OPTIMALISASI SISTEM PENGABURAN PLAT NOMOR OTOMATIS MENGGUNAKAN METODE YOLOV5 DAN OBJECT TRACKING
Petrus Caelestinus Pratama Prihantoro, Dr. Andi Dharmawan, S.Si., M.Cs.;Dr.techn. Aufaclav Zatu Kusuma Frisky, S.Si., M.Sc.
2023 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI
Pada
penelitian ini, dirancang sistem pengaburan otomatis secara real-time dalam
perangkat android dan secara offline dalam perangkat PC. Sistem
pengaburan otomatis menggunakan metode Deep Learning dengan memastikan kecepatan
komputasi yang ringan dan kompatibel dengan perangkat android. Metode Deep
Learning yang digunakan adalah YOLOv5 dengan model YOLOv5n6. Metode YOLOv5
diharapkan dapat menyelesaikan masalah tersebut dengan memperhatikan dataset
beserta parameter lain yang berpengaruh dalam proses deteksi seperti confidence
threshold dan iou threshold. Sistem pengaburan juga didukung oleh tracking
yang digunakan untuk meningkatkan jumlah true positive.
Penelitian ini menggunakan 9455 gambar yang dibagi menjadi data training dan validation yang digunakan dalam proses training. Pengujian dilakukan secara langsung menggunakan aplikasi yang berjalan pada perangkat android. Hasil penelitian ini adalah sistem dapat mengaburkan plat nomor secara otomatis pada 23.88 fps dengan nilai recall terbaik, yaitu 0.9214 dengan menggunakan deteksi objek dan tracking. Selain itu, sistem juga dapat digunakan pada cuaca cerah dan hujan.
In this
research, an automatic blurring system is designed in real-time on an android
device and offline on a PC device. The automatic blurring system uses Deep
Learning method by ensuring lightweight computational speed and compatible with
android devices. The Deep Learning method used is YOLOv5 with YOLOv5n6 model.
The YOLOv5 method is expected to solve the problem by considering the dataset
and other parameters that affect the detection process such as confidence
threshold and iou threshold. The blurring system is also supported by tracking
which is used to increase the number of true positives. This
research uses 9455 images divided into training and validation data used in the
training process. The result of this research is that the system can blur the
license plate automatically at 23.88 fps with the best recall value, which is 0.9214
using YOLOv5 object detection and tracking. In addition, the system can also be
used in sunny and rainy weather.
Kata Kunci : Deep Learning,YOLOv5,Pengaburan,Plat nomor,Real time,Android