Publisher

PNCPNC

Journal InfotekmesinInfotekmesin Abstract

Penelitian ini dilatar belakangi oleh masih tingginya pelanggaran lalu lintas yang melibatkan kendaraan besar seperti truk dan bus, terutama di jalan protokol kota yang sebenarnya dilarang dilalui oleh jenis kendaraan tersebut. Sebagian besar sistem e-Tilang yang ada saat ini belum mampu melakukan deteksi otomatis secara real-time terhadap kendaraan besar sekaligus membaca plat nomornya secara akurat. Penelitian ini bertujuan mengembangkan sistem terintegrasi untuk mendeteksi pelanggaran kendaraan besar dan membaca plat nomornya secara otomatis. Sistem menggunakan algoritma MobileNet-SSD untuk mendeteksi kendaraan besar dari data video lalu lintas, dan metode K-Nearest Neighbors (KNN) untuk membaca plat nomor dari citra hasil deteksi. Berdasarkan pengujian yang dilakukan terhadap lima video lalu lintas dalam berbagai kondisi (pagi, siang, malam), sistem mampu mendeteksi kendaraan besar dengan tingkat akurasi sebesar 90%, dan membaca plat nomor kendaraan dengan akurasi 80%. Sistem bekerja optimal pada siang dan pagi hari, namun mengalami penurunan performa pada malam hari karena keterbatasan pencahayaan. Integrasi kedua metode ini terbukti efektif dan layak digunakan dalam sistem penegakan hukum lalu lintas secara real-time, terutama untuk wilayah dengan keterbatasan sumber daya komputasi.

Conclusion

Penelitian ini berhasil mengembangkan sistem deteksi kendaraan besar dan pembacaan plat nomor berbasis MobileNet‑SSD dan K‑Nearest Neighbors dengan akurasi deteksi 90 % dan akurasi pembacaan plat 80 % pada berbagai kondisi pencahayaan.Namun, sistem masih mengalami kesulitan membaca plat pada kecepatan tinggi, pencahayaan sangat terang atau gelap, serta pada video dengan kualitas rendah.Oleh karena itu, penelitian lanjutan disarankan untuk membandingkan algoritma ini dengan metode seperti YOLOv4, RetinaNet, atau OCR berbasis CNN‑LSTM guna meningkatkan akurasi dan ketahanan terhadap variasi lingkungan.

Future Research

Penelitian selanjutnya dapat mengkaji apakah model deteksi objek yang lebih canggih seperti YOLOv4, RetinaNet, atau EfficientDet dapat meningkatkan akurasi deteksi kendaraan besar pada kondisi cahaya yang beragam, termasuk malam hari dan cahaya silau. Selanjutnya, perlu dikembangkan sistem pengenalan plat nomor hibrida yang menggabungkan kekuatan CNN‑LSTM dengan pendekatan K‑Nearest Neighbors untuk memperbaiki kemampuan membaca plat pada kecepatan tinggi dan kondisi pencahayaan rendah. Terakhir, evaluasi integrasi perangkat edge computing seperti NVIDIA Jetson atau Google Coral dapat memberikan gambaran tentang pengurangan latency dan peningkatan kecepatan proses secara real-time, sehingga sistem dapat diterapkan secara luas di wilayah dengan sumber daya komputasi terbatas.

References

1. Optimalisasi Sistem Pelanggaraan Lalu lintas Kendaraan Besar Menggunakan Algoritma Mobilnet-SSD dan Pengolahan... ejournal.pnc.ac.id/index.php/infotekmesin/article/view/2743Optimalisasi Sistem Pelanggaraan Lalu lintas Kendaraan Besar Menggunakan Algoritma Mobilnet SSD dan Pengolahan ejournal pnc ac index php infotekmesin article view 2743
2. Deteksi Pelanggaran Lalu Lintas Tidak Menggunakan Helm Dengan YOLO V4 Pada Sistem ETLE | Suryanto | Jurnal... ejournal.bsi.ac.id/ejurnal/index.php/jtk/article/view/14798Deteksi Pelanggaran Lalu Lintas Tidak Menggunakan Helm Dengan YOLO V4 Pada Sistem ETLE Suryanto Jurnal ejournal bsi ac ejurnal index php jtk article view 14798
3. Optimasi Algoritma K-Nearest Neighbors Menggunakan GridSearchCV untuk Klasifikasi Penyakit Diabetes |... ejournal.pnc.ac.id/index.php/infotekmesin/article/view/2557Optimasi Algoritma K Nearest Neighbors Menggunakan GridSearchCV untuk Klasifikasi Penyakit Diabetes ejournal pnc ac index php infotekmesin article view 2557

Metadata

File size	505.23 KB
Pages	8
DMCA	Report