KLASIFIKASI KARAKTER PLAT NOMOR KENDARAAN MENGGUNAKAN FASTER REGION-BASED CONVOLUTIONAL NEURAL NETWORK (FASTER R-CNN)

NUR , MITA UTAMI (2024) KLASIFIKASI KARAKTER PLAT NOMOR KENDARAAN MENGGUNAKAN FASTER REGION-BASED CONVOLUTIONAL NEURAL NETWORK (FASTER R-CNN). MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF Abstrak Mita.pdf Download (180Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (6Mb)
Preview	File PDF SKRIPSI TANPA PEMBAHASAN.pdf Download (4Mb) | Preview

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

Kendaraan bermotor merupakan alat transportasi yang paling banyak digunakan di Indonesia. Seiring bertambahnya jumlah kendaraan di Indonesia, muncul tantangan baru seperti kecelakaan lalu lintas, pelanggaran lalu lintas, hingga kejahatan yang melibatkan kendaraan. Oleh Karena itu salah satu upaya penanganan masalah tersebut adalah membangun dan mengimplementasikan sistem transportasi cerdas atau sering disebut Intelligent Transportation System (ITS). Setiap kendaraan memiliki tanda nomor kendaraan bermotor (TNKB). Dengan memanfaatkan data plat nomor kendaraan, ITS digunakan untuk membantu mengidentifikasi informasi seseorang dari plat nomor kendaraannya. Berbagai teknik Deep Learning telah banyak diimplementasikan untuk meningkatkan keakuratan dan efisiensi teknologi recognition plate. Salah satu model dalam Deep Learning yang dikembangkan untuk klasifikasi objek pada citra adalah Faster region-Based Convolutional Neural Network (Faster R-CNN). Faster R-CNN terdiri dari dua modul utama, yaitu Deep Fully Convolutional Network yang mengandung Region Proposal Network (RPN) dan Fast R-CNN sebagai detektor. Penelitian ini mengimplemetasikan Faster R-CNN dengan fitur ekstraktor ResNet-50 untuk klasifikasi karakter pada citra plat nomor kendaraan. Informasi yang diidentifikasi pada plat nomor meliputi kode wilayah provinsi, nomor seri plat nomor kendaraan, kode wilayah kota/kabupaten, serta bulan dan tahun masa berlaku plat nomor kendaraan, dengan fokus evaluasi pada 5 wilayah kabupaten/kota. Hasil evaluasi menunjukkan hasil yang sangat baik dengan akurasi rata-rata dari kelima kelas sebesar sebesar 94,59%, diikuti precision sebesar 86,90%, recall 86,48%, dan F1-score 86,44%.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	2506356436 Digilib
Date Deposited:	26 Jun 2025 01:23
Terakhir diubah:	26 Jun 2025 01:23
URI:	http://digilib.unila.ac.id/id/eprint/89619

Actions (login required)

Lihat Karya Akhir