PENINGKATAN AKURASI PENGENALAN KARAKTER MENGGUNAKAN MODIFIKASI CNN BERUPA PENGURANGAN UKURAN GRID SECARA EFISIEN PADA ANPR

AHMAD MUSHTHOFA, Ir. Agus Bejo, S.T., M.Eng., D.Eng., IPM.;Dr. Ir. Risanuri Hidayat, M.Sc., IPM.

2020 | Tesis | MAGISTER TEKNOLOGI INFORMASI

Automatic Number Plate Recognition (ANPR) pada umumnya dibagi menjadi tiga tahap: lokalisasi plat, segmentasi karakter, dan pengenalan karakter. Diantara tahapan - tahapan tersebut, pengenalan karakter memiliki pengaruh yang paling signifikan terhadap akurasi ANPR. Salah satu metode populer yang memiliki performa impresif dan umum digunakan pada saat ini adalah Convolution Neural Network (CNN). Namun, layer max-pooling di dalam arsitektur CNN rentan kehilangan informasi selama downsampling feature map. Metode yang kami usulkan yaitu menggunakan pengurangan ukuran grid secara efisien menggantikan layer max-pooling untuk mengatasi masalah tersebut. Untuk mengevaluasi metode yang kami usulkan, sebuah dataset yang terdiri dari gambar karakter plat nomor dibagi menjadi 36 kelas, yang merepresentasikan huruf A - Z dan angka 0 - 9. Setiap kelas terdiri yang dari 100 gambar merupakan data test dan 400 gambar merupakan data train. Hasil eksperimen menunjukan bahwa metode yang kami usulkan dapat meningkatkan akurasi dari 91.51% menjadi 93.87%, dimana 2.36% lebih baik.

Automatic Number Plate Recognition (ANPR) is mainly divided into three steps: plate localization, character segmentation, and character recognition. Among those steps, character recognition is the most significant influencer on ANPR accuracy. One of the popular methods that have impressive performance and commonly used recently is Convolution Neural Network (CNN). However, max-pooling layers within CNN architecture are prone to lose information during the downsampling of feature maps. Our proposed method is using efficient grid size reduction, replacing the max-pooling layer to overcome the problem. To evaluate our proposed method, a dataset that contains images of number plate characters divided into 36 classes, which represent letters A - Z and numbers 0 - 9. Each class consists of 100 images as a data test and 400 images as a data train. Experiments showed that our proposed method improved accuracy from 91.51% to 93.87%, which is 2.36% better.

Kata Kunci : ANPR, CNN, konvolusi, max-pooling, pengenalan karakter, concatenate