Penelitian yang dilakukan yaitu pengembangan sistem deteksi dan rekognisi pelat nomor kendaraan. Tujuan penelitian yaitu untuk menghasilkan model sistem deteksi dan rekognisi yang memadai untuk pelat nomor kendaraan yang berlatar hitam maupun berlatar putih sesuai kebijakan pada Agustus 2022. Penelitian menggunakan algoritma YOLOv3 untuk deteksi pelat nomor kendaraan karena kehandalannya mendeteksi objek menggunakan IoU. Sementara untuk rekognisi karakter menggunakan algoritma CNN karena kemampuannya untuk melakukan OCR. Selain itu, pengaruh datasets dibandingkan dalam kinerja model. Dari pelatihan YOLOv3 menggunakan 282 gambar, dihasilkan akurasi 74,39%, presisi 83%, recall 69,9%, F1 score 74%, dan average IoU 64,74%. Sementara pada pelatihan dengan 857 gambar dihasilkan akurasi 94,37%, presisi 98%, recall 90%, F1 score 94%, dan average IoU 75,01%. Ketika pengujian model menggunakan hasil pelatihan kedua diperoleh akurasi 87,142%, recall 87,5%, presisi 98,245%, dan F1 score 92,561%. Pelatihan CNN menggunakan 11.444 gambar dihasilkan akurasi data latih 92,52% dan data validasi 95,76%. Sementara pelatihan CNN dengan 17.774 gambar, dihasilkan akurasi data latih 99,82% dan data validasi 98,79%. Pada pengujian rekognisi karakter menggunakan hasil pelatihan CNN kedua dihasilkan rata-rata keberhasilan rekognisi karakter pada tiap pelat warna hitam 92,975% dan warna putih 96,814% smentara untuk keberhasilan rekognisi pelat untuk pelat berlatar hitam 60% dan berlatar putih 80%.