Real-Time Surveillance plat nomor kendaraan menggunakan YOLOv5 dan Tesseract-OCR Engine

Harahap, Akbar Hidayatullah (2024) Real-Time Surveillance plat nomor kendaraan menggunakan YOLOv5 dan Tesseract-OCR Engine. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (276kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (241kB) | Preview
Preview	Text (SK BEBAS PLAGIARISME) 3_skbebasplagiarism.pdf Download (640kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (251kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (245kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (308kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (310kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (269kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (196kB) | Request a copy
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (279kB) | Request a copy

Abstract

Sistem pengawasan lalu lintas berbasis CCTV menghasilkan volume data visual yang masif, sehingga diperlukan otomatisasi untuk mendeteksi dan mengenali plat nomor kendaraan secara real-time. Penelitian ini bertujuan menerapkan model deteksi objek YOLOv5 dan mesin Optical Character Recognition (OCR) Tesseract guna mendeteksi kendaraan, mengisolasi plat nomor, serta membaca karakter nomor polisi dari rekaman CCTV pemukiman. Metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) digunakan sebagai kerangka kerja. Dataset terdiri dari 507 citra primer hasil ekstraksi frame video CCTV 12 FPS dan 5.553 citra sekunder dari platform Roboflow, keduanya dilabeli kelas license plate. Tiga varian YOLOv5 (nano, small, medium) dilatih dengan hyperparameter standar; model medium (YOLOv5m) mencapai mAP50 tertinggi 99,3%, presisi 99,1%, dan recall 99,3%. Proses pre-processing citra plat meliputi konversi grayscale, Gaussian blur, Otsu thresholding, dan contour grouping sebelum dikenali Tesseract dengan konfigurasi PSM 13. Evaluasi pada 30 sampel plat menunjukkan bahwa 60,0% terbaca sempurna, 16,7% terbaca sebagian dengan kesalahan minor, dan 23,3% gagal. Kegagalan didominasi oleh plat sepeda motor dan frame awal kendaraan yang miring atau buram.

Actions (login required)

View Item