Electronic Theses and Dissertation

Automatic plate number recognition (apnr) merupakan sistem yang digunakan untuk mendeteksi dan mengenali informasi pada pelat nomor kendaraan secara otomatis. di indonesia, pelat nomor kendaraan tidak hanya menunjukkan identitas kendaraan, tetapi juga informasi penting seperti asal wilayah dan masa berlaku, yang seringkali memiliki variasi desain, warna, dan orientasi. penelitian ini mengembangkan sistem apnr berbasis flaskapi dengan integrasi tiga komponen utama, yaitu deteksi pelat menggunakan yolov8 berorientasi (obb), deteksi dua elemen utama (nomor dan masa berlaku kendaraan) menggunakan yolov9, serta ekstraksi teks menggunakan model tesseract ocr. dataset yang digunakan terdiri dari lebih dari 10.000 gambar pelat nomor kendaraan indonesia dalam berbagai kondisi, dan dibagi untuk pelatihan deteksi objek serta pelatihan ocr. model yolov8-obb mencapai map@0.5 sebesar 91,9%, sedangkan yolov9 menunjukkan akurasi yang baik dalam mendeteksi dua kelas utama pada pelat. model tesseract ocr dilatih secara terpisah untuk nomor kendaraan dan masa berlaku kendaraan, menghasilkan tingkat akurasi dengan rata-rata character error rate (cer) di bawah 5%. hasil akhir dari sistem mampu mengidentifikasi nomor pelat, masa berlaku, asal wilayah, serta jenis kendaraan secara otomatis dan real-time. penelitian ini menunjukkan bahwa kombinasi yolov9, obb, dan ocr dapat menghasilkan sistem apnr yang efisien dan akurat dalam konteks pelat nomor kendaraan indonesia.

Automatic Plate Number Recognition (APNR) is a system designed to detect and recognize vehicle license plate information automatically. In Indonesia, vehicle license plates contain not only identification numbers but also essential information such as the region of origin and expiration date, which vary in design, color, and orientation. This research develops an APNR system based on FlaskAPI, integrating three main components: plate detection using oriented YOLOv8, dual-element detection (license number and tax validity) using YOLOv9, and text extraction using Tesseract OCR. The dataset used consists of over 10,000 annotated Indonesian license plate images in various conditions, prepared for object detection and OCR training. The YOLOv8-OBB model achieved an mAP@0.5 of 91.9%, while YOLOv9 successfully detected both key elements of the plate. The Tesseract OCR models were trained separately for license number and tax data, achieving a low average Character Error Rate (CER) of under 5%. The final system is capable of identifying license numbers, validity periods, regions of origin, and vehicle types automatically and in real time. This study demonstrates that combining YOLOv9, OBB, and OCR technologies can produce an accurate and efficient APNR system tailored to the complexity of Indonesian license plates.