Pengenalan Plat Nomor Kendaraan Menggunakan Deep Feature Extraction dan Faster R-CNN

Abstract

Automatic License Plate Recognition (ALPR) merupakan teknologi berbasis visi komputer yang memungkinkan identifikasi plat nomor kendaraan secara otomatis dan telah banyak diterapkan pada sistem transportasi cerdas, manajemen parkir, serta penegakan hukum. Penelitian ini mengembangkan sistem ALPR dua tahap menggunakan Faster R-CNN dengan backbone ResNet
50-FPN untuk mendeteksi lokasi plat nomor, dilanjutkan dengan Convolutional Neural Network (CNN) berbasis segmentasi karakter untuk mengenali teks plat nomor. Dataset yang digunakan adalah Indonesian License Plate Dataset yang terdiri dari 1.000 citra kendaraan dengan anotasi bounding box dan 14.074 citra karakter hasil segmentasi. Model Faster R-CNN dievaluasi meng
gunakan metrik ROC-AUC, Equal Error Rate (EER), dan Normalized Mean Distance (NMD), sedangkan model CNN OCR dievaluasi menggunakan Accuracy, Precision, Recall, F1-Score, Character Error Rate (CER), Word Accuracy, Mean Plate Accuracy, dan Overall Character Accuracy. Hasil evaluasi menunjukkan bahwa Faster R-CNN memperoleh ROC-AUC sebesar 0,8669, EER sebesar 0,2249, dan NMD sebesar 0,1915, sedangkan CNN OCR memperoleh accuracy 93%, Mean Plate Accuracy 92,62%, Overall Character Accuracy 92,78%, Word Accuracy 69,54%, dan CER 7,22%. Temuan ini menunjukkan bahwa integrasi Faster R-CNN ResNet-50-FPN dan CNN
OCR mampu membentuk sistem ALPR yang efektif untuk plat nomor kendaraan Indonesia.