Bab 2 Landasan Teori

BAB II

LANDASAN TEORI

Pada bab ini menjelaskan teori-teori tentang konsep dasar dari

pemrosesan citra digital (digital image processing), teori yang mendukung proses

pengenalan plat nomor kendaraan seperti teori Sliding Concentric Window

(SCW), Sauvola Thesholding, Connected Component Analysis (CCA), metode

Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ). Kemudian teori

tentang plat nomor kendaraan yang berlaku di Indonesia juga akan dijelaskan di

sini.

2.1. Computer Vision

Computer vision adalah ilmu dan metode aplikasi dalam

menggunakan komputer untuk memahami isi citra (image content). Area

permasalahan dalam computer vision adalah pengukuran dan pemrosessan,

yang dapat dilakukan dengan berbagai metode.

Dengan computer vision, objek fisik nyata dan pemandangan

berdasarkan citra yang didapat dari sensor akan dapat menghasilkan

keputusan yang berguna. Computer vision ingin membangun sebuah mesin

cerdas yang mampu melihat dan mendeteksi sebuah objek, tentunya hal ini

tidaklah mustahil. Ada berbagai contoh dari aplikasi computer vision seperti

Human Computer Interaction (HCI), Object Identification, dan

Recognation.

Dalam mengambil keputusan tentang objek nyata, ternyata selalu

dibutuhkan untuk membangun beberapa deskripsi atau model objek-objek

tersebut dari gambar yang ada. Oleh karena itu, banyak para ahli berkata

bahwa tujuan dari computer vision adalah konstruksi dari deskripsi

pemandangan yang diambil dari gambar yang diperoleh. Beberapa area

permaslahan computer vision adalah sebagai berikut:

1. Recognation/Pengenalan bertujuan mengenali objek data citra,

aplikasinya seperti Content Based Image Retrieval (CBIR), Optical

Character Recognition (OCR).

6

2. Motion/gerakan bertujuan mengenali data citra bergerak. Aplikasinya

seperti Egomotion yang membagi gerakan 3D dari kamera, Tracking

yang memperkirakan satu atau beberapa objek dalam citra bergerak

3. Restorasi citra, bertujuan untuk mendapatkan data citra, citra bergerak

atau objek 3D tanpa noise.

2.2. Digital Image Processing

Pengolahan citra digital merupakan proses yang bertujuan untuk

memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan

citra digital dapat dikelompokkan dalam dua jenis kegiatan :

1. Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah

diinterpretasi oleh mata manusia.

2. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan

pengenalan objek secara otomatis.

Bidang aplikasi kedua yang sangat erat hubungannya dengan ilmu

pengetahuan pola (pattern recognition) yang umumnya bertujuan mengenali

suatu objek dengan cara mengekstrak informasi penting yang terdapat pada

suatu citra. Bila pengenalan pola dihubungkan dengan pengolahan citra,

diharapkan akan terbentuk suatu sistem yang dapat memproses citra

masukan sehingga citra tersebut dapat dikenali polanya. Proses ini disebut

pengenalan citra atau image recognition. Proses pengenalan citra ini sering

diterapkan dalam kehidupan sehari-hari.

Pengolahan citra dan pengenalan pola menjadi bagian dari proses

pengenalan citra. Kedua aplikasi ini akan saling melengkapi untuk

mendapatkan ciri khas dari suatu citra yang hendak dikenali. Secara umum

tahapan pengolahan citra digital meliputi akusisi citra, peningkatan kualitas

citra, segmentasi citra, representasi dan uraian, pengenalan dan interpretasi.

a. Akusisi citra

Pengambilan data dapat dilakukan dengan menggunakan berbagai

media seperti kamera analog, kamera digital, handycamp, scanner,

7

optical reader dan sebagainya. Citra yang dihasilkan belum tentu data

digital, sehingga perlu didigitalisasi.

b. Peningkatan kualitas citra

Pada tahap ini dikenal dengan pre-processing dimana dalam

meningkatkan kualitas citra dapat meningkatkan kemungkinan dalam

keberhasilan pada tahap pengolahan citra digital berikutnya.

c. Segmentasi Citra

Segmentasi bertujuan untuk memilih dan mengisolasikan (memisahkan)

suatu objek dari keseluruhan citra. Terdapat macam-macam segmentasi

seperti downsampling, penapisan, deteksi tepian, sliding consentric

window, dan lain sebagainya.

d. Representasi dan Uraian

Representasi mengacu pada data konversi dari hasil segmentasi ke

bentuk yang lebih sesuai untuk proses pengolahan pada komputer.

