JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN

Decy Nataliana[1], Sabat Anwari[2], Arief Hermawan[3]

Jurusan Teknik Elektro Institut Teknologi Nasional Bandung

ABSTRAK Pengenalan pola merupakan bidang dalam pembelajaran mesin, salah satu

aplikasinya adalah pengenalan pola angka dan huruf dari sebuah citra menggunakan jaringan saraf tiruan. Jaringan saraf tiruan sendiri merupakan sistem pemroses informasi yang memiliki karakteristik seperti jaringan saraf biologis. Jaringan saraf tiruan ini sebelum digunakan harus dilatih terlebih dahulu agar nantinya dapat digunakan untuk mengenali suatu pola yang menyerupai pola yang sudah dilatih. Jaringan saraf tiruan yang digunakan adalah JST backpropagation

Program yang dibuat akan menampilkan citra input kemudian mencari dan mengekstrak plat nomor kendaraan, kemudian melakukan segmentasi citra plat nomor menjadi citra karakter. Langkah terakhir yang dilakukan adalah mengenali tiap citra karakter hasil segmentasi dengan menggunakan jaringan saraf tiruan backpropagation. program yang digunakan dalam pembuatan program pengenalan karakter ini adalah Matlab.

Pembuatan program ini dibagi menjadi dua tahap yanitu pembuatan GUI dan pembuatan subprogram yang bersesuaian dengan GUI yang telah dibuat. Hasil pengenalan plat nomor kendaraan dengan menggunakan JST memiliki tingkat keberhasilan 46,32% dengan waktu rata – rata yang dibutuhkan untuk mengenali tiap plat nomor adalah 1,76 detik, sedangkan metoda pembandingnya adalah metoda template matching yang memiliki tingkat keberhasilan 72,37% dengan waktu rata – rata yang dibutuhkan untuk mengenali tiap plat nomor adalah 21,14 detik.

Kata kunci: Pengenalan Pola, Plat Nomor Kendaraan, Jaringan Saraf Tiruan, Matlab

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

ABSTRACT

Pattern recognition is a field on machine learning, ones of application is number and latter pattern recognition from an image using artificial neural network. Artificial neural network is informational system processing that having characteristic like biological neural network. This artificial neural network have to be trained before it can be used to recognition a pattern that is like the pattern that have been trained. The artificial neural network that have been used is backpropagation ANN.

This program will showing input image then the program will search and extract license plat number and then doing segmentation plat number image to become character image. The last step is recognition each of image character from the segmentation process using backpropagation artificial neural network. This character recognition program is made using Matlab. The making of this program divided by two step : the making of GUI and the making od subprogram that have correlation with GUI. the result of the license plat number recognition by using ANN have success rate 46,23% with average time to recognition license plat number is 1,76 second, meanwhile the other method, template matching, have success rate 72,73% with average time to recognition license plate number is 21,14 second.

Keywords : Pattern Recognition, License Plate Number, Artificial Neural Network, Matlab I. Pendahuluan 1.1. Latar Belakang

Pengenalan pola merupakan bidang dalam pembelajaran mesin. Pengenalan pola dapat diartikan sebagai sebuah tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data. Salah satu aplikasinya adalah pengenalan pola angka dan huruf dari sebuah citra menggunakan jaringan saraf tiruan.

Jaringan saraf tiruan sendiri merupakan sistem promroses informasi yang memiliki karakteristik seperti jaringan saraf biologis. Jaringan saraf tiruan ini sebelum digunakan harus dilatih terlebih dahulu agar nantinya dapat digunakan untuk mengenali suatu pola yang menyerupai pola yang sudah dilatih. Disini jaringan saraf tiruan digunakan untuk mengenali pola karakter dari sebuah citra plat nomor kendaraan

1.2. Tujuan

Tujuan dari pembuatan program ini adalah program dapat mengenali karakter dari plat nomor kendaraan dalam sebuah citra.

1.3. Batasan Masalah Dalam pembuatan program untuk tugas

akhir ini terdapat beberapa batasan masalah agar tidak meluas : • Program hanya dapat mendeteksi

sebuah plat nomor yang berwarna hitam dalam sebuah citra.

