SISTEM PENDETEKSI PLAT NOMOR POLISI KENDARAAN DENGAN ARSITEKTUR YOLOV8

Lejar Satya; M Ridwan Dwi Septian; Mochammad Wisuda  Sarjono; Margi Cahyanti; Ericks Rachmat Swedia

doi:10.46984/sebatik.v27i2.2374

Authors

Lejar Satya Informatika, Universitas Gunadarma
M Ridwan Dwi Septian Sistem Informasi, Universitas Kristen Satya Wacana
Mochammad Wisuda Sarjono Sistem Informasi, Universitas Gunadarma
Margi Cahyanti Sistem Informasi, Universitas Gunadarma
Ericks Rachmat Swedia Informatika, Universitas Gunadarma

DOI:

https://doi.org/10.46984/sebatik.v27i2.2374

Keywords:

Deteksi, Kendaraan, Nomor, Paddleocr, Polisi, YOLO

Abstract

Nomor polisi kendaraan bermotor merupakan ciri atau tanda pengenal dari suatu kendaraan yang diberikan oleh kepolisian. Setiap kendaraan bermotor memiliki nomor yang berbeda-beda. bahkan setiap daerah memiliki kode nomor polisi yang berbeda-beda. Nomor polisi setiap kendaraan biasanya dicantumkan pada sebuah plat. Tanda Nomor Kendaraan Bermotor (TNKB) atau sering disebut plat nomor atau nomor polisi (Nopol) adalah salah satu jenis identifikasi yang diberikan kepada setiap kendaraan bermotor. Pengenalan otomatis plat nomor polisi kendaraan memiliki peran yang sangat penting dalam pengaturan lalu lintas, aspek keamanan, serta pengelolaan transportasi. Kemajuan signifikan dalam bidang ini telah tercapai melalui penggunaan teknik deep learning, terutama dengan adopsi arsitektur YOLOv8 (You Only Look Once) dalam mendeteksi objek. Penelitian ini difokuskan pada penerapan YOLOv8 dalam sistem pendeteksian plat nomor polisi kendaraan secara otomatis, dengan tujuan meningkatkan ketepatan dalam pengenalan karakter plat nomor polisi dengan menggunakan metode PaddleOCR. Dengan memanfaatkan YOLOv8, model telah berhasil dikembangkan dengan kemampuan untuk mengidentifikasi berbagai jenis kendaraan dan plat nomor polisi dengan tingkat akurasi yang signifikan. Skor precision sebesar 0,871 menggambarkan akurasi model dalam mengidentifikasi objek, sedangkan nilai recall sebesar 0,85 menunjukkan kemampuan model dalam mengambil kembali objek yang relevan. Selain itu, penggunaan PaddleOCR dalam proses pengenalan karakter pada plat nomor polisi juga memberikan hasil yang positif, bahkan pada gambar yang mengalami distorsi atau memiliki kualitas gambar yang rendah.

References

Aprilino, A., & others. (2022). Implementasi Algoritma Yolo dan Tesseract OCR pada Sistem Deteksi Plat Nomor Otomatis. Jurnal Teknoinfo, 16(1), 54–59.

Aryanto, R., Rosid, M. A., & Busono, S. (2023). Penerapan Deep Learning untuk Pengenalan Tulisan Tangan Bahasa Aksara Lota Ende dengan Menggunakan Metode Convolutional Neural Networks. Jurnal Informasi dan Teknologi, 258–264.

Christian, J., & Al Idrus, S. I. (2023). Introduction to Citrus Fruit Ripens Using the Deep Learning Convolutional Neural Network (CNN) Learning Method. Asian Journal of Applied Education (AJAE), 2(3), 459–470.

Djohari, N., Setiawan, M. N., & Liauw, F. (2022). Penerapan Teknologi Interaktif Display dalam Perancangan Interior Museum Wayang Jakarta. Mezanin, 4(2).

Fathurohman, A. (2021). Machine Learning Untuk Pendidikan: Mengapa Dan Bagaimana. Jurnal Informatika Dan Tekonologi Komputer (JITEK), 1(3), 57–62.

Kim, J.-H., Kim, N., & Won, C. S. (2023). High-Speed Drone Detection Based On Yolo-V8. ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 1–2.

Li, Y., Zhang, D., & others. (2023). Research and Application of Health Code Recognition Based on Paddle OCR under the Background of Epidemic Prevention and Control. Journal of Artificial Intelligence Practice, 6(1), 9–16.

Liao, M., Wan, Z., Yao, C., Chen, K., & Bai, X. (2020). Real-time scene text detection with differentiable binarization. Proceedings of the AAAI conference on artificial intelligence, 34(07), 11474–11481.

Ma’ruf, A., & Hardjianto, M. (2023). PENERAPAN ALGORITME YOU ONLY LOOK ONCE VERSION 8 UNTUK IDENTIFIKASI ABJAD BAHASA ISYARAT INDONESIA. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(2), 567–576.

Niu, H., Liu, J., Yu, Z., Zheng, D., He, P., & Wang, F. (2022). Real-time object tracking system using PTZ camera. 2022 IEEE 4th International Conference on Civil Aviation Safety and Information Technology (ICCASIT), 471–478.

Nugroho, Y. (2021). Pelanggaran Lalu Lintas Yang Dilakukan Oleh Anak Ditinjau Dari Undang-Undang Nomor 22 Tahun 2009 Tentang Lalu Lintas dan Angkutan Jalan. FENOMENA, 19(2), 246–267.

Pratitis, W. L., Kurniasari, K., & Al Fata, H. (2023). Classification of Spotted Disease on Sugarcane Leaf Image Using Convolutional Neural Network Algorithm. JTECS: Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer, 3(2), 117–128.

Putri, V. H. (2023). Detecting Incoming and Outgoing Passengers on Intelligent Car (iCar Its) Using Computer Vision. Institut Teknologi Sepuluh Nopember.

Rasywir, E., Sinaga, R., & Pratama, Y. (2020). Evaluasi pembangunan sistem pakar penyakit tanaman sawit dengan metode deep neural network (DNN). Jurnal media informatika budidarma, 4(4), 1206–1215.

Rema, Y. O. L. (2019). Deteksi Plat Nomor Kendaraan Bermotor dengan Segmentasi Gambar. Jurnal Saintek Lahan Kering, 2(1), 20–23.

Sama, A. K., & Sharma, A. (2023). Simulated uav dataset for object detection. ITM Web of Conferences, 54, 2006.

Wahyuni, S., & Sulaeman, M. (2022). Penerapan Algoritma Deep Learning Untuk Sistem Absensi Kehadiran Deteksi Wajah Di PT Karya Komponen Presisi. Jurnal Informatika SIMANTIK, 7(1), 12–21.

Yanto, Y., Aziz, F., & Irmawati, I. (2023). YOLO-V8 PENINGKATAN ALGORITMA UNTUK DETEKSI PEMAKAIAN MASKER WAJAH. JATI (Jurnal Mahasiswa Teknik Informatika), 7(3), 1437–1444.

Zhang, D. (t.t.). Yolodcc: Improved Yolov8 Combined with Dynamic Confidence Compensation For Lightweight Moving Object Detection. Available at SSRN 4571142.