Universitas Negeri Yogyakarta 1

Klasifikasi Warna Plat Nomor Kendaraan 2

1 Nur Alif Ilyasa; nuralif.2020@student.uny.ac.id 4

2 Muslikhin; muslikhin@uny.ac.id 5

Abstrak: Nomor plat kendaraan adalah sebuah tanda pengenal yang tertera pada bagian depan dan 6
belakang kendaraan bermotor. Nomor plat kendaraan terdiri dari huruf dan angka yang unik yang 7
dikeluarkan oleh pemerintah untuk setiap kendaraan bermotor yang terdaftar di negara tersebut. 8
Nomor plat kendaraan digunakan untuk mengidentifikasi kendaraan bermotor secara unik dan 9
merupakan salah satu bukti kepemilikan kendaraan bermotor. 10

Keywords: Image Processing, YOLOv7, Computer Vision, AI (Artivicial Intelegent) 11

12

1. Summary 13
Nomor plat kendaraan adalah sebuah tanda pengenal yang tertera pada bagian de- 14
pan dan belakang kendaraan bermotor. Nomor plat kendaraan terdiri dari huruf dan 15
angka yang unik yang dikeluarkan oleh pemerintah untuk setiap kendaraan bermotor 16
yang terdaftar di negara tersebut. Nomor plat kendaraan digunakan untuk mengidentif- 17
ikasi kendaraan bermotor secara unik dan merupakan salah satu bukti kepemilikan ken- 18
daraan bermotor. 19
20
Deteksi nomor plat kendaraan menggunakan OCR (Optical Character Recognition) 21
adalah sebuah teknik yang dapat digunakan untuk mengidentifikasi huruf dan angka 22
pada nomor plat kendaraan dengan menggunakan sistem pengenalan teks optik. OCR 23
menggunakan teknik image processing dan computer vision untuk memproses gambar 24
nomor plat kendaraan dan mengidentifikasi setiap karakter pada nomor plat tersebut. 25
Setelah mengidentifikasi karakter-karakter pada nomor plat, sistem akan menyusun 26
karakter tersebut menjadi sebuah string yang merupakan nomor plat kendaraan tersebut. 27
28
Untuk menggunakan OCR untuk deteksi nomor plat kendaraan, kita dapat 29
menggunakan aplikasi OCR yang telah tersedia secara online atau mengembangkan ap- 30
likasi OCR sendiri menggunakan bahasa pemrograman seperti Python atau C++. Selain 31
Citation: To be added by editorial itu, kita juga dapat menggunakan library OCR yang tersedia di internet untuk memper- 32
staff during production. mudah proses deteksi nomor plat kendaraan menggunakan OCR. 33

Received: date
34
Revised: date Namun, perlu diingat bahwa deteksi nomor plat kendaraan menggunakan OCR 35
Accepted: date masih memiliki beberapa keterbatasan. Misalnya, OCR dapat mengalami kesulitan dalam 36
Published: date mengidentifikasi nomor plat kendaraan yang terlalu buram atau terdistorsi, serta nomor 37
plat kendaraan yang menggunakan font yang tidak standar atau tidak terbaca oleh sis- 38
tem. Oleh karena itu, penting bagi kita untuk mempersiapkan dataset yang berkualitas 39

Copyright: © 2023 by the authors. tinggi agar hasil deteksi nomor plat kendaraan menggunakan OCR dapat lebih akurat. 40
Submitted for possible open access
publication under the terms and 2. Data Description 41
conditions of the Creative Commons Dengan mengumpulkan dataset secara manual dengan cara memotret gambar-gam- 42
Attribution (CC BY) license bar plat nomor kendaraan di jalan, Anda dapat memperoleh dataset yang lebih bervariasi 43
(http://creativecommons.org/licenses dan mencakup berbagai jenis kendaraan seperti motor, truk, dan mobil. Selain itu, dengan 44
/by/4.0/).

