Pendahuluan

Bab ini akan membahas latar belakang, rumusan masalah, tujuan dan manfaat, ruang lingkup, serta sistematika penulisan yang akan digunakan pada laporan ini.

Latar Belakang

Work in progress

Revisian

• Apa masalahnya?
• Kenapa pake metode itu?
• Bahas summary dari penelitian dulu.

Indonesia adalah negara dengan populasi yang padat dan jumlah kendaraan yang terus meningkat. Kendaraan niaga, seperti truk dan bus, memiliki peran penting dalam distribusi barang dan jasa di seluruh negeri. Berbeda dengan kendaraan pribadi, plat nomor kendaraan niaga sering kali kotor atau rusak akibat paparan lingkungan berat, menimbulkan tantangan khusus dalam pengenalan plat nomor (License Plate Recognition, LPR). Teknologi LPR secara umum terdiri dari empat tahap: akuisisi gambar, ekstraksi plat nomor, segmentasi karakter, dan pengenalan karakter (Du et al., 2013). Pada penelitian ini, fokus diberikan pada tahap pengenalan karakter menggunakan jaringan saraf tiruan.

LPR berperan dalam identifikasi, pelacakan, serta analisis aktivitas kendaraan untuk keperluan pengawasan dan keamanan (Shafi et al., 2022). Teknologi ini penting dalam membangun sistem transportasi cerdas, dengan aplikasi dalam pengendalian lalu lintas, pelacakan kendaraan niaga, serta otomatisasi parkir dan pemungutan tol. Dalam konteks kendaraan niaga, LPR yang andal dapat meningkatkan efisiensi operasional dan keamanan, terutama dalam pelacakan armada dan penegakan hukum.

Draft

Metode LPR berbasis segmentasi sering digunakan untuk mendeteksi dan mengenali karakter dengan membagi citra plat nomor menjadi bagian-bagian terpisah yang merepresentasikan tiap karakter (Anagnostopoulos et al., 2008). Namun, pendekatan ini menghadapi kesulitan signifikan dalam kondisi di mana karakter pada plat nomor kotor atau mengalami distorsi spasial. Hambatan ini muncul karena proses segmentasi sangat bergantung pada kemampuan model untuk memisahkan karakter secara visual dari latar belakangnya. Dalam kasus plat nomor yang kotor, perbedaan kontras antara karakter dan latar belakang sering kali berkurang, sehingga membuat proses segmentasi menjadi tidak akurat. Karena klasifikasi bergantung pada segmentasi karakter, kualitas pengenalan end-to-end sangat bergantung pada metode segmentasi yang digunakan (Zherzdev & Gruzdev, 2018).

Tantangan ini juga tercermin dalam penerapan model segmentasi pada objek lain dengan kontras rendah atau visual noise yang tinggi, seperti pada gambar dengan objek yang buram atau lingkungan berdebu. Model segmentasi seringkali gagal dalam memisahkan objek yang ingin dikenali ketika fitur utama objek terkontaminasi oleh elemen latar belakang yang serupa. Hal ini menunjukkan bahwa, meskipun metode segmentasi umum diterapkan dalam banyak tugas pengenalan objek, performanya dapat terhambat dalam kondisi di mana visual noise dan kontras rendah mempengaruhi kejelasan objek. Oleh karena itu, penelitian ini berfokus pada penggunaan arsitektur LPRNet tanpa segmentasi untuk menguji efektivitas pendekatan berbasis deep learning yang lebih kuat terhadap visual noise dalam kondisi plat nomor yang kotor.

Meskipun metode LPR terus berkembang, pengenalan plat nomor yang kotor atau rusak masih menjadi tantangan utama. Pendekatan konvensional seperti template matching atau jaringan saraf tiruan sederhana belum mampu menangani kondisi ekstrem secara konsisten. Untuk mengatasi hal ini, penelitian ini menggunakan model berbasis deep learning dengan arsitektur LPRNet, yang diharapkan mampu memberikan solusi yang lebih efektif dalam pengenalan plat nomor kendaraan niaga di berbagai kondisi.

