Perpustakaan Digital ITB

Pengenalan pelat nomor otomatis atau automatic number plate recognition (ANPR) adalah teknologi yang menggunakan pengenalan karakter optik untuk mengekstraksi informasi dan membaca pelat nomor kendaraan dari gambar atau urutan gambar. Teknologi ANPR harus memperhitungkan variasi pelat nomor kendaraan dari satu tempat ke tempat lain sesuai standar negara masing-masing, yang umumnya memiliki perbedaan format, ukuran, dan karakter pelat nomor. Tanda Nomor Kendaraan Bermotor (TNKB) adalah pelat aluminium tanda nomor kendaraan bermotor di Indonesia yang telah didaftarkan pada Kantor Bersama Sistem Administrasi Manunggal Satu Atap (SAMSAT). Sistem pengenalan pelat nomor otomatis pada dasarnya memiliki 3 komponen utama, yaitu deteksi pelat nomor, segmentasi karakter, dan pengenalan karakter. Sistem pengenalan pelat nomor kendaraan dapat digunakan oleh penegak hukum untuk mengidentifikasi kendaraan yang tidak terdaftar atau dicuri, membantu penegakan aturan lalu lintas, dan mengidentifikasi kendaraan penjahat yang dicari. Sistem ANPR dapat diintegrasikan pada sistem perparkiran untuk meningkatkan kecepatan transaksi tanpa membutuhkan operator parkir. Penggunaan sistem pengenalan pelat nomor pada sistem pemantauan lalu lintas dapat berfungsi untuk membantu dalam pembuatan keputusan perihal kondisi lalu lintas seperti kemacetan. Pengembangan sistem pengenalan pelat nomor pada tugas akhir ini bertujuan untuk mengumpulkan dataset v pelat nomor kendaraan Indonesia dan mengimplementasikan algoritma YOLO terhadap dataset pelat nomor kendaraan Indonesia. You Only Look Once (YOLO) merupakan suatu arsitektur deep neural network untuk melakukan deteksi objek. Keunggulan utama dari YOLO dibandingkan dengan metode deteksi objek lain adalah pada kecepatan deteksi dan klasifikasinya. YOLO hanya sekali melakukan pemrosesan terhadap gambar, dan langsung menghasilkan keluaran berupa bounding box dan kelas prediksi gambar pada bounding box. YOLOv4 pada arsitektur darknet memiliki bagian-bagian sebagai berikut, bagian input merupakan citra pelatihan, bagian backbone untuk ekstraksi fitur atau pola menggunakan CSPDarknet53, bagian neck untuk aggregasi menggunakan SPP Block dan PANet, dan bagian head untuk deteksi, prediksi, lokalisasi, atau klasifikasi menggunakan YOLOv3. Kinerja algoritma YOLO diukur dalam melakukan pengenalan pelat nomor kendaraan Indonesia melalui proses evaluasi saat tahap pelatihan dan pengujian melalui beberapa skenario. Hasil evaluasi model deteksi pelat nomor memiliki rata-rata precision dan recall sebesar 80.31 % dan 97.82 % dan hasil evaluasi model pengenalan karakter memiliki rata-rata precision dan recall sebesar 98.45 % dan 99.22 %. Hasil pengujian pada skenario merotasi gambar sebesar 15% dan skenario mengaburkan gambar sebesar 40% memunculkan dugaan bahawa dataset yang digunakan pada tahap pelatihan belum dapat memenuhi kebutuhan pengujian. Selain itu, berdasarkan hasil pengujian, dibutuhkan waktu untuk membangkitkan arsitektur darknet untuk YOLO pada pemanggilan awal dengan durasi berkisar antara 319 – 381 ms untuk deteksi pelat nomor dan 324 – 373 ms untuk pengenalan karakter. Namun, ketika pemanggilan awal telah dilakukan, pembacaan untuk deteksi pelat nomor dapat dilakukan dengan durasi 2.2 ms tiap gambar. Untuk penelitian lebih lanjut, penambahan jumlah dan variasi data dapat dilakukan untuk meningkatkan kinerja sistem. Data yang dibutuhkan dalam memenuhi kebutuhan pengujian sebagai representasi dunia nyata diantaranya adalah data dengan variasi pencahayaan, kondisi pelat nomor, ukuran pelat nomor pada gambar, dan sudut pengambilan.