Setelah data telah direpresentasikan ke bentuk tipe yang lebih sesuai,

tahap selanjutnya adalah menguraikan data.

e. Pengenalan dan Interpretasi

Pengenalan pola tidak hanya bertujuan untuk mendapatkan citra dengan

suatu kualitas tertentu, tetapi juga untuk mengklasifikasikan bermacam-

macam citra. Dari sejumlah citra diolah sehingga citra dengan ciri yang

sama akan dikelompokkan pada suatu kelompok tertentu. Interpretasi

meliputi penekanan dalam mengartikan objek yang dikenali.

8

2.2.1. Jenis Citra

a. Citra RGB

(a)

(b) (c) (d)

Gambar 2.1 Citra RGB, (a) citra original, (b) layer red, (c) layer

green, (d) layer blue

Citra RGB adalah citra yang terdiri dari 3 layer yaitu layer Red

(merah), layer Green (hijau), dan layer Blue (biru). Pada setiap

layernya memiliki intensitas antara 0-256. Sehingga misalnya

gambar RGB pada piksel ke x,y adalah 128, nilai 128 adalah nilai

kombinasi dari layer R, G, dan B.

b. Citra Grayscale

(a) (b)

Gambar 2.2 Citra Grayscale, (a) citra original, (b) citra

grayscale

Pada citra grayscale ini hanya memiliki 1 layer saja dengan

intensitas warna dari 0-256. Semakin mendekati 0, warna akan

semakin gelap. Namun jika mendekati 256, maka warna semakin

terang. Representasi citra grayscale adalah warna hitam-keabuan-

putih.

9

c. Citra Biner

Citra biner adalah citra yang memiliki warna hitam dan putih

saja. Nilai piksel untuk hitam adalah 0, sedangkan putih adalah 1.

Citra biner sering disebut juga dengan citra B&W (black &

white) atau citra monokrom. Berikut adalah contoh citra biner.

(a) (b)

Gambar 2.3 Citra Biner, (a) citra original, (b) citra biner

d. Citra negatif

Sebuah citra positif adalah gambar normal. Sebuah gambar

negatif adalah pembalikan total citra positif, di mana akan

muncul bidang gelap dan sebaliknya. Terdapat kondisi-kondisi

pada citra dengan warna negatif yaitu pada daerah merah muncul

warna cyan, magenta muncul warna hijau, dan biru muncul

kuning. Hal ini kadang-kadang dapat memiliki efek sebaliknya

dan menyebabkan hijau muncul cokelat kemerahan.

(a) (b)

Gambar 2.4 Citra Negatif, (a) citra original, (b) citra negatif

2.2.2. Image Morphology

Macam-macam morfologi dalam pengolahan citra antara lain:

a. Erosi (Erosion), adalah operasi untuk memperkecil daerah citra.

Sebelum melakukan erosi maupun dilasi, yang perlu diketahui

adalah jenis struktur elemen yang digunakan. Struktur elemen

10

(strel) sendiri adalah himpunan sub-image kecil yang digunakan

untuk meneliti citra dalam pembelajaran propertinya. Biasanya

ditandai dengan titik hitam. Jika tidak ada tanda titik hitam maka

diasumsikan origin berada di pusat simetri karena origin tidak

selalu berada di tengah, bisa berada di pinggir strel.

Gambar 2.5 Operasi Erosi

b. Dilasi (Dilation), adalah operasi untuk memperluas daerah citra.

Gambar 2.6 Operasi Dilasi

11

Dilasi ini sangat berguna ketika diterapkan dalam objek-

objek yang terputus dikarenakan hasil pengambilan citra yang

terganggu oleh noise, kerusakan objek fisik yang dijadikan citra

digital, atau disebabkan resolusi yang jelek, misalnya teks pada

kertas yang sudah agak rusak sehingga bentuk hurufnya

terputus, dan sebagainya.

c. Opening, operasi dilasi yang dilakukan setelah erosi.

d. Closing, operasi erosi yang dilakukan setelah dilasi.

