Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
2 ) : 605 - 611.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
DETEKSI PLAT NOMOR KENDARAAN MENGGUNAKAN
ALGORITMA YOLO
VEHICLE LICENSE PLATE DETECTION USING YOLO ALGORITHM
Kenneth Christoper Nugraha, k3nneth.
c@gmail.
Evasaria Magdalena Sipayung.
Evasaria Magdalena Sipayung, l1874@lecturer.
Program Studi Informatika.
Fakultas Teknik dan Desain,Universitas Bunda Mulia
Diterima 14 September 2023 / Disetujui 29 September 2023
ABSTRACT
Urban population growth has created challenges in efficient parking space management.
Manual data collection is time-consuming and error-prone, especially at night.
Modern technology-based solutions are urgently needed.
This research focuses on an innovative parking management system using YOLO for real-time object detection, including license plates.
The objective is to assess the YOLO algorithm's accuracy in license plate detection.
The methodology follows software development best practices, utilizing Python and Tkinter GUI for an intuitive interface.
YOLO and EasyOCR enable object detection and character recognition.
Results show high accuracy: 88.
8% for HD and 86.
3% for sub-HD resolutions.
YOLO proves reliable for license plate data collection, reducing manual intervention and enhancing parking management.
Keywords: License Plate Recognition.
YOLO.
Object Detection.
Accuracy.
Data Collection.
Parking Management.
ABSTRAK
Pertumbuhan populasi perkotaan telah menciptakan tantangan dalam pengelolaan ruang parkir yang efisien.
Pengumpulan data secara manual memakan waktu dan rentan terhadap kesalahan, terutama pada malam hari.
Solusi berbasis teknologi modern sangat dibutuhkan.
Penelitian ini berfokus pada sistem manajemen parkir yang inovatif menggunakan YOLO untuk mendeteksi objek secara real-time, termasuk pelat nomor.
Tujuannya adalah untuk menilai keakuratan algoritma YOLO dalam mendeteksi plat nomor.
Metodologi penelitian ini mengikuti praktik terbaik pengembangan perangkat lunak, memanfaatkan Python dan Tkinter GUI untuk antarmuka yang intuitif.
YOLO dan EasyOCR memungkinkan deteksi objek dan pengenalan karakter.
Hasilnya menunjukkan akurasi yang tinggi: 88,8% untuk HD dan 86,3% untuk resolusi sub-HD.
YOLO terbukti dapat diandalkan untuk pengumpulan data pelat nomor, mengurangi intervensi manual dan meningkatkan manajemen Kata kunci: Sistem parkir otomatis, pengenalan pelat nomor.
Pengenalan Karakter Optik (OCR), keandalan.
PENDAHULUAN
Seiring dengan pertumbuhan penduduk kota yang terus meningkat dengan cepat, pengelolaan ruang parkir menjadi tugas yang semakin sulit.
Metode tradisional untuk mengumpulkan data parkir secara manual tidak hanya memakan waktu dan tenaga, tetapi juga rentan terhadap kesalahan, dan biasanya tidak dapat memberikan cakupan yang lengkap - terutama pada malam hari saat terjadi Korespondensi Penulis:
E-mail: l1834@lecturer.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
2 ) : 605 - 611.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 kekurangan sumber daya manusia.
Oleh karena itu, ada permintaan yang mendesak akan resolusi berbasis teknologi modern untuk mengatasi hambatan-hambatan ini.
Fokus utama dari penelitian ini berkisar pada penciptaan dan penilaian sistem manajemen parkir yang inovatif.
Sistem ini dirancang untuk meningkatkan pengumpulan data yang terkait dengan parkir semalam dengan memanfaatkan kemampuan deteksi objek YOLO (You Only Look Onc.
Secara khusus, kemampuan YOLO untuk mengidentifikasi objek secara akurat dalam waktu nyata, termasuk plat nomor pada gambar tempat parkir, digunakan untuk merampingkan proses ekstraksi data dan mendapatkan informasi kendaraan yang penting.
Tujuan utama dari penelitian ini adalah untuk mengembangkan sistem otomatis yang menyederhanakan proses pengumpulan data parkir semalam, sehingga sangat mengurangi beban kerja para pengumpul data.
Selain itu, sistem ini mengatasi masalah ketidakakuratan yang melekat pada metode pengumpulan data manual, sehingga menghasilkan data yang lebih andal dan tepat.
