Analisis Peforma Yolo11 Dengan Backbone Resnet18 Pada Deteksi Plat Nomor Kendaraan

Abstract

Peningkatan jumlah kendaraan bermotor menuntut sistem pemantauan lalu lintas yang mampu bekerja secara otomatis, salah satunya melalui teknologi pengenalan plat nomor kendaraan. Penerapan teknologi ini di lapangan masih menghadapi kendala teknis seperti variasi pencahayaan, sudut pengambilan gambar, gambar buram akibat pergerakan kendaraan, serta plat nomor yang sebagian tertutup objek lain, sehingga akurasi deteksi menjadi tidak konsisten apabila hanya mengandalkan arsitektur detektor standar. Salah satu upaya untuk mengatasi hal tersebut adalah dengan memodifikasi bagian ekstraksi fitur pada model detektor menggunakan arsitektur jaringan yang lebih dalam, serta mengkaji pengaruh strategi optimasi terhadap proses pelatihannya. Penelitian ini bertujuan untuk mengkaji pengaruh modifikasi backbone ResNet18 pada arsitektur YOLO11 serta pengaruh pemilihan optimizer terhadap kinerja deteksi plat nomor kendaraan, dengan membandingkannya terhadap kinerja model YOLO11 yang menggunakan backbone bawaan. Penelitian dilakukan secara eksperimental dengan melatih dan membandingkan delapan skenario model, yaitu kombinasi dua varian ukuran YOLO11 (n dan s), dua jenis backbone (standar dan ResNet18), serta dua algoritma optimasi (SGD dan AdamW). Seluruh model dilatih menggunakan kumpulan citra plat nomor kendaraan berlabel, lalu dievaluasi menggunakan metrik standar deteksi objek, yaitu Precision, Recall, F1-Score, mAP50, mAP50-95. Sebagai pelengkap, hasil deteksi terbaik juga diujicobakan pada tahap pengenalan karakter untuk memperlihatkan alur kerja sistem secara menyeluruh.