diff --git a/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/generate_tfrecord.py b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/generate_tfrecord.py
new file mode 100644
index 0000000..f90948f
--- /dev/null
+++ b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/generate_tfrecord.py	
@@ -0,0 +1,149 @@
+
+# Import Library
+from __future__ import division
+from __future__ import print_function
+from __future__ import absolute_import
+
+# untuk mengatur lokasi path
+import os
+
+# dalam script ini digunakan untuk konversi image kedalam format byte
+import io
+
+# untuk mengolah csv
+import pandas as pd
+
+# untuk generate tfrecord
+import tensorflow as tf
+
+# untuk mengolah/read data image
+from PIL import Image
+
+# dalam script ini digunakan untuk transformasi setiap value yg akan dijadikan tfrecord
+from object_detection.utils import dataset_util
+
+# untuk keperluan mengolah array, list, dict
+from collections import namedtuple, OrderedDict
+
+
+# parsing parameter dari command python (train/test, data csv, path output untuk tfrecord)
+flags = tf.app.flags
+flags.DEFINE_string('type', '', 'Type of CSV input (train/test)')
+flags.DEFINE_string('csv_input', '', 'Path to the CSV input')
+flags.DEFINE_string('output_path', '', 'Path to output TFRecord')
+FLAGS = flags.FLAGS
+# ---------------------------------------------------------------------
+
+
+# Translasi nama kelas dalam bentuk text ke bentuk indeks integer
+def class_text_to_int(row_label):
+    if row_label == 'plate':
+        return 1
+    else:
+        None
+# ---------------------------------------------------------------------
+
+
+# untuk memisahkan data csv yg terbaca kedalam beberapa kolom (delimiter)
+def split(df, group):
+    data = namedtuple('data', ['filename', 'object'])
+    gb = df.groupby(group)
+    return [data(filename, gb.get_group(x)) for filename, x in zip(gb.groups.keys(), gb.groups)]
+# ---------------------------------------------------------------------
+
+
+# Fungsi untuk menghasilkan tf record
+def create_tf_example(group, path):
+    # membaca file image
+    with tf.gfile.GFile(os.path.join(path, '{}'.format(group.filename)), 'rb') as fid:
+        encoded_jpg = fid.read()
+    encoded_jpg_io = io.BytesIO(encoded_jpg)
+    image = Image.open(encoded_jpg_io)
+    # -----------------------------------------------------------------    
+
+    # mendapatkan ukuran image
+    width, height = image.size
+
+    # mendapatkan nama file dari image
+    filename = group.filename.encode('utf8')
+    image_format = b'jpg'
+
+    # inisialisasi list
+    xmins = []
+    xmaxs = []
+    ymins = []
+    ymaxs = []
+    classes_text = []
+    classes = []
+    # -----------------------------------------------------------------    
+
+
+    # untuk setiap box pada image lakukan berikut,..