Selain itu, sistem ini juga meningkatkan langkah-langkah keamanan dengan menyediakan cara yang komprehensif dan otomatis untuk memantau kendaraan yang diparkir.
Pentingnya penelitian ini memiliki potensi yang sangat besar dalam mengubah strategi manajemen parkir, yang menghasilkan peningkatan pemanfaatan ruang parkir, mengurangi beban operasional, dan meningkatkan keamanan secara keseluruhan.
Selain itu, untuk mengukur keakuratan sistem, penelitian ini menggunakan nilai kepercayaan dari YOLO sebagai metrik yang dapat diandalkan untuk mengevaluasi keakuratan hasil yang diperoleh dari deteksi objek.
Berdasarkan latar belakang diatas, dapat disimpulkan rumusan masalah dalam penelitian ini adalah bagaimana tingkat akurasi dari deteksi plat nomor kendaraan dengan menggunakan algoritma
YOLO?
Tujuan yang ingin dicapai oleh penulis penelitian adalah pembuatan sistem pendataan plat nomor kendaraan yang diparkir.
Dengan mengintegrasikan deteksi objek YOLO dan pengenalan karakter EasyOCR secara mulus, penelitian ini bertujuan untuk menawarkan solusi yang komprehensif dan praktis yang dapat diterapkan dalam skenario parkir inap di dunia nyata.
Pemrosesan gambar mengacu pada teknik dan algoritma yang digunakan untuk memanipulasi dan menganalisis gambar digital.
Hal ini melibatkan tugas-tugas seperti peningkatan gambar, pengurangan noise, segmentasi gambar, dan ekstraksi fitur.
Pemrosesan gambar memainkan peran penting dalam prapemrosesan dan mempersiapkan gambar untuk tugas analisis dan pengenalan lebih .
Ae.
OCR adalah teknologi yang memungkinkan ekstraksi teks secara otomatis dari gambar atau dokumen yang dipindai.
Teknologi ini melibatkan teknik untuk mendeteksi, menyegmentasi, dan mngenali karakter dalam gambar.
OCR dapat digunakan dalam digitalisasi dokumen, ekstraksi teks, entri data otomatis, dan pengenalan plat nomor.
OCR memainkan peran penting dalam pencarian informasi dan otomatisasi berbagai tugas.
Ae.
CNN adalah kelas jaringan saraf pembelajaran mendalam yang unggul dalam tugas pengenalan dan analisis gambar.
Terinspirasi oleh organisasi korteks visual.
CNN menggunakan lapisan konvolusi untuk mengekstrak fitur yang bermakna dari gambar.
CNN banyak digunakan dalam tugas-tugas visi komputer, termasuk deteksi objek, klasifikasi gambar, dan segmentasi gambar.
CNN telah merevolusi bidang pemrosesan gambar dan telah mencapai akurasi yang luar biasa dalam berbagai tugas pengenalan visual.
Ae.
ML adalah subbidang kecerdasan buatan yang berfokus pada pengembangan algoritma dan model yang mampu belajar dari data dan membuat prediksi atau keputusan.
Algoritma ML dirancang untuk secara otomatis menganalisis dan menginterpretasikan pola yang kompleks dalam data.
Pembelajaran yang diawasi, tidak diawasi, dan pembelajaran dengan penguatan adalah jenis teknik ML yang umum.
Teknik ML, termasuk deep learning, telah memainkan peran penting dalam memajukan pemrosesan gambar dan sistem OCR.
Ae.
YOLO adalah algoritma pendeteksian objek yang melakukan pendeteksian objek secara realtime pada gambar atau aliran video.
Tidak seperti algoritma pendeteksian objek tradisional yang memerlukan beberapa kali pemindaian pada gambar.
YOLO mendeteksi objek dalam satu kali pemindaian, sehingga efisien secara komputasi.
YOLO telah mendapatkan popularitas karena kecepatan dan keakuratannya dalam aplikasi waktu nyata seperti pengawasan video, kendaraan otonom, dan robotika.
, .
Ae.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
2 ) : 605 - 611.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 EasyOCR adalah pustaka Python yang menyediakan antarmuka yang mudah digunakan untuk tugas-tugas OCR.
Aplikasi ini memanfaatkan model yang telah dilatih sebelumnya dan teknik pembelajaran mendalam untuk mengekstrak teks dari gambar.
EasyOCR mendukung berbagai bahasa dan memberikan kinerja yang kuat dalam berbagai skenario OCR.