January 4, 2023, 8, https://doi.org/10.3390/xxxxx Universitas Negeri Yogyakarta

January 4, 2023, Klasifikasi Warna Plat Nomor Kendaraan Menggunakan YOLOv7, Nur Alif Ilyasa, Muslikhin 2 of 4

memotret gambar-gambar plat nomor kendaraan pada saat malam dan siang, Anda dapat 45
memperoleh dataset yang lebih bervariasi dari segi kondisi cahaya. 46
47
Setelah memperoleh dataset yang diinginkan, Anda dapat melabeli gambar-gambar 48
tersebut dengan menggunakan LabelImg, sebuah aplikasi open source yang dapat mem- 49
bantu Anda dalam proses labeling gambar secara manual. Dengan melabeli gambar-gam- 50
bar plat nomor kendaraan, Anda dapat memberikan informasi tambahan kepada sistem 51
pengenalan plat nomor kendaraan mengenai objek yang tertera pada gambar tersebut. 52
53
Setelah selesai melabeli gambar-gambar plat nomor kendaraan, Anda dapat 54
menggunakan dataset tersebut untuk melatih model pengenalan plat nomor kendaraan 55
menggunakan algoritma deep learning seperti convolutional neural network (CNN) atau 56
recurrent neural network (RNN). Setelah model telah dilatih dengan baik, Anda dapat 57
menggunakan model tersebut untuk melakukan deteksi plat nomor kendaraan pada 58
gambar atau video yang baru. 59
60
Setelah model telah dilatih dengan baik, Anda dapat menggunakan model tersebut 61
untuk melakukan deteksi plat nomor kendaraan pada gambar atau video yang baru. 62
Dengan demikian, Anda dapat mengidentifikasi plat nomor kendaraan dengan cepat dan 63
akurat menggunakan sistem deteksi plat nomor kendaraan yang telah Anda kem- 64
bangkan. 65

3. Methods 66
Ada beberapa teknik image processing yang dapat digunakan untuk melakukan de- 67
teksi plat nomor kendaraan, diantaranya adalah: 68
69
Preprocessing: merupakan tahap pertama dalam proses deteksi plat nomor ken- 70
daraan, dimana gambar plat nomor kendaraan akan dipreproses terlebih dahulu agar 71
lebih mudah untuk diolah oleh sistem. Preprocessing dapat meliputi tahap-tahap seperti 72
pengkonversian gambar ke dalam skala keabuan, pemotongan gambar agar hanya men- 73
ampilkan bagian yang diperlukan saja, dan pembersihan gambar dari noise atau 74
gangguan yang tidak diinginkan. 75
76
Segmentasi: merupakan tahap kedua dalam proses deteksi plat nomor kendaraan, 77
dimana sistem akan mencoba untuk memisahkan plat nomor kendaraan dari latar 78
belakang gambar. Segmentasi dapat dilakukan dengan menggunakan teknik threshold- 79
ing, edge detection, atau clustering. 80
81
Eksplorasi fitur: merupakan tahap ketiga dalam proses deteksi plat nomor ken- 82
daraan, dimana sistem akan mengekstrak fitur-fitur yang penting dari plat nomor ken- 83
daraan. Fitur-fitur ini dapat berupa bentuk, warna, atau tekstur dari plat nomor ken- 84
daraan. Eksplorasi fitur ini dapat dilakukan dengan menggunakan teknik seperti moment 85
invariants, histogram of oriented gradients (HOG), atau scale invariant feature transform 86
(SIFT). 87
88
Klasifikasi: merupakan tahap terakhir dalam proses deteksi plat nomor kendaraan, di- 89
mana sistem akan melakukan klasifikasi plat nomor kendaraan berdasarkan fitur-fitur 90
yang telah diekstrak sebelumnya. Klasifikasi dapat dilakukan dengan menggunakan al- 91
goritma seperti k-nearest neighbor (k-NN), support vector machine (SVM), atau neural 92
network. Setelah klasifikasi selesai dilakukan, sistem akan memberikan output berupa 93
identifikasi plat nomor kendaraan yang telah terdeteksi. 94
95
January 4, 2023, Klasifikasi Warna Plat Nomor Kendaraan Menggunakan YOLOv7, Nur Alif Ilyasa, Muslikhin 3 of 4

