Deteksi Objek dan Pengenalan Karakter Plat Nomor Kendaraan dengan Metode Deep Learning
Ghina Salma Susilo, Diyah Utami Kusumaning Putri, S.Kom, M.Sc.
2024 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI
Data Kementerian Perhubungan menunjukkan jumlah kendaraan bermotor
di Indonesia mencapai 141,99 juta unit pada tahun 2021, meningkat 4,30?ri
tahun sebelumnya. Seiring peningkatan jumlah kendaraan bermotor, Sistem
Transportasi Cerdas di Indonesia menjadi penting untuk mempermudah proses
manajemen lalu lintas. Salah satu aplikasi penting dalam Sistem Transportasi
Cerdas adalah Sistem Pengenalan Plat Nomor Otomatis atau Automatic Number
Plate Recognition (ANPR).
Penerapan sistem ANPR memiliki tantangan tersendiri, salah satu
tantanganya adalah kondisi cuaca. Untuk itu dalam penelitian ini dilakukan
eksperimen mengenai pemanfaatan model deep learning dalam sistem ANPR
yang dapat mengenali karakter plat nomor dalam kondisi cuaca panas, mendung
dan hujan sedang. Digunakan dua modul deep learning dengan fungsi yang
berbeda, YOLOv5n untuk deteksi plat nomor dan framework TPS-ResNetBiLSTM-Attn untuk fungsi pengenalan karakter. Masing-masing modul dilatih
dengan dua jenis dataset, Dataset 1 mencakup gambar dengan variasi kondisi
cuaca panas dan mendung dan Dataset 2 mencakup gambar dengan variasi kondisi
panas, mendung dan hujan sedang. Hasil dari variasi pelatihan model kemudian
diuji menggunakan satu dataset yang mencakup gambar plat nomor dalam kondisi
cuaca panas, mendung dan hujan sedang.
Penelitian menghasilkan model dan metode pelatihan yang efisien untuk
masing-masing model. Metode pelatihan dengan performa terbaik untuk model
YOLOv5n yaitu dengan menggunakan Dataset 2 dan hyperparameter evolution.
Didapatkan hasil pengujian berupa nilai mAP 0,893 dan f1-score 0,919.
Sedangkan metode pelatihan dengan performa terbaik pada framework TRBA
adalah dengan menggunakan Dataset 2 (3200 data) yang memiliki jumlah dataset
lebih banyak disbanding Dataset 1(1600 data). Didapatkan hasil pengujian model
berupa nilai akurasi sebesar 80,87%.
Ministry of Transportation say that the number of motorized vehicles in
Indonesia reached 141.99 million units in 2021, increase 4.30% from the previous
year. With the increasing number of motorized vehicles, implementation of
Intelligent-Transportation-Systems in Indonesia has become crucial to facilitate
traffic management processes. One essential application in Intelligent
Transportation Systems is the Automatic Number Plate Recognition (ANPR)
system.
Implementation of ANPR system presents its own challenges, with one of
them being weather conditions. Therefore, this research conducted experiments on
the utilization of deep-learning models in the ANPR system capable of
recognizing license-plate characters in hot, cloudy, and moderately rainy weather
conditions. Two different deep learning modules were used, YOLOv5n for license
plate detection and TPS-ResNet-BiLSTM-Attn framework for character
recognition. Each module was trained with two types of datasets: Dataset-1
included images with variations in sunny and cloudy weather conditions, and
Dataset-2 included images with variations in sunny, cloudy, and rainy weather
conditions. The results from the training variations were then tested using single
dataset that included images of license plates in sunny, cloudy, and rainy weather
conditions.
The research produced efficient training methods for each module. The bestperforming training method for the YOLOv5n model was using Dataset 2 with
hyperparameter evolution, with a testing result of mAP 0.893 and f1-score 0.919.
The best-performing training method for the TPS-ResNet-BiLSTM-Attn
framework was using Dataset 2 (3200 data), which had a larger number of
datasets compared to Dataset 1 (1600 data). The testing results for this model
showed an accuracy of 80.87%.
Kata Kunci : Deteksi Objek, Pengenalan Karakter, YOLOv5, TPS, ResNet, Bi-LSTM, Attn