• Program hanya dapat mengenali nomor kendaraan, tidak beserta dengan masa berlakunya.

• Menggunakan gambar berformat bmp dan jpeg berukuran 1280 x 1024 piksel.

• Plat nomor kendaraan yang digunakan sesuai dengan standar yang berlaku dan terlihat jelas dalam citra.

• Pengenalan menggunakan jaringan saraf tiruan backpropagation

II. Dasar teori 2.1. Penglolahan Citra Digital[1,2]

Ada beberapa pengertian tentang citra digital. Salah satunya adalah bahwa citra digital merupakan suatu matrik dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriknya menyatakan intensitas pada titik tersebut. Jika citra dinyatakan dalam

 

No.3 ,  Vol

bentuk gambar b

Gambar 2.

Minformastersebut dengan cWikipedipenggunamelakukadigital. Scitra digmenjadi d• Outpu

Pengini mentrlain, meninmengnya le

• OutpuPada digunkomplanjutmeng

2.2. Jarin

Jaringpertama McCulloMcCullobahwa sederhanakan komputa

.  2, Septembe

koordinat berikut ini

1 Citra Dalam

Meskipun cii akan tetaharus diolah

citra kebutuhia pengolahaaan algoritan pemrose

ecara garisgital menurdua, yaitu :utnya citra olahan citraberhubunga

ransformasikseperti

ngkatkan kgkompres ciebih kecil. utnya kompo

kategori nakan untukponen dari ct. Biasany

genali suatu p

ngan Saraf gan saraf

kali dch dan Pich dan kombinasi

na menjadi smeningkat

sinya. Bobo

JU

er – Desember

maka aka

Koordinat

itra memilikapi sering h kembali ahan yang adaan citra digma kompu

esan citra d

s besar, prut outputn

a digital padan dengankan citra mememperbai

kualitas ciitra agar uk

onen / atribuini pengola

k menghasilitra untuk di

ya digunakpola tertentu

Tiruan[8] f tiruan diperkenalkaitts di tahPitts meny

beberapasebuah systetkan ke

ot dala jarin

URNAL IN

r 2011

an seperti

ki banyak kali citra

agar sesuai a. Menurut ital adalah

uter untuk alam citra

pengolahan nya dibagi

da kategori n teknik enjadi citra iki citra, itra, atau kuran file-

ut citra ahan citra lkan suatu iolah lebih an untuk u dari citra

sederhana an oleh hun 1943. yimpulkan

a neuron em neural emampuan ngan yang

NFORMA

diusuluntuk Fungsfungsi

Jasistemmemiljaringsebeagdari ja: a. Pe

bab. Si

nec. Pe

yame

d. Unneyayakethr

2.2.1.

tiga haa. Po

jarb. M

pepe

c. Fu

2.2.2.

keterbKelemmenamlapisadan lalapisamemilbeberameme

backpmendakemam

ATIKA 

lkan oleh Mmelakukan

si aktivasi i threshold.

aringan saram pemroseliki karaktan saraf bgai generalaringan saraf

emrosesan anyak elemeninyal dikirimeuron melaluenghubung ang akanemperlemahntuk meneeuron mengang diterapkang diterimemudian reshold.

Jaringan saJaringan saal, yaitu : ola hubunganringan).

Metode untuenghubung elatihan). ungsi aktivas

JST BackprJST dengan

batasan damahan ini mbahkan sa

an tersembunapisan outpuan tersembliki kelebapa kasus, erlukan waktSeperti a

propagationapatkan mpuan jaring

McCulloch dafungsi logikyang digun

af tiruan (esan inforteristik mbiologis. JSisasi modelf biologis, d

informasi n sederhana mkan diantaui penghubunneuron me

n memperh sinyal entukan ouggunakan fukan pada ja. Besarnyadibandingka

araf tiruan araf tiruan d

n antar neur

uk menent(training /

si

ropagation n lapis tunglam penge

bisa diaatu lapisan anyi diantara ut. Meskipununyi lebih

bihan manakan tetapi tu yang lebiharsitektur

melatih jakeseimbang

gan untuk m

4

an Pitts diatuka sederhannakan adala

(JST) adalarmasi yanirip dengaST dibentul matematik

dengan asum

terjadi pad(neuron)

ara neuron ng

emiliki boborkuat ata

utput, setiaungsi aktivajumlah inpua output inan denga

dibentuk ole

ron (arsitektu

tukan bobo/ learning

ggal memilikenalan polatasi dengaatau beberaplapisan inpu

n penggunaah dari satnfaat untu

pelatihannyh lama. yang lainringan untu

gan antarmengenali po

48

ur na. ah

ah ng an uk ka

msi

da

–

ot au

ap asi ut ni an

eh

ur

ot /

ki la. an pa ut an tu uk ya

n, uk ra la

 

