Jurnal Teknologi Industri (JTI) Vol.
No.
Agustus 2025, hal.
43 Ae 52 ISSN: 2302-2191 (Prin.
3030-9964 (Onlin.
https://doi.
org/10.
35968/jti.
Open Access Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor Kendaraan Berbasis OCR di Satrad 232 Rizky Irwan1,*.
Sumpena2 Program Studi Teknik Elektro Fakultas Teknik Dirgantara Dan Industri Universitas Dirgantara Marsekal Suryadarma.
Jakarta.
Indonesia Info Artikel Histori Artikel:
Diajukan: 23 Juni 2025 Direvisi: 28 Juli 2025 Diterima: 27 Agustus 2025 Kata kunci:
keamanan instalasi militer OCR portal otomatis pengenalan pelat nomor YOLOv8.
Keywords:
automatic portal, license plate recognition military installation security OCR YOLOv8.
Penulis Korespondensi:
Rizky Irwan Email:
piliang10@gmail.
ABSTRAK
Keamanan pada instalasi militer strategis merupakan hal yang fundamental dalam sistem pertahanan.
Sistem keamanan di instalasi militer seperti Satuan Radar 232 masih mengandalkan pengawasan manual yang memiliki keterbatasan dalam efisiensi dan akurasi identifikasi kendaraan.
Penelitian ini bertujuan mengembangkan sistem portal otomatis berbasis pengenalan pelat nomor kendaraan menggunakan teknologi Optical Character Recognition (OCR) untuk meningkatkan keamanan dan efisiensi Metode penelitian menggunakan pendekatan Research and Development (R&D) dengan model waterfall yang meliputi analisis kebutuhan, perancangan sistem, implementasi, dan pengujian.
Sistem yang dikembangkan mengintegrasikan webcam sebagai sensor visual.
YOLOv8 untuk deteksi pelat nomor.
OCR untuk ekstraksi karakter, dan Arduino Nano sebagai kontroler aktuator portal.
Pengujian dilakukan dalam berbagai kondisi pencahayaan dan sudut kendaraan menggunakan 1.
500 gambar pelat nomor kendaraan dinas Satrad 232.
Hasil pengujian menunjukkan sistem mampu mendeteksi pelat nomor dengan akurasi 93% dan akurasi OCR 84.
9%, success rate sistem terintegrasi sebesar 92.
Response time sistem kurang dari 5 detik dengan tingkat keandalan 98.
3% pada kondisi operasional normal.
Sistem berhasil mengurangi ketergantungan pada penjagaan manual dan meningkatkan efisiensi proses verifikasi Penelitian ini berkontribusi dalam pengembangan sistem keamanan berbasis computer vision untuk instalasi militer dengan tingkat akurasi dan kecepatan yang memadai untuk implementasi operasional.
Security at strategic military installations is fundamental to a nationAos defense.
Security systems at facilities like Radar Unit 232 still depend on manual surveillance, which has limited efficiency and accuracy for vehicle identification.
This research aims to develop an automated gate system based on license plate recognition using Optical Character Recognition (OCR) to improve security and operational efficiency.
The study used a Research and Development (R&D) approach with a waterfall model, covering requirement analysis, system design, implementation, and testing.
The system integrates a webcam.
YOLOv8 for license plate detection.
OCR for character extraction and an Arduino Nano as the gate controller.
Testing was conducted using 1500 images of official vehicles from Radar Unit 232 in various lighting and angle The results showed a 93% license plate detection accuracy and an 84.
OCR accuracy, leading to an overall integrated system success rate of 92.
The systemAos response time is under 5 seconds with 98.
3% reliability in normal operations.
This system successfully reduce dependence on manual guards and enhances the efficiency of vehicle verification, contributing a computer vision-based security with adequate accuracy and speed for military implementation.
Copyright A 2025 Author.
All rights reserved Creative https://journal.
id/index.
php/jti Rizky Irwan & Sumpena: Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor
Kendaraan Berbasis OCR di Satrad 232
PENDAHULUAN
Keamanan pada instalasi militer strategis merupakan hal yang fundamental dalam sistem Objek vital ini menuntut sistem pengawasan dan kontrol aksi yang andal dan mampu beradaptasi dengan perkembangan teknologi.
