Ketidakseimbangan antara beban dan kapasitas pembangkit pada sistem jaringan listrik dapat memicu terjadinya peningkatan/penurunan frekuensi pada sistem, termasuk pada sisi pembangkitan, yang pada kondisi tertentu dapat mematikan unit pembangkit. Jika unit-unit pembangkit tersebut mati secara serentak saat tarjadi gangguan frekuensi, maka hal tersebut dapat mengakibatkan blackout pada sistem. House load operation mode pada pembangkit listrik merupakan salah satu skenario yang dapat diterapkan guna mempercepat proses pemulihan saat blackout. Tesis ini akan memaparkan mekanisme pengujian house load pada sistem pembangkit PLTGU Blok 2 Muara Karang. Berdasarkan pengujian yang dilakukan, diperoleh hasil bahwa house load operation mode pada pembangkit dapat mempercepat waktu untuk kembali menyuplai listrik ke jaringan hingga 97%. Hal ini akan sangat berguna saat proses pemulihan kondisi blackout pada sistem jaringan listrik. Selain itu, house load operation mode juga memberikan keuntungan secara ekonomis dan menurunkan aspek risiko kegagalan pada pembangkit.
The imbalance between the load and generating capacity of the electricity network system can trigger an increase / decrease in the frequency of the system, including on the generation side, which in certain conditions can turn off the generating unit. If the generating units trip simultaneously when there is a frequency disturbance, then this can lead to blackout on the system. House load operation mode in power generation is an scenario that can be applied to speed up the recovery process when blackout. This thesis will explain the testing mechanism of house load operation mode on PLTGU Blok 2 UP Muara Karang system. Based on the tests conducted, the results obtained that the house load operation mode on power plant can speed up the time to re-supply electricity to the network up to 97%. This will be very useful on the process of recovering blackout conditions in the electricity network system. In addition, house load operation mode also benefits economically and reduces the risk aspects of failure in the power plant.
"Seiring dengan perkembangan bidang computer vision terdapat lebih banyak solusi yang dapat diimplementasikan untuk bidang sehari-hari. Salah satu bidang yang paling erat dengan kegiatan sehari-hari adalah kegiatan mengkonsumsi makanan. Dalam memperhatikan pola makan, penting dilakukan proses mengidentifikasi jenis makanan yang dikonsumsi. Dengan memanfaatkan perkembangan model machine learning deteksi objek yang bekerja secara waktu langsung, YOLOv5 dapat digunakan untuk melakukan deteksi objek untuk dapat mengidentifikasi berbagai jenis makanan dalam suatu gambar. Dengan menggunakan YOLOv5, deteksi terhadap makanan yang kerap kali dikonsumsi oleh masyarakat Indonesia dapat dilakukan dan ditingkatkan akurasinya dengan pemrosesan gambar hingga mencapai nilai mAP 94,3%.
Penggunaan implementasi model ini dalam aktivitas sehari-hari dapat memberikan nilai tambah kepada orang-orang yang ingin lebih memahami jenis makanan yang dikonsumsinya. Dari hasil pengujian user experience yang dilakukan terhadap aplikasi, hasil perbandingan terhadap benchmark mengindikasikan bahwa aplikasi memiliki kualitas penggunaan di atas rata-rata dengan nilai 1,37 untuk daya tarik, 1,58 untuk kejelasan, 1,23 untuk efisiensi, 1,38 untuk ketepatan, 1,13 untuk stimulasi, dan 1,01 untuk kebaruan.