x, APRIL 20xx 1
Abstrak - Salah satu penyebab terjadinya kecelakaan adalah kurangnya kewaspadaan pengendara
dan pelanggaran laju kendaraan melampaui batas maksimal. Untuk mengurangi tindak pelanggaran
tersebut diperlukan pengawasan lalu lintas pada area jalan terutama di area yang rawan terjadi
kecelakaan. Dalam penelitian ini dikembangkan sistem deteksi laju dan plat nomor kendaraan
berbasis video rekaman menggunakan YOLOv5-DeepSORT dan HyperLPR untuk mengatasi
permasalahan tersebut. Dalam sistem ini digunakan YOLOv5 dan DeepSORT untuk mendeteksi
dan melacak pergerakan kendaraan sehingga diperoleh perpindahan jarak kendaraan yang
digunakan sebagai acuan deteksi laju kendaraan. Adapun HyperLPR digunakan untuk mendeteksi
plat nomor dari kendaraan tersebut. Metode yang digunakan dalam penelitian ini yaitu metode
experimen dengan melakukan perekaman video pada ruas jalan tol Cipali yang digunakan sebagai
input dari program deteksi laju dan plat nomor kendaraan. Hasil pengujian deteksi objek kendaraan
menggunakan YOLOv5 diperoleh nilai evaluasi metric precision sebesar 100%. Dan pengujian
deteksi laju kendaraan diperoleh nilai rata-rata presentase eror sebesar 7,6% terhadap nilai
sebenarnya. Adapun dari deteksi plat nomor kendaraan diperoleh hasil akurasi karakter secara
keseluruhan sebesar 91,82 %. Dari hasil tersebut dapat disimpulkan bahwa sistem deteksi laju dan
plat nomor kendaraan yang dikembangkan memiliki akurasi yang sangat baik dan dapat
dipertimbangkan untuk digunakan dengan memperhatikan beberapa kriteria implementasi yang
telah ditentukan.
Kata kunci: Laju kendaraan, plat nomor kendaraan, YOLOv5, DeepSORT HyperLPR.
Abstract - One of the causes of accidents is the lack of vigilance among drivers and violations of vehicle
speed exceeding the maximum limit. To mitigate these violations, traffic supervision is necessary, especially
in accident-prone areas. This research introduces a video-based vehicle speed and license plate detection
system developed using YOLOv5-DeepSORT and HyperLPR to address this issue. The system employs
YOLOv5 and DeepSORT to detect and track vehicle movements, thereby obtaining the displacement of the
vehicle, which serves as a reference for speed detection. HyperLPR, on the other hand, is utilized for license
plate recognition.
The research adopts an experimental methodology, involving video recording on the Cipali toll road section,
which serves as input for the vehicle speed and license plate detection program. The evaluation of vehicle
object detection using YOLOv5 yields a precision metric score of 100%. Moreover, the testing of vehicle
speed detection reveals an average error percentage of 7.6% compared to the actual values. In terms of
license plate detection, an overall character accuracy rate of 91.82% is achieved.Based on these findings, it
can be concluded that the developed vehicle speed and license plate detection system exhibit excellent
accuracy and could be considered for implementation, taking into account predefined implementation
criteria..
tracking kendaraan dan library python HyperLPR pengolahan citra yang diimplementasikan melalui
untuk mendeteksi dan mengenali karakter pada perangkat lunak Pycharm. Blok terakhir, yang
plat nomor kendaraan. merupakan blok keluaran, juga menggunakan PC
sebagai antarmuka penghubung antara pengguna
dengan sistem. Hasil keluaran dari sistem ini
berupa rangkaian karakter yang diekstraksi dari
C. Tujuan Penelitian gambar yang diambil oleh kamera pada tahap
masukan
Tujuan Penelitian yang dilakukan adalah untuk
dapat mendesain dan melakukan perancangan
sistem deteksi laju dan plat nomor kendaraan
berbasis video menggunakan YOLOv5,
DeepSORT dan HyperLPR. Dan untuk
mengetahui nilai akurasi yang dihasilkan dari
sistem deteksi laju dan plat nomor kendaraan
tersebut.
terlihat pada kamera. Keberhasilan sistem dalam algoritma DeepSORT untuk dilakukan tracking
mendeteksi dan melacak objek yang terdeteksi objek. Pada bagian ini DeepSORT memberikan
dalam video ditandai dengan Bounding Box yang informasi berupa lokasi dan ID setiap objek yang
tedapat pada kendaraan secara terus menerus pada sedang dilacak pada frame tersebut. Langkah
setiap perubahan frame dan ditandai dengan tidak selanjutnya adalah proses deteksi. Proses deteksi
berubahnya ID pada masing-masing kendaraan dilakukan dengan membuat fungsi loop untuk
sampai objek kendaraan tersebut menghilang dari mendeteksi objek dalam sebuah gambar dan
frame pada video. memproses hasil deteksi pada setiap frame.
