Deteksi Plat Nomor Kendaraan Otomatis Dengan Convolutional Neural Network Dan Ocr Pada Tempat Parkir Itb Ahmad Dahlan Lamongan

Abstract

Pengenalan plat nomor kendaraan secara otomatis adalah konsep penting saat ini karena pesatnya pertumbuhan mobil, sepeda motor, dan kendaraan lainnya. Sistem pengenalan plat nomor otomatis ini menggunakan teknologi pemrosesan gambar untuk identifikasi kendaraan. Sistem ini dapat digunakan di daerah padat lalu lintas untuk memudahkan identifikasi kendaraan yang melanggar peraturan lalu lintas dan nama pemilik, alamat dan informasi lainnya dapat diambil dengan menggunakan sistem ini. Sistem cerdas dapat memainkan peran penting dalam pendeteksian pelat nomor kendaraan. Pada penelitian ini dikembangkan sebuah sistem untuk mendeteksi dan mengenali pelat nomor kendaraan menggunakan convolutional neural network (CNN), sebuah teknik deep learning, yang bertujuan untuk menyajikan sebuah sistem cerdas untuk pengenalan plat nomor kendaraan secara otomatis berbasis teknik pengolahan citra digital. Sistem ini terdiri dari dua bagian yaitu deteksi plat nomor dan pengenalan plat nomor. Pada bagian deteksi, citra kendaraan ditangkap melalui kamera digital. Kemudian sistem membagi wilayah pelat nomor dari bingkai gambar. Setelah mengekstrak wilayah pelat nomor, metode resolusi super diterapkan untuk mengubah gambar dari beresolusi rendah menjadi gambar beresolusi tinggi. Teknik resolusi super digunakan dengan convolutional layer CNN untuk merekonstruksi kualitas piksel dari citra masukan. Setiap karakter plat nomor disegmentasi berdasarkan area pengamatan (region of interest). Pada bagian pengenalan, fitur diekstraksi dan diklasifikasikan menggunakan model CNN. Hasil penelitian menunjukkan deteksi area plat nomor menunjukkan akurasi 98 % sedangkan pembacaan karakter nomor kendaraan menunjukkan akurasi 88 %.

Sistem Deteksi Laju dan Plat Nomor Kendaraan Berbasis Video Rekaman Menggunakan YOLOv5-DeepSORT dan HyperLPR

“…Hasil pengujian tersebut didapatkan hasil akurasi karakter secara keseluruhan sebesar 94.82%. Berdasarkan hasil pendeteksian karakter menggunakan algoritma HyperLPR dihasilkan nilai yang lebih baik dari CNN, Optical Character Recognition (OCR) dan OCR dengan modifikasi Template Matching yang mendapatkan nilai akurasi sebesar 88% dan 90% [18] [19].…”

Perancangan Wireless Starter Kendaraan Bermotor Berbasis Arduino

“…Tahap berikutnya pengujian program dilakukan pengujian program apakah sudah sesuai dengan kode program yang diamasukkan, apabila terjadi kesalah masa akan dilakukan pemrograman kembali. Tahap terakhir pengujian, pengujian program dan tidak mengalami error dan bekerja sesuai dengan kode program yang telah dimasukkan, maka akan dilakukan pemeliharaan agar kode program yang telah dimasukkan tidak terjadi perubahaan dan dilalukan update berkala baik untuk server nya ataupun perangkatnya [13].…”