+    for index, row in group.object.iterrows():
+        # konversi setiap koordinat dari box dari pixel ke domain 0 - 1
+        xmins.append(row['xmin'] / width)
+        xmaxs.append(row['xmax'] / width)
+        ymins.append(row['ymin'] / height)
+        ymaxs.append(row['ymax'] / height)
+        # -----------------------------------------------------------------
+
+        # Menyimpan nama kelas kedalam list dalam bentuk text
+        classes_text.append(row['class'].encode('utf8'))
+
+        # Menyimpan nama kelas kedalam list dalam bentuk index integer
+        classes.append(class_text_to_int(row['class']))
+    
+
+    # -----------------------------------------------------------------        
+
+    # konversi ke tfrecord menggunakan fungsi tensorflow
+    tf_example = tf.train.Example(features=tf.train.Features(feature={
+        'image/height': dataset_util.int64_feature(height),
+        'image/width': dataset_util.int64_feature(width),
+        'image/filename': dataset_util.bytes_feature(filename),
+        'image/source_id': dataset_util.bytes_feature(filename),
+        'image/encoded': dataset_util.bytes_feature(encoded_jpg),
+        'image/format': dataset_util.bytes_feature(image_format),
+        'image/object/bbox/xmin': dataset_util.float_list_feature(xmins),
+        'image/object/bbox/xmax': dataset_util.float_list_feature(xmaxs),
+        'image/object/bbox/ymin': dataset_util.float_list_feature(ymins),
+        'image/object/bbox/ymax': dataset_util.float_list_feature(ymaxs),
+        'image/object/class/text': dataset_util.bytes_list_feature(classes_text),
+        'image/object/class/label': dataset_util.int64_list_feature(classes),
+    }))
+    # -----------------------------------------------------------------
+
+
+    return tf_example
+# ---------------------------------------------------------------------
+
+
+
+def main(_):
+    # menyiapkan variable untuk menyimpan tf record kedalam bentuk file
+    writer = tf.python_io.TFRecordWriter(FLAGS.output_path) 
+
+    # inisialisasi path, apakah untuk path data train atau data test
+    path = os.path.join(os.getcwd(), 'images/{}'.format(FLAGS.type))
+
+    # membaca file csv
+    examples = pd.read_csv(FLAGS.csv_input)
+    
+    # memisahkan setiap kolom yg terbaca dari data csv
+    grouped = split(examples, 'filename')
+
+    # mengolah tfrecord lalu menyimpannya kedalam bentuk file .tfrecord
+    for group in grouped:
+        tf_example = create_tf_example(group, path)
+        writer.write(tf_example.SerializeToString())
+    writer.close()
+    # -----------------------------------------------------------------
+
+    # menampilkan lokasi file .tfrecord
+    output_path = os.path.join(os.getcwd(), FLAGS.output_path)
+    print('Successfully created the TFRecords: {}'.format(output_path))
+    # -----------------------------------------------------------------
+
+
+if __name__ == '__main__':
+    tf.app.run()
\ No newline at end of file
diff --git a/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_image.py b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_image.py
new file mode 100644
index 0000000..0fe105b
--- /dev/null
+++ b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_image.py	
@@ -0,0 +1,69 @@
+#import library
+import numpy as np
+import cv2
+from detector import detector
+from imutils import paths
+import os
+import time
+
+#import plot_cv dari folder utils
+from utils import plot_cv
+
+#variabel det untuk memanggil class detector
+det = detector.detector()
+
+#mengatur path lukasi image yang akan di testing
+image_folder = 'test_image'
+
+#menyimpan file test image
+imageNames = os.listdir(image_folder)
+
+#nama class  
+name_class = ["plate"]
+
+# mengulang pada setiap image yang ada pada folder 
+for imageName in imageNames:
+
+    #membaca file gambar
+    image = cv2.imread(image_folder + '/' + imageName)
+    
+    #untuk ngedetek lokasi kotak pada gambar 
+    (boxes, scores, classes, num, dump ) = det.detect_plate(image)
+
+    #jika dalam gambar tidak ditemukan box maka next
+    if len(boxes) == 0:
+        print('skip detection')
+        continue 
+
+    #get ukuran gambar original
+    h, w = image.shape[:2] 
+    boxes = boxes[0]
+    scores = scores[0]
+    classes = classes[0]
+
+    #untuk filter box mana yang akan ditampilan
+    for box, score, class_idx in zip(boxes, scores, classes):
+        (startY, startX, endY, endX) = box
+        #koordinat box
+        startX = int(startX * w)
+        startY = int(startY * h)
+        endX = int(endX * w)
+        endY = int(endY * h)
+        #koordinat box yang di dapat
+        box = (startX, startY, endX, endY)
+        #untuk menampilkan persentase confidence rate dalam %
+        text = name_class[int(class_idx-1)] + " " + str(int(score * 100)) + "%"
+        #jika score lebih besar dari 0,7 maka box akan ditampilkan
+        if score > 0.7:
+            image = plot_cv.plot_object(image, box, text, int(class_idx-1))
+
+    #  Semua hasil telah diambil pada gambar. Sekarang tampilkan gambar.
