PENGEMBANGAN SISTEM PARKIR BERDASARKAN PLAT NOMOR DENGAN YOLO DAN CNN

Ivan Rajwa Naufal, - (2024) PENGEMBANGAN SISTEM PARKIR BERDASARKAN PLAT NOMOR DENGAN YOLO DAN CNN. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_TEKOM_2002891_Title.pdf Download (379kB)
	Text S_TEKOM_2002891_Chapter1.pdf Download (125kB)
	Text S_TEKOM_2002891_Chapter2.pdf Restricted to Staf Perpustakaan Download (389kB) | Request a copy
	Text S_TEKOM_2002891_Chapter3.pdf Download (826kB)
	Text S_TEKOM_2002891_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy
	Text S_TEKOM_2002891_Chapter5.pdf Download (43kB)
	Text S_TEKOM_2002891_Appendix.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem parkir otomatis yang memanfaatkan teknologi untuk mendeteksi plat nomor kendaraan menggunakan metode You Only Look Once (YOLO) dan melakukan pengenalan karakter pada plat nomor dengan Convolutional Neural Network (CNN). Tujuan utama dari penelitian ini adalah meningkatkan akurasi sistem parkir dengan mengintegrasikan teknologi pengenalan citra dan computer vision, memungkinkan pengguna untuk melakukan pemesanan dan pembayaran parkir secara online. Metodologi yang digunakan mencakup analisis kebutuhan, desain, pengembangan, pengujian sistem, dan penulisan laporan. Hasil pengujian menunjukkan performa yang tinggi, YOLO mencapai precision 0,991, recall 1, F1-Score 0,995, mAP50 0,995, dan mAP50-95 0,769. Ekstraksi karakter menggunakan metode threshold untuk identifikasi karakter pada plat nomor dan setiap karakter yang teridentifikasi karakter akan diklasifikasi dengan menggunakan CNN untuk pengenalan karakter mencatat precision dan recall 0,985, F1-Score sebesar 0,984, sedangkan untuk accuracy sebesar 0,999. YOLO menunjukkan akurasi rata-rata 84%, sementara CNN mencapai 98,83%, signifikan lebih tinggi dibandingkan dengan Tesseract-OCR yang hanya mencapai 85,16%. Penelitian ini juga menemukan bahwa sudut pandang kamera optimal untuk pengenalan plat nomor adalah antara 70 hingga 90 derajat, dengan ketinggian kamera ideal antara 50 cm hingga 100 cm, dan jarak efektif dari kamera ke plat nomor antara 100 cm hingga 250 cm. ------------ This research aims to develop an automatic parking system that leverages technology to detect vehicle license plates using the You Only Look Once (YOLO) method and perform character recognition on the plates with a Convolutional Neural Network (CNN). The primary goal is to enhance parking system accuracy by integrating image recognition and computer vision technologies, enabling users to book and pay for parking online. The methodology includes requirements analysis, design, development, system testing, and report writing. Testing results show high performance, with YOLO achieving precision 0,991, recall 1, F1-Score 0,995, mAP50 0,995, and mAP50-95 0,769. Character extraction using thresholding for character identification on license plates and classification with CNN records precision, recall of 0.985, and F1-Score of 0.984, with an accuracy of 0.999. YOLO demonstrates an average accuracy of 84%, while CNN reaches 98,83%, significantly higher than Tesseract-OCR's 85,16%. This research also finds the optimal camera viewing angle for license plate recognition is between 70 to 90 degrees, with an ideal camera height between 50 cm to 100 cm, and an effective distance from the camera to the license plate between 100 cm to 250 cm.

Item Type:	Thesis (S1)
Uncontrolled Keywords:	Sistem Parkir, Pengenalan Plat Nomor, Ekstraksi Karakter, YOLO, CNN, Pengenalan Citra, Computer Vision
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General) T Technology > T Technology (General) > T201 Patents. Trademarks T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	UPI Kampus cibiru > S1 Teknik Komputer
Depositing User:	Ivan Rajwa Naufal
Date Deposited:	11 Sep 2024 06:44
Last Modified:	11 Sep 2024 06:44
URI:	http://repository.upi.edu/id/eprint/122619

Actions (login required)

View Item