Jurnal Computech & Bisnis, Vol 16, No 1, Juni 2022, 46-50

ISSN (print): 1978-9629, ISSN (online): 2442-4943

Deteksi Objek Plat Nomor Kendaraan Dengan Metode CNN

Wawan Setiawan1, Naufal Hafidz Farhan2

Universitas Sangga Buana YPKP Bandung Fakultas Teknik Informatika 1,2
oyeng.ghibran@gmail.com1 , naufalhafidz95@gmail.com2

Abstract
The public's need for transportation to date is very high, this can be seen from the number of vehicles, both
private and public vehicles that go back and forth from rural to urban areas. This results in congestion due
to the density of vehicles as well as less organized parking management. On the other hand, with increasing
population growth, land becomes narrower, while public interest in buying vehicles, both two-wheeled and
four-wheeled, is increasingly inevitable, as a result of the increasingly affordable prices of motorized
vehicles. According to research (Wini Mustikarani & Suherdiyanto, 2016: 1), one of the factors that cause
congestion is indiscriminate parking activities. There is also parking management that is currently being
carried out using manual methods, such as writing or typing manually to record motorized vehicle numbers.
To minimize manual work, one innovative way is to apply artificial intelligence as image processing with
deep learning that utilizes an artificial neural network using the Convolutional Neural Network (CNN)
method. By conducting training and testing on images of Indonesian license plates of motorized vehicles,
machine learning will do its job like humans who can recognize the object of the number plate of a
motorized vehicle and record the vehicle number for further analysis, both for parking data purposes and
data from the Department of Transportation. and the Police.

Keywords: Convolutional Neural Network Method; Number plate; Machine Learning; Deep Learning;
Artificial Neural Network.

Abstrak
Kebutuhan masyarakat akan transportasi sampai saat ini sangatlah tinggi, hal ini bisa dilihat dari banyaknya
kendaraan baik itu kendaraan milik pribadi maupun umum yang hilir mudik mulai dari pedesaan sampai
perkotaan. Hal ini mengakibatkan kemacetan dikarenakan padatnya kendaraan juga tata kelola parkir yang
kurang tertata. Disisi lain dengan pertumbuhan penduduk yang semakin meningkat, lahan menjadi sempit,
sementara minat masyarakat untuk membeli kendaraan baik itu roda dua maupun roda empat semakin tidak
terelakan lagi, akibat dari semakin terjangkaunya harga kendaraan bermotor. Yang menjadi faktor penyebab
dari kemacetan menurut penelitian (Wini Mustikarani & Suherdiyanto, 2016: 1) salah satunya adalah
kegiatan parkir sembarangan. Ada pun tata kelola parkir yang dilakukan saat ini masih menggunakan
metode manual, seperti menulis maupun mengetik secara manual untuk mencatat nomor kendaraan
bermotor. Untuk meminimalisir pekerjaan manual, maka salah satu cara yang inovatif yaitu dengan
menerapkan kecerdasan buatan sebagai pengolahan citra dengan deep learning yang memanfaatkan
jaringan syaraf tiruan metode Convolutional Neural Network (CNN). Dengan melakukan pelatihan serta
testing terhadap gambar plat nomor kendaraan bermotor lisensi Indonesia, maka machine learning akan
melakukan tugasnya layaknya manusia yang dapat mengenali objek plat nomor kendaraan bermotor serta
mencatat nomor kendaraan tersebut untuk bisa dianalisa lebih lanjut baik untuk keperluan data parkir
maupun data pihak Dinas Perhubungan serta Kepolisian.

Kata Kunci: Metode Convolutional Neural Network; Plat Nomor; Machine Learning; Deep
Learning; Jaringan Syaraf Tiruan.

PENDAHULUAN Sehingga pihak berwenang dapat mengetahui

Perkembangan jumlah kendaraan bermotor identitas pemilik dari sebuah kendaraan melalui
berdasarkan data dari BPS tahun 2020 yaitu plat nomor. Plat nomor terdiri dari beberapa
mencapai 136.137.451 unit kendaraan.Tentunya kombinasi angka serta huruf dimana kombinasi
jumlah kendaraan yang dicatat oleh BPS adalah tersebut mengandung informasi tentang kode
data kendaraan yang memiliki plat nomor lisensi. daerah atau kode provinsi. Pelat nomor
Kendaraan roda dua atau lebih memiliki plat kendaraan di berbagai wilayah di dunia yang
nomor sebagai identitas dari kendaraan tersebut. memiliki desain yang tidak sama baik itu warna

