Integrasi YOLOv11 Dan ResNet-CBAM Untuk Sistem Pembacaan Meter Otomatis Pada Kwh Meter Analog

Iqbal, Muhammad (2026) Integrasi YOLOv11 Dan ResNet-CBAM Untuk Sistem Pembacaan Meter Otomatis Pada Kwh Meter Analog. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022241067-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Proses pembacaan meter yang akurat sangat penting tidak hanya untuk meminimalkan kehilangan energi, tetapi juga untuk menjaga citra baik Perusahaan Listrik Negara (PLN). Ketidakakuratan pembacaan meter dapat berasal dari kesalahan pembacaan dan/atau kesalahan input stand meter dan nomor meter yang masih dilakukan secara manual oleh petugas PLN.
Di era pengembangan teknologi berbasis deep learning ini, perlu diimplementasikan metode sistem pembacaan otomatis berbasis Convolutional Neural Networks (CNN), salah satunya dengan mengintegrasikan model You Only Look Once versi 11 (YOLOv11) untuk mendeteksi objek stand meter dan nomor meter dengan beberapa arsitektur CNN seperti Residual Network (ResNet), Visual Geometry Group (VGG), dan ResNet yang dikombinasikan dengan Convolutional Block Attention Module (CBAM) atau ResNet-CBAM untuk pengenalan digit karakter stand meter dan nomor meter. Mengintegrasikan modul CBAM ke dalam ResNet (ResNet-CBAM) dapat membuat pembelajaran residual yang stabil lebih andal dengan menyoroti fitur-fitur penting baik dalam dimensi kanal maupun spasial. Berbeda dengan penelitian sebelumnya yang terutama berfokus pada pembacaan meter saja atau mengandalkan pengaturan citra yang lebih terkontrol, penelitian ini bertujuan mengembangkan dan mengevaluasi sistem pembacaan meter otomatis yang mampu mendeteksi area stand meter dan nomor meter serta mengenali rangkaian digit pada kedua area tersebut dari citra kWh meter analog dalam kondisi lapangan nyata.
Dataset yang digunakan untuk model pelatihan ini terdiri dari 1600 citra kWh meter analog dari berbagai produsen yang diperoleh melalui proses seleksi, pelabelan, dan augmentasi untuk kemudian dilatih dan dievaluasi kinerja modelnya. Hasil eksperimen menunjukkan bahwa model YOLOv11 mampu mendeteksi area nomor meter dan stand meter dengan mAP@0.5 sebesar 98,41% dan mAP@0.5:0.95 sebesar 78,96%, sedangkan akurasi model pengenalan digit ResNet-CBAM mencapai 96,95% paling baik bila dibandingkan dengan ResNet (95,38%) dan VGG (95,75%). Kebaruan penelitian ini terletak pada integrasi YOLOv11 dan ResNet-CBAM untuk mendeteksi sekaligus mengenali stand meter dan nomor meter pada kWh meter analog menggunakan citra lapangan nyata yang berasal dari berbagai manufaktur dan kondisi pengambilan. Secara praktis, sistem yang diusulkan diharapkan dapat mendukung PLN dalam meningkatkan keandalan pencatatan meter, mengurangi kesalahan pembacaan dan penginputan, meminimalkan potensi kehilangan energi, serta menekan keluhan pelanggan akibat ketidaksesuaian rekening listrik.
========================================================================================================================================
The accurate meter reading process is crucial not only to minimize energy losses but also to maintain the good image of the Perusahaan Listrik Negara (PLN). The inaccuracy of meter readings can originate from reading errors and/or input errors of meter stands and meter numbers that are still done manually by PLN officers.
In this era of deep learning-based technology development, it is necessary to implement an automatic reading system method based on Convolutional Neural Networks (CNN), one of which is by integrating the You Only Look Once version 11 (YOLOv11) model to detect meter reading objects and meter identification (ID) with several CNN architectures such as Residual Network (ResNet), Visual Geometry Group (VGG), and ResNet combined with Convolutional Block Attention Module (CBAM) or ResNet-CBAM for meter reading character digit recognition and meter ID. Unlike previous studies that primarily focus on counter reading only or rely on more controlled image settings, this research aims to develop an automatic meter reading system that is able to detect the meter reading area and meter ID and recognize the digit series in both areas from the analog kWh meter image in real field conditions.
The dataset used for this training model consists of 1600 analog kWh meter images from various manufacturers obtained through a selection, labelling, and augmentation process to then be trained and evaluate the model's performance. The experimental results show that the YOLOv11 is able to detect the meter ID area and meter reading with mAP@0.5 of 98.41% and mAP@0.5:0.95 of 78.96%, while the accuracy of the ResNet-CBAM digit recognition model reaches 96.95%, the best when compared with ResNet (95.38%) and VGG (95.75%). The novelty of this research lies in the integration of YOLOv11 and ResNet-CBAM to detect and recognize meter reading and meter ID on analog kWh meters using real field images originating from various manufacturers and collection conditions. In practical terms, the proposed system is expected to support PLN in increasing the reliability of meter recording, reducing reading and input errors, minimizing the potential for energy loss, and reducing customer complaints due to electricity bill discrepancies.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	cbam, cnn, deep learning, pembacaan meter, pln, resnet, vgg, yolov11, meter reading,
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing. T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK3030 Electric power distribution systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Muhammad Iqbal
Date Deposited:	02 Aug 2026 06:23
Last Modified:	02 Aug 2026 06:25
URI:	http://repository.its.ac.id/id/eprint/143002

Actions (login required)

View Item