Pengenalan Karakter Optis untuk Pencatatan Meter Air dengan Long Short Term Memory Recurrent Neural Network

Victor Utomo,Agusta Praba Ristadi Pinem Agusta Praba Ristadi Pinem,Bernadus Very Christoko Bernadus Very Christoko

doi:10.29207/resti.v5i1.2807

Victor Utomo, Agusta Praba Ristadi Pinem Agusta Praba Ristadi Pinem + Show 1 more

Open Access

https://doi.org/10.29207/resti.v5i1.2807

Copy DOI

Abstract

Clean water service providers in Indonesia are still recording water meters as water usage data with manual recording by record collector. Alternative solutions for recording water meters from previous research use the Internet of Things (IoT) or image recognition that is processed on a server. The solutions rely on the Internet which is unsuitable with Indonesia’s condition. This study proposes a water meter reading system that can work on mobile devices without using the Internet. The system works by utilizing optical character recognition (OCR) using the Long Short Term Memory Recurrent Neural Network (LSTM-RNN) method. LSTM-RNN is a classification method in artificial neural network which has feedback. The results show that the water meter reading system could work without using an Internet connection. The average time it takes to perform the reading process is 2285ms even on Android device with low specification. The overall reading accuracy is 86%. Single value reading accuracy, when the digit meter displays only 1 number, is 97%, while the accuracy of double value reading, when the digit meter displays 2 numbers, is 18%.

Highlights

Clean water service providers in Indonesia are still recording water meters as water usage data with manual recording by record collector
This study proposes a water meter reading system that can work on mobile devices without using the Internet
The results show that the water meter reading system could work without using an Internet connection

Summary

Pendahuluan

Meter air adalah kebutuhan bagi penyedia jasa air bersih. Meter air ini dicatat secara berkala sebagai dasar penagihan. Penelitian yang menggunakan perangkat mobile tanpa RNN juga memungkinkan sebuah neuron pada sebuah koneksi Internet untuk melakukan pembacaan meter layer terhubung dengan neuron pada layer sebelumnya. Penelitian ini memanfaatkan Hal yang tampak sederhana ini memungkinkan neural pengenalan karakter optis yang sudah banyak digunakan network tidak hanya bergantung pada masukan saat ini pada perangkat mobile, misalnya untuk deteksi produk tapi juga input sebelumnya. Penambahan utama pada rancangan LSTM adalah dengan menyertakan kontrol non-linear dan datadependent pada neuron RNN yang dapat dilakukan proses training untuk memastikan bahwa gradien fungsi. LSTM-RNN juga telah digunakan untuk membuat Tahapan pasca-proses dibutuhkan hanya pada hasil model prediksi tenaga yang dihasilkan sel photovoltaic pengenalan karakter yang tidak sempurna. LTSM-RNN juga dapat digabungkan dengan pengolahan yang utama yang dilakukan pada tahap metode CNN-Sliding Window untuk melakukan pasca-proses ini yaitu penghapusan box dan pengubahan prediksi harga saham [27].

Rancangan Sistem terkadang tidak sempurna menghasilkan gambar yang

Akurasi Pembacaan

Performa