SKRIPSI

RANCANG BANGUN SISTEM DETEKSI PLAT KENDARAAN

MENGGUNAKAN METODE YOU ONLY LOOK ONCE

BERBASIS ANDROID

Ditulis untuk memenuhi sebagian persyaratan untuk akademik

guna memperoleh gelar Sarjana Komputer Strata Satu

Oleh :

NAMA : YOLAN ANJANI USEN

NIM : 422018013

SISTEM INFORMASI
FAKULTAS TEKNIK & ILMU KOMPUTER
UNIVERSITAS KRISTEN KRIDA WACANA
JAKARTA
2023
 PERSETUJUAN PROPOSAL SKRIPSI / TUGAS AKHIR

Nama : Yolan Anjani Usen

Nim : 422018013
Alamat : Perum. Pratama Asri C14, Rengasdengklok,
Karawang
No. Telp : 082125189917
Judul yang diajukan : Rancang Bangun Sistem Deteksi Plat
Kendaraan Menggunakan Metode You
Only Look Once Berbasis Android

Jakarta, 19 Januari 2023

Menyetujui
Dosen Pembimbing

(Cynthia Hayat S.Kom, M.MSI)

Mengetahui,

(Marcel, S.,Kom M.TI.)

Ketua Program Studi
 SKRIPSI

RANCANG BANGUN SISTEM DETEKSI PLAT KENDARAAN

MENGGUNAKAN METODE YOU ONLY LOOK ONCE

BERBASIS ANDROID

Oleh :
Yolan Anjani Usen
(422018013)

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KRISTEN KRIDA WACANA
JAKARTA
2023
 PERNYATAAN ORISINALITAS

Saya yang bertanda di bawah ini :

Nama : Yolan Anjani Usen

Nomor Induk Mahasiswa : 422018013
Tempat/Tanggal Lahir : Karawang, 26 Maret 2000
Alamat : Perum. Pratama Asri C14, Rengasdengklok,
Karawang.

Dengan ini menyatakan bahwa Skripsi / Tugas Akhir yang saya buat dengan judul
“Rancang Bangun Sistem Deteksi Plat Kendaraan Menggunakan Metode You
Only Look Once Berbasis Android” adalah :
1. Murni hasil pekerjaan saya sendiri. Tidak ada pekerjaan orang lain yang
kami gunakan tanpa menyebut sumbernya.
2. Bukan merupakan duplikasi karya tulis yang sudah dipublikasikan atau yang
pernah dipakai untuk mendapatkan gelar sarjana di universitas lain, kecuali
pada bagian - bagian sumber informasi dicantumkan dengan cara penulisan
referensi yang semestinya.
3. Bukan merupakan karya terjemahan dari kumpulan buku atau jurnal acuan
yang tertera di dalam referensi pada karya skripsi saya.

Kami memahami bahwa Skripsi ini dapat diperbanyak dan atau dikomunikasikan
dengan tujuan mendeteksi adanya plagiarisme.

Jakarta, 19 Januari 2023

Yang menyatakan,

(Yolan Anjani Usen)

 SKRIPSI

Rancang Bangun Sistem Deteksi Plat Kendaraan Menggunakan Metode You

Only Look Once Berbasis Android

Oleh :

Yolan Anjani Usen

(422018013)

Diterima dan Disetujui

Untuk Diujikan
Jakarta, 19 Januari 2023

Menyetujui,

Dosen Pembimbing

(Cynthia Hayat S.Kom, M.MSI)

Mengetahui,

(Marcel, S.,Kom M.TI.)

Ketua Program Studi

 SKRIPSI

Rancang Bangun Sistem Deteksi Plat Kendaraan Menggunakan Metode You

Only Look Once Berbasis Android

Oleh :

Yolan Anjani Usen

(422018013)

Telah berhasil dipertahankan di hadapan Panitia Penguji Skripsi / Tugas Akhir

dan diterima sebagai salah satu syarat yang diperlukan untuk memperoleh

gelar Sarjana Komputer pada Program Studi Sistem Informasi Fakultas Teknik

Dan Ilmu Komputer

Universitas Kristen Krida Wacana

Hari / tanggal : Kamis, 19 Januari 2023

Panitia Penguji :

Penguji : Dr. Endi Putro, S.Kom., M.T.

Penguji : Yudhi Windarto, S.Si.,M.Kom

 PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA TUGAS AKHIR / SKRIPSI UNTUK
KEPENTINGAN AKADEMIS

Saya mahasiswa Universitas Kristen Krida Wacana, saya yang bertanda tangan di
bawah ini:
Nama : Yolan Anjani Usen
NPM : 422018013
Program Studi : Sistem Informasi
Fakultas : Teknik dan Ilmu Komputer
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Kristen Krida Wacana Hak Bebas Royalti Non-Eksklusif (Non-
Exclusive Royalty-Free Right) atas karya Tugas Akhir / Skripsi saya yang berjudul :
“Rancang Bangun Sistem Deteksi Plat Kendaraan Menggunakan Metode You Only
Look Once Berbasis Android”
Beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-
Eksklusif ini, Universitas Kristen Krida Wacana berhak menyimpan, mengalih
media/formatkan, mengelola dalam bentuk pangkalan data (database),
mendistribusikan dan menampilkan / mempublikasikannya di internet atau media lain
untuk kepentingan akademis tanpa perlu meminta izin dari saya selama tetap
mencantumkan nama saya sebagai penulis / pencipta.
Demikian pernyataan ini saya buat dengan sebenarnya,
Dibuat di : Jakarta
Pada tanggal : 19 Januari 2023
Yang menyatakan

(Yolan Anjani Usen)

 UNIVERSITAS KRISTEN KRIDA WACANA

PERNYATAAN HASIL SIDANG SKRIPSI

Tanggal Ujian : 19 Januari 2023

Kami yang bertanda-tangan di bawah ini, menyatakan bahwa mahasiswa

Nama : Yolan Anjani Usen

NPM : 422018013

Fakultas : Teknik dan Ilmu Komputer

Jurusan : Sistem Informasi

Judul Skripsi : Rancang Bangun Sistem Deteksi Plat Kendaraan

Menggunakan Metode You Only Look Once Berbasis Android

Telah dinyatakan L U L U S / T I D A K L U L U S Sidang Skripsi / Tugas Akhir

Nama Tanda Tangan

Ketua Panitia Penguji : Dr. Endi Putro, S.Kom., M.T.

