Analisis Komparatif Kinerja Model YOLOv8, YOLOv9, dan YOLOv11 pada Deteksi Plat Nomor Kendaraan di Indonesia

Abstract

Identifikasi otomatis plat nomor kendaraan (PNK) adalah tulang punggung sistem manajemen lalu lintas cerdas, yang penting bagi penegakan hukum dan keamanan publik. Tantangan dalam deteksi PNK di Indonesia cukup kompleks, melibatkan variasi desain, kondisi fisik plat yang sering kali buruk, dan beragamnya sudut pengambilan gambar. Penelitian ini bertujuan memberikan perbandingan kinerja yang tegas antara tiga model deteksi objek terdepan dari keluarga YOLO (You Only Look Once): YOLOv8, YOLOv9, dan model konseptual YOLOv11, dalam konteks deteksi PNK spesifik Indonesia. Kami melakukan eksperimen berbasis dataset lokal yang luas, yang dirancang khusus untuk mereplikasi keragaman skenario real-world di Indonesia. Kinerja model dievaluasi secara multidimensi, mencakup Tingkat Keberhasilan Deteksi (seberapa andal model menemukan objek), Kualitas Batas Lokalisasi (keakuratan kotak prediksi terhadap posisi plat yang sebenarnya), Kecepatan Inferensi (Frames Per Second, FPS), dan Kebutuhan Komputasi (FLOPs). Hasil studi menunjukkan bahwa model YOLOv9 secara konsisten memberikan performa deteksi paling presisi, terutama unggul dalam melokalisasi batas-batas plat nomor yang kecil atau buram. Keunggulan ini disebabkan oleh kemajuan arsitektur seperti Generalized Attention yang efektif. Meskipun demikian, YOLOv8 menawarkan efisiensi pemrosesan tertinggi, memberikan solusi real-time yang cepat dengan akurasi yang tetap sangat baik. Kesimpulan ini menyajikan rekomendasi teknis yang jelas bagi pengembang sistem di Indonesia, membantu menyeimbangkan kebutuhan akan akurasi tertinggi dengan batasan sumber daya komputasi di lapangan.