Ini menyederhanakan integrasi kemampuan OCR ke dalam aplikasi, membuatnya dapat diakses oleh pengembang dan peneliti.
Penelitian ini dapat memberikan beberapa manfaat, antara lain:
Pengenalan yang Akurat: Integrasi aplikasi deteksi objek berbasis YOLO dan EasyOCR memastikan identifikasi pelat nomor yang tepat dan ekstraksi karakter yang andal, melampaui metode manual dalam hal akurasi.
Manajemen Data yang Efisien: Basis data SQLite yang terpusat mengatur informasi pelat nomor, merampingkan penyimpanan, pengambilan, dan berbagi data di berbagai departemen dan Keterlibatan Pengguna: Mekanisme input pengguna mendorong keterlibatan pengguna, memungkinkan pengguna untuk menyumbangkan informasi untuk plat yang tidak dikenali, sehingga meningkatkan keakuratan sistem pengenalan.
Etalase Teknologi: Demonstrasi proyek ini menggarisbawahi dampak praktis dari pemrosesan gambar yang canggih dan antarmuka yang mudah digunakan, yang menyoroti potensinya untuk memecahkan tantangan dunia nyata.
METODE PENELITIAN
Metodologi penelitian yang diadopsi dalam penelitian ini menggunakan pendekatan sistematis untuk pengembangan dan evaluasi aplikasi Pengenalan Plat Nomor.
Bagian ini memberikan gambaran umum tentang teknik, metode, dan kerangka kerja yang diterapkan selama proses pengembangan perangkat lunak, serta aplikasi yang lebih luas dari teknik-teknik ini di luar ranah pengembangan perangkat lunak.
Selain itu, bagian ini menguraikan kriteria utama yang digunakan untuk mengukur keberhasilan solusi dalam mengatasi masalah yang teridentifikasi.
Pengembangan aplikasi Pengenal Plat Nomor mengikuti prinsip-prinsip rekayasa perangkat lunak yang sudah mapan.
Siklus hidup pengembangan perangkat lunak mencakup tahapan seperti analisis persyaratan, desain sistem, pengujian yang ketat, dan penerapan.
Python dipilih sebagai platform pengembangan, dengan pustaka Tkinter GUI yang memfasilitasi pembuatan antarmuka pengguna yang intuitif.
Fungsionalitas inti dari aplikasi ini dicapai melalui integrasi model pendeteksian objek berbasis YOLO dan pustaka EasyOCR untuk pengenalan karakter optik.
Layar input pada gambar 1, dari program Pengenalan Plat Nomor berfungsi sebagai antarmuka awal di mana pengguna mengunggah gambar yang berisi plat nomor untuk diproses.
Layar ini menampilkan tombol "Buka Gambar", yang memungkinkan pengguna untuk memilih file gambar .
PNG.
JPG) dari penyimpanan lokal.
Gambar 1 Tampilan Setelah Input Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
2 ) : 605 - 611.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Pada gambar 2, diperlihatkan editing windows.
Setelah gambar diunggah pada layar input program License Plate Recognition, layar berubah untuk menampilkan gambar yang diunggah.
Hal ini memberikan pratinjau visual kepada pengguna dari gambar yang dipilih, memastikan agar pengguna tidak melakukan kesalahan dalam proses input.
User masih dapat mengubah data input nomor plat.
"User Input" dalam program Pengenalan Plat Nomor menyajikan antarmuka khusus bagi pengguna untuk memasukkan data secara manual.
Gambar 3Tampilan User Input "Result Details" dalam program Pengenalan Plat Nomor menawarkan kepada pengguna pandangan mendalam tentang informasi plat nomor yang terdeteksi.
Jendela ini menampilkan detail penting seperti karakter pelat nomor yang dimodifikasi, area lokasi parkir, dan tanggal deteksi.
HASIL DAN PEMBAHASAN
Evaluasi hasil sistem pengenalan pelat nomor memberikan wawasan yang berharga tentang kinerja dan efektivitasnya.
Melalui serangkaian pengujian pada berbagai sampel pelat nomor, keakuratan deteksi pelat nomor sistem dinilai berdasarkan jumlah karakter yang berhasil Hasilnya menunjukkan persentase akurasi yang bervariasi untuk plat nomor dan wilayah yang berbeda, yang menunjukkan kemampuan sistem untuk beradaptasi dengan beragam kombinasi karakter dan variasi wilayah.
