<![CDATA[Sistem gerbang di Indonesia saat ini masih mengandalkan metode tradisional seperti gerbang manual atau teknologi RFID, yang memiliki keterbatasan dalam hal efisiensi dan keamanan. Penelitian ini bertujuan untuk mengembangkan solusi alternatif dengan menggabungkan teknologi text recognition berbasis machine learning dan kerangka kerja CRISP-DM. Metode yang digunakan melibatkan pendekatan multi-metode, yaitu metode terapan dan eksperimental. Metode terapan menggunakan kerangka kerja CRISP-DM untuk mengelola proyek, sementara metode eksperimental melibatkan pengujian model pada data yang dikumpulkan secara manual di lingkungan luar. Dataset yang digunakan adalah berjumlah 448 gambar yang dibagi kedalam tiga bagian berbeda yaitu train, validation, dan testing. Data plat nomor dikumpulkan secara manual dari lingkungan luar untuk mencerminkan kondisi kehidupan nyata, Algoritma yang diimplementasikan untuk mendeteksi plat nomor pada gambar kendaraan adalah algoritma YOLO V8. Sedangkan algoritma yang digunakan untuk text recognition adalah algoritma EasyOCR. Flask akan digunakan untuk mendistribusikan model secara berbasis web. Kerangka kerja CRISP-DM akan digunakan untuk memastikan proyek dapat selesai dilaksanakan. Pada bagian eksperimen, 100 gambar diuji untuk dapat mendapatkan perkiraan akurasi dari hasil sistem deteksi. Hasil pengujian menunjukkan bahwa model deteksi memiliki akurasi sekitar 99%, sementara text recognition mencapai akurasi sekitar 81%. Dengan memanfaatkan kerangka kerja CRISP-DM, kami berhasil mengembangkan sistem pendeteksi plat nomor berbasis web yang dapat memudahkan akses pengguna. Penelitian ini merupakan upaya untuk mengembangkan solusi alternatif untuk Sistem Gerbang Indonesia dengan mengembangkan machine-learning text recognition yang dikombinasikan dengan kerangka kerja CRISP-DM.]]>
Copyrights © 2024
