Perancangan sistem identifikasi dan rekam nomor kendaraan otomatis berbasis Object Detection and Recognition di Universitas X

Abstract

Dalam upaya mengurangi limbah dari sistem parkir, Universitas X telah menerapkan kartu yang dapat digunakan untuk masuk keluar kendaraan. Namun, setiap akhir tahun, manajemen fasilitas parkir harus mencatat secara manual plat kendaraan setiap pegawai universitas, sehingga tugas ini cenderung memberatkan. Adapun dari data yang dicatat, data plat ini tidak digunakan dalam operasional buka gate parkir di Universitas X. Sehingga gate parkir Universitas X saat ini dapat dibuka tanpa pengecekan plat apapun. Hal ini dapat mengurangi tingkat keamanan dari fasilitas parkir Universitas X. Untuk menangani masalah tersebut, akan dibentuk algoritma pencatatan dari plat kendaraan yang masuk guna menyelesaikan masalah pada Universitas X. Algoritma pencatatan yang dirancang akan menerima input gambar kendaraan masuk dan mengidentifikasi nomor plat dari kendaraan tersebut. Metode yang digunakan untuk membuat algoritma pencatatan ini terbagi menjadi dua kelompok. Kelompok pertama yaitu pembuatan model machine learning menggunakan modul TensorFlow Object Detection API. Tujuan dari algoritma object detection ini adalah untuk mendeteksi lokasi plat pada gambar yang diterima. Secara keseluruhan terdapat 9 arsitektur model machine learning berbeda yang diuji untuk mengetahui model mana yang memiliki performa yang optimal. Rancangan kedua adalah penggunaan algoritma Optical Character Recognition (OCR). Algoritma ini ditujukan untuk membaca konten dari plat mobil tersebut. Dalam uji algoritma OCR, terdapat uji coba konfigurasi parameter seperti Page Segmentation Modes (PSM) serta modifikasi data seperti color inversion yang dilakukan untuk mencapai tingkat bacaan terbaik yang diukur menggunakan rasio kemiripan. Rangkaian development dari algoritma rekam nomor kendaraan ini dibentuk menggunakan bahasa pemrograman Python pada Google Collaboratory IDE. Dari pengujian yang dilakukan, didapatkan model Faster R-CNN ResNet50 V1 640x640 dengan mean Average Precision (mAP) sebesar 0,5124 dan tingkat kepercayaan 100% sebagai model terbaik. Sedangkan untuk algoritma OCR dengan menggunakan modul Tesseract OCR, ditemukan bahwa PSM 13 dengan modifikasi data dapat menghasilkan tingkat rasio kemiripan 90%. Adapun beberapa usulan yang dapat diterapkan adalah meningkatkan performansi dari OCR serta waktu proses pembacaan keseluruhan.