Peningkatan Resolusi pada Data Citra Tanda Nomor Kendaraan Bermotor (TNKB) dengan Penerapan Metode Realistic – Enhanced Super-Resulotion Generative Adversarial Networks (Real-ESRGAN)

Adinda, Adinda (2024) Peningkatan Resolusi pada Data Citra Tanda Nomor Kendaraan Bermotor (TNKB) dengan Penerapan Metode Realistic – Enhanced Super-Resulotion Generative Adversarial Networks (Real-ESRGAN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003201021_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (9MB) | Request a copy

Abstract

Tanda Nomor Kendaraan Bermotor (TNKB) merupakan salah satu komponen penting pada kendaraan bermotor. Dimana TNKB ini digunakan untuk memberikan identitas pada kendaraan bermotor. TNKB sering digunakan sebagai barang bukti oleh pihak berwajib untuk mendata pelanggaran lalu lintas, dimana bukti yang biasanya diambil berupa gambar kondisi dari kendaraan. Gambar yang diambil cenderung beresolusi rendah dan semakin tingginya kemungkinan blur dan noise pada gambar. Oleh karena itu, dibutuhkan suatu metode machine learning untuk membantu meningkatkan resolusi pada gambar TNKB. Pada penelitian ini akan dilakukan penerapan metode augmentasi citra yang dapat membantu peningkatan resolusi gambar menjadi resolusi yang tinggi, yaitu menggunakan metode Realistic-Enhanced Super-Resolution Generative Adversarial Networks (Real-ESRGAN). Data yang digunakan pada penelitian ini adalah berupa data citra dari TNKB yang memiliki resolusi yang rendah dan ukuran gambar yang berbeda. Oleh karena itu data akan melalui proses preprosesing untuk menyamakan ukuran piksel dan penambahan data dengan dikompres. Metode kompres yang digunakan adalah K-Means dengan nilai k yang digunakan adalah jumlah warna yaitu 16 dan 8. Keseluruhan data dianalisis karakteristiknya, rata-rata warna yang menunjukkan data memiliki warna dengan intensitas rendah dan memiliki nilai kontras yang cukup tinggi. Setelah melakukan penerapan model dan evaluasi, maka dapat disimpulkan metode ini dapat bekerja dengan baik, namun metode ini masih kurang optimal pada citra yang memiliki kecerahan atau sulit dibaca dengan mata secara langsung.
=================================================================================================================================
The Motor Vehicle License Plates (TNKB) are one of the essential components of motor vehicles. TNKBs are used to provide identification for motor vehicles. They are often used as evidence by law enforcement to record traffic violations, where the evidence usually consists of images of the vehicle. The images taken tend to be low resolution and increasingly prone to blur and noise. Therefore, a machine learning method is needed to help enhance the resolution of TNKB images. This study will implement an image augmentation method that can help improve image resolution to high resolution, using the Realistic-Enhanced Super-Resolution Generative Adversarial Networks (Real-ESRGAN) method. The data used in this study consists of low-resolution TNKB image data with varying image sizes. Therefore, the data will undergo preprocessing to standardize pixel sizes and data augmentation through compression. The compression method used is K-Means, with k-values representing the number of colors being 16 and 8. The characteristics of the entire data set are analyzed, showing that the average color intensity is low, and the contrast is relatively high. After model implementation and evaluation, it can be concluded that this method works well, although it is less optimal for images that are too bright or difficult to read directly by the eye.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	TNKB, Resolusi Rendah, Machine Learning, Real-ESRGAN, Evaluasi. TNKB, Low Resolution, Machine Learning, Real-ESRGAN, Evaluating.
Subjects:	T Technology > TL Motor vehicles. Aeronautics. Astronautics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Adinda Adinda
Date Deposited:	13 Aug 2024 07:00
Last Modified:	13 Aug 2024 07:00
URI:	http://repository.its.ac.id/id/eprint/115267

Actions (login required)

View Item