Electronic Theses and Dissertation

License Plate Recognition (LPR) adalah teknologi yang digunakan untuk membaca dan mengenali plat nomor kendaraan secara otomatis. Teknologi LPR menggunakan kamera untuk menangkap gambar plat nomor kendaraan, kemudian menggunakan algoritma Optical Character Recognition (OCR) untuk mengekstrak informasi dari gambar tersebut. Penelitian ini bertujuan untuk mendeteksi plat kendaraan menggunakan algoritma deep learning yaitu Yolov7 dan menggunakan metode OCR untuk pengenalan karakter nomor plat kendaraan serta mengetahui pengaruh dari penggunaan dataset dengan 3 kondisi pencahayaan yang berbeda yaitu siang, sore dan malam. Dalam penelitian ini, digunakan dataset dengan kondisi pencahayaan yang berbeda yaitu siang, sore, dan malam yang diambil secara langsung menggunakan kamera handphone pada area parkiran dan jalanan. Hasil penelitian menunjukkan bahwa model deteksi plat kendaraan mencapai kinerja terbaik pada saat digunakan dataset siang hari, sementara pada dataset sore dan malam tidak menghasilkan model deteksi yang baik dengan menghasilkan jumlah nilai false negative yang tinggi. Selain itu, dalam pendeteksian plat kendaraan, menunjukkan bahwa penggunaan dataset siang memiliki kinerja yang sangat baik dengan mencapai tingkat accuracy sebesar 77,5%, sedangkan pada dataset sore mencapai tingkat accuracy sebesar 76,1%, dan pada dataset malam mencapai tingkat accuracy sebesar 75,2%. Untuk hasil OCR menggunakan library tesseract pada 80 citra uji untuk setiap dataset menunjukkan hasil bahwa sistem dapat mengenali lebih banyak citra pada dataset siang yaitu sebanyak 33 citra plat kendaraan, sedangkan pada dataset sore sebanyak 26 citra dan pada dataset malam sebanyak 13 citra.

License Plate Recognition (LPR) is a technology used to read and recognize vehicle number plates automatically. LPR technology uses a camera to capture images of vehicle number plates, then uses an Optical Character Recognition (OCR) algorithm to extract information from the image. This research aims to detect vehicle plates using a deep learning algorithm, namely Yolov7 and using the OCR method for character recognition of vehicle plate numbers and to determine the effect of using a dataset with 3 different lighting conditions, namely day, evening and night. In this research, a dataset was used with different lighting conditions, namely day, evening and night which were taken directly using a cell phone camera in parking areas and streets. The research results show that the vehicle plate detection model achieves the best performance when using the daytime dataset, while the evening and night datasets do not produce a good detection model by producing a high number of false negative values. Apart from that, in detecting vehicle plates, it shows that the use of the day dataset has very good performance by achieving an accuracy level of 77.5%, while in the afternoon dataset it reaches an accuracy level of 76.1%, and in the night dataset it reaches an accuracy level of 75%. .2%. The results of OCR using the tesseract library on 80 test images for each dataset show that the system can recognize more images in the day dataset, namely 33 vehicle plate images, while in the evening dataset there are 26 images and in the night dataset there are 13 images.