No.3 ,  Vol

yang digkemampurespon yyang serselama pa. Arsit

Backpunit neuGambar arsitekturneuron bias), seterdiri psebuah boutput.

Gambar 2.2 Vij m

ke unitmerupakabias di tersembubobot daunit outpbias di keluaran

b. Fase

Backpyang harufase majudari lapidengan aktivasi. selisih aoutput yakesalahandirambat

.  2, Septembe

gunakan seuan jaringanyang benar rupa denganelatihan. ektur backpr

kpropagationuron dalam

berikut r backpropainput (ditam

ebuah lapisa unit neurobias), serta

2 Arsitektur B

merupakan bot lapisan an bobot yunit masuk

unyi zj), sedaari unit lapisput yk (wk0)

lapisan tzk).

backpropagkpropagationus dilakukanu, pola inpuisan input h

menggunaFase kedua

antara outpang diinginkn atau errortkan mundu

JU

er – Desember

elama pelatin untuk m

terhadap pn pola yan

ropagation n memiliki

lapisan terini adalah

agation dengmbah dengaan tersembuon (ditambam buah ne

ackpropagation

obot dari untersembuyi

yang menghkkan ke unangkan wkj msan tersembmerupakan ersembunyi

gation n memiliki n. Fase pertaut dihitung mhingga lapisakan suatua adalah fasput jaringankan (target) mr. Error ini

ur, dimulai

URNAL IN

r 2011

ihan serta memberikan

pola input ng dipakai

beberapa rsembunyi. h contoh gan n buah an sebuah unyi yang ah dengan euron unit

n

nit input xi i zj (vj0 hubungkan nit lapisan merupakan

bunyi zj ke bobot dari

ke unit

tiga fase ama adalah maju mulai san output u fungsi e mundur, n dengan merupakan kemudian dari yang

NFORMA

berhublapisaFase untuk 1. Fa

Se(xi) dimenggditentulapisadiproptersemmenggDemikoutput

Sedibanddicapaoutputjika ntoleranakan errortoleranakan kesala2. Fa

Befactoruntuk yk keterhubdigunberhub

Defactortersembobot di bawsemuaberhubdihitu

Defaktorsebagyang bdi bawsemuaberhubmasuk

ATIKA 

bungan langan output sa

ketiga adalmenurunkan

ase I : propagelama propaipropagasikagunakan funukan. Kelu

an tersembpagasikan mbunyi gunakan skian seterusnt jaringan (yelanjutnya dingkan denai (tk). Selt adalah suat

nilai error insi yang ddihentikan.

masih lensinya, mak

dimodifikaahan yang adase II : propaerdasarkan r δk (k = 1,

mendistribue semua ubung langsuakan untuk bungan langengan carar δj di setmbunyi seb

yang bersawahnya. Dema factor δ dbungan lang

ung. engan carar δj di setiap ai dasar peruberasal dari wahnya. Dema faktor δ dbungan lakan dihitung

gsung dengaampai ke llah memodn error yanggasi maju agasi maju, an ke lapisanngsi aktivasuaran dari bunyi (zj)

maju kselanjutnya

suatu fungnya hingga m

yk) output ja

ngan targetlisih antaratu nilai kesani lebih kecditentukan

Akan tetaebih besar ka bobot daasi untuk da. agasi mundunilai error 2, …, m) usikan kesaunit tersem

ung dengan mengubah

gsung dengana yang samiap unit d

bagai dasarsal dari unitmikian seterdi unit tersegsung denga

a yang samunit di layar

ubahan bobounit tersemb

mikian seterdi unit terseangsung dg.