Secara khusus, pelat nomor tertentu terdeteksi secara akurat bahkan dengan beberapa karakter, yang menunjukkan ketahanan terhadap kerumitan.
Evaluasi hasil sistem pengenalan pelat nomor memberikan wawasan yang berharga tentang kinerja dan efektivitasnya.
Melalui serangkaian pengujian pada berbagai sampel pelat nomor, keakuratan deteksi pelat nomor sistem dinilai berdasarkan jumlah karakter yang berhasil Hasilnya menunjukkan persentase akurasi yang bervariasi untuk plat nomor dan wilayah yang berbeda, yang menunjukkan kemampuan sistem untuk beradaptasi dengan beragam kombinasi karakter dan variasi wilayah.
Secara khusus, pelat nomor tertentu terdeteksi secara akurat bahkan dengan beberapa karakter, yang menunjukkan ketahanan terhadap kerumitan.
Hasil Pengujian Blackbox dapat dilihat pada table 1, memeprlihatkan bagaimana semua pengujian blackbox yang dilakukan terhadap semua fungsi berjalan dengan baik.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
2 ) : 605 - 611.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Tabel 1.
Pengujian BlackBox No Kasus Uji Upload gambar Identifikasi plat nomor dan pengenalan teks User input plat nomor Tampilan info plat nomor Integrasi database Gambar berhasil di upload dan Plat nomor terdeteksi Pesan konfirmasi dan penyimpanan data Hasil Berhasil Berhasil penampilan informasi plat nomor yang Penyimpanan dan pengambilan data yang Gambar berhasil di upload dan Berhasil Berhasil Berhasil Pengujian akurasi yang dilakukan dengan menghitung kepercayaan program atas hasil deteksi.
Pada pengujian ini dipisahkan antara pengujian terhadap gambar yang berkualitas tinggi dan gambar yang berkualitas rendah untuk menemukan bukti bahwa gambar berkualitas tinggi merupakan gambar yang memberikan akurasi yang lebih tinggi daripada dengan gambar berkualitas rendah.
Tabel 2.
Pengujian Akurasi Gambar berkualitas Tinggi Detected Actual
Resolusi Gambar
Confidence score
Akurasi
B1269SAS
B1269SAS
B90LEF
B90LEF
B1531k
B1531k
M139330
M139330
Cz6A3233
6AI3233
B1850EOF049
B1850EOF
IB80BIL
B80BIL
Rata rata Tabel 3.
Pengujian Akurasi Gambar berkualitas rendah
Detected Actual
Resolusi Gambar
Confidence score
Akurasi
PGeWN12
PGMN112
YNTZDBG
BYOND
NBYOND
NOTACOP
NOTACOP
GKiPGAs SKIPGAS
DK1575KM
DK1575KM
DK76K
DK76K
Rata rata Untuk gambar berkualitas tinggi dalam kasus pada table 2, didapati rata-rata Confidence score sebesar 0.
Sementara itu, pada gambar berkualitas rendah pada table 3, didapati rata-rata Confidence score mencapai 0.
Dengan demikian, dapat disimpulkan bahwa gambar berkualitas tinggi cenderung memiliki Confidence score yang lebih tinggi dibandingkan dengan gambar berkualitas rendah walaupun perbedaannya tidak signifikan.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
2 ) : 605 - 611.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
SIMPULAN
Singkatnya, penelitian ini menunjukkan bahwa pendeteksian pelat nomor berbasis YOLO mencapai tingkat akurasi yang sangat baik.
Secara khusus, ini mencapai akurasi sebesar 88,8% untuk resolusi HD .
dan 86,3% untuk resolusi di bawah HD .
Penilaian akurasi ini menegaskan keandalan algoritma YOLO dalam menangkap data dari pelat nomor kendaraan yang Akurasi yang dicapai tidak hanya menjanjikan, tetapi juga terbukti praktis dalam skenario dunia nyata, secara substansial mengurangi kebutuhan akan intervensi manual dan mengurangi beban kerja operator manusia yang bertanggung jawab atas entri dan verifikasi data.
Temuan-temuan ini menggarisbawahi potensi pendekatan ini untuk meningkatkan pengumpulan data, merampingkan tanggung jawab para pengumpul data, dan meletakkan dasar bagi peningkatan efisiensi dan keandalan dalam sistem manajemen parkir.
DAFTAR PUSTAKA