Electronic Theses and Dissertation

Peningkatan jumlah kendaraan bermotor menimbulkan permasalahan dalam bidang transportasi seperti kemacetan, kecelakaan, pelanggaran rambu dan lampu lalu lintas. informasi mengenai pengguna kendaraan yang melakukan pelanggaran lalu lintas dapat ditemukan melalui plat kendaraan pengguna. sangat sulit untuk melakukan pelacakan atau deteksi terhadap kode unik dari plat kendaraan bermotor secara manual saat jumlah kendaraan meningkat tajam. maka dari itu, dibutuhkan suatu sistem pengenalan karakter menggunakan mesin yang dapat mendeteksi gambar atau citra plat kendaraan bermotor secara pintar. penelitian ini menggunakan metode machine learning untuk melakukan klasifikasi terhadap pengenalan karakter pada citra digital. metode klasifikasi yang digunakan untuk data citra digital karakter plat kendaraan adalah metode convolutional neural network dengan pengujian terhadap 3 arsitektur yang berbeda yaitu lenet-5, lenet-5 yang dimodifikasi, dan alexnet. pengujian dilakukan untuk mendapatkan performa metode klasifikasi yang terbaik berdasarkan akurasi dan waktu komputasinya. selain itu, hasil dari metode convolutional neural network dengan setiap arsitekturnya ini juga dibandingkan dengan metode ekstraksi fitur freeman chain code menggunakan metode klasifikasi support vector machine. f-measure terbaik hasil klasifikasi terhadap 3.048 data citra digital karakter plat kendaraan adalah menggunakan metode klasifikasi convolutional neural network dengan arsitektur lenet-5 yang dimodifikasi, pada tahap training sebesar 0,95 dan pada tahap testing sebesar 0,97. berdasarkan waktu komputasi tercepat, metode klasifikasi convolutional neural network dengan arsitektur lenet-5 memiliki waktu tercepat yaitu 5 menit 53 detik. kata kunci: klasifikasi, citra digital, plat kendaraan bermotor, convolutional neural network, lenet-5, alexnet, freeman chain code, support vector machine