Dataset yang digunakan untuk melakukan training harus memenuhi beberapa krite- 96
ria, seperti memiliki jumlah data yang cukup banyak dan memiliki label yang akurat. 97
Dataset biasanya terdiri dari gambar dan file metadata yang berisi informasi tentang ob- 98
jek yang ada pada gambar tersebut, seperti koordinat kotak bounding box dan label objek. 99
Pada tahapan persiapan dataset ini kita hanya mendownload dataset dari platform 100
Kaggle milik Aslan Ahmedov dan Larxel. Kita juga mengubah label yang dengan ban- 101
tuan kode python sehingga mudah dan cepat. 102
103

(a) (b)
Figure 1. Contoh sampel dataset: (a) Gambar mobil dengan plat warna hitam; (b) Gambar mobil 104
dengan plat nomor berwarna putih. Gambar memiliki kompleksitas yang tinggi dan bervariasi. 105

Beberapa metode yang dapat digunakan untuk klasifikasi adalah: 106

107
k-nearest neighbor (k-NN): merupakan salah satu metode klasifikasi yang paling 108
sederhana. Metode ini akan membandingkan fitur dari data yang ingin diklasifikasikan 109
dengan fitur dari data-data yang telah terklasifikasi sebelumnya. Data yang ingin diklas- 110
ifikasikan akan diklasifikasikan ke dalam kelas yang sama dengan kelas mayoritas dari 111
k data terdekat (tetangga terdekat) dari data tersebut. 112
113
support vector machine (SVM): merupakan metode klasifikasi yang memanfaatkan 114
teknik pembelajaran supervised untuk mengklasifikasikan data. SVM akan mencari hy- 115
perplane yang paling baik untuk memisahkan dua kelas data. Data yang ingin diklasifi- 116
kasikan akan diklasifikasikan ke dalam kelas yang berbeda tergantung pada sisi mana 117
hyperplane tersebut berada. 118
119
neural network: merupakan metode klasifikasi yang mengimplementasikan konsep 120
jaringan saraf alami dalam sistem pembelajaran mesin. Neural network akan memproses 121
data dengan memanfaatkan beberapa lapisan neuron (node) yang saling terkoneksi. 122
Setela 123

124
Figure 6. Model GAN 125
January 4, 2023, Klasifikasi Warna Plat Nomor Kendaraan Menggunakan YOLOv7, Nur Alif Ilyasa, Muslikhin 4 of 4

126
3.1. Validasi 127
Setelah melakukan training selama beberapa epoch, model perlu diuji dengan 128
menggunakan data validasi untuk mengetahui seberapa baik model tersebut dapat 129
mengenali objek pada gambar. 130
131
3.2. Testing 132
Setelah melalui tahap validasi dan hyperparameter tuning, model kemudian diuji kem- 133
bali dengan menggunakan data testing untuk mengetahui seberapa baik model tersebut 134
dapat mengenali objek pada gambar yang belum pernah dilihat sebelumnya. 135
136
137

138
139

Figure 9. Gambar hasil deteksi (lokalisasi dan klasifikasi). Kita dapat melihat bahwa deteksi cukup 140
bagus. Label berwarna hijau jan orange adalah label yang diberikan oleh proses inference model. 141

142
143
144
145
146
147

References 148
149
1. ^ William Freeman; Pietro Perona; Bernhard Scholkopf (2008). "Guest Editorial: Machine Learning for Computer Vision". 150
International Journal of Computer Vision. 77 (1): 1. doi:10.1007/s11263-008-0127-7. ISSN 1573-1405. 151
2. ^ LeCun, Yann; Bengio, Yoshua; Hinton, Geoffrey (2015). "Deep Learning". Nature. 521 (7553): 436–444. Bibcode:2015Na- 152
tur.521..436L. doi:10.1038/nature14539. PMID 26017442. S2CID 3074096. 153
3. ^ Jiao, Licheng; Zhang, Fan; Liu, Fang; Yang, Shuyuan; Li, Lingling; Feng, Zhixi; Qu, Rong (2019). "A Survey of Deep 154
Learning-Based Object Detection" (PDF). IEEE Access. 7: 128837–128868. arXiv:1907.09408. doi:10.1109/AC- 155
CESS.2019.2939201. S2CID 198147317. Archived (PDF) from the original on 2021-01-19. 156