Anggota Panitia Ujian-I : Yudhi Windarto, S.Si.,M.Kom

 ABSTRAK

Yolan Anjani Usen (422018013)

RANCANG BANGUN SISTEM DETEKSI PLAT KENDARAAN

MENGGUNAKAN METODE YOU ONLY LOOK ONCE BERBASIS ANDROID

Kendaraan merupakan salah satu kebutuhan pokok manusia sejak zaman dahulu
hingga saat ini masih menjadi alat transportasi yang banyak digunakan oleh
masyarakat untuk memenuhi kebutuhan hidup sehari-hari. Pada kendaraan juga
dilengkapi oleh plat kendaraan yang berguna sebagai tanda pengenal suatu
kepemilikan kendaraan tersebut. Disisi lain seiring dengan perkembangan teknologi
khususnya pengolahan citra saat ini yang semakin berkembang pesat penggunaannya
juga sudah banyak diterapkan pada berbagai bidang, salah satunya menggunakan
metode deteksi objek. Pada penelitian ini dilakukan pengujian mendeteksi objek
menggunakan metode YOLO untuk mendeteksi plat kendaraan. Penggunaan plat
kendaraan sebagai objek adalah guna mendapatkan pandangan terbaru terhadap
penelitian yang dilakukan dengan dataset yang berbeda dengan penelitian terdahulu
dan perbandingan dataset yang berbeda menggunakan metode YOLO. Penggunaan
metode YOLOv4 digunakan karena melatih data gambar secara langsung dengan
kinerja yang optimal agar dapat menghasilkan prediksi yang lebih cepat. Kemudian
dalam penerapannya menggunakan Google Collaboratory untuk membuat model dan
Android Studio untuk aplikasi android. Dengan menggunakan dataset “Vehicle
Registration Plate” dan melakukan pelatihan pada rasio 80:20 dan 70:30 pada data
training dan data validation didapatkan hasil akurasi rata-rata yang lebih baik pada
pengujian dengan rasio 80:20 dengan hasil nilai akurasi rata-ratanya sebesar 86.82%
dan nilai presisi 0.85, recall 0.83, F1 score 0.84, rata-rata IoU 65.46%. Sehingga
dapat disimpulkan pada penelitian ini penggunaan rasio 80:20 pada dataset dalam
membuat sistem deteksi objek dengan metode YOLO memberikan hasil akurasi yang
lebih baik apabila dibandingkan dengan rasio 70:30.
Kata Kunci: deteksi objek, pengolahan citra, plat kendaraan, YOLO.
 ABSTRACT

Yolan Anjani Usen (422018013)

DESIGN AND BUILD A VEHICLE PLATE DETECTION SYSTEM USING YOU

ONLY LOOK ONCE METHOD BASED ON ANDROID

Vehicles have been one of the basic human needs since ancient times and are still a
means of transportation that are widely used by people to meet their daily needs. The
vehicle is also equipped with a vehicle plate which is useful as an identification of
ownership of the vehicle. On the other hand, along with technological developments,
especially image processing, which is currently growing rapidly, its use has also been
widely applied to various fields, one of which is using the object detection method. In
this study, testing was carried out to detect objects using the YOLO method to detect
vehicle plates. The use of vehicle registration plates as objects is to get the latest views
on research conducted with different datasets from previous studies and comparison of
different datasets using the YOLO method. The YOLOv4 method is used because it
trains image data directly with optimal performance in order to produce faster
predictions. Then in its application it uses Google Collaboratory to create models and
Android Studio for android applications. By using the "Vehicle Registration Plate"
dataset and conducting training at a ratio of 80:20 and 70:30 on the training data and
data validation results obtained better average accuracy in testing with a ratio of 80:20
with an average accuracy value of 86.82% and precision value 0.85, recall 0.83, F1
score 0.84, average IoU 65.46%. So it can be concluded that in this study the use of a
ratio of 80:20 in the dataset in making an object detection system with the YOLO
method gives better accuracy results when compared to a ratio of 70:30.

Keywords : image processing, license plate, object detection, YOLO.

 KATA PENGANTAR

Dengan memanjatkan segala puji dan syukur hanya kepada Tuhan Maha Esa

karena atas berkat dan rahmat -Nya saya dapat menyelesaikan skripsi ini dengan baik

dan benar serta tepat pada waktunya.

Dalam skripsi ini, penulis membahas mengenai “Rancang Bangun Sistem

Deteksi Plat Kendaraan Menggunakan Metode You Only Look Once Berbasis

Android” Penulis juga mengucapkan terima kasih kepada pihak-pihak yang telah

membantu dalam menyelesaikan penyusunan laporan ini. Maka pada kesempatan ini

penulis secara khusus mengucapkan terima kasih sebesar-besarnya kepada:

1. Ibu Dr. dr. Wani Devita Gunardi, Sp.MK(K). selaku Rektor Universitas

Kristen Krida Wacana

2. Bapak Dr. Oki Sunardi, IPM, ASEAN Eng. selaku Dekan Fakultas Teknik

dan Ilmu Komputer.

3. Bapak Marcel, S.,Kom M.TI., ITIL., COBIT 5,PRINCE2, AgilePM, selaku

Ketua Jurusan Sistem Informasi.

4. Ibu Cynthia Hayat S.Kom, M.MSI selaku Dosen Pembimbing yang telah

memberikan bimbingan dan banyak memberikan masukan kepada penulis.

5. Bapak Endi Putro, S.KOM., M.T. u Koordinator Skripsi Program Studi

Sistem Informasi.
 6. Semua Dosen yang telah mengajar penulis selama berkuliah di Universitas

Kristen Krida Wacana

7. Staff Karyawan Falkultas Teknik &Ilmu Komputer yang telah membantu

penulis selama proses perkuliahan.

8. Kedua Orang tua, Kakak, dan Adik dan NIM 535190026 yang telah berjuang

memberikan dukungan dalam bentuk materi, doa, motivasi, dan kasih sayang.

9. Teman-teman seperjuangan Sistem Informasi 2018 yang telah memberikan

semangat dan bantuan kepada penulis.

10. Semua pihak yang namanya tidak dapat disebutkan satu persatu.

Penulis menyadari bahwa skripsi ini masih jauh dari sempurna karena adanya

keterbatasan ilmu dan pengalaman yang dimiliki. Oleh karena itu, semua kritik dan

saran yang bersifat membangun akan penulis terima dengan senang hati. Penulis

berharap, semoga Skripsi ini dapat bermanfaat bagi semua pihak yang memerlukan.