Morfologi closing dan opening merupakan morfologi yang

memanfaatkan operasi erosi dan dilasi. Sehingga bisa dikatakan

bahwa operasi erosi dan dilasi adalah dasar untuk melakukan

operasi closing dan opening. Gambar berikut ini adalah contoh hasil

operasi erosi, dilasi, closing dan opening.

(a) (b) (c) (d) (e) Source:http://www.dspguide.com/ch25/4.htm

Gambar 2.7 Morfologi Citra, (a) citra asli, (b) citra erosi, (c) citra

dilasi, (d) citra opening, (e) citra closing

e. Resize, mengubah ukuran gambar.

Resize memiliki bermacam-macam cara, 3 diantaranya adalah:

1. Nearest_Neighbour : konsepnya adalah menggantikan setiap

piksel dengan 4 piksel dengan warna yang sama. Hasil dari

resize ini menunjukkan bentuk karakteristik tangga.

2. Bilinier Interpolation : metode ini membuat perubahan

ukuran citra dengan hasil yang lebih halus dan lebih baik dari

metode Nearest_Neighbour, namun masih sedikit bergerigi.

12

Bagian yang lebih halus ini terkadang malah menjadi

kelemahannya.

3. Bicubic Interpolation : metode ini mengubah ukuran citra

dengan tetap mempertahankan detail dan mempertajam citra.

Metode ini paling baik diantara ketiga metode resize.

(a) (b) (c)

Gambar 2.8 Resize 3 Metode, (a) nearest-Neighbour, (b) Bilinier

Interpolation, (c) Bicubic Interpolation

f. Crop, memotong gambar pada area tertentu.

2.2.3. Labeling

Metode pelabelan suatu citra adalah memberikan label pada

objek citra sesuai jenis koneksi ketetanggaannya (pixel connectivity).

Koneksi ketetanggaan tersebut terdapat 2 macam yaitu:

a. Ketetanggaan 4 koneksi (Neighbour 4-connectivity)

Cara ini mengambil 4 piksel ketetanggaan/4 arah ketetanggaan

pada piksel X(x,y) yaitu 1 piksel tepat di atas X (X(x-1, y)), di

bawah X (X(x+1, y)), di kiri X (X(x, y-1)), dan di kanan X (X(x,

y+1)). Dapat dilihat pada gambar 2.7.

b. Ketetanggaan 8 koneksi (Neighbour 8-connectivity)

Sedangkan pada 8-connected, mengambil 8 tetangga dari piksel

X(x,y). Maksud 8 tetangga tersebut adalah 8 piksel dari 8 arah.

13

Source:http://www.cs.auckland.ac.nz/courses/compsci773s1c/lectures/ImageProcessing-html/topic3.htm

Gambar 2.9 Pixel Connectivity

Pada gambar di atas, pusat pelabelan adalah pada kotak

bertuliskan (x,y)/piksel (x,y). Pada proses pelabelan, piksel (x,y)

akan melihat piksel-piksel yang ada di sekitarnya (menyesuaikan

jenis koneksi ketetanggaan yang dipakai), jika terdapat piksel

yang sama dengan piksel (x,y), maka pada piksel tersebut akan

menjadi tetangga dari piksel (x,y) dan sebaliknya jika tidak sama

dengan piksel (x,y), maka piksel tersebut bukan tetangga piksel

(x,y). Di bawah ini merupakan gambar hasil pelabelan dengan

ketetanggaan 4 koneksi dan 8 koneksi.

Source:http://www.cs.auckland.ac.nz/courses/compsci773s1c/lectures/ImageProcessing-html/topic3.htm

Gambar 2.10 Pelabelan Citra Menggunakan 4-Neighbourhood

(kiri) dan 8-Neighbourhood (kanan)

2.3. Metode Pencarian Plat Nomor Kendaraan

2.3.1. Sliding Concentric Window (SCW)

Metode SCW adalah salah satu metode segmentasi adaptif

yang dikembangkan untuk menggambarkan bagian ketidakteraturan

14

suatu daerah tertentu pada gambar. Metode ini membutuhkan nilai

mean (rata-rata) atau standar deviasi yang diperoleh dari perhitungan

di jendela A dan jendela B. Jendela A memiliki ukuran piksel (2X1)

x (2Y1), sedangkan jendela B berukuran (2X2) x (2Y2). Kedua

jendela ini nantinya akan memindai (scanning) gambar I1 secara

mendatar, berurutan dari piksel pertama di pojok kiri atas hingga

piksel terakhir di pojok kanan bawah. Pada saat proses pemindaian,

akan dihitung nilai rata-rata atau nilai standar deviasi dari jendela A

dan jendela B.