Rumusan Masalah

Berdasarkan permasalahan yang telah dijabarkan pada bagian latar belakang, maka dapat dirumuskan sebuah rumusan masalah. Rumusan masalah yang terdapat pada penelitian ini adalah bagaimana performa model deep learning dalam mengenali plat nomor kendaraan niaga.

Tujuan dan Manfaat

NOTE

Saat ini:

• Tujuan menjawab rumusan masalah.
• Manfaat memberikan manfaat keilmuan.

Tujuan dari penelitian ini adalah untuk mengetahui bagaimana performa model deep learning dalam mengenali plat nomor kendaraan niaga. Penelitian ini bermanfaat sebagai masukan terhadap penelitian selanjutnya dalam membangun model pengenalan plat nomor kendaraan niaga yang tangguh dan memiliki performa baik.

Ruang Lingkup

Ruang lingkup pada penelitian ini dibatasi beberapa aspek, seperti:

1. Ekstrasi nomor plat hanya dilakukan pada plat kendaraan niaga darat. Kendaraan niaga yang dimaksud terbatas pada:
   1. Truk engkel,
   2. Truk semi-trailer,
   3. Mobil pick-up,
   4. Bus, dan
   5. Angkutan kota
2. Penelitian ini terbatas hanya melakukan ekstraksi nomor plat kendaraan dan tidak melakukan deteksi, lokalisasi, maupun segmentasi.
3. Gambar yang digunakan menggunakan gambar tiga channel, yaitu red, green, dan blue.

Sistematika Penulisan

Berikut adalah sistematika penulisan untuk memberikan gambaran yang urut dan jelas mengenai pembahasan penyusunan laporan penelitian “Pengenalan Plat Nomor Kendaraan Niaga menggunakan Arsitektur LPRNet”:

BAB I	PENDAHULUAN
	Bab ini menyajikan latar belakang, rumusan masalah, tujuan, manfaat, ruang lingkup, dan sistematika penulisan pada penelitian yang dibuat
BAB II	TINJAUAN PUSTAKA
	Bab ini menyajikan teori-teori yang berhubungan dengan topik yang dibahas pada penelitian ini.
BAB III	METODE PENELITIAN
	Bab ini membahas metode yang digunakan pada penelitian ini, seperti augmentasi data, arsitektur yang digunakan, optimization, dan sebagainya.
BAB IV	HASIL DAN PEMBAHASAN
	Bab ini membahas hasil dari penelitian yang dilakukan dengan pemilihan dan penilaian model.
BAB V	PENUTUP
	Bab ini berisi kesimpulan berdasarkan pembahasan di bab-bab sebelumnya dan saran untuk pengembangan penelitian selanjutnya.

References

Anagnostopoulos, C.-N. E., Anagnostopoulos, I. E., Psoroulas, I. D., Loumos, V., & Kayafas, E. (2008). License Plate Recognition From Still Images and Video Sequences: A Survey. IEEE Transactions on Intelligent Transportation Systems, 9(3), 377–391. https://doi.org/10.1109/TITS.2008.922938

Du, S., Ibrahim, M., Shehata, M., & Badawy, W. (2013). Automatic License Plate Recognition (ALPR): A State-of-the-Art Review. IEEE Transactions on Circuits and Systems for Video Technology, 23(2), 311–325. https://doi.org/10.1109/TCSVT.2012.2203741

Shafi, I., Hussain, I., Ahmad, J., Kim, P. W., Choi, G. S., Ashraf, I., & Din, S. (2022). License Plate Identification and Recognition in a Non-Standard Environment Using Neural Pattern Matching. Complex & Intelligent Systems, 8(5), 3627–3639. https://doi.org/10.1007/s40747-021-00419-5

Zherzdev, S., & Gruzdev, A. (2018). LPRNet: License Plate Recognition via Deep Neural Networks. https://doi.org/10.48550/ARXIV.1806.10447