Jakarta, 19 Januari 2023

Yolan Anjani Usen

 DAFTAR ISI

PERSETUJUAN PROPOSAL SKRIPSI / TUGAS AKHIR 2

PERNYATAAN ORISINALITAS 4
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA TUGAS AKHIR / SKRIPSI
UNTUK KEPENTINGAN AKADEMIS 7
8
PERNYATAAN HASIL SIDANG SKRIPSI 8
ABSTRAK 9
KATA PENGANTAR 10
DAFTAR ISI 12
DAFTAR GAMBAR 14
DAFTAR TABEL 16
BAB I 17
PENDAHULUAN 17
1.1 Latar Belakang 17
1.2 Rumusan Masalah 20
1.3 Batasan Masalah 20
1.4 Tujuan Penelitian 21
1.5 Manfaat Penelitian 22
BAB II 23
LANDASAN TEORI 23
2.1 YOLOv4 23
2.2 File Konfigurasi 24
2.2.1 Batch Size 24
2.2.2 Subdivisions 24
2.2.3 Max Batches 24
2.3 Parameter Performansi 25
2.3.1 Presisi 25
 2.3.2 Recall 25
2.3.3 F1 Score 25
2.3.4 Rata-rata IoU 26
2.3.5 Mean Average Precision ( mAP ) 27
2.4 Penelitian Terdahulu 27
BAB III 31
METODOLOGI PENELITIAN 31
3.1 Metodologi Penelitian 31
3.1.1 Alur Penelitian 31
3.2 Perancangan Aplikasi 38
BAB IV 40
HASIL DAN PEMBAHASAN 40
4.1 Kebutuhan Penelitian 40
4.1.1 Perangkat Keras 40
4.1.2 Perangkat Lunak 40
4.2 Alur Pengerjaan Dataset 40
4.3 Skenario Training Data Pertama 44
4.4 Skenario Training Data Kedua 49
4.5 Konversi Model 58
4.6 Metode Perancangan Aplikasi 60
4.7 Hirariki Sistem 61
4.8 Rancang Desain Aplikasi Android 62
4.9 Antarmuka Aplikasi Android 63
4.9.1 Halaman Utama Aplikasi 64
4.9.2 Halaman Hasil Select Image 65
4.9.3 Halaman Hasil Capture Image 66
4.9.4 Halaman Hasil Predict Image 67
4.10 Pengujian Aplikasi 69
BAB V 70
PENUTUP 70
5.1 Kesimpulan 70
5.2 Saran 70
DAFTAR PUSTAKA 71

DAFTAR GAMBAR

Gambar 1 Struktur Model YOLOv4 21

Gambar 2 Alur Penelitian 30

Gambar 3. Sampel Dataset 32

Gambar 4. Prototype Aplikasi 35

Gambar 5. Metode Perancangan Aplikasi 36

Gambar 6. Alur Pengerjaan Dataset 39

Gambar 7. Titik Koordinat Gambar 41

Gambar 8. Tampilan File .txt Sebelum Anotasi 41

Gambar 9. Tampilan File .txt Setelah Anotasi 41

Gambar 10. Hasil Prediksi 1 45

Gambar 11. Hasil Prediksi 2 46

Gambar 12. Hasil Prediksi 3 46

Gambar 13. Grafik Pelatihan Data 1 49

Gambar 14. Grafik Pelatihan Data 2 50

Gambar 15. Grafik Pelatihan Data 3 51

Gambar 16. Grafik Pelatihan Data 4 52

Gambar 17. Grafik Pelatihan Data 5 53

Gambar 18. Grafik Pelatihan Data 6 54

Gambar 19. Hasil Prediksi 4 55

Gambar 20. Hasil Prediksi 5 56

Gambar 21. Alur Konversi Model 57

Gambar 22. Use Case Diagram Aplikasi 59

Gambar 23. Activity Diagram Aplikasi 59

Gambar 24. Hirarki Sistem 60

Gambar 25. Mockup Aplikasi 61

Gambar 26. Halaman Utama Aplikasi 62

Gambar 27. Halaman Hasil Select Images 63

Gambar 28. Halaman Hasil Capture Image 64

Gambar 29. Halaman Hasil Predict Image 65

Gambar 30. Halaman Hasil Tidak Memprediksi Plat Kendaraan 66

 DAFTAR TABEL

Table 1. Penelitian Terdahulu 26

Table 2. Perangkat Keras 39

Table 3. Perangkat Lunak 39

Table 4. Rasio Dataset yang Digunakan 41

Table 5. Blackbox Testing 68

 BAB I

PENDAHULUAN
1.1 Latar Belakang

Kendaraan merupakan salah satu kebutuhan pokok manusia sejak zaman dahulu

hingga saat ini masih menjadi alat transportasi yang banyak digunakan oleh

masyarakat untuk memenuhi kebutuhan hidup sehari-hari menjadikan kegiatan

manusia menjadi lebih efisien dalam berbagai hal seperti untuk mengunjungi berbagai

tempat, membawa barang, bahkan berjualan semuanya dapat dilakukan dengan

mengendarai kendaraan.

Pada kendaraan juga dilengkapi oleh plat kendaraan yang berguna sebagai tanda

pengenal suatu kepemilikan kendaraan tersebut. Setiap kendaraan memiliki karakter

yang unik sebagai tanda pengenal untuk membedakan kendaraan satu dengan yang

lainnya.

Disisi lain seiring dengan perkembangan teknologi khususnya pengolahan citra

saat ini yang semakin berkembang pesat penggunaannya juga sudah banyak

diterapkan pada berbagai bidang diantaranya kesehatan, pendidikan, transportasi, dan

lain sebagainya sudah menggunakan teknologi pengolahan citra, salah satunya

menggunakan metode deteksi objek untuk memudahkan dalam mengenali suatu objek

sehingga menjadikan salah satu metode machine learning ini menjadi sangat

diminati.
 Penelitian menggunakan deteksi objek bukanlah hal baru, sudah banyak penelitian

sebelumnya yang menggunakan deteksi objek, salah satunya penerapan metode

YOLO untuk mendeteksi objek. Pada penelitian ini dilakukan pengujian mendeteksi

objek menggunakan metode YOLO untuk mendeteksi plat kendaraan. Penggunaan

plat kendaraan sebagai objek adalah guna mendapatkan pandangan terbaru terhadap

penelitian yang dilakukan dengan dataset yang berbeda dengan penelitian terdahulu

dan perbandingan dataset yang berbeda menggunakan metode YOLO. Penerapan

deteksi objek sendiri adalah untuk mendeteksi dan melacak secara otomasi objek

yang terdapat pada layar dan kemudian memperoleh informasi yang dibutuhkan oleh

pengguna.

Penerapan metode You Only Look Once atau biasa disingkat YOLO didasari

karena metode YOLO merupakan salah satu metode deteksi objek yang dapat

mendeteksi objek gambar pada kondisi real time dengan tingkat akurasi yang tinggi

dan waktu deteksi yang cepat. Apabila dibandingkan dengan teknologi pengolahan

citra lainnya seperti R-CNN yang memanfaatkan Convolutional Neural Network

(CNN) yang bekerja dengan memanfaatkan kotak pembatas untuk mengklasifikasi

gambar sedangkan YOLO merupakan bagian dari CNN cerdas yang dapat melakukan

pengenalan objek dengan lebih cepat dengan mengenali seluruh gambar selama

pelatihan menggunakan unified model sehingga pada lapisan single convolutional

network memprediksi banyak kotak pembatas dan juga probabilitas yang dihasilkan

secara bersamaan. Algoritma YOLO menerapkan CNN yang dalam proses pelatihan

gambar algoritma YOLO dapat membagi gambar ke dalam kotak pembatas yang akan
diprediksi dan menunjukan probabilitas label untuk menandai bounding box sesuai

dengan labelnya. YOLO juga melatih data gambar secara langsung dengan kinerja

yang optimal agar dapat menghasilkan prediksi yang lebih cepat.

