Deteksi dan Pembacaan Plat Nomor Kendaraan Menggunakan YOLO dan EasyOCR

Jonatan Rajif Santanu(1*), Muhammad Rafi Yudha Pratama(2), Deni Adrian Maulana(3), Naufal Falih Hernanda(4), Muhammad Munsarif(5)


(1) Universitas Muhammadiyah Semarang
(2) Universitas Muhammadiyah Semarang
(3) Universitas Muhammadiyah Semarang
(4) Universitas Muhammadiyah Semarang
(5) Universitas Muhammadiyah Semarang
(*) Corresponding Author

Abstract


Sistem Automatic Number Plate Recognition (ANPR) menjadi elemen penting dalam mendukung keamanan dan manajemen lalu lintas di era digital. Penelitian ini bertujuan mengembangkan sistem deteksi dan pembacaan plat nomor kendaraan secara real-time dengan memanfaatkan algoritma YOLO (You Only Look Once) untuk deteksi objek dan EasyOCR untuk pengenalan karakter. Dataset berupa gambar kendaraan digunakan sebagai basis pelatihan model YOLOv8, dan hasil deteksi digunakan oleh EasyOCR untuk mengidentifikasi teks pada plat nomor. Hasil eksperimen menunjukkan bahwa sistem dapat mendeteksi serta membaca plat nomor kendaraan secara akurat dalam berbagai kondisi pencahayaan dan orientasi. Integrasi kedua metode ini menunjukkan performa yang menjanjikan dalam implementasi sistem ANPR secara efisien dan otomatis.

Full Text:

PDF

References


Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0197-0

Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint. https://arxiv.org/abs/2004.10934

Jaided AI. (2020). EasyOCR: Ready-to-use OCR with 80+ Languages Supported. GitHub Repository. https://github.com/JaidedAI/EasyOCR

Laroca, R., Severo, E., Zanlorensi, L. A., Oliveira, L. S., et al. (2021). Efficient and robust vehicle license plate detection and recognition using deep learning. Image and Vision Computing, 104, 104004. https://doi.org/10.1016/j.imavis.2020.104004

Silva, S., & Jung, C. R. (2017). License Plate Detection and Recognition in Unconstrained Scenarios. IEEE Transactions on Intelligent Transportation Systems, 18(2), 339–350. https://doi.org/10.1109/TITS.2016.2568178

Ultralytics. (2024). YOLOv10 – Real-Time Object Detection. arXiv preprint. https://arxiv.org/abs/2404.10650


Article Metrics

Abstract view : 39 times
PDF - 6 times

DOI: https://doi.org/10.26714/jkti.v3i2.18673

Refbacks

  • There are currently no refbacks.


=======================================================================================

Penerbit:

  • JKTI | Jurnal Komputer dan Teknologi Informasi
  • Program Studi S1 Informatika,  Unimus| Universitas Muhammadiyah Semarang
  • Sekretariat: Gedung Kuliah Bersama II (GKB II) Lantai 7,  Jl. Kedungmundu Raya No 18 Semarang
  • email: informatika@unimus.ac.id, Phone: + +62 813 2504 3677
  • e-ISSN: 2986-7592

Paper Template: Download

View My Stats

------------------------------------------------------------------------------------------------------------------------------------------------------