Salah satunya pada Satuan Radar 232 (Satrad .
Satrad 232 merupakan lokasi strategis yang berfungsi sebagai basis operasional alutsista radar TNI Angkatan Udara dalam sistem pertahanan udara nasional Indonesia .
Saat ini, pengamanan di area ini masih mengandalkan metode penjagaan konvensional, di mana petugas jaga bertugas mengawasi akses keluarmasuk kendaraan melalui pintu gerbang dan portal utama secara manual.
Sistem pengamanan tradisional ini belum dilengkapi dengan teknologi pelacakan aktivitas kendaraan yang dapat merekam, mengidentifikasi, dan memverifikasi kendaraan yang memasuki area instalasi militer secara otomatis.
Keterbatasan ini menyebabkan potensi kelemahan dalam aspek pengawasan dan keamanan area vital yang seharusnya mendapatkan perlindungan optimal.
Menjawab tantangan tersebut, sistem portal otomatis untuk Satuan Radar 232 merupakan kebutuhan yang mendesak dalam upaya peningkatan sistem keamanan di lingkungan instalasi militer strategis .
Dengan kemampuan mengidentifikasi kendaraan secara cepat dan akurat melalui teknologi pengenalan pelat nomor .
Sistem ini dapat secara signifikan meningkatkan tingkat keamanan akses dan menghasilkan pencatatan yang lebih presisi dibandingkan metode konvensional.
Implementasi teknologi ini juga akan mengoptimalkan efisiensi waktu dan tenaga dengan mengurangi ketergantungan pada petugas jaga dalam proses verifikasi manual, memungkinkan mereka untuk fokus pada aspek keamanan lain yang lebih kompleks.
Sistem keamanan terpadu ini akan menjadi solusi komprehensif untuk mengatasi celah keamanan potensial dan menghadirkan lapisan perlindungan tambahan untuk aset pertahanan negara yang berharga.
Oleh karena itu, penelitian ini berfokus pada pengembangan sistem portal otomatis berbasis teknologi pengenalan pelat nomor kendaraan di lingkungan Satuan Radar 232.
Sistem yang dirancang mengintegrasikan beberapa komponen utama, yaitu kamera pengawas sebagai perangkat akuisisi citra, teknologi Optical Character Recognition (OCR) untuk mengekstrak dan mengidentifikasi informasi alfanumerik pada pelat kendaraan .
, serta aktuator yang mengendalikan mekanisme portal secara Dengan pendekatan terintegrasi ini, sistem dapat melakukan verifikasi identitas kendaraan secara real-time, membandingkannya dengan database kendaraan resmi, dan memberikan akses masuk atau keluar hanya kepada kendaraan yang terotorisasi.
Implementasi sistem ini diharapkan dapat memperkuat pengamanan aset pertahanan udara nasional sekaligus meningkatkan efisiensi operasional di instalasi militer.
II.
METODE PENELITIAN
Perancangan sistem portal otomatis berbasis pengenalan pelat nomor kendaraan menggunakan pendekatan sistem terintegrasi yang menggabungkan komponen hardware dan software dalam satu kesatuan yang saling berinteraksi.
Sistem dirancang untuk dapat beroperasi secara otomatis dalam mendeteksi, mengidentifikasi, dan memverifikasi kendaraan yang akan memasuki area Satuan Radar Gambar 1 menunjukkan blok diagram sistem mulai dari ketika webcam mengambil gambar pelat kendaraan, proses pengenalan pelat dengan metode OCR, verifikasi hingga buka/tutup portal.
Gambar 1.
Blok diagram sistem Arsitektur Sistem Keseluruhan Arsitektur sistem, ditunjukkan pada Gambar 2, terdiri dari tiga layer utama yaitu, layer akuisisi data .
ebcam untuk penangkapan gamba.
, layer pemrosesan .
aptop dengan algoritma YOLO dan OCR), dan layer kontrol .
rduino nano untuk menggerakkan aktuator dan senso.
Setiap layer memiliki JTI, 14 .
Agustus 2025, hal.