Oleh karena itu, pada penelitian ini mengusulkan menguji penggunaan metode

YOLOv4 untuk mendapatkan akurasi terbaik yang dihasilkan menggunakan metode

YOLOv4 menggunakan beberapa eksperimen perbandingan dataset plat kendaraan.

1.2 Rumusan Masalah

Berdasarkan latar belakang permasalahan, maka didapatkan rumusan

permasalahannya adalah membuat model machine learning dengan menggunakan

metode YOLOv4 untuk menguji akurasinya menggunakan dataset plat kendaraan

pada beberapa ratio dataset yang berbeda guna mendapatkan hasil akurasi terbaik.

Oleh karena itu, berdasarkan rumusan masalah yang disimpulkan pertanyaan dari

rumusan masalah ini adalah “Bagaimana penggunaan metode You Only Look Once

v4 untuk mendeteksi plat nomor kendaraan?”

1.3 Batasan Masalah

Batasan-batasan masalah yang ditetapkan oleh penulis adalah sebagai berikut :

1. Penelitian ini berfokus pada hasil akurasi menggunakan metode YOLOv4

pada dataset plat kendaraan.

2. Penelitian ini melakukan eksperimen dengan menggunakan rasio dataset

70:30 dan 80:20 pada proses pelatihan dan pengujian.

3. Sumber dataset yang digunakan pada penelitian ini bersumber dari Google

Open Images.
1.4 Tujuan Penelitian

Berdasarkan uraian latar belakang dan rumusan masalah yang telah dikemukakan

diatas, maka tujuan dari penelitian ini adalah mendapatkan hasil akurasi yang

didapatkan dari penggunaan rasio dataset yang berbeda pada dataset plat kendaraan.

Universitas Kristen Krida Wacana 3

1.5 Manfaat Penelitian

Manfaat dari penelitian ini diharapkan dapat memberikan manfaat bagi pihak-

pihak yang membutuhkan, diantaranya:

1. Penelitian ini diharapkan dapat menambah wawasan dan pengetahuan

mengenai pengolahan citra khususnya pada metode You Only Look Once.

2. Penelitian ini diharapkan dapat menjadi sarana untuk menambah referensi

penelitian dalam bidang pengolahan citra, khususnya penerapan dalam metode

You Only Look Once.

3. Penelitian ini diharapkan dapat memberikan kontribusi dalam penelitian yang

akan dilakukan oleh peneliti lain kedepannya.

 BAB II

LANDASAN TEORI
2.1 YOLOv4

YOLOv4 merupakan algoritma deteksi objek berbasis real time yang

menggabungkan YOLOv1, YOLOv2, YOLOv3 dan merupakan yang paling optimal

untuk saat ini dalam hal kecepatan deteksi dan akurasi. pada YOLOv4 mempunyai

struktur model yang terdiri dari 3 bagian yaitu: Backbone, Neck, Prediction.

Sama seperti YOLOv3 yang masih menggunakan arsitektur Darknet yang

menghasilkan masukan citra yang terdiri dari 53 lapisan convolutional sebagai feature

extraction dan 53 lapisan lain untuk mendeteksi objek. YOLOv4 juga masih

menggunakan arsitektur Darknet tepatnya CSPDarknet-53 sebagai backbone yang

dapat meningkatkan learning capability dari CNN, menyambungkan modul SPP dan

PAN sebagai Neck yang mana SPP menggantikan pooling layer terakhir dengan

Spatial Pyramid Pooling Layer serta PAN untuk mendeteksi objek pada skala yang

berbeda, dan YOLOv3 sebagai Head.

Gambar 1 Struktur Model YOLOv4

2.2 File Konfigurasi

2.2.1 Batch Size

Batch size merupakan variabel yang menentukan jumlah banyaknya gambar

atau training data yang dimasukkan saat training dalam satu iterasi. Selama proses

pelatihan ukuran batch sangat mempengaruhi waktu komputasi yang diperlukan.

Batch size juga merupakan hyperparameter yang penting dalam pemrosesan deep

learning.

2.2.2 Subdivisions

Subdivisions merupakan hasil batch yang dibagikan dengan nilai subdivisi

menjadi batch mini. Kemudian batch mini akan dikirim ke GPU untuk proses

komputasi. Selanjutnya pada proses komputasi akan diulang sampai batch mini

selesai. Barulah proses iterasi baru dimulai sebanyak hasil pembagian antara nilai

subdivisi dan batch size. Gambar yang lebih banyak selama proses iterasi akan

membantu proses pelatihan menjadi lebih cepat, namun dapat menjadi masalah ketika

subdivisi berkurang karena ada masalah pada memori yang tidak mempunyai

kapasitas besar pada GPU untuk memproses lebih banyak gambar sekaligus.

2.2.3 Max Batches

Bagian ini menjelaskan banyaknya iterasi yang dilakukan pada tahap

pelatihan data. sehingga semakin tingginya nilai max batch maka membantu sistem

untuk mempelajari data lebih banyak pada data training. yang mana nilai max batches

harus disesuaikan dengan jumlah dari kelas label yang akan digunakan.
 ℎ = (# ) * 2000 2.3 Parameter Performansi

2.3.1 Presisi

Presisi adalah perbandingan jumlah objek yang dideteksi dengan benar (True

Positive) dibandingkan dengan jumlah seluruh data yang diprediksi positif. Kemudian

dapat diketahui bahwa semakin besar nilai False Positive maka presisi yang

dihasilkan semakin rendah, sedangkan True Positive yang semakin besar

menghasilkan presisi yang semakin tinggi.

= + 100%

2.3.2 Recall

Recall adalah perbandingan dari jumlah objek yang terdeteksi True Positive

dibandingkan dengan seluruh data yang positif. Nilai recall yang tinggi menunjukkan

bahwa sistem dapat mengklasifikasikan kelas objek dengan benar.

= + 100%

2.3.3 F1 Score

F1 Score merupakan rasio rata-rata dari nilai presisi dan recall. F1 Score

memiliki nilai tertinggi sebesar 1 dan terendah sebesar 0. Nilai F1 Score yang

semakin mendekati 1, menunjukkan bahwa kinerja sistem telah baik.

1 =2
+
2.3.4 Rata-rata IoU

IoU merupakan metrik yang mengevaluasi keakuratan sistem dalam

mendeteksi objek pada dataset yang telah dilatih IoU membandingkan ground-truth

atau objek pada citra dengan predicted bounding box dari model.

Nilai IoU pada deteksi objek berperan sebagai nilai threshold. Terdapat dua

nilai threshold IoU yang umum digunakan, yaitu 0.5 dan 0.75. Threshold sendiri

adalah untuk menentukan batas nilai pixel pada citra digital. Pada penelitian ini, nilai

threshold yang digunakan adalah 0.5. Jika nilai threshold IoU < 0.5, maka objek

terdeteksi sebagai False Positive (FP).

