Electroencephalographic data signals consist of electrical signal activity with several characteristics, such as non-periodic patterns and small voltage amplitudes that can mix with noise making it difficult to recognize. This study uses several types of EEG wave signals, namely Delta, Alpha, Beta, and Gamma. The method we use in this study is the application of an impulse response filter to replace the noise obtained before and after the FIR filter is applied. In addition, we also analyzed the quality of several types of electroencephalographic signal waves by looking at the addition of the signal to noise ratio value. In the end, the results we get after applying the filter, the noise that occurs in some types of waves shows better results.

Pesatnya perkembangan teknologi telekomunikasi nirkabel memberikan dampak yang nyata bagi layanan internet, sehingga akses dapat dilakukan dimana saja dan kapan saja. Aksesibilitas layanan internet lazimnya tersedia pada layanan 2,4 GHz dan 5 GHz, dimana jaringan wifi umumnya yang mengadopsi pada pita frekuensi 2,4 GHz. Penggunaan spektrum frekuensi 2,4 GHz dapat digunakan tanpa memerlukan lisensi dan umumnya tanpa adanya ditangani oleh administrator. Akibatnya interferensi dapat mengganggu layanan akses. Salah satu interferensi yang terjadi berupa Co-Channel Interference (kanal sama). Tujuan dilakukan penelitian ini adalah untuk mengetahui dampak yang dari Co-Channel Interference terhadap kualitas jaringan Wi-Fi berdasarkan parameter throughput, delay dan packet loss. Penelitian dilakukan dengan menggunakan 4 buah Access Point (A), 1 AP digunakan untuk melayani pengguna dan sisanya akan menjadi AP pengganggu sebagai Co-Channel Interference dan akan dievaluasi menggunakan software Wireshark. Berdasarkan hasil dari pengukuran, throughput penurunan sebesar 66,3%, delay mengalami pengaruh dari 3 Co-Channel Interference dengan kenaikan sebesar 187,4%. Pada penelitian ini, hasil diperoleh berdasarkan asumsi tanpa memperhitungan kesesakan lalu lintas untuk topologi jaringan yang sederhana dengan 4 AP, sehingga tidak ada packet loss yang tercatat. Atau dengan kata lain, semua paket sukses dikirimkan ke tujuan. Hasil ini menunjukkan pengaruh Co-Channel Interference sangat signifikan mempengaruhi kualitas layanan atau QoS internet bagi pengguna.

Typing is one of the most frequently done activities in society therefore a medium is necessary to help train typing words that are often mistyped. Methods used in this research are the Content-Based Filtering Algorithm to gather the words that have a similar pattern to the words that are often mistyped based on the user's previous typing records and the Collaborative Filtering Algorithm that uses other users typing pattern to recommend the words. The result of this study shows the Collaborative Filtering Algorithm was able to gather words that are hard to type by the user with an accuracy of 49.2%, dan the Collaborative Filtering able to predict the score on how difficult for the user to type a word with the result of Root Mean Square Error (RMSE) value of 0.82 and with the Root Mean Square Percentage Error (RMSPE) value of 30% from the actual value, and a website which is the combination of the two algorithms with the result of 28% of the total word that is recommended was indeed difficult to type by the user with the typing speed of 103 WPM, and 72.3% for the user that has a typing speed of 39 WPM.

Sistem kendali attitude hold pada multirotor adalah sebuah sistem kendali penjaga sikap untuk mempertahankan sikap stabil saat terbang. Sistem attitude hold pada penelitian ini diaplikasikan dalam bentuk seesaw atau pengungkit yang merupakan salah satu bentuk pesawat sederhana dari lengan kuasa. Penelitian ini merupakan sistem kendali penjaga sikap pada seesaw diatur di 1 derajat kebebasan (DOF) yang ditetapkan sebagai setpoint pada kemiringan 0°. Kestabilan pada seesaw dikendalikan dengan metode kendali PID, yang merupakan sistem pengendali yang berfungsi untuk mencari nilai kestabilan sehingga respon sistem yang diperoleh dapat mencapai setpoint dengan baik. Maka dari itu diperlukan sistem penyeimbang yang dapat membaca sudut kemiringan pada lengan seesaw. Pembacaan sudut tersebut menjadi acuan kecepatan putaran baling-baling motor brushless dc (BLDC). Sensor yang digunakan adalah gyroscope. Sensor tersebut terdapat dalam modul IMU MPU-6050. Baling-baling menggunakan akuator berupa dua motor BLDC 920 kv kontroler berupa Electronic Speed Control (ESC). Setpoint ditentukan pada kemiringan 0° terhadap gaya gerak 1 DOF lengan. Motor BLDC kanan dan kiri melakukan variasi kecepatan putaran ketika pembacaan sudut tidak sama dengan setpoint. Motor BLDC kiri akan melakukan putaran CW dan motor BLDC kanan melakukan putaran CCW untuk membuat gaya angkat sehingga mencapai kestabilan. Pengaruh besarnya variasi kecepatan baling-baling yang diberikan yaitu berdasarkan besarnya nilai eror yang terjadi antara setpoint dengan input. Penelitian ini telah menghasilkan prototipe alat yang dapat bekerja pada kemiringan -30 derajat hingga 30 derajat dengan setpoint stabil pada 0 derajat. Dari perhitungan penalaan konstanta PID Ziegler-Nichols kurva reaksi didapat nilai Kp = 2,94, Ki = 1,2 dan Kd = 0,33. Dari hasil nilai penalaan tersebut didapatkan hasil stabil sesuai terhadap setpoint dengan hasil pengujian PID dengan nilai rise time= 18 detik, setling time= 7,5 detik, overshoot= 3,1%, peak time= 18 detik.

Detecting a moving pedestrian is still a challenging task in a smart surveillance system due to dynamic scenes. Locating and detecting the moving pedestrian simultaneously influences the development of an integrated but low-resource smart surveillance system. This paper proposes a novel approach to locating and detecting moving pedestrians in a video. Our proposed method first locates the region of interest (ROI) using a background subtraction algorithm based on guided filtering. This novel background subtraction algorithm allows our method to also filter unexpected noises at the same time, which could benefit the performance of our proposed method. Subsequently, the pedestrians are detected using YOLOv2, YOLOv3, and YOLOv4 within the provided ROI. Our proposed method resulted in more processing frames per second compared with previous approaches. Our experiments showed that the proposed method has a competitive performance in the CDNET2014 dataset with a fast-processing time. It costs around ~50 fps in CPU to classify moving pedestrians and maintain a highly accurate rate. Due to its fast processing, the proposed approach is suitable for IoT or smart surveillance device which has limited resource.INDEX TERMS moving object analysis; pedestrian localization and detection, convolutional neural network (CNN); integrated surveillance system; YOLO.