PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR MobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT KENDARAAN

AURA HUSNAINI PUTRI, ZAIDANI (2024) PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR MobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT KENDARAAN. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF 2017051045 - Aura Husnaini Putri Zaidani - FIle ABSTRAK - Aura Husnaini P. Z.pdf Download (361Kb) | Preview
	File PDF 2017051045 - Aura Husnaini Putri Zaidani - Full Skripsi - Aura Husnaini P. Z.pdf Restricted to Hanya staf Download (1396Kb) | Minta salinan
Preview	File PDF 2017051045 - Aura Husnaini Putri Zaidani - Tanpa Bab Pembahasan - Aura Husnaini P. Z.pdf Download (768Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Computer vision banyak dimanfaatkan untuk pengembangan teknologi seperti deteksi objek. Dalam deteksi objek, terdapat berbagai algoritma yang dapat digunakan salah satunya YOLO. Metode ini menggunakan deep learning untuk melakukan deteksi secara real-time. Pada penelitian ini akan dilakukan pengembangan YOLOv4 dengan fitur ekstraktor MobileNetV3 untuk melakukan deteksi dan klasifikasi plat kendaraan. Hasil penelitian ini menunjukkan bahwa pengembangan YOLOv4-MobileNetV3 memiliki tingkat performa yang lebih tinggi dibandingkan original YOLOv4, yang menggunakan CSPDarknet53 sebagai fitur ekstraktor. Evaluasi perbandingan performa antara kedua model adalah dari segi performa akurasi dan waktu komputasi. YOLOv4-MobileNetV3 memiliki rata-rata akurasi sebesar 97.54% sedangkan YOLOv4-CSPDarknet53 memiliki rata-rata akurasi sebesar 96.93%. Dalam hal waktu komputasi, YOLOv4-MobileNetV3 membutuhkan waktu yang lebih sedikit yaitu rata-rata sekitar 0.133 seconds sedangkan YOLOv4-CSPDarknet53 membutuhkan rata-rata waktu sekitar 0.418 seconds untuk melakukan deteksi warna plat kendaraan. Kata Kunci: Deep Learning, Fitur Ekstraktor, YOLOv4, MobileNetV3, Deteksi, Klasifikasi, Plat Kendaraan. Computer vision is widely utilized in the development of technologies such as object detection. In object detection, various algorithms can be used, one of which is YOLO. This method uses deep learning to detect vehicle plates on the highway in real time. In this research, the YOLOv4 model was improved with the MobileNetV3 feature extractor for vehicle license plate detection and classification. The results of this study show that the development of YOLOv4- MobileNetV3 has a higher performance compared to the original YOLOv4, which uses CSPDarknet53 as a feature extractor. The performance comparison evaluation between the two models focuses on accuracy and computational time. YOLOv4-MobileNetV3 achieved an average accuracy of 97.54%, whereas YOLOv4-CSPDarknet53 achieved an average accuracy of 96.93%. In terms of computation time, YOLOv4-MobileNetV3 required less time, averaging around 0.133 seconds, compared to YOLOv4-CSPDarknet53, which averaged around 0.418 seconds for vehicle license plate color detection. Keywords: Deep Learning, Feature Extraction, YOLOv4, MobileNetV3, Detection, Classification, Vehicle Plate.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 001 Ilmu pengetahuan 500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MIPA > Prodi Ilmu Komputer
Pengguna Deposit:	UPT . Dito Nipati
Date Deposited:	13 Feb 2025 06:39
Terakhir diubah:	13 Feb 2025 06:39
URI:	http://digilib.unila.ac.id/id/eprint/83543

Actions (login required)

Lihat Karya Akhir