Gambar memperlihatkan sampel dari hasil deteksi
dan pelacakan kendaraan.
360 Mobil 360 Mobil 360 posisi piksel ID dilakukan setiap per 10 frame
sehingga hasil deteksi pada setiap kendaraan
361 Mobil 361 Mobil 361 tertentu akan terus diperbaharui. hingga
kendaraan tersebut meninggalkan area deteksi
Berdasarkan Tabel pengujian didapatkan total atau ketika durasi video selesai. Percobaan
frame sebanyak 361 dan total model yang penelitian dilakukan sebanyak 5 kali dengan
terdeteksi adalah sebanyak 48 mobil. Dalam menggunakan video yang berbeda. Dalam
deteksi tetsebut, terdapat nilai DR (detection rate) masing-masing video terdapat perubahan
yang mempresentasikan rasio antara kendaraan kecepatan sebanyak 4 kali. Sampel perbandingan
yang terdeteksi dengan objek sebenarnya. antara hasil deteksi laju kendaraan dengan laju
Kendaraan dianggap terdeteksi jika setidaknya sebenarnya dapat dilihat pada Tabel 2.
lokalisasi 30% dari seluruh waktu dalam video.
Table 2 Perbandingan deteksi laju dengan laju sebenarnya
Dalam menghitung akurasi dalam deteksi objek
kendaraan digunakan perhitungan evaluasi metric No Deteksi Laju Laju sebenarnya
precision. Precision digunakan untuk menentukan 1
nilai sejauh mana model mampu mengidentifikasi
mobil dengan benar dari semua deteksi yang
dilakukan Adapun perhitungannya yaitu
TP
Precision =
(TP+ FP)
Dimana TP adalah Jumlah mobil yang terdeteksi,
FP adalah Jumlah mobil yang salah terdeteks.
Sehingga nilai Precision dan Recall dapat
ditentukan yaitu 2
48
Precision = ¿ = 1,0 = 100%
48+0 ¿
Berdasarkan hasil tersebut sistem dapat
mendeteksi objek kendaraan dengan akurat,
dengan memiliki nilai precision sebesar 100%.
B. Hasil Pengujian Deteksi Laju
Kendaraan
Pengujian dilakukan dengan melakukan
pengambilan video di area ruas jalan tol Cipali
3
pada mobil yang lajunya telah ditentukan dan
selama melakukan perekaman dilakukan
perekaman pada speedo meter dari dalam mobil
untuk dapat membandingkan antara hasil deteksi
laju kendaraan dengan laju kendaraan sebenarnya.
Hasil dari sistem estimasi laju kemudian akan
dibandingkan dengan laju sebenarnya. Sistem
deteksi laju kendaraan dilakukan berdasarkan
banyaknya frame dalam video. laju dilakukan
dengan menghitung berdsarkan perpindahan 4
posisi piksel dari setiap kendaraan yang telah
ditetapkan.
laju kendaraan dengan laju kendaraan sebenarnya.
Hasil dari sistem estimasi laju kemudian akan
dibandingkan dengan laju sebenarnya. Sistem
deteksi laju kendaraan dilakukan berdasarkan
banyaknya frame dalam video. laju dilakukan
dengan menghitung berdsarkan perpindahan
posisi piksel dari setiap kendaraan yang telah
ditetapkan ID yang telah dilakukan pada proses
tracking sebelumnya Perhitungan perpindahan
TELEKONTRAN, VOL. x, NO. x, APRIL 20xx 8
Dalam mengukur keakuratan deteksi laju dengan menggunakan MAPE ditunjukan sebagai
kendaraan dilakukan dengan menggunakan Mean berikut.
Absolute Percentage Error (MAPE). Perhitungan
| |
A i−F i Deteksi Sebenarnya kesalahan
n
1
MAPE= ∑
n i=1 Ai
x 100 %
(km/jam (km/jam) (%)
Dimana dengan menggunakan persamaan tersebut )
145 ,7784
MAPE = x 100 %= 7,2 %
20
Dikarenakan hasil deteksi masih dibawah
angka 10%, maka deteksi kecepatan kendaraan
pada penelitian ini memiliki tingkat kesalahan
yang cukup rendah.
10.14710/jtsiskom.7.1.2019.12-18.
[14] N. H. Tsani, B. Dirgantoro, and A. L.
Prasasti, “Impelementasi deteksi kecepatan
kendaraan menggunakan kamera webcam
dengan metode frame difference the
implementation of vehicle speed detection
using webcam with frame difference
method,” e-Proceeding Eng., vol. 4, no. 2,
pp. 2373–2381, 2017.
[15] N. D. W. I. Cahyo, “Pengenalan Nomor
Plat Kendaraan Dengan Metode Optical
Character Recognition,” Ubiquitous
Comput. its Appl. J., vol. 2, pp. 75–84,
2019, doi: 10.51804/ucaiaj.v2i1.75-84.