Setelah nilai rata-rata atau standar deviasi diperoleh, maka

akan dihitung nilai rasio yaitu nilai rata-rata atau standar deviasi

jendela A dibagi dengan nilai rata-rata atau standar deviasi jendela

B. Kemudian nilai rasio dibandingkan dengan nilai threshold (nilai

ambang batas) yang telah ditentukan sebelumnya. Hasil perhitungan

ini akan menentukan apakah nilai piksel di gambar I1(x,y)

merupakan daerah tujuan (disebut juga Region of Interest (RoI))

atau bukan. Jika nilai rasio lebih dari ambang batas maka gambar

I1(x,y) merupakan daerah tujuan dan pada gambar IAND(x,y) akan

diberi nilai 1, namun jika sebaliknya maka gambar I1(x,y) bukan

merupakan daerah tujuan sehingga pada gambar IAND(x,y) akan

diberi nilai 0.

IAND(x,y) = 0, jika MA ≤ T MB

I1(x,y) � IAND(x,y) = 1, jika MA > T

MB

15

Disini, tidak ada cara terbaik untuk menentukan nilai ambang

batas T, sehingga perlu melakukan trial and error prosedur agar

mendapatkan nilai ambang batas T yang sesuai dengan aplikasi.

2.3.2. Sauvola Threshold

Metode Sauvola merupakan metode yang digunakan untuk

membuat gambar biner. Teknik pencarian ambang batas ini

menghitung nilai ambang batas pada setiap piksel. Sehingga nilai

ambang batas bisa berubah-ubah atau adaptif tergantung dari nilai

lokal rata-rata dan standar deviasi pada jendela berukuran b x b.

Berikut ini adalah perhitungan nilai ambang batas T(x,y):

Dimana m(i,j) dan �(i,j) adalah lokal rata-rata dan standar

deviasi, k=0.5, R=128, dan b=10. Dalam menentukan nilai 1 atau 0,

nilai ambang batas dibandingkan dengan nilai piksel di koordinat

I(x,y).

2.3.3. Connected Component Analysis (CCA)

CCA merupakan teknik yang banyak dikenal pada pemrosesan

dimana gambar diteliti untuk masing-masing piksel kemudian diberi

label berdasarkan hubungan ketetanggaannya. Setelah semua grup

ditentukan, masing-masing piksel diberi label sesuai dengan

komponen tempat piksel berada. CCA berfungsi untuk mendeteksi

daerah yang berhubungan.

CCA bekerja pada gambar biner maupun grayscale dan jenis

hubungan yang berbeda dapat digunakan (misal 4 arah ketetanggaan

atau 8 arah ketetanggaan). Melabeli berbagai area pada sebuah

T(x,y) = m(x,y) + �1 + �. ��,�� − 1��

0 jika I2 (x,y) < T (x,y) I3(x,y) �

1 jika I2 (x,y) ≥ T (x,y)

16

gambar merupakan hal yang penting dilakukan pada analisis gambar

karena banyak ukuran dan fitur penting yang dapat diperoleh, misal

area, arah, perimeter aspek rasio, bilangan Euler, dan dan

sebagainya.

Aspek rasio dapat diperoleh dengan menemukan nilai

minimum dan maksimum pada baris dan kolom ditempat objek

berada. Rumusnya adalah:

Dimana c adalah kolom dan r adalah baris. Sedangkan untuk

memperoleh nilai arah digunakan rumus:

Bilangan euler pada sebuah gambar didefinisikan sebagai

jumlah objek dikurangi jumlah lubang. Untuk objek tunggal,

bilangan Euler menyediakan jumlah lekukan tertutup yang ada pada

objek. Terlihat jelas pada gambar biner, karakter pada plat nomor

mewakili lubang pada objek plat.

2.3.4. Jaringan Syaraf Tiruan dengan Metode Learning Vector

Quantization (LVQ)

a. Pengertian Jaringan Syaraf Tiruan (Neural Network)

Metode LVQ termasuk salah satu metode pada jaringan syaraf

tiruan. Jaringan syaraf tiruan sendiri adalah salah satu representasi

buatan dari otak manusia yang selalu mencoba untuk

mensimulasikan proses pembelajaran pada otak manusia tersebut.