∩
=
∪
2.3.5 Mean Average Precision ( mAP )

Nilai mAP merupakan rata-rata dari nilai average precision (AP) yang

mengukur kualitas performansi dari weights file yang dihasilkan pada proses training

data. Sebelum mengkalkulasikan mAP, perlu dilakukan penyesuaian nilai threshold

pada IoU untuk menentukan validasi dari objek yang dideteksi. Penelitian ini

menggunakan nilai threshold IoU sebesar 0.5, sehingga model menghasilkan mAP50

yang dapat juga disebut mAP@0.5.

2.4 Penelitian Terdahulu

Dalam penelitian ini, dilakukan studi literatur terhadap beberapa penelitian yang

pernah dikakukan sebelumnya dengan bahasan pembahasan serupa sebagai bahan

perbandingan dan kajian. Adapun hasil dari kajian yang dilakukan dapat dilihat pada

table berikut:

Table 1. Penelitian Terdahulu

No Nama Judul Penelitian Tahun Tujuan Perbedaan

Peneliti Penelitian

1 Mutiara, Social Distancing 2022 Penerapan YOLO Penelitian yang

Kusrini, Detection Finding digunakan untuk disusun oleh peneliti

dan Optimal Angel With mendeteksi jarak untuk mendeteksi

Hanif. YOLOv3 Deep antar orang dan akurasi dan rasio

Learning Method
risiko yang dataset terbaik yang

dihasilkan. dapat digunakan.

2 Eric, Penerapan Metode 2021 Penelitian Peneliti menggunakan

Kartika, YOLO dan menggunakan YOLO untuk

dan Tesseract-OCR Untuk metode YOLO mendeteksi objek plat

Indar. Pendataan Plat Nomor untuk mengenali kendaraan pada rasio

Kendaraan Bermotor plat kendaraan dataset yang berbeda

Umum di Indonesia dengan dan menggunakan

Menggunakan menggunakan aplikasi android untuk

Raspberry Pi Tesseract-OCR pengujiannya.

dan Raspberry Pi.

3 Kusuma, PEOPLE COUNTING 2021 Penerapan YOLO Peneliti menggunakan

Usman, FOR PUBLIC untuk menghitung YOLO untuk

dan TRANSPORTATIONS jumlah manusia mendeteksi plat

Saidah USING YOU ONLY pada transportasi kendaraan.

LOOK ONCE publik.

METHOD
 BAB III

METODOLOGI PENELITIAN

3.1 Metodologi Penelitian

3.1.1 Alur Penelitian

Selanjutnya pada tahap penelitian dilakukan beberapa tahap dari landasan teori

sampai penelitian selesai dilakukan. Maka disusunlah tahapan penelitian sebagai

berikut:
 Gambar 2 Alur Penelitian

1. RESEARCH

Pada tahap awal penelitian, peneliti melakukan pencarian materi untuk

mempelajari lebih lanjut mengenai YOLOv4 yang akan digunakan untuk

mendeteksi objek penelitian, kemudian mencari lebih lanjut mengenai plat

kendaraan.
2. PENGUMPULAN DATA

Tahap selanjutnya adalah pengumpulan data. Pada pengumpulan data akan

dikumpulkan menjadi dataset berupa gambar plat kendaraan. Gambar plat

kendaraan yang digunakan oleh peneliti bersumber dari dataset plat kendaraan

yang tersedia di Google Open Images karena sudah disediakan label serta

anotasi pada bagian plat kendaraan sehingga lebih memudahkan proses

pendeteksian bagian gambar yang merupakan plat kendaraan, kemudian

dataset berupa plat kendaraan diunduh melalui Windows Command Prompt

yang dibagi menjadi data training dan validation dimana setiap bagiannya

akan dibagi menjadi 80:20 dan 70:30. Hasil unduhan dataset merupakan plat

kendaraan luar negeri. Kemudian dataset plat kendaraan yang sudah diunduh

digunakan untuk proses implementasi membangun model pendeteksi plat

kendaraan dengan YOLOv4. Berikut merupakan sample dari dataset plat

kendaraan yang digunakan pada penelitian ini.

 Gambar 3. Sampel Dataset

3. PELATIHAN MODEL

Tahap selanjutnya yaitu membuat deteksi objek menggunakan Google

Collaboratory. Sebelum melakukan proses Transfer Learning dibuat

pengaturan menggunakan Darknet milik AlexeyAB yang merupakan

framework open-source untuk jaringan syaraf sebagai

 arsitektur YOLOv4. Proses Transfer Learning di Darknet membutuhkan file

konfigurasi dan pre-trained weight yang digunakan untuk membentuk jaringan

untuk pelatihan dataset, dan pre-trained weight agar dapat mengenali objek

baru. Transfer Learning bekerja dengan memanfaatkan model yang sudah

dilatih untuk membuat model baru. Pada file konfigurasi ditentukan

hyperparameter seperti batch size, subdivisions, max_batch, dan classes

kemudian proses training dapat dimulai. Proses training membutuhkan waktu

yang cukup lama tergantung pada nilai batch size nya. Setiap 1000x iterasi

akan menghasilkan weight file yang tersimpan di storage. Pada penelitian ini

storage yang digunakan adalah Google Drive.

4. PENGUJIAN MODEL

Setelah proses transfer learning selesai maka dilakukan pengujian model yang

sudah dilatih untuk memastikan model bekerja sesuai dengan dataset yang

digunakan. Cara pengujiannya adalah dengan menguji file weights untuk

mendeteksi plat kendaraan dari gambar.

5. KONVERSI MODEL

File weights yang dihasilkan harus dikonversi menjadi format TensorFlow

Lite agar dapat dihubungkan ke aplikasi android dengan mengubahnya

menjadi file protobuf (.pb) milik TensorFlow kemudian konversi menjadi

format TensorFlow Lite (.tflite). Kemudian menguji model TFLite untuk

mendeteksi gambar.
6. RANCANG BANGUN APLIKASI

Selanjutnya rancang fitur sesuai dengan kebutuhan program. Adapun

prototype aplikasinya sebagai berikut :

 Gambar 4. Prototype Aplikasi

7. DEPLOYMENT
Pada tahap deployment merupakan tahap untuk menyambungkan model tflite
yang sudah jadi ke aplikasi android agar dapat digunakan untuk mendeteksi
gambar sesuai model yang sudah dilatih. Cara deploymentnya langsung
menggunakan fitur pada Android Studio yang berfungsi untuk deployment
model tflite ke aplikasi android yang telah dibuat dengan menambah
pengkodean pada program aplikasi untuk menjalankan fungsi deteksi gambar.
8. PENGUJIAN APLIKASI ANDROID
Tahap terakhir merupakan pengujian pada aplikasi android yang sudah dibuat.
Dilakukan dengan melakukan black box testing yaitu dengan memastikan
bahwa program yang dirancang sudah berjalan sesuai dengan kebutuhan yang
ditetapkan.
3.2 Perancangan Aplikasi

Dalam perancangan aplikasi sistem deteksi plat kendaraan ini menggunakan

metode Waterfall yang secara garis besarnya pada Gambar 5 menggambarkan

langkah yang dilakukan saat merancang sistem deteksi plat kendaraan sebagai

berikut:

Gambar 5. Metode Perancangan Aplikasi

1. Requirements

Tahap pertama diawali dengan Requirements yang berfungsi untuk mengidentifikasi

kebutuhan yang diperlukan user untuk membangun sistem. Dengan menggunakan

teknologi pengolahan citra dibutuhkan sistem yang dapat mempermudah proses

pendeteksian plat kendaraan. Dengan berbagi cara untuk mendapatkan gambar

membuat sistem ini harus dapat mengakses gambar dari galeri user dan mengambil

objek foto secara langsung melalui kamera.

