Laporan Skripsi - Yolan Anjani 422018013
Laporan Skripsi - Yolan Anjani 422018013
BERBASIS ANDROID
Oleh :
NIM : 422018013
SISTEM INFORMASI
FAKULTAS TEKNIK & ILMU KOMPUTER
UNIVERSITAS KRISTEN KRIDA WACANA
JAKARTA
2023
PERSETUJUAN PROPOSAL SKRIPSI / TUGAS AKHIR
Menyetujui
Dosen Pembimbing
BERBASIS ANDROID
Oleh :
Yolan Anjani Usen
(422018013)
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.
Oleh :
(422018013)
Menyetujui,
Dosen Pembimbing
Mengetahui,
Oleh :
(422018013)
dan diterima sebagai salah satu syarat yang diperlukan untuk memperoleh
gelar Sarjana Komputer pada Program Studi Sistem Informasi Fakultas Teknik
Panitia Penguji :
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
NPM : 422018013
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
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.
Dengan memanjatkan segala puji dan syukur hanya kepada Tuhan Maha Esa
karena atas berkat dan rahmat -Nya saya dapat menyelesaikan skripsi ini dengan baik
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
1. Ibu Dr. dr. Wani Devita Gunardi, Sp.MK(K). selaku Rektor Universitas
2. Bapak Dr. Oki Sunardi, IPM, ASEAN Eng. selaku Dekan Fakultas Teknik
4. Ibu Cynthia Hayat S.Kom, M.MSI selaku Dosen Pembimbing yang telah
Sistem Informasi.
6. Semua Dosen yang telah mengajar penulis selama berkuliah di Universitas
8. Kedua Orang tua, Kakak, dan Adik dan NIM 535190026 yang telah berjuang
memberikan dukungan dalam bentuk materi, doa, motivasi, dan kasih sayang.
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.
DAFTAR GAMBAR
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
manusia menjadi lebih efisien dalam berbagai hal seperti untuk mengunjungi berbagai
mengendarai kendaraan.
Pada kendaraan juga dilengkapi oleh plat kendaraan yang berguna sebagai tanda
yang unik sebagai tanda pengenal untuk membedakan kendaraan satu dengan yang
lainnya.
saat ini yang semakin berkembang pesat penggunaannya juga sudah banyak
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
YOLO untuk mendeteksi objek. Pada penelitian ini dilakukan pengujian mendeteksi
plat kendaraan sebagai objek adalah guna mendapatkan pandangan terbaru terhadap
penelitian yang dilakukan dengan dataset yang berbeda dengan penelitian terdahulu
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
gambar sedangkan YOLO merupakan bagian dari CNN cerdas yang dapat melakukan
pengenalan objek dengan lebih cepat dengan mengenali seluruh gambar selama
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
Oleh karena itu, pada penelitian ini mengusulkan menguji penggunaan metode
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
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.
Manfaat dari penelitian ini diharapkan dapat memberikan manfaat bagi pihak-
mengenai pengolahan citra khususnya pada metode You Only Look Once.
LANDASAN TEORI
2.1 YOLOv4
untuk saat ini dalam hal kecepatan deteksi dan akurasi. pada YOLOv4 mempunyai
struktur model yang terdiri dari 3 bagian yaitu: Backbone, Neck, Prediction.
menghasilkan masukan citra yang terdiri dari 53 lapisan convolutional sebagai feature
extraction dan 53 lapisan lain untuk mendeteksi objek. YOLOv4 juga masih
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
atau training data yang dimasukkan saat training dalam satu iterasi. Selama proses
Batch size juga merupakan hyperparameter yang penting dalam pemrosesan deep
learning.
2.2.2 Subdivisions
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.
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
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
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
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
Nilai mAP merupakan rata-rata dari nilai average precision (AP) yang
mengukur kualitas performansi dari weights file yang dihasilkan pada proses training
pada IoU untuk menentukan validasi dari objek yang dideteksi. Penelitian ini
menggunakan nilai threshold IoU sebesar 0.5, sehingga model menghasilkan mAP50
Dalam penelitian ini, dilakukan studi literatur terhadap beberapa penelitian yang
perbandingan dan kajian. Adapun hasil dari kajian yang dilakukan dapat dilihat pada
table berikut:
Peneliti Penelitian
Learning Method
risiko yang dataset terbaik yang
METHOD
BAB III
METODOLOGI PENELITIAN
Selanjutnya pada tahap penelitian dilakukan beberapa tahap dari landasan teori
berikut:
Gambar 2 Alur Penelitian
1. RESEARCH
kendaraan.