43 Ae 52 Rizky Irwan & Sumpena : Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor Kendaraan Berbasis OCR di Satrad 232 fungsi spesifik tetapi saling terhubung melalui protokol komunikasi yang telah ditentukan.
Dengan mengintegrasikan Dot Matrix MAX7219 dalam sistem portal otomatis, informasi dapat disampaikan secara visual dan real-time, menjadikan sistem lebih interaktif, dan informatif .
Gambar 2.
Arsitektur keseluruhan sistem Rancang Bangun Sistem Keamanan Portal Otomatis Prototipe dirancang dalam skala miniatur tetapi tetap merepresentasikan fungsi sistem Portal menggunakan mekanisme palang yang digerakkan oleh servo motor, dengan kamera webcam diposisikan pada sudut optimal untuk menangkap gambar pelat kendaraan.
Sensor IR ditempatkan sebelum area deteksi untuk memicu aktivasi sistem secara otomatis ketika kendaraan Sensor IR dipilih karena mendeteksi objek buram maupun tembus cahaya, serta memiliki diameter 17 mm, panjang sensor 45 mm, dan panjang kabel 45 mm .
Portal digerakkan menggunakan servo dengan spesifikasi teknis mencakup ukuran 40y20y40,5 mm, berat 60 gram, tegangan operasi antara 4,8Ae6,8 V, torsi stall sebesar 24,5 kg/cm pada 5 V dan 28 kg/cm pada 6,8 V, kecepatan rotasi 0,15 detik/60A pada 5 V dan 0,13 detik/60A pada 6,8 V .
Perancangan sistem ini mempertimbangkan aspek modularitas, sehingga setiap komponen dapat dikembangkan dan diuji secara terpisah sebelum diintegrasikan.
Pendekatan ini memungkinkan troubleshooting yang lebih efektif dan memudahkan proses pemeliharaan sistem di masa mendatang.
Gambar 3.
Prototipe sistem keamanan portal otomatis Pengumpulan dan Preprocessing Dataset Penelitian ini menggunakan dataset khusus yang dikumpulkan dari lingkungan Satuan Radar 232 untuk memastikan sistem dapat beradaptasi dengan karakteristik spesifik pelat nomor dinas dan kondisi lingkungan setempat.
Setiap gambar dalam dataset dianotasi secara manual menggunakan fitur anotasi khusus untuk computer vision.
Proses anotasi meliputi:
ISSN: 2302-2191 (Prin.
3030-9964 (Onlin.
Rizky Irwan & Sumpena: Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor Kendaraan Berbasis OCR di Satrad 232 Deteksi Objek (YOLO): Pembuatan bounding box yang menandai lokasi pelat nomor dalam Format anotasi menggunakan koordinat normalisasi .
_center, y_center, width, heigh.
Setiap bounding box dilabeli dengan class "license_plate".
Ground Truth OCR: Pencatatan teks aktual dari setiap pelat nomor sebagai referensi.
Format standar penulisan pelat nomor dinas TNI AU.
Verifikasi akurasi teks melalui cross-checking dengan data resmi.
Model Deteksi dengan YOLOv8 YOLOv8 adalah iterasi terbaru dari keluarga algoritma YOLO yang dikembangkan oleh Ultralytics .
Implementasi model YOLOv8 dilakukan menggunakan framework deep learning dengan konfigurasi yang telah dioptimasi untuk deteksi pelat nomor.
Proses training model menggunakan dataset yang telah dipersiapkan dengan parameter yang ditunjukkan pada tabel 1.
Tabel 1.
Parameter training Parameter Input resolution Batch size Learning rate Epochs Optimizer Loss function Nilai 640x640 piksel 16 untuk efisiensi memori 001 dengan decay schedule 300 dengan early stopping Adam dengan momentum 0.
YOLOv8 loss .
bjectness, classification, dan Arsitektur Model YOLOv8 dimodifikasi untuk single class detection .
icense_plat.
dengan anchor boxes yang disesuaikan dengan karakteristik pelat nomor Indonesia.
Fine-tuning dilakukan pada pre-trained weights untuk mempercepat konvergensi dan meningkatkan akurasi.
Dengan kecepatan, akurasi, dan fleksibilitas tinggi.
