DIGIT RECOGNITION UNTUK METERAN LISTRIK ANALOG MENGGUNAKAN FASTER R-CNN PADA APLIKASI KWH METER

GAGAH GHANISWARA KHAESARRAHMAN

Informasi Umum

Kode

21.04.2881

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

196 kali

Informasi Lainnya

Abstraksi

ABSTRAK

Pengukuran penggunaan konsumsi listrik saat ini menggunakan sebuah alat yang bernama kWh meter, saat ini terdapat dua macam kWh meter yang menampilkan pengukuran dengan digital menggunakan layar elektronik dan analog, pada kWh meter analog terdapat 3 jenis yang saat ini digunakan oleh PLN yaitu : kWh meter 3 digit, 4 digit, dan 5 digit. Untuk mendata pengukuran pada meteran listrik analog saat ini pihak PLN masih melakukan secara manual dengan mendatangi rumah pengguna.

Salah satu cara untuk mengotomasi pembacaan meteran listrik analog adalah menggunakan sebuah perangkat IoT yang akan mengirimkan informasi penggunaan listrik. Sebelumnya sudah dilakukan riset untuk mengirimkan penggunaan listrik, namun pada riset sebelumnya diperlukan penambahan modul yang mahal pada kWh meter analog.

Pada Tugas Akhir ini penulis mengusulkan solusi untuk mebaca pengunaan listrik analog menggunakan metode Faster R-CNN untuk memprediksi angka pada gambar yang dikirimkan oleh perangkat IoT. Berdasarkan hasil pengujian parameter pada recall, precision dan akurasi didapatkan model terbaik Faster R-CNN menggunakan partisi data 90:10, batch size 3, learning rate 0.04 dan epoch 7000 dengan nilai akurasi sebesar 99.67%, recall 98.04%, dan precision 98.04%.

Kata Kunci : Faster-RCNN, IoT, Deep Learning, Digit Recognition, kWh meter.

ABSTRACT

The current measurement of electricity consumption uses a tool called a kWh meter, currently there are two types of kWh meters that display digital measurements using electronic and analog screens, there are 3 types of analog kWh meters currently used by PLN, namely: kWh meter 3 digits, 4 digits, and 5 digits. To record measurements on analog electricity meters, PLN is currently still doing it manually by visiting the user's house.

In this final project, the author proposes a solution to read analog electricity usage using the Faster R-CNN method to predict numbers in images sent by IoT devices. Based on the results of parameter testing on recall, precision and accuracy, obtained the best model of Faster R-CNN is obtained using a data partition of 90:10, batch size of 3, learning rate of 0.04 and epoch of 7000 with an accuracy of 99.67%, recall value of 98.04%, and precision value of 98.04%.

Keywords : Faster-RCNN, IoT, Deep Learning, Digit Recognition, kWh meter.