanetra berbasis Raspberry Pi 4b. Sistem ini dibuat untuk membantu tunanetra mendapatkan informasi objek yang ada didepannya, sehingga tunanetra dapat menghindari objek tersebut karena menghalangi atau berpotensi mencelakai saat beraktivitas. Algoritma YOLO yang digunakan dalam penelitian ini adalah YOLOv4 dan YOLOv4-Tiny. Dataset yang digunakan memiliki 5 kelas objek yaitu kursi, meja, orang, pot tanaman, dan kulkas. Jumlah dataset yang digunakan untuk melatih model sebanyak 841 dataset yang dibagi menjadi 757 data latih dan 84 data uji. Pada pelatihan model yang dilakukan didapatkan hasil akurasi menggunakan mAP sebesar 99,74% untuk model YOLOv4 dan 67,78% untuk model YOLOv4-Tiny. Pada implementasi pengujian sistem pengenalan objek dengan jarak 1 hingga 3,5meter, didapatkan nilai akurasi sebesar 93,33% untuk model YOLOv4 dan 73,3% untuk model YOLOv4-Tiny.

Smarthome adalah sebuah sistem yang telah direncanakan dan dikembangkan dengan tujuan menyederhanakan beragam proses yang terjadi di dalam rumah. Dalam konteks ini, salah satu aspek utama yang diterapkan di rumah pintar adalah pemantauan pencahayaan ruangan. Pencahayaan merupakan faktor kunci dalam kenyamanan dan fungsionalitas kehidupan sehari-hari. Oleh karena itu, peran lampu dalam lingkungan rumah sangat dibutuhkan. Seringkali penghuni rumah cenderung lalai dalam mematikan lampu ketika tidak digunakan, hal ini dapat menyebabkan peningkatan konsumsi energi yang tidak efisien dan pemborosan sumber daya. Untuk mengatasi masalah ini, dibutuhkan teknologi yang mampu memantau dan mengendalikan pencahayaan secara otomatis. Pada penelitian ini, sebuah sistem pemantauan dan klasifikasi kondisi lampu dikembangkan dengan menerapkan metode naïve bayes. Dataset yang digunakan dalam penelitian ini terdiri dari 672 data latih dan 168 data uji. Pengujian dilakukan, dengan confusionmatrix, menghasilkan tingkat accuracy sebesar 98.71%, precision sebesar 98.16%, recall sebesar 98.42%, dan F-1 score sevesar 98.29%. Hasil penelitian ini menunjukkan bahwa metode naïve bayes sangat efektif dalam sistem pemantauan dan klasifikasi kondisi lampu lampu pada ruangan.