YOLOv8 menjadi pilihan ideal untuk mendukung sistem portal otomatis yang membutuhkan pengawasan visual secara real-time dan presisi tinggi .
Konfigurasi Sistem OCR Implementasi OCR dalam penelitian ini dapat menggunakan pustaka seperti Tesseract OCR yang mendukung pembacaan karakter dari gambar berformat .
bmp atau .
jpeg melalui tahapan segmentasi, ekstraksi fitur, dan klasifikasi berbasis machine learning .
Sistem OCR diimplementasikan dengan konfigurasi khusus untuk pengenalan karakter pelat nomor Indonesia.
Preprocessing image dilakukan sebelum proses OCR untuk meningkatkan akurasi pembacaan.
Pipeline OCR terdiri dari beberapa tahap, diawali dengan image enhancement menggunakan histogram equalization dan noise reduction.
Kemudian binarization atau tahap konversi ke citra biner menggunakan adaptive thresholding.
Dilanjutkan dengan pemisahan karakter individual .
haracter Tahap ketiga yaitu text recognition, ekstraksi teks menggunakan Tesseract dengan custom configuration.
Kofigurasi yang digunakan ditunjukkan oleh Tabel 2.
Tahap akhir yaitu postprocessing, berupa validasi format pelat nomor dan koreksi kesalahan umum.
Tabel 2.
Konfigurasi Tesseract Konfigurasi Keterangan Page Segmentation Mode (PSM) 8 .
ingle wor.
OCR Engine Mode (OEM) 3 .
Whitelist characters A-Z, 0-9 untuk pelat nomor Indonesia Custom trained data untuk font khusus pelat nomor dinas i.
HASIL DAN DISKUSI
Pelatihan model YOLOv8 untuk deteksi plat nomor kendaraan menggunakan dataset yang dikumpulkan khusus dari lingkungan Satuan Radar 232.
Dataset terdiri dari gambar plat nomor kendaraan dinas TNI AU dalam berbagai kondisi pencahayaan dan sudut pengambilan.
Total dataset yang digunakan adalah 3.
822 gambar pelat nomor kendaraan, dimana 85% dari dataset tersebut digunakan sebagai data training, 15% sisanya digunakan sebagai data validation.
Perfomansi dari model JTI, 14 .
Agustus 2025, hal.
43 Ae 52 Rizky Irwan & Sumpena : Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor Kendaraan Berbasis OCR di Satrad 232 diuji menggunakan confusion matrix untuk mengetahui akurasi, presisi, dan recall dari model.
Selain itu dilakukan pula dua tahap pengujian berupa pengujian sistem parsial dan pengujian sistem Hasil Pelatihan Model Proses pelatihan menunjukkan konvergensi yang baik dengan penurunan loss function secara konsisten hingga epoch ke-75.
Early stopping mechanism diaktivasi pada epoch ke-100 ketika validation loss mulai mengalami overfitting.
Evaluasi model pada testing set menghasilkan confusion matrix dengan metrik ditunjukkan pada Gambar 4.
Gambar 4.
Confusion matrix Gambar 5 menyajikan rangkaian kurva evaluasi hasil pelatihan model YOLOv8 selama 100 epoch, yang terdiri dari metrik loss dan kinerja evaluasi baik pada data pelatihan .
maupun validasi .
Grafik-grafik ini memberikan gambaran menyeluruh mengenai stabilitas dan efektivitas proses pembelajaran model, serta kemampuan generalisasi terhadap data yang tidak dilibatkan dalam pelatihan.
Secara umum, seluruh nilai loss pada data pelatihan mengalami penurunan secara konsisten seiring bertambahnya epoch.
Selanjutnya, metrik evaluasi precision (B) dan recall (B) juga menunjukkan peningkatan yang Precision meningkat dari sekitar 92% menjadi 97%, sementara recall meningkat dari 94.
menjadi sekitar 98.
5%, menunjukkan bahwa model semakin jarang melakukan kesalahan prediksi .
alse positiv.
dan kehilangan objek penting .
alse negativ.
seiring proses pelatihan.
