Dalam beberapa tahun terakhir, pengembangan sistem Automatic License Plate Recognition (ALPR) berbasis deep learning telah menjadi fokus penelitian aktif dalam bidang visi komputer. Namun, dataset ALPR umumnya dikembangkan pada skenario ideal, seperti citra dengan satu pelat nomor kendaraan, variasi lingkungan yang terbatas, dan orientasi pelat yang seragam. Keterbatasan ini umumnya menyebabkan penurunan kinerja sistem ketika diterapkan pada skenario nyata yang lebih kompleks. Untuk mengatasi masalah ini, penelitian ini memperkenalkan dataset ALPR baru yang dirancang khusus untuk merepresentasikan skenario yang lebih mewakili berbagai kondisi pengambilan citra di Indonesia. Kompleksitas dataset ini menghadirkan tantangan baru, seperti peningkatan ketidakpastian deteksi akibat variasi latar belakang dan pencahayaan, serta tantangan pengenalan karakter karena orientasi pelat nomor yang tidak seragam. Untuk mengatasi tantangan tersebut, penelitian ini menggunakan YOLOv7 yang mengintegrasikan teknik lanjutan berupa pendekatan Gaussian untuk mengurangi kesalahan deteksi, dan pendekatan deteksi pelat nomor kendaraan terorientasi menggunakan teknik Circular Smooth Label (CSL). Selain itu, metode paska-pemrosesan diimplementasikan untuk meningkatkan akurasi pengenalan karakter. Berdasarkan eksperimen yang dilakukan, algoritma Gaussian-YOLOv7 yang diusulkan 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.

---

In recent years, deep-learning-based Automatic License Plate Recognition (ALPR) systems have become a prominent research focus within the field of computer vision. However, most ALPR datasets generally focus on ideal scenarios, such as images containing a single license plate, limited environmental variations, and uniform orientations. These limitations often lead to reduced system performance when applied to more complex and diverse real-world scenarios. Therefore, this study introduces a novel ALPR dataset specifically designed to represent diverse image capture scenarios in Indonesia. This dataset introduces new challenges, such as increased detection uncertainty caused by variations in background and lighting conditions, as well as difficulties in character recognition due to non-uniform plate orientations. To overcome these challenges, this study employs YOLOv7, which integrates advanced techniques, such as a Gaussian-based approach to reduce detection errors and an oriented object detection strategy employing the Circular Smooth Label (CSL) technique. Additionally, post-processing methods are implemented to improve character recognition accuracy. Based on experimental results, the proposed Gaussian-YOLOv7 algorithm significantly improves ALPR system accuracy, achieving a detection F1-score of 0.887 and a recognition similarity of 0.971. These findings demonstrate the effectiveness of the proposed dataset in representing real-world complexities while validating the system’s capability to generalize across diverse scenarios.