Bisa dikatakan bahwa jaringan syaraf tiruan melakukan

pembelajaran dan pelatihan untuk mendapatkan keluaran atau

cMAX – cMIN + 1

rMAX – rMIN + 1

17

kesimpulan dari jaringan. Struktur jaringan syaraf tiruan dapat dilihat

pada gambar di bawah ini.

Gambar 2.11 Struktur Jaringan Syaraf Tiruan

Berdasarkan gambar tersebut, struktur jaringan syaraf tiruan

dibagi menjadi 3 bagian yaitu fungsi penjumlah (Summing

Function), Fungsi aktifasi (Activatian Function), dan Keluaran

(Output). Elemen-eleman yang membentuk keluaran antara lain:

1. Himpunan-himpunan yang dihubungkan dengan jalur koneksi.

Jumlah bobot pada masing-masing jalur memiliki jumlah yang

berbeda-beda tergantung dari jumlah, struktur, dan pola hubungan

antar unit. Bobot yang bernilai positif akan memperkuat sinyal,

sedangkan bobot yang bernilai negatif akan melemahkan sinyal

yang dibawa.

2. Unit penjumlah yang akan menjumlahkan sinyal masukan yang

telah dikalikan dengan bobotnya.

3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input

neuron akan diteruskan ke neuron yang lain atau tidak. Pada

fungsi aktivasi asil di unit penjumlahan akan dibandingkan

dengan nilai ambang batas.

Setiap pola-pola informasi masukan dan keluaran diproses di

dalam neuron. Neuron-neuron ini terkumpul dalam lapisan yang

disebut neuron layers. Jenis lapisan ada 3 yaitu lapisan input, lapisan

tersembunyi (hidden), dan lapisan output. Lapisan input berarti nilai-

18

nilai input yang menggambarkan suatu permasalahan, lapisan

tersembunyi berarti lapisan yang nilai keluarannya tidak bisa

langsung diamati, sedangkan lapisan output adalah lapisan nilai

solusi dari permasalahan.

Arsitektur jaringan syaraf tiruan ada beberapa macam, antara

lain:

1. Jaringan dengan lapisan tunggal (single layer net)

Ciri khas pada jenis ini adalah tidak memiliki lapisan

tersembunyi. Jaringan ini hanya menerima input kemudian

langsung mengolahnya menjadi output.

Gambar 2.12 Arsitektur Jaringan dengan Lapisan Tunggal

2. Jaringan dengan banyak lapisan (multilayer net)

Ciri dari jenis ini adalah memiliki lebih dari 1 lapisan

tersembunyi. Jaringan ini biasanya digunakan pada kasus yang

lebih rumit/kompleks.

Gambar 2.1

3. Jaringa

Terdiri dari sekumpulan neuron yang bersaing untuk

mendapatkan hak menjadi aktif.

Gambar 2.1

Berdasarkan proses pembelajaran/pelatihan pada jaringan

syaraf tiruan dikelompokan menjadi 2 kelompok, yaitu:

1. Pembelajaran terawasi (

Pembelajaran yang terawasi adalah pembelajaran yang

sebelumnya telah mengetahui

kasusnya adalah kasus pengenalan pola.

2. Pembelajaran tak terawasi (

Metode ini

ini adalah mengelompokkan unit

suatu area tertentu.

Gambar 2.13 Arsitektur Jaringan dengan Banyak Lapisan

Jaringan dengan lapisan kompetitif


mendapatkan hak menjadi aktif.

Gambar 2.14 Arsitektur Jaringan dengan Lapisan Kompetitif



Pembelajaran terawasi (supervised learning)


sebelumnya telah mengetahui output yang diharapkan. Contoh

kasusnya adalah kasus pengenalan pola.

Pembelajaran tak terawasi (unsupervised learning

Metode ini tidak membutuhkan target output. Cara pembelajaran

ini adalah mengelompokkan unit-unit yang hampir sama dalam

suatu area tertentu.