Metrik evaluasi utama lainnya adalah metrics/mAP50(B) dan metrics/mAP50-95(B), yang masing-masing mengukur akurasi model terhadap prediksi bounding box dengan ambang batas IoU (Intersection over Unio.
5, serta rentang IoU dari 0.
96 hingga 0.
Nilai akhir mAP@50 mencapai 0.
987, dan mAP@50-95 sebesar 0.
Nilai mAP yang tinggi tersebut mencerminkan bahwa model tidak hanya mampu mendeteksi dan mengklasifikasi objek dengan baik pada toleransi tinggi (IoU renda.
, tetapi juga menunjukkan presisi yang tinggi pada toleransi kesalahan yang sangat ketat (IoU tingg.
Secara keseluruhan, hasil pelatihan model YOLOv8 yang ditunjukkan pada grafik ini menunjukkan performa yang sangat baik.
Tren penurunan loss yang stabil pada data pelatihan dan validasi menunjukkan bahwa model mengalami konvergensi yang baik.
Peningkatan metrik evaluasi seperti precision, recall, dan mAP menunjukkan bahwa model mampu belajar fitur penting dari data dengan baik dan mampu melakukan deteksi objek secara akurat dan efisien.
Tidak terdapat indikasi overfitting yang signifikan karena nilai metrik pada data validasi tetap sejalan dengan data pelatihan.
Dengan akurasi keseluruhan sebesar 95.
36%, model ini dapat ditingkatkan terutama dalam membedakan kasus ambiguitas antara pelat kendaraan yang berbeda dan objek latar belakang.
Dari hasil ISSN: 2302-2191 (Prin.
3030-9964 (Onlin.
Rizky Irwan & Sumpena: Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor Kendaraan Berbasis OCR di Satrad 232 pelatihan menunjukkan model YOLOv8 berhasil mencapai akurasi deteksi yang tinggi dengan kecepatan inference yang memadai untuk aplikasi real-time.
Gambar 5.
Grafik loss dan metrics Pengujian Sistem parsial Pengujian sistem parsial merupakan pengujian setiap bagian dari sistem untuk mengetahui akurasi sensor dan memastikan setiap bagian dari sistem berjalan sesuai rencana.
Sistem pengujian parsial meliputi pengujian sistem kamera, pengujian deteksi objek, pengujian servo motor, pengujian sensor infrared, dan pengujian display LED matrix.
Dari pengujian yang telah dilakukan, didapatkan hasil sebagai berikut.
Response time performance menunjukkan sistem mencapai excellent performance dalam hal kecepatan respons dengan rata-rata 1.
5 detik, jauh di bawah target requirement 5 detik.
Breakdown response time ditunjukkan pada tabel 3.
Tabel 3.
Breakdown response time sistem Parameter Image capture YOLO detection OCR processing Database verification Serial communication Servo movement Hasil Komponen servo movement menjadi bottleneck utama, namun masih dalam batas yang acceptable untuk aplikasi praktis.
Reliabilitas hardware semua komponen hardware menunjukkan reliabilitas yang baik dengan error rate minimal ditunjukan pada tabel 4.
Tabel 4.
Reliabilitas hardware Komponen Sensor IR Servo motor Hasil 5% reliability 2% consistency over 500 cycles JTI, 14 .
Agustus 2025, hal.
43 Ae 52 Rizky Irwan & Sumpena : Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor Kendaraan Berbasis OCR di Satrad 232 LED matrix Serial communication 100% operational <1% packet loss Pengujian Sistem Terintegrasi Pengujian sistem terintegrasi dilakukan untuk mengetahui akurasi dan keberhasilan sistem dalam mendeteksi pelat nomor kendaraan dan membuka portal berdasarkan database yang dimiliki.
Pengujian sistem terintegrasi terbagi menjadi dua, yaitu pengujian sistem di workshop dan pengujian sistem di lapangan.
1 Pengujian di Workshop Pengujian sistem terintegrasi dilakukan di Laboratorium dengan kondisi pencahayaan yang terkontrol menggunakan pelat nomor replika ukuran 36cm x 12cm, skala 1:1 dengan pelat nomor asli.
Jarak antara kamera dengan pelat nomor dibuat bervariasi antara lain, 0.
5m, 1.
