Meningkatnya jumlah kendaraan terutama kendaraan roda empat pada kota-kota besar menimbulkan permasalahan lalu lintas tak terkecuali pada jalan tol. Dengan proses transaksi yang cepat pada gerbang masuk jalan tol, dapat mengurangi antrian kemacetan lalu lintas. Untuk itu dibutuhkan aplikasi pengolahan citra pengenalan karakter plat nomor kendaraan. Pada penelitian ini dilakukan pembuatan aplikasi pengenalan karakter plat nomor pada citra kendaraan mulai dari proses deteksi lokasi plat menggunakan background substraction. Selanjutnya proses segmentasi tiap karakter dan proses terakhir adalah pengenalan karakter nomor plat menggunakan area-based features extraction. Data yang digunakan dalam penelitian ini adalah 50 citra kendaraan dengan masing-masing memiliki 3 jarak yaitu 50 cm, 75 cm dan 100 cm. Hasil uji coba penelilian ini menunjukkan tingkat akurasi terbaik pada skenario 1 dengan jarak 50 cm dengan akurasi deteksi letak plat nomor sebesar 94%, akurasi segmentasi karakter terbaik sebesar 89,58% dan 82,59% untuk akurasi pengenalan karakter.

The increasing number of vehicles, especially four-wheeled vehicles in big cities, raises traffic problems, including toll roads. With a fast transaction process at the entrance of the toll road, it can reduce the queue of traffic congestion. For this reason, it is necessary to use a vehicle number character recognition image processing application. In this study an application for number plate character recognition was made on vehicle images starting from the plate detection process using background substraction. Furthermore, the segmentation process of each character and the last process is number plate character recognition using area-based features extraction. The data used in this study were 50 vehicle images with each of them having 3 distances namely 50 cm, 75 cm and 100 cm. The results of this study show the best accuracy in scenario 1 with a distance of 50 cm with the accuracy of number plate location detection of 94%, the best character segmentation accuracy of 89.58% and 82.59% for accuracy of character recognition.