Sistem Identifikasi Tanda Nomor Kendaraan Bermotor Indonesia Berbasis Artificial Neural Network

Article Sidebar

PDF
Published: Dec 5, 2022
Keywords:
object detection character recognition convolutional neural network optical character recognition

Main Article Content

Laras Prameswari Ristantyo
Herminarto Nugroho
Universitas Pertamina
Wahyu Agung Pramudito

Abstract

Tanda Nomor Kendaraan Bermotor (TNKB) merupakan prasyarat yang wajib dimiliki pada kendaraan bermotor yang berfungsi sebagai identitas dan tanda registrasi yang sesuai dengan Surat Tanda Nomor Kendaraan (STNK). Seiring dengan meningkatnya jumlah kendaraan bermotor tiap tahun, maka diperlukan sistem yang dapat mendeteksi objek Tanda Nomor Kendaraan Bermotor serta mengenali karakter yang ada pada Tanda Nomor Kendaraan Bermotor secara otomatis agar dapat mempermudah pekerjaan dalam hal manajemen sistem parkir, maupun sistem tilang elektronik. Pada jurnal ini, digunakan total 6541 data citra Tanda Nomor Kendaraan Bermotor Indonesia yang telah diolah menggunakan metode Convolutional Neural Network (CNN) untuk mendeteksi keberadaan objek dan metode Optical Character Recognition (OCR) untuk mengenali karakter pada objek yang berupa huruf dan angka. Convolutional Neural Network diimplementasikan untuk mendeteksi keberadaan objek TNKB dikarenakan CNN memiliki kinerja yang baik dalam permasalahan pembelajaran mesin (machine learning) khususnya dalam pengaplikasian pada data citra. Optical Character Recognition diimplementasikan untuk pengenalan karakter pada objek dikarenakan algoritma Optical Character Recognition dapat mengkonversi karakter pada citra  menjadi sebuah teks dengan akurasi sistem sebesar 84.59%.

Downloads

Download data is not yet available.

Article Details

How to Cite
Ristantyo, L. P., Nugroho, H., & Pramudito, W. A. (2022). Sistem Identifikasi Tanda Nomor Kendaraan Bermotor Indonesia Berbasis Artificial Neural Network. KILAT, 11(2), 149–157. Retrieved from https://jurnal.itpln.ac.id/kilat/article/view/1647
Issue
Vol. 11 No. 2 (2022): KILAT
Section
Articles

References

[1] P. R. Indonesia, Undang-undang Republik Indonesia nomor 22 tahun 2009 tentang lalu lintas dan angkutan jalan. 2009.
[2] H. Nugroho, M. Susanty, A. Irawan, M. Koyimatu, and A. Yunita, “Fully convolutional variational autoencoder for feature extraction of fire detection system,” J. Ilmu Komput. dan Inf., vol. 13, no. 1, pp. 9–15, 2020.
[3] N. H. Harani, C. Prianto, and M. Hasanah, “Deteksi Objek Dan Pengenalan Karakter Plat Nomor Kendaraan Indonesia Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Python,” J. Tek. Inform., vol. 11, no. 3, pp. 47–53, 2019.
[4] M. Susanty and H. Nugroho, “OPTICAL CHARACTER RECOGNITION IMPLEMENTATION FOR ADMISSION SYSTEM IN UNIVERSITAS PERTAMINA,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 11, no. 1, pp. 165–170, 2020.
[5] S. S. Omran and J. A. Jarallah, “Iraqi car license plate recognition using OCR,” in 2017 annual conference on new trends in information \& communications technology applications (NTICT), 2017, pp. 298–303.
[6] P. R. Indonesia, Undang-undang Republik Indonesia nomor 28 tahun 2009 tentang pajak daerah dan retribusi daerah. 2009.
[7] V. Tyagi, Understanding digital image processing. CRC Press, 2018.
[8] P. N. Andono, T. Sutojo, and others, Pengolahan citra digital. Penerbit Andi, 2017.
[9] M. P. Ekstrom, Digital image processing techniques, vol. 2. Academic Press, 2012.
[10] A. Basuki, N. Ramadijanti, and S. Kom, “Metode Numerik dan Algoritma Komputasi,” 2005.
[11] Z.-Q. Zhao, P. Zheng, S. Xu, and X. Wu, “Object detection with deep learning: A review,” IEEE Trans. neural networks Learn. Syst., vol. 30, no. 11, pp. 3212–3232, 2019.
[12] D. Nagataries, S. Hardiristanto, M. H. Purnomo, and A. A. G. Klasik, “Deteksi Objek pada Citra Digital Menggunakan Algoritma Genetika untuk Studi Kasus Sel Sabit,” Mhs. Jur. Tek. Elektro FTI Inst. Teknol. Sepuluh Novemb. Surabaya. Diambil dari http//digilib. its. ac. id/deteksi-objek-pada-citra-digital-menggunakan-algoritma-genetika-untuk-studi-kasus-sel-sabit-21993. html, 2012.
[13] S. Theodoridis and K. Koutroumbas, Pattern recognition. Elsevier, 2006.
[14] L. V Fausett, Fundamentals of neural networks: architectures, algorithms and applications. Pearson Education India, 2006.
[15] H. Nugroho, “Tuning of Optical Beamforming Networks: A Deep Learning Approach.” 2015.
[16] M. Susanty, S. Sahrul, E. Setiawan, and H. Nugroho, “DEEP LEARNING IMPLEMENTATION FOR EMPLOYEE ATTENDANCE SYSTEM IN UNIVERSITAS PERTAMINA,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 11, no. 2, pp. 462–468, 2020.
[17] N. Gupta and others, “Artificial neural network,” Netw. Complex Syst., vol. 3, no. 1, pp. 24–28, 2013.
[18] S. Albawi, T. A. Mohammed, and S. Al-Zawi, “Understanding of a convolutional neural network,” in 2017 international conference on engineering and technology (ICET), 2017, pp. 1–6.
[19] P. Kim, “Convolutional neural network,” in MATLAB deep learning, Springer, 2017, pp. 121–147.
[20] P. Hidayatullah, N. Syakrani, I. Suhartini, and W. Muhlis, “Optical character recognition improvement for license plate recognition in Indonesia,” in 2012 Sixth UKSim/AMSS European Symposium on Computer Modeling and Simulation, 2012, pp. 249–254.
[21] R. Draelos, “Best use of train/val/test splits, with tips for medical data,” Glas. Box Artif. Intell. Med. https//glassboxmedicine. com/2019/09/15/best-use-of-train-val-test-splits-with-tips-for-medical-data, 2019.