0m, 1.
5m, 2.
0m, 2.
Pencahayaan juga dibuat bervariasi untuk menguji ketahanan dan respon sistem terharap perubahan Dengan variasi cahaya yaitu, 500, 1000, 1500, 2000 lux.
Jumlah test case yang digunakan adalah 25 yaitu kombinasi dari 5 pelat nomor kendaraan pada 5 jarak yang berbeda.
Dari pengujian pada workshop dan kondisi tersebut didapatkan hasil yang ditunjukkan oleh tabel 5.
Tabel 5.
Hasil pengujian sistem terintegrasi di workshop Parameter Hasil Total test case Berhasil Gagal Jarak efektif maksimum Average response time 0 meter 4 A 0.
2 detik Berdasarkan hasil tersebut, sistem menunjukkan performa yang konsisten pada jarak 0.
meter dengan success rate 100%.
Kegagalan terjadi secara konsisten pada jarak 2.
5 meter dimana OCR tidak dapat membaca karakter dengan akurat meskipun deteksi YOLO berhasil.
2 Pengujian Lapangan Pengujian ini dilakukan untuk mengetahui akurasi deteksi pelat kendaraan pada kondisi lingkungan sebenarnya dengan pencahayaan alami.
Pengujian dilakukan pada area terbuka di lingkungan Satuan Radar 232.
Pelat nomor cetak ukuran 46cm x 16cm pada kendaraan mobil dan ukuran 24cm x 11cm untuk motor.
Jarak yang diujikan bervariasi dari 1m hingga 2m.
Dari pengujian di lapangan dan kondisi tersebut didapatkan hasil yang ditunjukkan oleh Tabel 6.
Tabel 6.
Hasil pengujian sistem terintegrasi di lapangan Jarak Cahaya Deteksi
Hasil
Respons Aksi
YOLO
OCR
Waktu .
Portal
Test
Pelat
Nomor
P1-1
Buka Terdeteksi P1-2 Buka Terdeteksi P1-3 Buka Terdeteksi P1-4 Buka Terdeteksi P1-5 Tutup Tidak terdeteksi ISSN: 2302-2191 (Prin.
3030-9964 (Onlin.
Keterangan Rizky Irwan & Sumpena: Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor Kendaraan Berbasis OCR di Satrad 232 Tabel 7 menunjukkan gambar proses pengujian deteksi pelat nomor kendaraan sipil maupun tentara untuk kendaraan motor dan mobil.
Pengujian tersebut dilakukan pada kondisi sore cerah dengan kondisi pencahayaan 2000 lux.
Jarak deteksi maksimum yaitu 2.
0 meter .
ntuk 4 dari 5 pela.
Didapatkan success rate pada jarak optimal .
sebesar 100% dan success rate pada jarak maksimal .
sebesar 80%.
Serta average response time yaitu 1.
5 A 0.
3 detik.
Pada pengujian lapangan terjadi error berupa OCR error pada jarak 2.
0 m dimana karakter 'I' terbaca sebagai '1', detection failure pada jarak > 2.
5 m yaitu confidence score < 0.
, serta terdapat environmental factors berupa getaran ringan dan perubahan cahaya alami Tabel 7.
Dokumentasi pengujian sistem terintegrasi di lapangan Pelat : BM6968 KH
OCR : BM6968K
Jarak : 1 m
Deteksi : 82% Pelat : BM6968 KH
OCR : IVV08
Jarak : 1,5 m
Deteksi : 79% Pelat : BM6968 KH
OCR : Jarak : 2 m
Deteksi : tidak terdeteksi Pelat : L 1502 BP
OCR : 31502BP
Jarak : 1 m
Deteksi : 87% Pelat : L 1502 BP
OCR : 750257P
Jarak : 1,5 m
Deteksi : 86% Pelat : L 1502 BP
OCR : 01E27
Jarak : 2 m
Deteksi : 80% Pelat : 71377-01
OCR : 71377-01
Jarak : 1 m
Deteksi : 85% Pelat : 71377-01
OCR : 71377-01
Jarak : 1,5 m
Deteksi : 84% Pelat : 71377-01
OCR : 06ZZT
Jarak : 2 m Deteksi : 79% Keterbatasan teknis utama yang dihadapi ada pada jangkauan deteksi yang terbatas, ketergantungan dengan kondisi pencahayaan dan penurunan akurasi OCR pada jarak jauh.
