ABSTRAKSI: Setiap kendaraan telah memiliki identitas berupa plat kendaraan yang berisi nomor polisi. Identitas inilah yang membedakan antara kendaraan yang satu dengan yang lainnya. Pengenalan plat kendaraan dapat digunakan di berbagai sistem seperti sistem keamanan, sistem jalan tol dan sistem parkir tanpa harus membuat identitas baru sehingga topik ini menarik untuk diteliti.
Setiap negara memiliki standar plat yang berbeda, tak terkecuali Indonesia. Beberapa penelitian dengan menggunakan system yang berbeda telah dilakukan, namun plat nomor yangdigunakan berbeda dengan karakteristik plat Indonesia. Oleh karena itu padaTesis ini diteliti system deteksi nomor plat yang sesuai dengan karakteristik plat Indonesia.
Sistem deteksi plat yang dibuat menggunakan operasimorfologi dan karakteristik plat. Ekstraksi ciri menggunakan sistem pembagian grid, dan dilakukan pembandingan menggunakan algoritma klasifikasi KNN dan Jaringan SyarafTiruan. Optimasi dilakukanterhadap algoritma klasifikasi menggunakan algoritma genetika . Dari hasil pengujiandidapatkan akurasi sistem keseluruhan 92.31% untuk KNN dan88.46% untuk JST-BP dengan masukan berupavideo.
Kata Kunci : plat, KNN, Jaringan Syaraf Tiruan, Algoritma GenetikaABSTRACT: Each vehicle has a vehicle identification plate that contains a number i dentity which distinguishes between one vehicle to another. Vehicle license plate recognition c an be used in various systems such as security systems, highway systems and parking systems without having to create a new identity.
Each state has different license plate standards, including Indonesia. Several studies using different systems have been ma de, but the number plate is used in contrast to the characteristics of Indonesian plate. Therefore be studied in this thesis number plate detection system in accordance with the characteristics of the Indonesian plate .
Plate detection system made using morphological operations and the characteristics of the plate. Feature extraction using grid distribution system . C omparisons were made between KNN classification algorithm and Neural Networks . Optimization is done on the classification algorithms using genetic algorithms. From the test results obtained the overall system accuracy 92.31% for KNN and 88.46% for ANN - BP with a video input .Keyword: license plate, KNN, Neural Networks, Genetic Algorithms