2. Design

Setelah kebutuhan user teridentifikasi, langkah selanjutnya adalah Design untuk

merancang apa saja yang sudah dijelaskan pada langkah Requirements dilakukan

dengan menggunakan Use Case Diagram dan Activity Diagram.

3.Implementation

Selanjutnya merupakan tahap Implementation yaitu melaksanakan pengkodean

program menggunakan perangkat lunak pendukung.

4.Verification

Kemudian juga dilakukan tahap Verification untuk melakukan pengujian aplikasi

dengan melakukan blackbox testing agar mengetahui input dan output yang

dihasilkan sesuai-atau-tidak.

5. Maintenance

Tahap terakhir adalah melakukan Maintenance yang berarti sistem yang sudah

dirancang dapat dijalankan oleh user untuk mendeteksi plat kendaraan dan tetap

dilakukan perbaikan apabila diperlukan.

 BAB IV

HASIL DAN PEMBAHASAN

4.1 Kebutuhan Penelitian

4.1.1 Perangkat Keras

Table 2. Perangkat Keras

Aspek Spesifikasi
Processor APU AMD A12
RAM 4 GB
Storage 1 TB
Graphics Card Radeon R7
Operating System Windows 10 64-bit

4.1.2 Perangkat Lunak

Table 3. Perangkat Lunak

Aspek Spesifikasi
Bahasa Pemrograman Python, Java
Software Training Data Google Collaboratory
Software Testing Data Google Collaboratory
Command Prompt Windows Powershell
Command Prompt Anaconda Powershell Prompt
Software Pengkodean Android Studio
Storage Google Drive

4.2 Alur Pengerjaan Dataset

Pada penelitian ini terdapat dataset plat kendaraan yang memiliki data train

dan data validation. Adapun proses pengambilan datasetnya adalah sebagai berikut:
Gambar 6. Alur Pengerjaan Dataset
 Dataset yang sudah diunduh disimpan pada Google Drive yang terhubung

dengan Google Collaboratory. Berikut merupakan jumlah data gambar train dan

validation yang di simpan pada Google Drive.

Table 4. Rasio Dataset yang Digunakan

Skenario Train Validation

I 1500 300

II 1500 450

Dataset yang sudah diunduh tidak hanya berupa gambar namun juga termasuk

label gambar sesuai dengan jumlah gambar yang tersedia dengan format .txt yang

akan digunakan untuk mengatur besar kecilnya objek dan rotasi yang dideteksinya.

Sebelumnya label hanya menunjukan nama class, Xmin, Xmax, Ymin, Ymax

(koordinat kotak) yang merupakan gambar dinormalisasi. Xmin ada di [0,1], dimana

0 merupakan piksel paling kiri, dan 1 merupakan piksel paling kanan pada gambar

dan koordinat Y bergerak dari piksel atas (0) ke piksel bawah (1). Namun untuk

mendapatkan titik koordinat yang lebih cakap dilakukan denormalisasi dengan

menempatkan titik koordinat berpasangan di satu tempat sesuai dengan titiknya atau

disebut dengan anotasi gambar. Sehingga menghasilkan setiap anotasi file .txt

menjadi:
 Name_of_the_class left top right bottom

Gambar 7. Titik Koordinat Gambar

Sebelum di lakukan anotasi label dataset masih di deskripsikan sebagai nama

class nya dan menunjukan titik koordinat left X, right X, top Y, right Y. Berikut

merupkaan tampilannya seperti gambar berikut ini :

Gambar 8. Tampilan File .txt Sebelum Anotasi

Kemudian setelah dilakukan anotasi, nama class akan di deskripsikan menjadi

nilai 0 dan format penempatan titik koordinat akan menjadi left X, top Y, right X,

bottom Y. Berikut akan ditampilkan seperti berikut ini :

Gambar 9. Tampilan File .txt Setelah Anotasi

4.3 Skenario Training Data Pertama

Hasil dari proses pelatihan data akan menghasilkan beberapa parameter yaitu nilai

presisi, recall, F1-score, rata-rata IoU, dan mAP. Yang mana hasil dari training

dataset ini adalah file weights yang akan digunakan untuk menguji program deteksi

plat kendaraan.
 Dataset yang digunakan menggunakan plat kendaraan luar negeri dan berasal dari

internet dikarenakan situasi yang tidak kondusif untuk mengambil data secara

langsung di publik sehingga menggunakan dataset yang diperoleh dari Google Open

Images dengan nama kelas “Vehicle Registration Plate”.

Sementara itu dataset yang digunakan dibagi menjadi data training sebesar 80%

dan data validation 20%. Data training ditentukan lebih besar daripada data validation

untuk menghindari terjadinya overfitting. Adapun konfigurasi file yang digunakan

adalah sebagai berikut:

1. Batch size = 64

2. Subdivisions = 32

3. Max batch = 6000

4. Steps = 4800, 5400

5. Classes = 1

6. Filters = 18

Sehingga dari konfigurasi untuk training data diatas, didapatkan True Positive = 324,

False Positive = 56, dan False Negative = 68. Dan hasil training datasetnya dengan

parameter performansi sebagai berikut:

1. Presisi = 0.85

2. Recall = 0.83

3. F1 Score = 0.84
4. Rata-rata IoU = 65.46%

5. Mean Average Precision ( mAP ) = 86.82%

 Kemudian dilampirkan juga hasil akurasi yang dihasilkan setelah melakukan

training model dengan YOLOv4 pada Gambar.

Gambar 10. Hasil Prediksi 1

Pada pengujian prediksi plat kendaraan yang tercantum pada Gambar

menunjukan hasil akurasi sebesar 0.77 atau 77% dengan waktu deteksi 0.05 detik.

