<> "The repository administrator has not yet configured an RDF license."^^ . <> . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN"^^ . "Computer vision banyak dimanfaatkan untuk pengembangan teknologi seperti\r\ndeteksi objek. Dalam deteksi objek, terdapat berbagai algoritma yang dapat\r\ndigunakan salah satunya YOLO. Metode ini menggunakan deep learning untuk\r\nmelakukan deteksi secara real-time. Pada penelitian ini akan dilakukan\r\npengembangan YOLOv4 dengan fitur ekstraktor MobileNetV3 untuk melakukan\r\ndeteksi dan klasifikasi plat kendaraan. Hasil penelitian ini menunjukkan bahwa\r\npengembangan YOLOv4-MobileNetV3 memiliki tingkat performa yang lebih\r\ntinggi dibandingkan original YOLOv4, yang menggunakan CSPDarknet53\r\nsebagai fitur ekstraktor. Evaluasi perbandingan performa antara kedua model\r\nadalah dari segi performa akurasi dan waktu komputasi. YOLOv4-MobileNetV3\r\nmemiliki rata-rata akurasi sebesar 97.54% sedangkan YOLOv4-CSPDarknet53\r\nmemiliki rata-rata akurasi sebesar 96.93%. Dalam hal waktu komputasi,\r\nYOLOv4-MobileNetV3 membutuhkan waktu yang lebih sedikit yaitu rata-rata\r\nsekitar 0.133 seconds sedangkan YOLOv4-CSPDarknet53 membutuhkan rata-rata\r\nwaktu sekitar 0.418 seconds untuk melakukan deteksi warna plat kendaraan.\r\n\r\nKata Kunci: Deep Learning, Fitur Ekstraktor, YOLOv4, MobileNetV3, Deteksi,\r\nKlasifikasi, Plat Kendaraan.\r\n\r\nComputer vision is widely utilized in the development of technologies such as\r\nobject detection. In object detection, various algorithms can be used, one of which\r\nis YOLO. This method uses deep learning to detect vehicle plates on the highway\r\nin real time. In this research, the YOLOv4 model was improved with the\r\nMobileNetV3 feature extractor for vehicle license plate detection and\r\nclassification. The results of this study show that the development of YOLOv4-\r\nMobileNetV3 has a higher performance compared to the original YOLOv4, which\r\nuses CSPDarknet53 as a feature extractor. The performance comparison\r\nevaluation between the two models focuses on accuracy and computational time.\r\nYOLOv4-MobileNetV3 achieved an average accuracy of 97.54%, whereas\r\nYOLOv4-CSPDarknet53 achieved an average accuracy of 96.93%. In terms of\r\ncomputation time, YOLOv4-MobileNetV3 required less time, averaging around\r\n0.133 seconds, compared to YOLOv4-CSPDarknet53, which averaged around\r\n0.418 seconds for vehicle license plate color detection.\r\n\r\nKeywords: Deep Learning, Feature Extraction, YOLOv4, MobileNetV3,\r\nDetection, Classification, Vehicle Plate."^^ . "2024-07-11" . . . . . "FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM"^^ . . . . . . . "ZAIDANI"^^ . "AURA HUSNAINI PUTRI"^^ . "ZAIDANI AURA HUSNAINI PUTRI"^^ . . . . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (File PDF)"^^ . . . "2017051045 - Aura Husnaini Putri Zaidani - FIle ABSTRAK - Aura Husnaini P. Z.pdf"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (File PDF)"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (File PDF)"^^ . . . "2017051045 - Aura Husnaini Putri Zaidani - Tanpa Bab Pembahasan - Aura Husnaini P. Z.pdf"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "preview.jpg"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "medium.jpg"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "small.jpg"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "preview.jpg"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "medium.jpg"^^ . . . "PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR\r\nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT\r\n\r\nKENDARAAN (Other)"^^ . . . . . . "small.jpg"^^ . . "HTML Summary of #83543 \n\nPENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR \nMobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT \n \nKENDARAAN\n\n" . "text/html" . . . "000 Ilmu komputer, informasi dan pekerjaan umum" . . . "001 Ilmu pengetahuan" . . . "500 ilmu pengetahuan alam dan matematika" . .