PENGENALAN PLAT NOMOR KENDARAAN REAL-TIME PADA KONDISI GELAP DAN HUJAN MENGGUNAKAN DEEP LEARNING

Abstract

Pengenalan plat nomor kendaraan secara real-time merupakan salah satu teknologi penting dalam sistem transportasi cerdas, terutama pada kondisi lingkungan yang menantang seperti gelap dan hujan. Penelitian ini bertujuan untuk mengembangkan dan menguji metode pengenalan plat nomor menggunakan kombinasi YOLO v8 untuk melakukan deteksi plat nomor kendaraan dan  framework screen text recognition TPS-ResNet-BiLSTM-Attn untuk pengenalan teks. Dataset yang digunakan berjumlah 3.000 gambar plat nomor yang dibagi menjadi 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Framework ini dirancang untuk mengatasi tantangan visual seperti pencahayaan rendah dan gangguan akibat hujan melalui tahapan transformasi geometris (TPS), ekstraksi fitur (ResNet), pemodelan urutan karakter (BiLSTM), dan mekanisme transkripsi berbasis perhatian (Attention). Hasil pengujian menunjukkan akurasi yang berbeda pada berbagai kondisi, yaitu 78,6% pada kondisi normal, 82,4% pada kondisi gelap, dan 80,7% pada kondisi hujan. Hal ini menunjukkan bahwa metode deteksi objek YOLO v8 dan pengenalan karakter teks TPS-ResNet-BiLSTM-Attn yang diusulkan mampu menangani tantangan pengenalan plat nomor dalam kondisi lingkungan yang kompleks, sehingga memiliki potensi besar untuk diterapkan dalam sistem pengawasan transportasi yang lebih andal