PERBANDINGAN PERFORMA YOLOV12 DAN FASTER R-CNN DALAM SISTEM PENGENALAN PLAT NOMOR KENDARAAN

Rovino Alana Herlantoro, . (2026) PERBANDINGAN PERFORMA YOLOV12 DAN FASTER R-CNN DALAM SISTEM PENGENALAN PLAT NOMOR KENDARAAN. Tugas Akhir thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123210086.pdf Download (153kB)
	Text Abstrak_123210086.pdf Download (211kB)
	Text Halaman Pengesahan_12321086.pdf Download (11MB)
	Text Daftar Isi_123210086.pdf Download (250kB)
	Text Daftar Pustaka_123210086.pdf Download (175kB)
	Text Fulltext_123210086.pdf Restricted to Repository staff only Download (3MB)

Abstract

Pelanggaran lalu lintas di Indonesia mencapai 2.146.128 kasus pada tahun 2024, dengan tingkat kepatuhan yang masih rendah. Sistem pengenalan plat nomor kendaraan menjadi solusi strategis untuk pengawasan dan penegakan hukum yang lebih efektif. Penelitian ini membandingkan performa YOLOv12 dan Faster R-CNN yang diintegrasikan dengan PaddleOCR untuk deteksi dan pengenalan plat nomor kendaraan bermotor di Indonesia.
Dataset penelitian terdiri dari 1.577 citra kendaraan yang telah melalui proses preprocessing meliputi anotasi, splitting (70% training, 15% validation, 15% testing), resize 640×640 piksel, dan augmentasi data. YOLOv12s dilatih selama 50 epoch dengan optimizer AdamW, sedangkan Faster R-CNN dengan backbone ResNet-50 dilatih selama 15 epoch menggunakan SGD optimizer dengan early stopping. Evaluasi dilakukan dalam tiga tahap: evaluasi deteksi objek menggunakan metrik precision, recall, F1-score, mAP, dan IoU; evaluasi OCR mengukur plate accuracy dan character accuracy; serta evaluasi end-to-end untuk mengukur performa sistem secara keseluruhan.
Hasil penelitian menunjukkan YOLOv12s unggul dalam metrik training dengan precision 0.926, recall 0.962, F1-score 0.944, mAP50 0.9778, dan mAP50-95 0.65254, serta kecepatan deteksi 2.56 kali lebih cepat (12.416 FPS) dibanding Faster R-CNN (4.841 FPS). Namun, Faster R-CNN menghasilkan Average IoU lebih tinggi (84.57% vs 83.11%) yang berdampak pada performa OCR, mencapai plate accuracy 70% dan character accuracy 79.12%, lebih tinggi dari YOLOv12s (60% dan 73.99%). Pada evaluasi end-to-end, Faster R-CNN + PaddleOCR mencapai E2E accuracy 70%, unggul 10 poin persentase dari YOLOv12s (60%). Analisis korelasi menunjukkan kualitas IoU berpengaruh signifikan pada keberhasilan OCR di Faster R-CNN (0.213) dibanding YOLOv12s (0.014).
Penelitian ini membuktikan bahwa Faster R-CNN lebih optimal untuk aplikasi yang memprioritaskan akurasi tinggi seperti sistem tilang elektronik, sedangkan YOLOv12s lebih sesuai untuk monitoring real-time dengan toleransi error lebih besar.

Kata Kunci: Plat Nomor Kendaraan, Object Detection, YOLOv12, Faster R-CNN, PaddleOCR, Deep Learning

Item Type:	Tugas Akhir (Tugas Akhir)
Additional Information:	Rovino Alana Herlantoro (Penulis - 123210086) Rifki Indra Perwira (Pembimbing)
Uncontrolled Keywords:	Plat Nomor Kendaraan, Object Detection, YOLOv12, Faster R-CNN, PaddleOCR, Deep Learning
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	13 Mar 2026 01:20
Last Modified:	13 Mar 2026 01:20
URI:	http://eprints.upnyk.ac.id/id/eprint/47359

Actions (login required)

View Item