Hasil dan Pembahasan

Work in progress

Pemilihan Model

Work in progress

Pada tahap ini, model yang dipilih merupakan hasil dari proses tuning hyperparameter menggunakan Bayesian Optimization. Hyperparameter yang dioptimasi meliputi learning rate, batch size, epoch, learning rate scheduler step, dan aktivasi STN. Kombinasi terbaik yang diperoleh memberikan kinerja yang optimal pada dataset yang digunakan, baik dari segi akurasi maupun efisiensi waktu pelatihan.

Penilaian Model

Work in progress

Evaluasi

Work in progress

Evaluasi dilakukan menggunakan tiga metrik utama: Letter Number Recognition Rate (RLN), Character Error Rate (CER), dan Akurasi Plat. RLN mengukur seberapa akurat model mengenali setiap karakter dalam plat nomor, sementara CER mengukur persentase kesalahan karakter yang dikenali. Akurasi plat dianggap benar hanya jika semua karakter pada plat nomor dikenali dengan benar.

Name	Batch Size	Epoch	Learning Rate	Learning Rate Scheduler Step	STN Enable At	Validation CER
rare-sweep-5	32	896	0.000946293	346	313	0.331597
summer-sweep-4	64	731	0.00119954	357	339	0.394097
ethereal-sweep-3	8	572	0.000918964	380	319	0.248202
visionary-sweep-2	64	576	0.000913115	378	337	0.394097
serene-sweep-1	16	788	0.000900034	355	288	0.28776

Hasil

Work in progress

Setelah dilakukan evaluasi, model menunjukkan kinerja yang baik dalam mengenali plat nomor kendaraan, baik pada gambar dengan kondisi bersih maupun yang kotor. Berikut adalah beberapa contoh hasil prediksi yang dihasilkan oleh model.

• Gambar 1 Contoh hasil prediksi pada gambar plat nomor bersih.
• Gambar 2 Contoh hasil prediksi pada gambar plat nomor kotor.

Analisis Kegagalan

Work in progress

Meskipun secara umum model memberikan hasil yang memuaskan, terdapat beberapa kasus kegagalan yang perlu dianalisis. Kesalahan prediksi umumnya terjadi pada kondisi ekstrem, seperti:

• Plat nomor yang sangat kotor
• Sudut pengambilan gambar yang ekstrem
• Pencahayaan buruk

Tabel berikut menunjukkan contoh beberapa kasus kegagalan beserta penyebabnya:

Citra	Nilai Sebenarnya	Prediksi	Penyebab Kegagalan
	AB 1234 CD	AB 1244 CD	Plat nomor terlalu kotor
	H 5678 EF	H 5673 EF	Sudut pengambilan gambar ekstrem
	L 9876 GH	L 9976 GH	Pencahayaan sangat buruk

Analisis ini menunjukkan bahwa model perlu ditingkatkan lebih lanjut, terutama untuk mengatasi gambar dengan variasi ekstrem.

Note

(Wang et al., 2022) Bisa jadi referensi yang bagus buat Analisis Kegagalan.

Something like the following image.

References

Wang, S.-R., Shih, H.-Y., Shen, Z.-Y., & Tai, W.-K. (2022). End-to-End High Accuracy License Plate Recognition Based on Depthwise Separable Convolution Networks. arXiv.