,
 47
Setiawan,
Deteksi Objek Plat Nomor Kendaraan Dengan Metode CNN

atau jenis huruf juga susunan penulisan CRISP DM (Cross-Standard Industries of Data
hurufnyae, sehingga untuk pengenalan pelat Mining) (Abdulhakim et al., 2021: 136). Ini
nomor di negara lain tentunya akan berbeda adalah standar penambangan data yang diedit
dengan pengenalan model plat nomor lisensi oleh tiga produsen data pasar: Daimler Chrysler
versi Indonesia. (Daimler-Benz), SPSS (ISL) dan NCR.
Kemudian dikembangkan di berbagai workshop
Dengan meningkatnya jumlah kendaraan (antara tahun 1997 dan 1999). Lebih dari 300
bermotor seiring juga dengan meningkatnya organisasi telah berkontribusi pada proses
kepadatan jalur lalu lintas darat, hal ini membuat pemodelan , dan pada akhirnya CRISP-DM 1.0
metode pengenalan objek citra digital sangat dirilis pada tahun 1999. Gambar 1. Proses
penting untuk pengenalan plat nomor oleh CRISP-DM.
komputer yang didesain sebagai machine
learning . Metode pengenalan gambar digital
untuk pelat nomor diperlukan untuk memberikan
kemudahan bagi pemerintah dalam hal ini pihak
berwenang dalam mengatur serta mengelola arus
lalu lintas, mengidentifikasi pemilik kendaraan
dengan cepat, dan menyederhanakan tata letak
area parkir.

Sebuah Machine learning akan melakukan Deep

learning (Wantania et al., 2020) terhadap gambar
yang dilatih sedemikian rupa yang merupakan Gambar 1. Proses Alur CRISPDM
bagian dari kemampuan yang memiliki oleh
computer vision yang sangat baik dengan Langkah Diagram Alur Metodologi Penelitian
kemampuannya yang luar biasa dalam Cross Industries Process for Data Mining
memodelkan aneka data yang kompleks seperti (CRISP-DM) memiliki beberapa tahapan, namun
data gambar. Suatu metode deep learning yang karena tujuan dari penelitian ini yaitu untuk
saat ini memiliki hasil pengenalan citra terbaik mendapatkan model pada proses pelatihan
adalah Convolutional Neural Network (CNN). terhadap data gambar melalui sebuah machine
Hal ini dikarenakan metode CNN mencoba learning, dalam penelitian ini tahapan tersebut
meniru sistem pengenalan citra pada konteks hanya dilakukan sampai pada tahap evaluasi saja.
visual manusia sehingga mampu mengolah
informasi visual. Namun CNN, seperti metode Pengertian Bisnis (Business Understanding)
deep learning lainnya, memiliki kelemahan yaitu Pada tahap ini penulis akan memahami terhadap
proses pelatihan model yang lama, hal tersebut permasalahan yang timbul, menetapkan tujuan
bisa disebabkan oleh spesifikasi komputer yang data mining, dan menyusun rencana penelitian.
dijadikan machine learning tidak memadai. Permasalahan saat ini adalah petugas melakukan
Semakin berkembangnya teknologi, sejumlah registrasi manual pada saat proses pengolahan
pengembang teknologi machine learning parkir kendaraan di tempat parkir. Setelah itu
mengembangkan framework untuk metode ini akan terus dikembangkan lebih lanjut
mempermudah proses deep learning yaitu salah menjadi parkir cerdas (smart parking). Artinya,
satunya yaitu Tensorflow. pendaftaran nomor registrasi kendaraan
Berdasarkan uraian di atas, penulis ingin dilakukan otomatis ketika memasuki tempat
membuat sistem pendeteksi parkir, dan program ini diselesaikan dengan
pengenalan objek serta karakter pada plat nomor prosedur jaringan saraf konvolusi..
Indonesia menggunakan framework Tensorflow
dengan bahasa pemrograman Python. Metode Pemahaman Data (Data Understanding)
yang digunakan dalam pengenalan objek pelat Data yang digunakan dalam suau survei adalah
nomor adalah menggunakan metode 240 citra data pelat nomor kendaraan bermotor
Convolutional Neural Network (CNN). lisensi Indonesia, dan data tersebut dibagi
menjadi dua yaitu data latih dan data uji. Gambar
METODE PENELITIAN plat nomor Indonesia diambil sebagian dari
Dalam penelitian ini, penulis menggunakan internet dan data dipasok langsung dari tempat
metode Convolutional Neural Network (CNN). parkir dan dari lampu merah jalan raya oleh
Metodologi yang dipakai adalah metodologi peneliti menggunakan kamera smartphone.
 48
Setiawan,
Deteksi Objek Plat Nomor Kendaraan Dengan Metode CNN

Tabel 1. Di bawah ini adalah tabel data sumber

pengenalan setiap huruf per karakter pada pelat Proses Pelabelan Pada Gambar dengan Tools
nomor Indonesia. LabelImg
Setelah data gambar terkumpul di satu folder,
Tabel 1. Data Permulaan Plat Nomor Kendaraan peneliti menggunakan tool LabelImg untuk
melakukan proses pelabelan gambar. Keluaran
data Labelimg ini berupa koordinat data gambar,
keterangan gambar plat nomor kendaraan, dan
format yang dihasilkan oleh proses pelabelan
data gambar dalam format .xml. LabelImg
menghasilkan file .xml yang berisi data beberapa
data label untuk setiap data gambar. File .xml
inilah yang digunakan untuk menghasilkan
TFRecord.