4

an unit – unapisan inpu

difikasi bobog ada.

sinyal inpun tersembunyi yang suda

setiap unselanjutny

ke lapisaa dengagsi aktivasmenghasilka

aringan (yt yang harua target daalahan (errorcil dari batamaka itera

api jika nildari bata

alam jaringamengurang

ur , dihitunglayang dipak

alahan di unmbunyi yan

yk. δk jugh bobot yann unit outputma, dihitunalam lapisar perubahat tersembunyrusnya hinggembunyi yanan unit inpu

ma, dihitunr tersembunyot semua garbunyi di layarusnya hinggembunyi yandengan un

48

nit ut. ot

ut yi ah nit ya an an si. an

yk) us an r), as

asi ai as an gi

ah kai nit ng ga ng t. ng an an yi ga ng ut

ng yi ris ar ga ng nit

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

3. Fase III : perubahan bobot Setelah semua faktor δ dihitung, semua

bobot juga dimodifikasi secara bersamaan. Perubahan suatu bobot didasarkan atas factor δ neuron lapisan di atasnya, sebagai contoh perubahan bobot pada lapisan output didasarkan atas δk yang ada di unit output.

Ketiga fase tersebut diulang – ulang terus hingga kondisi penghentian terpenuhi. Umumnya kondisi penghentian yang sering digunakan adalah jumlah iterasi atau nilai error. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah iterasi maksimum yang ditentukan, atau jika nilai error sudah lebih kecil dari batas toleransi yang ditetapkan.

c. Algoritma backpropagation

Berikut ini adalah algoritma backpropagation yang umum digunakan : 1. Inisialisasi bobot (ambil bobot awal

dengan nilai random yang cukup kecil).

2. Kerjakan langkah – langkah berikut selama kondisi berhenti bernilai salah.

3. Untuk tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan :

Feedforward a. Tiap – tiap unit input (xi, i = 1, 2, …,

n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).

b. Tiap – tiap unit pada suatu lapisan tersembunyi (zj, j = 1, 2, …, p) menjumlahkan sinyal – sinyal input terbobot

_   1    

gunakan fungsi aktivasi untuk menghitung sinyal output

_ dan kirimkan sinyal tersebut ke semua unit tersembunyi di lapisan atasnya (unit – unit output)

c. Tiap – tiap unit output (Yk, k = 1, 2, …, m) menjumlahkan sinyal – sinyal input terbobot.

_ 2 

gunakan fungsi aktivasi untuk menghitung sinyal output

_ Dan kirimkan sinyal tersebut ke semua unit tersembunyi di lapisan atasnya (unit – unit output). Langkah ini dilakukan sebanyak jumlah lapisan tersembunyi

Backpropagation a. Tiap – tiap unit output (Yk, k = 1, 2,

…, m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi error-nya :

2       _ 2   2  

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk) :

∆   2 Hitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2k) :

∆ 2   2 Langkah ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.

b. Tiap – tiap unit tersembunyi (zj, j =1, 2, …, p) menjumlahkan delta input (dari unit – unit yang berada di lapisan atasnya) :

∑=

=m

kjkkj win

1

2_ δδ

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error :

1   _   _ 1   1 1   1

 

No.3 ,  Vol

Kemunantinmemp

Hitunnantinmemp

c. Tiap …, m(j = 0wjk (bb2k (btiap –…, p(i = 0vij (bab1j (b

4. Tes k

2.3. MatMatla

dapat digpengenaldalam Mmemudahsaraf tiToolbox.

Dalamterdapat macam pengaturadibutuhkfungsi ak

Selainfitur yangGUI progFitur iniprogram didapatkahanya de

III. Pera

Sseperti bl

.  2, Septembe

udian hitungnya akan pebaiki bilai

ng juga knya akan perbaiki b1j)

