Nama : Juan Thomas Wijaya Program Studi : Magister Ilmu Komputer Judul : Pengembangan Dataset Deteksi dan Pengenalan Pelat Nomor Kendaraan Indonesia dengan Benchmarking Menggunakan Gaussian-YOLOv7 Pembimbing : Prof. Dr. Ir. Aniati Murni Arymurthy, M.Sc. Dalam beberapa tahun terakhir, pengembangan sistem Automatic License Plate Recognition (ALPR) berbasis deep learning telah menjadi fokus penelitian aktif dalam bidang visi komputer. Sistem ini telah memberikan kontribusi signifikan terutama dalam aplikasi seperti pengawasan lalu lintas, manajemen parkir, dan penegakan hukum lalu lintas elektronik. Namun, dataset ALPR yang ada umumnya hanya berfokus pada skenario ideal, seperti citra dengan satu pelat nomor kendaraan, variasi lingkungan yang terbatas, dan orientasi pelat yang seragam. Keterbatasan ini sering kali menyebabkan penurunan kinerja sistem ketika diterapkan pada skenario nyata yang lebih kompleks dan beragam. Untuk mengatasi masalah ini, penelitian ini memperkenalkan dataset ALPR baru yang dirancang khusus untuk merepresentasikan skenario yang lebih mewakili berbagai kondisi pengambilan citra yang beragam di Indonesia. Kompleksitas dataset ini menghadirkan tantangan baru, seperti peningkatan ketidakpastian dalam deteksi akibat variasi latar belakang dan pencahayaan, serta kesulitan dalam pengenalan karakter karena orientasi pelat nomor yang tidak seragam. Untuk mengatasi tantangan ini, penelitian ini menggunakan YOLOv7 sebagai dasar pengembangan dan mengintegrasikan teknik lanjutan berupa pendekatan Gaussian untuk menangani ketidakpastian dan mengurangi kesalahan deteksi, dan pendekatan deteksi objek terorientasi menggunakan teknik Circular Smooth Label (CSL) untuk deteksi pelat nomor pada orientasi yang bervariasi. Selain itu, metode paska-pemrosesan yang disesuaikan dengan karakteristik spesifik pelat nomor kendaraan Indonesia diimplementasikan untuk meningkatkan akurasi pengenalan karakter. Berdasarkan eksperimen yang dilakukan, algoritma Gaussian-YOLOv7 yang diusulkan dengan integrasi pendekatan deteksi terorientasi dan teknik post-processing secara signifikan meningkatkan akurasi sistem ALPR, dengan F1-score deteksi sebesar 0,887 dan recognition similarity sebesar 0,971. Hasil ini menunjukkan efektivitas dataset dalam merepresentasikan kompleksitas dunia nyata, sekaligus memvalidasi kemampuan sistem untuk melakukan generalisasi pada berbagai skenario.