Joshua, Joshua (2020) Perancangan aplikasi parkir dengan pengenalan tanda nomor kendaraan bermotor otomatis menggunakan metode convolutional neural networks (TI - 1459). Skripsi thesis, Universitas Tarumanagara.
Text
535160071_Joshua_01 Cover.pdf Download (147kB) |
|
Text
535160071_Joshua_02 Lembar Pengesahan.pdf Download (75kB) |
|
Text
535160071_Joshua_03 Lembar Pernyataan.pdf Download (42kB) |
|
Text
535160071_Joshua_04 Abstrak.pdf Download (77kB) |
|
Text
535160071_Joshua_05 Kata Pengantar.pdf Download (56kB) |
|
Text
535160071_Joshua_06 Daftar Isi, Tabel, Gambar, Lampiran.pdf Download (99kB) |
|
Text
535160071_Joshua_07 Bab 1.pdf Restricted to Registered users only Download (116kB) |
|
Text
535160071_Joshua_08 Bab 2.pdf Restricted to Registered users only Download (2MB) |
|
Text
535160071_Joshua_09 Bab 3.pdf Restricted to Registered users only Download (365kB) |
|
Text
535160071_Joshua_10 Bab 4.pdf Restricted to Registered users only Download (344kB) |
|
Text
535160071_Joshua_11 Bab 5.pdf Restricted to Registered users only Download (70kB) |
|
Text
535160071_Joshua_12 Daftar Pustaka.pdf Download (57kB) |
|
Text
535160071_Joshua_13 Lampiran.pdf Restricted to Registered users only Download (27MB) |
|
Text
535160071_Joshua_14 Daftar Riwayat Hidup.pdf Restricted to Registered users only Download (55kB) |
Abstract
Pencatatan secara manual pada pintu keluar parkir masih ditemukan di beberapa tempat. Tingkat konsentrasi petugas memiliki peranan penting dalam kelancaran pencatatan, jika dalam intensitas yang tinggi dikhawatirkan tingkat konsentrasi petugas menurun sehingga menyebabkan pencatatan tidak berjalan dengan baik. Hal inilah yang mendorong pembuatan sistem aplikasi parkir dengan pengenalan tanda nomor kendaraan bermotor otomatis menggunakan metode CNN. Sistem akan mendeteksi lokasi tanda nomor kendaraan bermotor lalu disegmentasi dan selanjutnya dilakukan pengenalan pada setiap karakter. Untuk mendeteksi lokasi tanda nomor kendaraan bermotor dilakukan dengan menggunakan algoritma YOLO. YOLO adalah algoritma yang digunakan untuk mendeteksi multi objek yang ada pada gambar. YOLO memiliki arsitektur yang mirip dengan CNN. Model dan bobot YOLO yang sudah dilatih memiliki tingkat keyakinan yang tinggi dengan rata rata 94,9% dalam mendeteksi lokasi tanda nomor kendaraan bermotor. Model dan bobot CNN cukup baik untuk mengenali setiap karakter yang ada pada tanda nomor kendaraan bermotor dengan validasi akurasi sebesar 80%, namun masih memiliki kekurangan dalam mengenali jika harus mengenali huruf yang mirip dengan huruf lainnya seperti huruf B dan 8.
Item Type: | Thesis (Skripsi) |
---|---|
Uncontrolled Keywords: | Convolutional Neural Networks, Tanda Nomor Kendaraan Bermotor, YOLO |
Subjects: | Skripsi/Tugas Akhir Skripsi/Tugas Akhir > Fakultas Teknologi Informasi |
Divisions: | Fakultas Teknologi Informasi > Teknik Informatika |
Depositing User: | TDI Family perpus |
Date Deposited: | 27 Apr 2021 16:18 |
Last Modified: | 14 Dec 2022 05:44 |
URI: | http://repository.untar.ac.id/id/eprint/23918 |
Actions (login required)
View Item |