The application of multivariate statistical techniques including cluster analysis and principal component analysis-multiple linear regression (PCA-MLR) was successfully used to classify the river pollution level in Taiwan and identify possible pollution sources. Water quality and heavy metal monitoring data from the Taiwan Environmental Protection Administration (EPA) was evaluated for 14 major rivers in four regions of Taiwan with the Erren River classified as the most polluted river in the country. Biochemical oxygen demand (6.1 ± 2.38), ammonia (3.48 ± 3.23), and total phosphate (0.65 ± 0.38) mg/L concentration in this river was the highest of the 14 rivers evaluated. In addition, heavy metal levels in the following rivers exceeded the Taiwan EPA standard limit (lead: 0.01, copper: 0.03, and manganese: 0.03) mg/L concentration: lead-in the Dongshan (0.02 ± 0.09), Jhuoshuei (0.03 ± 0.03), and Xinhuwei Rivers (0.02 ± 0.02) mg/L; copper: in the Dahan (0.036 ± 0.097), Laojie (0.06 ± 1.77), and Erren Rivers are (0.05 ± 0.158) mg/L; manganese: in all rivers. A total 72% of the water pollution in the Erren River was estimated to originate from industrial sources, 16% from domestic black water, and 12% from natural sources and runoff from other tributaries. Our research demonstrated that applying PCA-MLR and cluster analysis on long-term monitoring water quality would provide integrated information for river water pollution management and future policy making.

Riset ini bertujuan untuk mengaplikasikan metode YOLO V5 dan Teknik Trigonometri dalam rangka meningkatkan ketepatan prediksi arah tendangan lawan pada robot penjaga gawang di ajang KRSBI Beroda. YOLO V5 dimanfaatkan untuk mendeteksi lokasi bola, sedangkan Teknik Trigonometri digunakan untuk memperkirakan arah datangnya bola. Data posisi bola dan estimasi arah datang bola dimanfaatkan untuk menentukan gerakan robot penjaga gawang. Sistem ini diimplementasikan pada platform ROS (Robot Operating System) untuk memungkinkan integrasi yang modular dan terdistribusi. Dengan memanfaatkan teknologi ini, diharapkan performa robot penjaga gawang dapat ditingkatkan dalam menghadapi strategi lawan.

Peran sensor loadcell sangat penting dalam sistem penimbangan untuk mendapatkan informasi massa yang sesuai. Banyaknya permintaan sistem penimbang yang presisi saat ini dikembangan sistem penimbangan yang mampu bekerja secara otomatis dalam menimbang dengan hasil yang konsisten dan stabil. Kelemahan dari sensor loadcell adalah sistem pembacaan yang memiliki noise dan dinilai kurang stabil sehingga hasil penimbangan kurang akurat dan jauh dari nilai set point yang diterapkan. Kelemahan tersebut dapat diminimalisir menggunakan filter sinyal yaitu Kalman Filter. Berdasarkan observasi yang telah dilakukan dengan menerapkan rumus Kalman Filter mampu menimalkan noise secara optimal menggunakan perbandingan nilai Q = 1 dan R = 10000 yang mampu memberikan hasil filter yang lebih halus dan stabil. penerapan Kalman Filter pada PLC Siemens S7-1200 dengan nilai perbandingan Q dan R yang sama dapat memberikan hasil yang optimal dengan nilai rata-rata error hasil penimbangan antara menggunakan Kalman Filter dan tanpa menggunakan filter memiliki selisih sebesar 0,10% yang berarti Kalman Filter dapat diterapkan pada sistem penimbangan dapat menyaring noise secara optimal sehingga mendapatkan hasil penimbangan yang stabil dan konsisten.

Kualitas standarisasi kelayakan kemasan menjadi parameter utama pada bidang industri untuk mencapai visi dan misi perusahaan dalam memastikan produk yang dihasilkan telah memenuhi standar yang diharapkan. Sistem pemilahan produk umumnya masih dilakukan dengan cara manual dengan pengamatan visual yang rentan terhadap ketidakakuratan dan interpretasi subjektif oleh operator yang menyebabkan kesalahan dalam mengenali produk. Penelitian ini melakukan perancangan sistem sortir produk dengan penambahan arsitektur UNet-Inception pada model CNN. Arsitektur UNet-Inception yang dikembangkan peneliti memiliki konstruksi layer konvolusi sebanyak 5 layer, pooling layer sebanyak 2 layer, up sampling 1 layer, serta pola concatenate sebanyak 1 layer, penambahan layer inception convolutional (Concv2D) dengan neuron hidden sebanyak 128 neuron. Model dengan penambahan arsitektur UNet-Inception berhasil mencapai tingkat akurasi training yang lebih tinggi daripada model tanpa arsitektur UNet-Inception dengan perbandingan yakni 98,39% berbanding 71,47%. Pada pengujian deteksi real-time didapatkan akurasi sebesar 93,34%. Sistem yang diciptakan mampu melakukan klasifikasi produk dengan sangat baik berdasarkan karakteristik bercak pada panjang bercak 3 cm, 5 cm, dan 7 cm, dengan akurasi keberhasilan mencapai 100%. Sistem integrasi dalam bentuk sortir yang telah diimplementasikan berhasil memberikan respons aksi reject yang sesuai dengan hasil deteksi produk cacat dengan akurasi keberhasilan mencapai 100%.

Transportasi perkotaan, salah satu infrastruktur penting kota, yang memainkan peran penting dalam fungsi normal kota, telah menjadi fokus perhatian dan diskusi di seluruh masyarakat. Volume kendaraan yang semakin meningkat menyebabkan adanya kemacetan terutama pada persimpangan empat. Tidak adanya koordinasi antar lampu lalu lintas juga menjadi salah satu faktor kemacetan belum dapat diatasi hingga saat ini. Untuk mengatasi masalah tersebut yaitu dengan menerapkan lampu lalu lintas cerdas agar dapat meminimalisir kepadatan atau kemacetan pada jalan raya. Lampu lalu lintas yaitu sistem yang menerapkan waktu dinamis sesuai dengan volume kendaraan, apabila jalur dengan tingkat kepadatan tinggi maka secara otomatis delay lampu hijau akan semakin lama, sedangkan apabila volume kendaraan lenggang maka delay lampu hijau akan semakin cepat. Delay lampu hijau akan menyesuaikan dengan tingkat kepadatan lalu lintas. Dengan menggunakan Image Processing sebagai proses mengolah gambar kendaraan sehingga menghasilkan jumlah kendaraan, yang nantinya jumlah kendaraan tersebut akan diolah kembali menggunakan metode Neural Network. Lampu lalu lintas pada setiap jalur akan saling terkoordinasi agar tidak terjadi penumpukan pada salah satu titik yang padat. Output yang dihasilkan yaitu berupa waktu delay lampu hijau sesuai dengan volume kendaraan. Diharapkan dari penelitian ini yaitu terciptanya lampu lalu lintas cerdas menggunakan metode Neural Network. Sehingga nantinya dapat diterapkan juga sebagai salah satu alternatif untuk meminimalisir kemacetan. Dari hasil penerapan Neural Network pada percobaan koordinasi persimpangan didapatkan hasil dari 6 kali uji coba, yaitu pada persimpangan pertama mendapatkan error rata-rata atau MSE (Mean Squared Error) sebesar 1.0063, pada persimpangan kedua mendapatkan error rata-rata sebesar 0.9063, dan pada persimpangan ketiga mendapatkan error rata-rata sebesar 0.9970.