2. PENGUMPULAN DATA
kendaraan yang digunakan oleh peneliti bersumber dari dataset plat kendaraan
yang tersedia di Google Open Images karena sudah disediakan label serta
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
3. PELATIHAN MODEL
untuk pelatihan dataset, dan pre-trained weight agar dapat mengenali objek
yang cukup lama tergantung pada nilai batch size nya. Setiap 1000x iterasi
akan menghasilkan weight file yang tersimpan di storage. Pada penelitian ini
4. PENGUJIAN MODEL
Setelah proses transfer learning selesai maka dilakukan pengujian model yang
sudah dilatih untuk memastikan model bekerja sesuai dengan dataset yang
5. KONVERSI MODEL
mendeteksi gambar.
6. RANCANG BANGUN 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
langkah yang dilakukan saat merancang sistem deteksi plat kendaraan sebagai
berikut:
1. Requirements
2. Design
merancang apa saja yang sudah dijelaskan pada langkah Requirements dilakukan
3.Implementation
4.Verification
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
Aspek Spesifikasi
Processor APU AMD A12
RAM 4 GB
Storage 1 TB
Graphics Card Radeon R7
Operating System Windows 10 64-bit
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
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
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
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
class nya dan menunjukan titik koordinat left X, right X, top Y, right Y. Berikut
nilai 0 dan format penempatan titik koordinat akan menjadi left X, top Y, right X,
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
Sementara itu dataset yang digunakan dibagi menjadi data training sebesar 80%
dan data validation 20%. Data training ditentukan lebih besar daripada data validation
1. Batch size = 64
2. Subdivisions = 32
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
1. Presisi = 0.85
2. Recall = 0.83
3. F1 Score = 0.84
4. Rata-rata IoU = 65.46%
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
seperti yang tercantum pada Gambar 11 dan Gambar 12, data yang dilatih pada
scenario pertama dapat mendeteksi plat kendaraan yang terpotong dan yang terdapat
pengujian pada scenario training data kedua yaitu dengan rasio perbandingan dataset
70:30. Adapun konfigurasi file yang digunakan adalah sama seperti yang digunakan
1. Batch size = 64
2. Subdivisions = 32
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
1. Presisi = 0.68
2. Recall = 0.84
3. F1 Score = 0.75
4. Rata-rata IoU = 49.05%
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 saat menguji scenario pertama, didapatkan hasil pada Gambar 19 dan
Gambar 20.
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
membutuhkan konversi model menjadi format Tensorflow Lite agar dapat digunakan
YOLO adalah dengan mengubah menjadi Tensorflow terlebih dahulu yang mana
hasilnya adalah file Protobuf (.pb) untuk selanjutnya diubah menjadi Tensorflow Lite
Hunglc007.
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
Design yang mana akan menjalankan apa yang sudah ditentukan pada tahap
ditujukan pada Gambar 22 menjelaskan proses user menggunakan sistem aplikasi plat
kendaraan dan Activity Diagram pada Gambar … menjelaskan mengenai alur proses
saja yang sudah ditentukan dan digambarkan pada tahap sebelumnya dengan
menggambarkan mockup aplikasi untuk dibangun yaitu ditampilkan pada Gambar 25.
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.
sudah layak digunakan oleh user untuk mendeteksi plat kendaraan dan terus
Hirarki sistem dari aplikasi pendeteksi objek plat kendaraan berbasis Android
diberikan juga rancangan desain aplikasi android yang akan dibangun untuk sistem
Aplikasi yang sudah dibangun memiliki beberapa fitur diantaranya sebagai berikut:
4.9.1 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
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
Pada halaman ini merupakan fitur yang digunakan untuk mengambil gambar
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
Tahap terakhir dari penelitian ini adalah dengan melakukan pengujian aplikasi
menggunakan metode blackbox yang berfokus pada fungsional perangkat lunak. Pada
pengujian blackbox dilakukan untuk menemukan kesalahan dalam hal-hal berikut ini:
2. Kesalahan antarmuka
3. Kesalahan kinerja
Berikut hasil pengujian blackbox dalam perancangan aplikasi pendeteksi objek plat
mengambil gambar
dari kamera
diambil
BAB V
PENUTUP
5.1 Kesimpulan
pada konfigurasi file sebelum dilakukannya pelatihan model maka pengujian yang
Sehingga yang berarti kesimpulan dari penelitian ini adalah pada data latih
yang lebih banyak membuat model YOLO dapat semakin lebih baik dalam mengenali
yang digunakan untuk menggunakan hasil model YOLOv4 dan dari pengujian yang
5.2 Saran
beberapa saran dari hasil penelitian yang didapatkan adalah sebagai berikut:
b) Pengembangan lebih lanjut agar dapat melatih dataset tanpa harus melakukan
running berulang-ulang.
DAFTAR PUSTAKA
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.
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.
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.