<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="169461">
 <titleInfo>
  <title>IMPLEMENTASI YOLOV9, ORIENTED BOUNDING BOX, DAN TESSERACT OPTICAL CHARACTER RECOGNITION UNTUK PENGENALAN PELAT NOMOR KENDARAAN INDONESIA</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Fachri Rozan</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas MIPA (S1)</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>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&#13;
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.</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>OPTICAL CHARACTER RECOGNITION</topic>
 </subject>
 <classification>006.424</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>169461</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-08-15 11:23:50</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-08-15 14:43:51</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>