ANALISIS PERBANDINGAN YOLOv11 DAN PADDLE-OCR DALAM DETEKSI PELAT NOMOR KENDARAAN OTOMATIS MENGGUNAKAN RASPBERRY PI 4B

Farhan Aqil Musyafa, . (2025) ANALISIS PERBANDINGAN YOLOv11 DAN PADDLE-OCR DALAM DETEKSI PELAT NOMOR KENDARAAN OTOMATIS MENGGUNAKAN RASPBERRY PI 4B. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (625kB)
	Text BAB 1.pdf Download (56kB)
	Text BAB 2.pdf Restricted to Registered users only Download (961kB)
	Text BAB 3.pdf Restricted to Registered users only Download (388kB)
	Text BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text BAB 5.pdf Restricted to Registered users only Download (97kB)
	Text Daftar Pustaka.pdf Download (185kB)
	Text Lampiran.pdf Restricted to Registered users only Download (671kB)

Abstract

Pertumbuhan populasi di DKI Jakarta mencapai 11,24 juta jiwa dengan kepadatan 18.500 orang per kilometer persegi. Hal ini berdampak pada peningkatan jumlah kendaraan bermotor yang berjumlah 17,4 juta unit menurut data dari Badan Pusat Statistik (BPS) pada tahun 2019. Tantangan utamanya adalah kerumitan dalam pengelolaan area parkir yang menggunakan pencatatan manual. Oleh karena itu, sistem deteksi pelat nomor kendaraan secara otomatis menjadi kebutuhan mendesak untuk meningkatkan efisiensi manajemen parkir. Teknologi computer vision seperti YOLOv11-nano (YOLOv11n) dan Paddle-OCR dalam Raspberry Pi 4B menawarkan solusi inovatif untuk deteksi pelat nomor kendaraan real-time. Penelitian ini bertujuan untuk mengembangkan dan membandingkan kinerja sistem deteksi pelat nomor kendaraan dengan YOLOv11n dan Paddle-OCR yang bekerja secara real-time di Raspberry Pi 4B. Sistem dilatih dengan menggunakan dataset 2.370 gambar untuk deteksi karakter pelat nomor. Proses meliputi instalasi perangkat, pelatihan model, integrasi, dan pengujian real-time dalam berbagai orientasi dan intensitas. Hasil training menunjukkan bahwa model deteksi pelat nomor memiliki performa yang sangat baik, dengan precision sebesar 0,95, mAP50 sebesar 0,951, dan recall sebesar 0,915. Untuk deteksi karakter, model juga menunjukkan performa tinggi dengan mAP50 sebesar 0,91, precision 0,821, dan recall 0,858. Paddle-OCR mencatat rata-rata CER lebih rendah di semua orientasi, terutama pada tampak depan (CER 0,2), sementara YOLOv11n menunjukkan CER tinggi, terutama pada orientasi tampak atas dan bawah. Fitting polinomial menunjukkan pola peningkatan CER ketika mendekati intensitas ekstrem untuk kedua model, namun Paddle-OCR lebih akurat dengan nilai CER yang lebih rendah. Hasil ini menunjukkan bahwa performa Paddle-OCR lebih baik jika dibandingkan YOLOv11n. ************************************************************ Population growth in DKI Jakarta has reached 11.24 million people with a density of 18,500 people per square kilometer. This has an impact on the increase in the number of motorized vehicles which amounted to 17.4 million units according to data from the Central Statistics Agency (BPS) in 2019. The main challenge is the complexity in managing parking areas that use manual recording. Therefore, an automatic vehicle license plate detection system is an urgent need to improve the efficiency of parking management. Computer vision technologies such as YOLOv11-nano (YOLOv11n) and Paddle-OCR in Raspberry Pi 4B offer innovative solutions for real-time vehicle license plate detection. This study aims to develop and compare the performance of a vehicle license plate detection system with YOLOv11n and Paddle-OCR that work in real-time on Raspberry Pi 4B. The system is trained using a dataset of 2,370 images for license plate character detection. The process includes device installation, model training, integration, and real-time testing in various orientations and intensities. The training results show that the license plate detection model has very good performance, with a precision of 0.95, mAP50 of 0.951, and recall of 0.915. For character detection, the model also shows high performance with mAP50 of 0.91, precision of 0.821, and recall of 0.858. Paddle-OCR records a lower average CER in all orientations, especially in the front view (CER 0.2), while YOLOv11n shows a high CER, especially in the top and bottom view orientations. Polynomial fitting shows a pattern of increasing CER when approaching extreme intensities for both models, but Paddle-OCR is more accurate with lower CER values. These results indicate that Paddle-OCR performs better than YOLOv11n.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Riser Fahdiran, M.Si. ; 2). Haris Suhendar, M.Sc.
Subjects:	Sains > Sains, Ilmu Pengetahuan Alam Sains > Fisika Teknologi dan Ilmu Terapan > Teknologi (umum)
Divisions:	FMIPA > S1 Fisika
Depositing User:	Users 26724 not found.
Date Deposited:	25 Feb 2025 04:35
Last Modified:	25 Feb 2025 04:35
URI:	http://repository.unj.ac.id/id/eprint/53471

Actions (login required)

View Item