+    cv2.namedWindow("plate detector", cv2.WINDOW_KEEPRATIO)
+    cv2.setWindowProperty("plate detector", cv2.WND_PROP_ASPECT_RATIO, cv2.WINDOW_KEEPRATIO)
+    cv2.imshow('plate detector', image)
+
+    # tekan apapun untuk menutup gambar
+    cv2.waitKey(0)
+
+# Menutup window
+cv2.destroyAllWindows()
diff --git a/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_video.py b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_video.py
new file mode 100644
index 0000000..101a94a
--- /dev/null
+++ b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_video.py	
@@ -0,0 +1,71 @@
+#import library
+import numpy as np
+import cv2
+from detector import detector
+from imutils import paths
+import os
+import time
+
+#import plot_cv dari folder utils
+from utils import plot_cv
+
+#untuk notifikasi 
+print("[INFO] starting video stream...")
+
+#untuk mengatur path pada file yang akan di test
+vs = cv2.VideoCapture('test_image/testing_vidio.mp4')
+#melakukan jeda
+time.sleep(2.0)
+
+#variabel det untuk memanggil class detector
+det = detector.detector()
+
+#nama class
+name_class = ["plate"]
+
+# Mengulang setiap gambar
+while True:
+
+    #print(imageName)
+    ret, image = vs.read()
+    #untuk mendetek
+    (boxes, scores, classes, num, category_index) = det.detect_plate(image)
+    #jika box tidak ada maka next
+    if len(boxes) == 0:
+        print('skip detection')
+        continue
+    #ukuran gambar original
+    h, w = image.shape[:2]
+    boxes = boxes[0]
+    scores = scores[0]
+    classes = classes[0]
+
+    #untuk filter box mana yang akan ditampilan
+    for box, score, class_idx in zip(boxes, scores, classes):
+        (startY, startX, endY, endX) = box
+        #koordinat box dikali dengan lebar dan tinggi gambar
+        startX = int(startX * w)
+        startY = int(startY * h)
+        endX = int(endX * w)
+        endY = int(endY * h)
+        #koordinat box yang di dapat
+        box = (startX, startY, endX, endY)
+        #untuk menampilkan persentase confidence rate dalam %
+        text = name_class[int(class_idx-1)] + " " + str(int(score * 100)) + "%"
+        #jika score lebih besar dari 0,7 maka box akan ditampilkan
+        if score > 0.7:
+            image = plot_cv.plot_object(image, box, text, int(class_idx-1))
+  
+    # Semua hasil telah diambil pada gambar. Sekarang tampilkan gambar.
+    cv2.namedWindow("Plate detector", cv2.WINDOW_KEEPRATIO)
+    cv2.setWindowProperty("Plate detector", cv2.WND_PROP_ASPECT_RATIO, cv2.WINDOW_KEEPRATIO)
+    cv2.imshow('Plate detector', image)
+
+    # tekan apapun untuk menutup gambar
+    key = cv2.waitKey(1) & 0xFF
+
+    # jika menekan q maka proses loop berhenti
+    if key == ord("q"):
+        break
+# Menutup window
+cv2.destroyAllWindows()
diff --git a/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_webcam.py b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_webcam.py
new file mode 100644
index 0000000..34db95a
--- /dev/null
+++ b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/Object_detection_webcam.py	
@@ -0,0 +1,76 @@
+#import library
+import numpy as np
+import cv2
+from detector import detector
+from imutils import paths
+import os
+import time
+
+#import plot_cv dari folder utils
+from utils import plot_cv
+
+#untuk notifikasi 
+print("[INFO] starting video stream...")
