Implementasi Algoritma CNN untuk Pengenalan Pelat Nomor Kendaraan

Irwanda, Achmad Akbar (2023) Implementasi Algoritma CNN untuk Pengenalan Pelat Nomor Kendaraan. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000138-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Mengidentifikasi pelat nomor kendaraan dengan algoritma Convolutional Neural Networks (CNN) adalah proses yang melibatkan penggunaan machine learning untuk mengenali dan mengklasifikasikan karakter pada pelat nomor kendaraan. Identifikasi pelat nomor kendaraan dengan menggunakan algoritma ini berguna untuk melakukan pengidentifikasian setiap pelat nomor kendaraan tanpa menggunakan bantuan manusia yang biasanya memerlukan waktu banyak dan terdapat kemungkinan kesalahan manusia. Implementasi ini dapat berguna untuk berbagai aplikasi, seperti pembayaran tol otomatis atau pemantauan lalu lintas. Algoritma CNN dipilih karena memiliki kemampuan untuk mengekstraksi fitur dari citra input pelat nomor. Penelitian sebelumnya yang menggunakan OCR-Tesseract untuk melakukan pengenalan karakter pada pelat nomor memiliki tingkat keakuratan sebesar 90,00%. Berikutnya dengan menggunakan algoritma CNN untuk dataset pelat nomor Bangladesh memiliki akurasi sebesar 88,67%. Penelitian lain yang menggunakan LPRNet dengan dataset O-Haze memiliki tingkat akurasi sebesar 93,90%. Tugas Akhir ini bertujuan untuk mengembangkan sebuah sistem pengenalan karakter yang lebih baik dengan menggunakan algoritma CNN. Keunggulan utama dari pendekatan menggunakan CNN ini adalah kemampuannya dalam menangani variasi dan kompleksitas yang terkait dengan pelat nomor kendaraan, sehingga meningkatkan akurasi dan keandalan sistem pengenalan. Tugas Akhir ini berhasil mengembangkan sistem dengan menggunakan algoritma CNN yang memiliki akurasi mencapai 88,15% tanpa pasca-pemrosesan dan 94,38% dengan menambahkan pasca-pemrosesan untuk dataset pertama serta mencapai akurasi 88,21% tanpa pasca-pemrosesan dan akurasi 93,17% dengan pasca-pemrosesan untuk dataset yang kedua. Dalam analisis dan pembahasan dari hasil yang didapatkan, ditemukan bahwa tingkat akurasi ini dipengaruhi oleh struktur model, jumlah filter setiap lapisan (layer) dan kumpulan yang digunakan
===================================================================================================================================
Identifying vehicle number plates with the Convolutional Neural Networks (CNN) algorithm is a process that involves the use of machine learning to recognize and classify characters on a vehicle number plate. Identification of vehicle number plates using this algorithm is useful to perform identification of each vehicle number plate without the use of human help which usually takes a lot of time and there is a possibility of human error. This implementation can be useful for a variety of applications, such as automatic toll payments or traffic monitoring. The CNN algorithm was chosen because it has the ability to extract features from the number plate input image. Previous studies that used OCR-Tesseract to perform character recognition on a number plate had an accuracy of 90,00%. Next, using the CNN algorithm for the Bangladesh number plate data set has an accuracy of 88.67%. Other studies using LPRNet with O-Haze datasets had an accuracy rate of 93.90%. This final task aims to develop a better character recognition system using the CNN algorithm. The main advantage of this approach using CNN is its ability to deal with the variation and complexity associated with vehicle number plates, thereby improving the accuracy and reliability of the identification system.
The Final Task successfully developed the system using the CNN algorithm that had an accuracy of 88.15% without post-processing and 94.38% by adding post- processing to the first dataset and achieved an accurate 88.21% without after-procesing and a accurate 93.17% with post-Processing for the second dataset. In the analysis and discussion of the results obtained, it was found that this level of accuracy is influenced by the structure of the model, the number of filters of each layer and the dataset that being used.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, Pengenalan Pelat Nomor, Pengenalan Karakter, Pemrosesan Gambar, Visi Komputer
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.8 Productivity. Efficiency
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Achmad Akbar Irwanda
Date Deposited:	11 Sep 2023 08:27
Last Modified:	11 Sep 2023 08:27
URI:	http://repository.its.ac.id/id/eprint/102488

Actions (login required)

View Item