Konversi File XML menjadi File CSV

Langkah selanjutnya yaitu melakukan labeling
pada gambar digital yaitu mengubah file XML
dijadikan file CSV supaya bisa dilanjutkan ke
tahapan berikutnya.
Selanjutnya mengkonversi file format xml
menjadi file dengan format csv pada data latih
Mempersiapkan Data (Data Preparation) (train) dan data tes
Berisi semua kegiatan untuk membuat database (test), skrip tersebut akan dijalankan
gambar dalam bentuk dataset akhir. Kajian menggunakan bahasa python.
pengenalan huruf pada pelat nomor kendaraan
lisensi Indonesia dengan menggunakan metode Tahapan Membuat TFRecord
CNN (convolutional neural network). Bahasa Setelah proses berjalan sukses maka selanjutnya
yang dipakai adalah bahasa tingkat tinggi yaitu akan mendapatkan file TFRecord, yang bakal
Python. menghasilkan dua file yaitu train.record dan file
test.record. Jika ke dua file tersebut telah diubah
ke dalam bentuk file CSV maka langkah
berikutnya adalah mengubah file csv tersebut
menjadi file yang mudah dibaca oleh tensorflow
yaitu file TFRecord. Hal ini akan dipergunakan
untuk melatih classifier, dalam proses deteksi
pelat nomor kendaraan lisensi Indonesia.

Tahapan Konfigurasi File Pipeline

Berikutnya setelah file TFRecord berjalan
dengan mulus maka tahap berikutnya adalah
mengkonfigurasi pipeline, dimana konfigurasi
file ini yang akan digunakan untuk proses
konfigurasi dari model yang dilatih (training).
Pada penelitian ini penulis menggunakan
konfigurasi dengan model
faster_rcnn_inception_v2_coco_2018_01_28
dimana hal ini sudah tersedia dalam framework
tensor flow. Pada tahap konfigurasi ini kita
Gambar 2. Diagram Alur Penelitian tentunya akan mengatur seberapa banyak kelas
Gambar 2 di atas. Ini adalah flow chart survei (class) yang akan kita gunakan.
pengenalan plat nomor kendaraan bermotor dan Tahapan Training Dataset
menggambarkan tahapan penulis dari akuisisi Apabila semua persyaratan untuk tahapan
data sumber hingga pembuatan model sehingga pelatihan sudah terpenuhi, tentunya kita akan
proses pengujian data pelat nomor kendaraan mencoba untuk melakukan proses pelatihan /
lisensi Indonesia dapat dilakukan. training dataset.
 49
Setiawan,
Deteksi Objek Plat Nomor Kendaraan Dengan Metode CNN

Setelah sukses dalam tahapan training data,

selanjutnya kita membuat frozen inference graph
sehingga nantinya dapat digunakan untuk deteksi
karakter pelat nomor kendaraan. Untuk
mendapatkan model tersebut bisa menggunakan
file export_inference_graph.py yang dieksekusi
ke dalam perintah command line interface di
Pyhton.

