%A ZAIDANI AURA HUSNAINI PUTRI
%T PENGEMBANGAN YOLOv4 DENGAN FITUR EKSTRAKTOR
MobileNetV3 UNTUK DETEKSI DAN KLASIFIKASI PLAT

KENDARAAN
%X 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.
%C UNIVERSITAS LAMPUNG
%D 2024
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%L eprints83543