+
+#untuk mengaktifkan camera
+vs = cv2.VideoCapture(0, cv2.CAP_DSHOW)
+
+#mengatur ukuran camera
+vs.set(cv2.CAP_PROP_FRAME_WIDTH, 1080)
+vs.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)
+
+#melakukan jeda
+time.sleep(2.0)
+
+#variabel det untuk memanggil class detector
+det = detector.detector()
+
+#nama class
+name_class = ["plate"]
+
+# Mengulang setiap gambar
+while True:
+
+    #print(imageName)
+    ret, image = vs.read()
+    #untuk mendetek
+    (boxes, scores, classes, num, category_index) = det.detect_plate(image)
+    #jika box tidak ada maka next
+    if len(boxes) == 0:
+        print('skip detection')
+        continue
+    #ukuran gambar original
+    h, w = image.shape[:2]
+    boxes = boxes[0]
+    scores = scores[0]
+    classes = classes[0]
+
+    #untuk filter box mana yang akan ditampilan
+    for box, score, class_idx in zip(boxes, scores, classes):
+        (startY, startX, endY, endX) = box
+        #koordinat box dikali dengan lebar dan tinggi gambar
+        startX = int(startX * w)
+        startY = int(startY * h)
+        endX = int(endX * w)
+        endY = int(endY * h)
+        #box yang di dapat
+        box = (startX, startY, endX, endY)
+        #untuk menampilkan persentase confidence rate dalam %
+        text = name_class[int(class_idx-1)] + " " + str(int(score * 100)) + "%"
+        #jika score lebih besar dari 0,7 maka box akan ditampilkan
+        if score > 0.7:
+            image = plot_cv.plot_object(image, box, text, int(class_idx-1))
+
+    # Semua hasil telah diambil pada gambar. Sekarang tampilkan gambar.
+    cv2.namedWindow("plate detector", cv2.WINDOW_KEEPRATIO)
+    cv2.setWindowProperty("plate detector", cv2.WND_PROP_ASPECT_RATIO, cv2.WINDOW_KEEPRATIO)
+    cv2.imshow('plate detector', image)
+
+    # tekan apapun untuk menutup gambar
+    key = cv2.waitKey(1) & 0xFF
+
+    # jika menekan q maka proses loop berhenti
+    if key == ord("q"):
+        break
+# Menutup window
+cv2.destroyAllWindows()
diff --git a/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/detector.py b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/detector.py
new file mode 100644
index 0000000..38a92f9
--- /dev/null
+++ b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/detector.py	
@@ -0,0 +1,70 @@
+# Import library
+import os
+import cv2
+import numpy as np
+import tensorflow as tf
+import sys
+
+
+# untuk path folder sistem object detection
+sys.path.append("..")
+
+#class detector
+class detector:
+#inisialisasi var
+    def __init__(self):
+        #nyari lokasi folder detector
+        folder_detector = 'detector'
+
+        # Mengarahkan path ke frozen.pb yang berisikan model yang 
+        # kan digunakan untuk sistem objek deteksi
+        PATH_TO_CKPT = os.path.sep.join([folder_detector, 'frozen_inference_graph.pb'])
+
+        # mengarahkan path ke labelmap.pbtxt untuk mengetahui jumlah class
+        PATH_TO_LABELS = os.path.sep.join([folder_detector, 'labelmap.pbtxt'])
+
+        # Jumlah kelas yang bisa diidentifikasi oleh objek detektor adalah 1 yaitu plate
+        NUM_CLASSES = 1
+
+        # Muat model Tensorflow ke dalam memori untuk persiapkan sessios tersorflow.
+        # session ini yang dipanggil sama detector
+        self.detection_graph = tf.Graph()
+        with self.detection_graph.as_default():
+            od_graph_def = tf.GraphDef()
+            with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:
+                serialized_graph = fid.read()
+                od_graph_def.ParseFromString(serialized_graph)
+                tf.import_graph_def(od_graph_def, name='')
+
+            self.sess = tf.Session(graph=self.detection_graph)
+
+        # inisialisasi variabel untuk penyimpanan sementara saat testing
+        # Tetapkan tensor input dan output (mis. Data) untuk classifier deteksi objek Input tensor adalah gambar
+        self.image_tensor = self.detection_graph.get_tensor_by_name('image_tensor:0')
+
+        # Output tensor adalah kotak deteksi, skor, dan kelas
+        # Setiap kotak mewakili bagian dari gambar di mana objek tertentu terdeteksi
+        self.detection_boxes = self.detection_graph.get_tensor_by_name('detection_boxes:0')
+
+        # Setiap skor mewakili tingkat kepercayaan untuk masing-masing objek.