3.1.2 Output Extract Model Training

Jika model berhasil diekstraksi setelah pelatihan,
supaya menghasilkan file
frozen_inference_graph.pb yang nantinya bisa
dipergunakan untuk pengenalan objek pada plat
nomor kendaraan. Kita dapat menggunakannya
Gambar 2. Merupakan proses langkah pelatihan untuk melakukan tes pengenalan karakter objek
/training dataset pada pelat nomor kendaraan Indonesia. Jika
peneliti akan men-training dataset dengan kumpulan data yang Anda gunakan
menggunakanfaster_rcnn_inception_v2_coco_2 berkualitas baik, maka hasilnya juga akan
018_01_28. maksimal. Gambar 4
Faster_rcnn_inception_v2_c oco_2018_01_28 di bawah ini merupakan instruksi untuk
adalah proses dari CNN yang sangat efisien melakukan proses pengujian data pengenalan
(Hasma & Silfianti, 2018: 9). CNN melakukan karakter pelat nomor kendaraan lisensi
perhitungan yang sama dilakukan di setiap lokasi Indonesia.
dalam gambar.
File model dengan file bernama
frozen_inference_graph.pb yang merupakan
hasil data pelatihan /training yang dilakukan oleh
sebuah faster_rcnn_inception_v2_ Gambar 4. Tampilan Pada Proses Testing
coco_2018_01_28. Tahapan pelatihan/ training
ini data dapat kita amati seperti gambar 3 di Gambar 4 setelah menjalankan proses uji
bawah ini: pengenalan objek karakter pada pelat nomor
lisensi Indonesia. File yang diuji ada di folder
image / test / image_3302.jpg. Hasil pengujian
bisa didapatkan dari plat nomor yang berisi huruf
dan angka, yaitu plat nomor D1254RI. Evaluasi
Pada fase ini, penulis mereview penelitian yang
Gambar 3. Tahapan Training Data
dilakukan. Tujuan dari penelitian ini adalah
Gambar 3 di atas, dapat kita lihat bahwa
untuk membuat program parkir cerdas/smart
Tensorflow menjalankan pelatihan/training data
parking, karena petugas yang memasuki tempat
dengan param loss, dan waktu tahapan pelatihan/
parkir saat ini menangkap plat nomor kendaraan
training data dengan 10.000 steps. Pada saat
secara manual. Penelitian ini menggunakan
melakukan langkah training data dibutuhkan
metode CNN untuk mengolah data. Proses
waktu pelatihan sekitar 4 jam dalam melakukan
investigasi dan pengolahan data dilakukan sesuai
training tersebut.
dengan tahapan metode investigasi CRISPDM.
Data plat nomor yang dikumpulkan dimodelkan
HASIL DAN PEMBAHASAN
menggunakan bahasa pemrograman Python dari
Pada tahapan ini dilakukan dengan menggunakan
aplikasi Anaconda. Selama pemodelan, dataset
aplikasi Google Colab serte Jupyter Notebook,
pelat nomor dibagi menjadi data pelatihan dan uji
dan dimasukkan juga metode CNN. Dari data
untuk mempelajari huruf-huruf pada pelat
yang ditentukan pada fase data preparation yaitu
nomor. Selain itu, data gambar plat nomor yang
data training dan testing.
dikumpulkan sebelumnya dapat dibagi menjadi
data latih train dan data uji testing.
3.1.1 Tahapan Extract Model Dari Proses
Training
KESIMPULAN
 50
Setiawan,
Deteksi Objek Plat Nomor Kendaraan Dengan Metode CNN

Berdasarkan hasil dari penelitian yang

dilaksanakan terhadap pengenalan pelat nomor
lisensi Indonesia, maka dapat memberikan
jawaban atas tujuan penelitian yaitu dapat
dipergunakan suatu sistem aplikasi pengolahan
data gambar untuk detesi pola plat nomor
kendaraan lisensi Indonesia yang dibangun untuk
mengenali karakter pada plat nomor kendaraan
lisensi Indonesia. kesimpulan yang diharapkan.
Umumnya plat nomor kendaraan bermotor. CNN
adalah salh satucara yang benar untuk
mengidentifikasi huruf dan angka pada plat
nomor. Lokasi plat kendaraan dan klasifikasi
setiap nomor plat pada citrs digital dapat
ditentukan dengan menggunakan sistem deteksi
objek Faster-R-CNN.

REFERENSI
Abdulhakim, R., Carudin, & Arif Dermawan, B.
(2021). Analisis dan Penerapan Algoritma
Convolutional Neural Network untuk Klasifikasi
Kendaraan Prioritas. Jurnal Sains dan
Informatika, 7(2), 135–144.
https://doi.org/10.34128/jsi.v7i2.335
Hasma, Y. A., & Silfianti, W. (2018).
Implementasi Deep Learning Menggunakan
Framework Tensorflow Dengan Metode Faster
Regional Convolutional Neural Network Untuk
Pendeteksian Jerawat. Jurnal Ilmiah
Teknologi dan Rekayasa, 23(2), 89–102.
https://doi.org/10.35760/tr.2018.v23i2.2459
Wantania, B. B. M., Sompie, S. R. U. ., &
Kambey, F. D. (2020). Penerapan Pendeteksian
Manusia Dan Objek Dalam Keranjang Belanja
Pada Antrian Di Kasir. Jurnal Teknik
Informatika, 15(2), 101–108.
Wini Mustikarani, & Suherdiyanto. (2016).
Analisis Faktor-Faktor Penyebab Kemacetan
Lalu Lintas Di Sepanjang Jalan H Rais a Rahman
(Sui Jawi) Kota Pontianak. Jurnal Edukasi, 14(1),
143–155.