19

Arsitektur Jaringan dengan Banyak Lapisan


Arsitektur Jaringan dengan Lapisan Kompetitif




yang diharapkan. Contoh

learning)

. Cara pembelajaran

unit yang hampir sama dalam

20

3. Pembelajaran hibrida (hybrid learning)

Metode ini merupakan kombinasi dari pembelajaran terawasi dan

tak terawasi. Sebagian bobot-bobotnya ditentukan melalui

pembelajaran terawasi dan sebagian yang lain melalui

pembelajaran tak terawasi.

b. Learning Vector Quantization (LVQ)

Learning Vector Quantization (LVQ) adalah metode untuk

melakukan membelajaran pada lapisan kompetitif terawasi. Suatu

lapisan kompetitif akan secara otomatis belajar untuk

mengklasifikasikan vektor-vektor input. Kelas-kelas yang

didapatkan sebagai hasil dari lapisan kompetitif ini hanya

tergantung pada jarak antara vektor-vekor input. Jika vektor input

mendekati sama, maka lapisan kompetitif akan meletakkan kedua

vektor input tersebut ke dalam kelas yang sama.

Algoritma dari LVQ adalah:

1. Tetapkan: bobot (W), maksimum epoh (MaxEpoh), error

minimum yang diharapkan (Eps), Learning rate (α)

2. Masukkan:

- Input : x(m,n)

- Targetm : T(1,n)

3. Tetapkan konndisi awal: epoh = 0, err = 1

4. Kerjakan jika (epoh < MaxEpoh) atau (α > eps)

a. epoh = epoh + 1;

b. kerjakan untuk i=1 sampai n

i. tentukan J sedemikian hingga || x-wj|| minimum (sebut

sebagai Cj)

ii. perbaiki wj dengan ketentuan:

- jika T = Cj maka: wj(baru) = wj(lama) + α(x-wj(lama))

- jika T ≠ Cj maka: wj(baru) = wj(lama) - α(x-wj(lama))

c. kurangi nilai α.

Adapun kelebihan dan kekurangan metode LVQ dapat dilihat

pada tabel di bawah ini.

Tabel 2.1

No

1.

Nilai errordibandingkan dengan jaringan syaraf tiruan yang lain seperti backpropagation

2.

Dapat meringkas data set yang besar menjadi vektor berukuran kecil untuk klasifikasi

3. Dimensi dalam dibatasi seperti dalam teknik nearest neighbour

4. Model yang dihasilkan dapat diperbaharui secara bertahap

Source:http://repository.ipb.ac.id/bitstream/handle/123456789/47300/BAB%auan%20Pustaka_%20G11mrf.pdf?sequence=5

2.4. Tanda Nomor Kendaraan Bermotor (TNKB)

Tanda Nomor Kendaraan Bermotor atau yang lebih sering disebut

plat nomor atau nomor polisi (nopol) adalah plat aluminium yang berisi

tulisan dari kendaraan bermotor

Bersama Samsat. Tulisan yang ada di plat nomor kendaraan ada 2 tulisan

yaitu untuk baris pertama adalah kode wilayah (huruf), nomor polisi

(angka), dan kode/seri akhir wilayah (huruf), sedangkan untuk baris kedua

(dengan ukuran tulisan yang lebih kecil dari tulisan di baris pertama) adalah

bulan dan tahun masa berlaku.

Gambar 2.


pada tabel di bawah ini.

Tabel 2.1 Kelebihan dan Kekurangan JST Metode LVQ

Kelebihan Kekuranganerror lebih kecil

dibandingkan dengan jaringan syaraf tiruan yang lain seperti backpropagation

Diperlukan perhitungan jarak untuk seluruh atribut

Dapat meringkas data set yang besar menjadi vektor codebook berukuran kecil untuk klasifikasi

Akurasi model yang bergantung pada inisialisasi model serta parameter yang digunakan (learning rateiterasi, dan sebagainya)

Dimensi dalam codebook tidak dibatasi seperti dalam teknik nearest neighbour

Akurasi juga dipengaruhi distribusi kelas pada data training

Model yang dihasilkan dapat diperbaharui secara bertahap

Sulit untuk menentukan jumlah codebook vektor untuk masalah yang diberikan

http://repository.ipb.ac.id/bitstream/handle/123456789/47300/BAB%auan%20Pustaka_%20G11mrf.pdf?sequence=5

Tanda Nomor Kendaraan Bermotor (TNKB)



tulisan dari kendaraan bermotor yang telah didaftarkan pada Kantor




ukuran tulisan yang lebih kecil dari tulisan di baris pertama) adalah

bulan dan tahun masa berlaku.