+        # Skor ditampilkan pada gambar hasil, bersama dengan label kelas.
+        self.detection_scores = self.detection_graph.get_tensor_by_name('detection_scores:0')
+        self.detection_classes = self.detection_graph.get_tensor_by_name('detection_classes:0')
+
+        # Jumlah objek yang terdeteksi
+        self.num_detections = self.detection_graph.get_tensor_by_name('num_detections:0')
+
+    def detect_plate(self, frame):
+
+        image_expanded = np.expand_dims(frame, axis=0)
+
+        # Disini deteksi sebenarnya dilakukan dengan menjalankan model dengan gambar sebagai input
+        (boxes, scores, classes, num) = self.sess.run(
+            [self.detection_boxes, self.detection_scores, self.detection_classes, self.num_detections],
+            feed_dict={self.image_tensor: image_expanded})
+        return (boxes, scores, classes, num, None)
+
+
+
+
+
diff --git a/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/frozen_inference_graph.pb b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/frozen_inference_graph.pb
new file mode 100644
index 0000000..2691fc3
Binary files /dev/null and b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/frozen_inference_graph.pb differ
diff --git a/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/labelmap.pbtxt b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/labelmap.pbtxt
new file mode 100644
index 0000000..0a269d7
--- /dev/null
+++ b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/detector/labelmap.pbtxt	
@@ -0,0 +1,4 @@
+item {
+  id: 1
+  name: 'plate'
+}
\ No newline at end of file
diff --git a/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/utils/plot_cv.py b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/utils/plot_cv.py
new file mode 100644
index 0000000..c1188c0
--- /dev/null
+++ b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/plate_detection/utils/plot_cv.py	
@@ -0,0 +1,47 @@
+#import library
+import cv2
+import datetime
+import numpy as np
+
+#var ploot_object berisi frame, box, text dan warna
+def plot_object(frame, box, text, idx_color):
+    #untuk warna RGB
+    color_bgr = (0, 147, 0)
+    overlay = frame.copy()
+    #ukuran Gambar 
+    (H, W) = frame.shape[:2]
+    #untuk ketebalan box , w gambar dibagi 400
+    box_border = int(W / 400)
+    #koordinat box
+    (startX, startY, endX, endY) = box
+    y = startY - 10 if startY - 10 > 10 else startY + 10
+    yBox = y + 5
+    #index warna hijau
+    cv2.rectangle(overlay, (startX, startY), (endX, endY),
+                  (255, 255, 255), box_border+4)
+    #untuk kotak text
+    cv2.rectangle(overlay, (startX, startY), (endX, endY),
+                  color_bgr, box_border+2)
+   
+    font = cv2.FONT_HERSHEY_SIMPLEX
+
+    # make a black image
+    img = np.zeros((500, 500))
+    # set some text
+    # get the width and height of the text box
+    (text_width, text_height) = cv2.getTextSize(text, font, fontScale=(0.4*box_border), thickness=box_border)[0]
+    # set the text start position
+    text_offset_x = startX
+    text_offset_y = y
+    # make the coords of the box with a small padding of two pixels
+    box_coords = ((text_offset_x, text_offset_y), (text_offset_x + text_width + 2, text_offset_y - text_height - 2))
+    cv2.rectangle(overlay, box_coords[0], box_coords[1], color_bgr, cv2.FILLED)
+    cv2.putText(overlay, text, (text_offset_x, text_offset_y), font, fontScale=0.70, color=(255, 255, 255), thickness=2)
+
+
+    alpha = 1  # Transparency factor.
+
+    # Following line overlays transparent rectangle over the image
+    frame = cv2.addWeighted(overlay, alpha, frame, 1 - alpha, 0)
+
+    return frame
\ No newline at end of file
diff --git a/Deteksi Plat Nomor/xml_to_csv.py b/Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/xml_to_csv.py
similarity index 100%
rename from Deteksi Plat Nomor/xml_to_csv.py
rename to Deteksi Plat Nomor Dengan Faster RCNN & SSD MobileNet/xml_to_csv.py