Hasil menunjukan bahwa model YOLOv4 yang menggunakan dataset custom berupa

plat kendaraan dapat mendeteksi objek dengan sangat baik dan cepat.
Gambar 11. Hasil Prediksi 2

Gambar 12. Hasil Prediksi 3

 Selanjutnya dilakukan juga pengujian dengan menggunakan gambar lainnya

seperti yang tercantum pada Gambar 11 dan Gambar 12, data yang dilatih pada

scenario pertama dapat mendeteksi plat kendaraan yang terpotong dan yang terdapat

banyak objek plat kendaraan.

4.4 Skenario Training Data Kedua

Selanjutnya untuk menguji penggunaan metode YOLOv4, dilakukan juga

pengujian pada scenario training data kedua yaitu dengan rasio perbandingan dataset

70:30. Adapun konfigurasi file yang digunakan adalah sama seperti yang digunakan

pada scenario training data pertama sebagai berikut:

1. Batch size = 64

2. Subdivisions = 32

3. Max batch = 6000

4. Steps = 4800, 5400

5. Classes = 1

6. Filters = 18

Sehingga dari konfigurasi untuk training data diatas, didapatkan hasil training dataset

kedua dengan True Positive = 329, False Positive = 158, dan False Negative = 63 dan

menghasilkan parameter performansi sebagai berikut:

1. Presisi = 0.68

2. Recall = 0.84

3. F1 Score = 0.75
4. Rata-rata IoU = 49.05%

5. Mean Average Precision ( mAP ) = 79.67%

Gambar 13. Grafik Pelatihan Data 1
Gambar 14. Grafik Pelatihan Data 2
Gambar 15. Grafik Pelatihan Data 3
Gambar 16. Grafik Pelatihan Data 4
Gambar 17. Grafik Pelatihan Data 5
 Gambar 18. Grafik Pelatihan Data 6

Namun pada hasil scenario ke dua menampilkan grafik mAP terputus-putus

seperti yang terlihat pada gambar grafik diatas, hal ini dikarenakan proses training

yang dilakukan berulang-ulang yang disebabkan oleh nilai dari subdivisions yang

memakan memori cukup banyak serta kurangnya spesifikasi perangkat keras yang

digunakan untuk training.

 Kemudian dilakukan juga pengujian gambar menggunakan gambar yang

digunakan saat menguji scenario pertama, didapatkan hasil pada Gambar 19 dan

Gambar 20.

Gambar 19. Hasil Prediksi 4

 Gambar 20. Hasil Prediksi 5

Seperti yang terdeteksi pada gambar diatas, akurasi yang dihasilkan pada

Gambar 19 lebih rendah apabila dibandingan dengan Gambar 11. Kemudian pada

Gambar 20 tidak dapat memprediksi banyak plat kendaraan seperti yang terdeteksi

pada Gambar 12.

4.5 Konversi Model

Untuk dapat menjalankan model terlatih YOLO pada aplikasi android

membutuhkan konversi model menjadi format Tensorflow Lite agar dapat digunakan

pada android. Adapun proses pengerjaannya dijelaskan sebagai berikut:

 Gambar 21. Alur Konversi Model

Pada Gambar dijelaskan sebagaimana pengerjaan konversi model terlatih

YOLO adalah dengan mengubah menjadi Tensorflow terlebih dahulu yang mana

hasilnya adalah file Protobuf (.pb) untuk selanjutnya diubah menjadi Tensorflow Lite

(.tflite) yang merupakan format model

 untuk dapat digunakan pada aplikasi android. Tahap konversi dilakukan dengan

menggunakan Anaconda Powershell Prompt, dan untuk tahapannya menggunakan

repository berjudul Tensorflow-yolov4-tflite dari pengguna Github bernama

Hunglc007.

4.6 Metode Perancangan Aplikasi

Dengan menggunakan metode Waterfall untuk rancang bangun sistem deteksi

plat kendaraan, maka tahap-tahap dalam pelaksanaannya dapat dijelaskan dengan

beberapa tahap mulai dari Requirements, Design, Implementations, Verification,

Maintenance.

Requirements yang mana sistem deteksi plat kendaraan yang dibangun harus

memiliki beberapa ketentuan yaitu dapat mengambil gambar secara langsung melalui

kamera, mengakses galeri untuk memilih gambar yang akan dideteksi dan dapat

mendeteksi plat kendaraan.

Design yang mana akan menjalankan apa yang sudah ditentukan pada tahap

Requirements yaitu dengan memvisualisasikannya pada Use Case Diagram yang

ditujukan pada Gambar 22 menjelaskan proses user menggunakan sistem aplikasi plat

kendaraan dan Activity Diagram pada Gambar … menjelaskan mengenai alur proses

sistem bekerja menghasilkan deteksi.

 Gambar 22. Use Case Diagram Aplikasi

Gambar 23. Activity Diagram Aplikasi

Implementations yang mana pada tahap ini akan mengimplementasikan apa

saja yang sudah ditentukan dan digambarkan pada tahap sebelumnya dengan

menggambarkan mockup aplikasi untuk dibangun yaitu ditampilkan pada Gambar 25.

Kemudian juga pada tahap implementasi sistem menggunakan perangkat lunak

Android Studio dan bahasa pemrograman Java.

Verification yaitu dengan menguji aplikasi yang sudah dirancang sesuai dengan

apa yang dibutuhkan pada tahap sebelumnya dan apakah input serta output yang

dihasilkan sudah sesuai dengan proses Design dan sesuai dengan pengkodeannya.

Adapun untuk melakukan pengujian ini menggunakan blackbox testing yang

dijelaskan pada tabel 5.

 Selanjutnya merupakan tahap terakhir yaitu Maintenance yaitu saat aplikasi

sudah layak digunakan oleh user untuk mendeteksi plat kendaraan dan terus

melakukan perbaikan apabila diperlukan pembaharuan.

4.7 Hirariki Sistem

Hirarki sistem dari aplikasi pendeteksi objek plat kendaraan berbasis Android

ini adalah sebagai berikut:

Gambar 24. Hirarki Sistem

4.8 Rancang Desain Aplikasi Android

Untuk memvisualisasikan ide desain untuk dibangun aplikasi android, maka

diberikan juga rancangan desain aplikasi android yang akan dibangun untuk sistem

plat kendaraan, yaitu sebagai berikut:

 Gambar 25. Mockup Aplikasi

4.9 Antarmuka Aplikasi Android

Pada pengerjaan aplikasi android menggunakan bahasa pemrograman Java.

Aplikasi yang sudah dibangun memiliki beberapa fitur diantaranya sebagai berikut:
4.9.1 Halaman Utama Aplikasi

Gambar 26. Halaman Utama Aplikasi

Pada halaman ini merupakan tampilan pertama ketika masuk ke aplikasi deteksi plat

kendaraan. yang memiliki fitur Select Image, Capture Image, Predict Image.
4.9.2 Halaman Hasil Select Image

Gambar 27. Halaman Hasil Select Images

Pada halaman ini merupakan fitur yang digunakan untuk memilih gambar

langsung dari perangkat pengguna untuk mendeteksi gambar pada aplikasi. Seperti

yang ditujukan, aplikasi dapat mengakses galeri perangkat untuk mengambil gambar.
4.9.3 Halaman Hasil Capture Image

Gambar 28. Halaman Hasil Capture Image

Pada halaman ini merupakan fitur yang digunakan untuk mengambil gambar

secara langsung di aplikasi dengan menggunakan kamera pada perangkat pengguna.