Gambar 2.15 Contoh Plat Kendaraan Warna Hitam, Merah dan

Kuning

21


Kelebihan dan Kekurangan JST Metode LVQ

Kekurangan Diperlukan perhitungan jarak

atribut

Akurasi model yang bergantung pada inisialisasi model serta parameter yang

learning rate, iterasi, dan sebagainya)

ipengaruhi distribusi kelas pada data

Sulit untuk menentukan jumlah vektor untuk

masalah yang diberikan http://repository.ipb.ac.id/bitstream/handle/123456789/47300/BAB%20II%20Tinj



yang telah didaftarkan pada Kantor




ukuran tulisan yang lebih kecil dari tulisan di baris pertama) adalah

Contoh Plat Kendaraan Warna Hitam, Merah dan

Pada penjelasan di atas, jika dibuat skema maka gambar di bawah ini adalah

skemanya.

Gambar 2.

2.4.1. Aturan Baru pada Plat Kendaraan

Dari segi fisik,

2011, plat nomor kendaraan memiliki spesifikasi sebagai berikut:

a. Bahan aluminium dengan ketebalan 1 mm.

b. Untuk kenda

mm, sedangkan untuk kendaraan roda 4 atau lebih adalah

430x135 mm. Ukuran tersebut 5 cm lebih panjang dari pada

ukuran plat sebelumnya (kendaraan bermotor roda 2 dan 3 adalah

250x105 mm, sedangkan kendaraan be

adalah 395x135 mm). Meskipun begitu, untuk sementara ini, plat

resmi yang lama masih berlaku.

c. Sudah tidak terdapat lagi garis pembatas antara ruang nomor

polisi dengan ruang angka masa berlaku.

d. Terdapat garis berwarna putih di seki

e. Pada sudut kanan atas dan sudut kiri bawah terdapat tanda khusus

(security mark

pada sisi sebelah kanan dan sisi sebelah kiri ada tanda khusus

cetakan "DITLANTAS POLRI" (Direktorat La

Kepolisian RI) yang merupakan hak paten pembuatan TNKB oleh

Polri dan TN


Gambar 2.16 Skema Plat Nomor Kendaraan Roda 4

Aturan Baru pada Plat Kendaraan

Dari segi fisik, berdasarkan aturan terbaru terhitung April

plat nomor kendaraan memiliki spesifikasi sebagai berikut:

Bahan aluminium dengan ketebalan 1 mm.

Untuk kendaraan roda 2 dan 3 plat nomor berukuran 275x110




250x105 mm, sedangkan kendaraan bermotor roda 4 atau lebih


resmi yang lama masih berlaku.

Sudah tidak terdapat lagi garis pembatas antara ruang nomor

polisi dengan ruang angka masa berlaku.

Terdapat garis berwarna putih di sekitar plat nomor kendaraan.

Pada sudut kanan atas dan sudut kiri bawah terdapat tanda khusus

security mark) cetakan lambang Polisi Lalu Lintas; sedangkan


cetakan "DITLANTAS POLRI" (Direktorat La


Polri dan TNI.

22


kema Plat Nomor Kendaraan Roda 4

berdasarkan aturan terbaru terhitung April

plat nomor kendaraan memiliki spesifikasi sebagai berikut:

raan roda 2 dan 3 plat nomor berukuran 275x110




rmotor roda 4 atau lebih


Sudah tidak terdapat lagi garis pembatas antara ruang nomor

tar plat nomor kendaraan.

Pada sudut kanan atas dan sudut kiri bawah terdapat tanda khusus

lambang Polisi Lalu Lintas; sedangkan


cetakan "DITLANTAS POLRI" (Direktorat Lalu Lintas


23

Aturan warna plat nomor kendaraan ditetapkan sebagai berikut:

a. Kendaraan bermotor bukan umum dan kendaraan bermotor sewa:

warna dasar hitam dengan tulisan berwarna putih

b. Kendaraan bermotor umum: warna dasar kuning dengan tulisan

berwarna hitam

c. Kendaraan bermotor milik pemerintah: warna dasar merah

dengan tulisan berwarna putih

d. Kendaraan bermotor korps diplomatik negara asing: warna dasar

putih dengan tulisan berwarna hitam

e. Kendaraan bermotor staf operasional korps diplomatik negara

asing: warna dasar hitam dengan tulisan berwarna putih dan

terdiri dari lima angka dan kode angka negara dicetak lebih kecil

dengan format sub-bagian

f. Kendaraan bermotor untuk transportasi dealer (pengiriman dari

perakitan ke dealer, atau dealer ke dealer): warna dasar putih

dengan tulisan berwarna merah.

