LEE, Hans Filbert (2024) Pembuatan Model Autoencoder Convolutional Neural Network Untuk Deblurring Citra Plat Kendaraan Untuk Meningkatkan Akurasi Dalam Sistem Pengenalan Otomatis. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1.COVER.pdf Download (64kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (726kB)
	Text 4. KATA PENGANTAR.pdf Download (93kB)
	Text 5. ABSTRAK.pdf Download (26kB)
	Text 6. ABSTRACT.pdf Download (26kB)
	Text 7. DAFTAR ISI.pdf Download (38kB)
	Text 11. BAB 1 PENDAHULUAN.pdf Download (33kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (94kB)

Abstract

Berkendara sudah menjadi kebiasaan umum bagi orang-orang dalam transportasi.
Dalam berkendara terdapat sistem keamanan yang menjaga ketertiban lalu-lintas
seperti sistem pengenalan plat kendaraan otomatis. Kualitas citra merupakan salah
satu faktor penting dalam meningkatkan akurasi sistem pengenalan otomatis.
Tujuan dari penelitian ini adalah membuat model Convolutional Neural Network
(CNN) untuk proses deblurring data citra plat kendaraan. Metode yang digunakan
dapat meningkatkan kualitas data citra plat kendaraan dengan mengurangi tingkat
noise atau blur. Model yang digunakan adalah autoencoder yang dirancang
menggunakan Convolutional Neural Network (CNN), kemudian dilatih
menggunakan data citra blur dan citra yang tajam. Hasil penelitian menunjukkan
bahwa metode yang digunakan berhasil mencapai akurasi sebesar 82.98%, dengan
akurasi validasi mencapai 83.59%. Terjadi peningkatan signifikan pada nilai rata
rata Signal-to-Noise Ratio (SNR) dari 19.69 dB menjadi 27.34 dB setelah proses
deblurring. Penelitian ini menunjukkan bahwa CNN mampu mengatasi masalah
blur pada citra plat kendaraan, yang berpotensi meningkatkan keandalan sistem
pengenalan otomatis.
Kata kunci: Convolutional Neural Network, autoencoder, deblurring

Actions (login required)

View Item