4.9.4 Halaman Hasil Predict Image

Gambar 29. Halaman Hasil Predict Image

 Gambar 30. Halaman Hasil Tidak Memprediksi Plat Kendaraan

Pada halaman ini merupakan fitur yang digunakan untuk memprediksi gambar

yang dihasilkan dari proses pemilihan gambar dari galeri maupun mengambil gambar

secara langsung. Pada Gamba 29 dan Gambar 30 fitur predict image dapat digunakan

untuk mengetahui apakah objek yang diambil merupakan gambar plat kendaraan atau

bukan, jika bukan maka tidak menampilkan hasil apapun.

4.10 Pengujian Aplikasi

Tahap terakhir dari penelitian ini adalah dengan melakukan pengujian aplikasi

setelah dilakukannya pengkodean. Pengujian aplikasi pada penelitian ini

menggunakan metode blackbox yang berfokus pada fungsional perangkat lunak. Pada

pengujian blackbox dilakukan untuk menemukan kesalahan dalam hal-hal berikut ini:

1. Fungsi yang salah atau hilang

2. Kesalahan antarmuka

3. Kesalahan kinerja

Berikut hasil pengujian blackbox dalam perancangan aplikasi pendeteksi objek plat

kendaraan berbasis android yang dibangun:

Table 5. Blackbox Testing

Perintah Aksi Hasil Keterangan

Memilih gambar Klik tombol Menampilkan Berhasil

dari galeri “Select Image” galeri untuk

mengambil gambar

Mengambil Klik tombil Menampilkan Berhasil

gambar langsung “Capture Image” kamera

dari kamera

Memprediksi Klik tombol Menampilkan hasil Berhasil

gambar yang “Predict Image” prediksi

diambil
 BAB V

PENUTUP

5.1 Kesimpulan

Berdasarkan penelitian deteksi objek menggunakan algoritma YOLOv4 pada

aplikasi android didapatkan hasil dengan menggunakan parameter yang digunakan

pada konfigurasi file sebelum dilakukannya pelatihan model maka pengujian yang

dilakukan menghasilkan mAP sebesar 86.82% pada rasio dataset 80:20.

Sehingga yang berarti kesimpulan dari penelitian ini adalah pada data latih

yang lebih banyak membuat model YOLO dapat semakin lebih baik dalam mengenali

objek yang dilatih.

Selanjutnya pada perancangan aplikasi android yang dibangun merupakan alat

yang digunakan untuk menggunakan hasil model YOLOv4 dan dari pengujian yang

dilakukan dengan blackbox testing bahwa aplikasi android dapat digunakan.

5.2 Saran

Berdasarkan penelitian yang telah dilakukan, peneliti juga memberikan

beberapa saran dari hasil penelitian yang didapatkan adalah sebagai berikut:

a) Pengembangan pada aplikasi android agar dapat membaca informasi yang

tercantum pada gambar.

b) Pengembangan lebih lanjut agar dapat melatih dataset tanpa harus melakukan

running berulang-ulang.
 DAFTAR PUSTAKA

Khairunnas, Khairunnas, Eko Mulyanto Yuniarno, and Ahmad Zaini. 2021.

“Pembuatan Modul Deteksi Objek Manusia Menggunakan Metode YOLO Untuk Mobile
Robot.” Jurnal Teknik ITS 10, no. 1. https://doi.org/10.12962/j23373539.v10i1.61622.

Kusuma, Tsabita Al Asshifa Hadi, Koredianto Usman, and Sofia Saidah. 2021.
“People Counting for Public Transportations Using You Only Look Once Method.” Jurnal
Teknik Informatika (Jutif) 2, no. 1: 57–66. https://doi.org/10.20884/1.jutif.2021.2.2.77.

Laily, Milzamah Elvi, Fathorazi Nur Fajri, and Gulpi Qorik Oktagalu Pratamasunu.
2022. “Deteksi Penggunaan Alat Pelindung Diri (APD) Untuk Keselamatan Dan Kesehatan
Kerja Menggunakan Metode Mask Region Convolutional Neural Network (Mask R-
CNN).” Jurnal Komputer Terapan 8, no. 2: 279–88.

Liunanda, Christopher Nathanel, Silvia Rostianingsih, and Anita Nathania

Purbowo. 2020. “Implementasi Algoritma YOLO Pada Aplikasi Pendeteksi Senjata Tajam Di
Android.” Jurnal Infra Vol 8, No.: 1–7.

Pradana, Rizal Lucky, Agus Khumaidi, and Rocky Andiana. 2022. “Identifikasi
Penyebab Cacat Pada Hasil Pengelasan Dengan Image Processing Menggunakan
Metode YOLO.” Jurnal Teknik Elektro Dan Komputer Triac 9, no. 3: 1–5.

Prayitna, Dadang Hadi, and Arjo Djajadi. 2022. “Perancangan Prototype

Deteksi Kelengkapan.” Jurnal Inovasi Informatika Universitas Pradita 7, no. 1: 57–69.

Rahma, Lusiana, Hadi Syaputra, A.Haidar Mirza, and Susan Dian Purnamasari.
2021. “Objek Deteksi Makanan Khas Palembang Menggunakan Algoritma YOLO (You Only
Look Once).” Jurnal Nasional Ilmu Komputer 2, no. 3: 213–32.
https://doi.org/10.47747/jurnalnik.v2i3.534.

Rochmawati, Naim, Hanik Badriyah Hidayati, Yuni Yamasari, Hapsari Peni Agustin
Tjahyaningtijas, Wiyli Yustanti, and Agus Prihanto. 2021. “Analisa Learning Rate Dan Batch
Size Pada Klasifikasi Covid Menggunakan Deep Learning Dengan Optimizer Adam.” Journal
of Information Engineering and Educational Technology 5, no. 2: 44–48.
https://doi.org/10.26740/jieet.v5n2.p44-48.

Rofii, Faqih, Gigih Priyandoko, Muhammad Ifan Fanani, and Aji Suraji. 2021. “Vehicle
Counting Accuracy Improvement By Identity Sequences Detection Based on Yolov4 Deep Neural
Networks.” Teknik 42, no. 2: 169–77. https://doi.org/10.14710/teknik.v42i2.37019.
 Sowmya, V., and R. Radha. 2021. “Comparative Analysis on Deep Learning
Approaches for Heavy-Vehicle Detection Based on Data Augmentation and Transfer-
Learning Techniques.” Journal of Scientific Research 13, no. 3: 809–20.
https://doi.org/10.3329/jsr.v13i3.52332.