2.4.2. Aturan Nomor Polisi

Suatu kendaraan dapat diketahui kendaraan tersebut dari

daerah mana, dilihat dari kode wilayah dan kode seri akhir wilayah.

Kode wilayah biasanya untuk wilayah setingkat provinsi atau

karesidenan yang cakupan daerahnya luas. Kode seri akhir wilayah

menandakan sebuah kota atau kabupaten. Kode wilayah terdiri dari 1

atau 2 huruf, sedangkan kode seri akhir wilayah antara 1 hingga 3

huruf. Tetapi kode seri wilayah yang terdiri 3 huruf hanya untuk

wilayah tertentu saja.

Nomor polisi diberikan sesuai dengan urutan pendaftaran

kendaraan bermotor. Nomor urut tersebut terdiri dari 1-4 angka, dan

ditempatkan setelah Kode Wilayah Pendaftaran. Nomor urut

pendaftaran dialokasikan sesuai kelompok jenis kendaraan bermotor

(untuk wilayah DKI Jakarta):

24

a. 1 - 1999, 8000 - 8999 dialokasikan untuk kendaraan penumpang.

b. 2000 - 6999, dialokasikan untuk sepeda motor.

c. Mulai Februari 2010 nomor kendaraan untuk Jakarta Timur

(berkode T) telah habis untuk nomor 6, maka dimulai dengan

angka 3.

d. Mulai awal 2011 nomor kendaraan untuk Jakarta Selatan

(berkode S) telah habis untuk nomor 6, maka dimulai dengan

angka 3.

e. 7000 - 7999, dialokasikan untuk bus.

f. 9000 - 9999, dialokasikan untuk kendaraan beban.

Apabila nomor urut pendaftaran yang telah dialokasikan habis

digunakan, maka nomor urut pendaftaran berikutnya kembali ke

nomor awal yang telah dialokasikan dengan diberi tanda pengenal

huruf seri A - Z di belakang angka pendaftaran. Apabila huruf di

belakang angka sebagai tanda pengenal kelipatan telah sampai pada

huruf Z, maka penomoran dapat menggunakan 2 huruf seri di

belakang angka pendaftaran.

Khusus untuk Jabodetabek; minus Bogor (B), Bandung (D),

Medan/Sumatera Utara bagian Timur (BK), serta Semarang (H)

dapat menggunakan hingga 3 huruf seri di belakang angka

pendaftaran, sesuai kategori atau dengan permintaan khusus. Berikut

ini adalah keterangan kode seri akhir wilayah untuk Jabodetabek;

minus Bogor.

Huruf pertama pada kode seri akhir wilayah umumnya

mewakili tempat kendaraan tersebut terdaftar, huruf kedua

menandakan jenis kendaraan berdasarkan golongan, dan huruf

terakhir adalah huruf acak yang diberikan untuk pembeda.

25

Huruf-huruf di bawah ini mewakili kategori tempat

terdaftarnya kendaraan (tidak berlaku untuk kendaraan taksi):

U : Jakarta Utara

B : Jakarta Barat

P : Jakarta Pusat

S -> Jakarta Selatan

T -> Jakarta Timur

E : Depok

N : Tangerang Kabupaten

C : Tangerang Kota

V : Tangerang Kota

K : Bekasi Kota

F : Bekasi Kabupaten

W : Tangerang Selatan

Z : Depok

Sedangkan untuk huruf kedua yang mewakili kategori

kendaraan, antara lain:

A : Sedan / Motor

D : Truk

V : Minibus

J : Jip dan SUV

F : Minibus, Hatchback, City Car

T : Taksi

U : Kendaraan Staf Pemerintah

Q : Kendaraan Staf Pemerintah

Sebagai contoh yaitu plat kendaraan dengan tulisan B 1234 FQN artinya

kendaraan tersebut adalah kendaraan staf pemerintah Kabupaten Bekasi.

Documents

Bab 2 Landasan Teori