Jarak maksimum yang reliable pada range 2.
0 meter, sementara desain target sebesar 5.
0 meter sehingga ada gap sebesar 60% dari target tidak tercapai.
Sistem akan bekerja dengan optimal pada kondisi pencahayaan dengan 1500 - 2200 lux, terjadi penurunan diluar kondisi tersebut.
JTI, 14 .
Agustus 2025, hal.
43 Ae 52 Rizky Irwan & Sumpena : Pengembangan Sistem Keamanan Portal Otomatis Cerdas melalui Identifikasi Pelat Nomor Kendaraan Berbasis OCR di Satrad 232 Akar dari keterbatasan itu terletak pada resolusi kamera yang kurang memadai, bias dari model training, dan limitasi dari sistem OCR.
Kamera yang digunakan memiliki resolusi 1080p tidak memadai untuk detail karakter pada jarak >2m di mana pixel density pelat nomor <15 pixel/character pada jarak Dataset training yang digunakan dominan pada jarak dekat .
sehingga kurang mewakili sampel untuk dataset gambar jarak jauh.
Sementara itu sistem OCR memiliki limitasi berupa.
Tesseract performance degradasi pada low-resolution text dan preprocessing algorithm tidak optimal untuk small Secara keseluruhan, sistem portal otomatis berbasis pengenalan pelat nomor kendaraan telah berhasil mencapai proof-of-concept yang solid dengan performa yang memadai untuk aplikasi terbatas.
Keterbatasan yang ditemukan memberikan roadmap jelas untuk pengembangan iterasi berikutnya menuju sistem yang lebih robust dan scalable.
IV.
KESIMPULAN
Penelitian ini berhasil mengembangkan dan menguji prototipe sistem portal otomatis berbasis deteksi pelat nomor menggunakan algoritma YOLOv8 dan Optical Character Recognition (OCR) untuk meningkatkan keamanan akses kendaraan di lingkungan Satuan Radar 232.
Sistem yang dirancang mampu melakukan proses akuisisi citra, deteksi pelat, ekstraksi karakter, dan verifikasi akses secara otomatis melalui integrasi perangkat lunak dan perangkat keras.
Berdasarkan hasil pengujian terhadap 822 citra pelat nomor dengan variasi jarak dan intensitas pencahayaan, sistem menunjukkan kinerja yang memadai untuk aplikasi operasional terbatas.
Algoritma YOLOv8 mencapai akurasi deteksi sebesar 93%, sedangkan modul OCR memperoleh akurasi pembacaan karakter sebesar 84,9%.
Pada pengujian terintegrasi di lingkungan lapangan, sistem menghasilkan success rate rata-rata 92,9% dengan waktu respons 1,4Ae1,5 detik, menunjukkan kemampuan sistem dalam memberikan verifikasi akses secara cepat dan cukup andal.
Meskipun demikian, hasil penelitian juga menegaskan bahwa performa sistem mengalami penurunan pada jarak lebih dari 2,0 meter serta pada kondisi pencahayaan tertentu akibat keterbatasan resolusi kamera dan penurunan ketajaman karakter yang memengaruhi kinerja OCR.
Selain itu, variasi sudut pengambilan gambar dan pergerakan kendaraan juga turut memengaruhi akurasi identifikasi.
Oleh karena itu, pengembangan lebih lanjut perlu difokuskan pada peningkatan kualitas perangkat akuisisi citra, perluasan dan diversifikasi dataset pelat nomor, optimalisasi preprocessing citra, serta penggunaan model OCR yang lebih adaptif terhadap variasi karakter.
Penelitian ini memberikan kontribusi awal yang penting dalam penerapan sistem keamanan cerdas berbasis computer vision pada instalasi militer dan dapat menjadi dasar untuk pengembangan sistem yang lebih robust, skalabel, dan siap diimplementasikan pada skenario operasional yang lebih kompleks di masa mendatang.
DAFTAR PUSTAKA