Analisis Perbandingan YOLOv11 dan RT-DETRv2 dalam Deteksi Plat Nomor pada Kondisi Pencahayaan Rendah
Tahun 2026 · Penulis: Muhammad Andi Azriel Akbar
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14577
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Deteksi plat nomor kendaraan merupakan salah satu teknologi yang berperan penting dalam sistem keamanan lalu lintas, pengawasan kendaraan, dan manajemen parkir. Namun, proses deteksi pada kondisi pencahayaan rendah masih menjadi tantangan karena berkurangnya kualitas citra dapat memengaruhi kemampuan model dalam mengenali objek. Penelitian ini bertujuan untuk membandingkan kinerja model YOLOv11 dan RT-DETRv2 dalam mendeteksi plat nomor kendaraan pada kondisi kurang cahaya. Penelitian menggunakan pendekatan kuantitatif dengan dataset publik Plat Nomor Computer Vision Dataset yang terdiri atas 6.553 citra beresolusi 640 × 640 piksel. Data melalui tahap preprocessing berupa konversi citra menjadi grayscale dan penurunan intensitas cahaya sebesar 80% untuk mensimulasikan kondisi pencahayaan rendah. Kedua model dilatih selama 100 epoch dan dievaluasi menggunakan mAP50 serta parameter evaluasi deteksi seperti precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa YOLOv11 memiliki waktu pelatihan lebih cepat, yaitu 1 jam 23 menit, dengan nilai mAP50 tertinggi sebesar 0,9212 pada epoch ke-62 dan nilai akhir sebesar 0,915. Sementara itu, RT-DETRv2 membutuhkan waktu pelatihan 2 jam 45 menit, tetapi menghasilkan performa yang lebih tinggi dan stabil dengan nilai mAP50 sebesar 0,944, yang mencapai nilai tertinggi pada epoch ke-94 dan tetap konsisten hingga akhir pelatihan. Berdasarkan hasil tersebut, YOLOv11 lebih sesuai untuk aplikasi real-time yang mengutamakan efisiensi dan keterbatasan sumber daya komputasi, sedangkan RT-DETRv2 lebih sesuai untuk aplikasi yang membutuhkan tingkat akurasi tinggi pada kondisi visual dan pencahayaan yang lebih kompleks.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,808
Tahun 2027 · Penulis: Ilvan Rezky Pradana
Implementasi Sistem Keamanan Otomatis dengan You Only Look Once V8
Peningkatan kasus kriminalitas, khususnya pencurian sepeda motor di kawasan padat penduduk, menuntut adanya sistem keamanan yang lebih proaktif dan efisien. Sistem keamanan konvensional seperti patroli manual dan CCTV memiliki keterbatasan karena sifatnya yang
- Cosine 0,789
Tahun 2025 · Penulis: Putra Gama Supriyadi
Analisa Deteksi Kendaraan Berdasarkan Jenis Dan Kecepatan Menggunakan Kamera CCTV Berbasis Algoritma Yolo V11 Di Lingkungan Universitas Jember
Penelitian ini bertujuan untuk menganalisis kemampuan algoritma YOLO V11 dalam mendeteksi jenis dan kecepatan kendaraan dari rekaman CCTV di Universitas Jember. Permasalahan utama adalah bagaimana akurasi dan kecepatan sistem bekerja secara real-time. Tujuan l
- Cosine 0,786
Tahun 2026 · Penulis: Muhammad Syafiq Hamdi
Sistem Deteksi Tingkat Ancaman Secara Real Time Dengan Multi-Stage Classification Menggunakan YOLO11
Keamanan ruang publik memerlukan sistem yang mampu mendeteksi potensi ancaman secara cepat dan akurat, khususnya terhadap keberadaan senjata tajam dan senjata api. Penelitian ini bertujuan mengembangkan sistem deteksi tingkat ancaman senjata secara real-time m