– tiap unit m) memperba0, 1, …, p) : baru) = wjk (baru) = b2k (– tiap unit tep) memperba0, 1, …, n) : aru) = vij (labaru) = b1j (lkondisi berhe

lab[2,4] ab adalah sagunakan untlan plat no

Matlab sudah hkan pembuiruan, yait

m Neural fungsi untujaringan

an parametkan, sepertiktivasi dan lan itu Matlabg dapat digugram yang mi memudahdengan GU

an bisa lebihengan mengg

ancangan Precara umumlok diagram

JU

er – Desember

g koreksi bodigunaka

i vij) :

koreksi bidigunaka

) :

ourput (Yk,aiki bias dan

(lama) + Δwj(lama) + Δb2ersembunyi (aiki bias dan

ma) + Δvij lama) + Δb1enti

alah satu softtuk membuaomor kendterdapat too

uatan programtu Neural

Network uk membuasaraf tiru

er – parami metode ainnya. b juga dapat

unakan untukmenarik, yaithkan dalam UI sehingga h maksimal gunakan m-fi

rogram m sistem aka

berikut :

URNAL IN

r 2011

obot (yang an untuk

ias (yang an untuk

, k = 1, 2, n bobotnya

jk 2k (zj, j =1, 2, n bobotnya

1j

tware yang at program daraan. Di olbox yang m jaringan

Network

Toolbox at berbagai an, serta

meter yang pelatihan,

t memiliki k membuat tu GUIDE.

membuat hasil yang dibanding

file saja.

an berkerja

NFORMA

Gamba

kemudsudahplat Setelasegmedapat

pengebackpmelaludigununtuk

menjaGUI d

3.1. PPe

GUIDdapat mudahberikuuntuk nomor

Gamba

ATIKA 

ar 3.1 Blok Dia

Citra didian ditamp

h disediakannomor dite

ah diekstrentasi karakdipisahkan.

Proses enalan karakpropagationui GUI. akan metomengenali kPerancang

adi dua badan perancan

Perancanganerancangan

DE Matlab dilakukan

h. Gambar ut ini adalah

pelatihan Jr kendaraan

ar 3.2 Pelatihan

agram Pengena

igital dijadpilkan melal, lalu citra emukan lalak dilakukter agar t

selanjutnykter dengan dan hasilnya

Sebagai oda templakarakter plat

gan programagian yaitu ngan subprog

n GUI GUI m

sehingga n dengan

3.2 serta rancangan t

JST dan pen

n JST

4

alan Karakter

dikan inpului GUI yandiproses agalu diekstrak

ukan prosetiap karakte

ya adalametoda JS

a ditampilkapembandin

te matchint nomor. m ini dibag

perancangagram.

menggunakaperancanga

relatif lebigambar 3

tampilan GUngenalan pl

48

 

ut ng ar k. es er

ah ST an ng ng

gi an

an an ih .3

UI at

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

Gambar 3.3 Pengenalan Plat Nomor 3.2. Perancangan Subprogram

Perancangan subprogram untuk program pengenalan plat nomor kendaraan terdiri dari beberapa program a. Pelatihan JST

Dalam subprogram pelatihan JST ini arsitektur yang digunakan adalah backpropagation dengan tiga lapisan, lapisan input, hidden dan output. Metode pelatihan yang digunakan adalah trainlm. Gambar 3.4 berikut ini adalah flowchart subprogram pelatihan JST

 Gambar 3.4 Pelatihan JST

b. Menampilkan Citra Dalam subprogram ini akan

menampilkan citra yang dipilih melalui GUI, subprogram ini dihubungkan dengan tombol Citra Kendaraan. Setelah ditampilkan citra dirubah ke format grayscale untuk pemrosesan lebih lanjut. Gambar 3.5 adalah flowchart untuk subprogram yang digunakan

Gambar 3.5 Menampilkan Citra

c. Mencari Kandidat Plat Nomor Subprogram ini akan membagi citra

input menjadi enam bagian kemudian program akan mencari plat nomor di tiap bagian. Gambar 3.6 adalah flowchart untuk subprogram ini

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

Gambar 3.6 Kandidat Plat Nomor d. Ekstraksi Plat Nomor

Dalam subprogram ini program akan melakukan ekstraksi plat nomor kendaraan dari kandidat plat nomor yang sudah ditemukan. Ekstraksi disini adalah memotong batas atas bawah dan batas kiri kanan dari citra kandidat plat nomor yang berhasil didapatkan oleh subprogram sebelumnya. Gambar 3.7 adalah flowchart untuk subprogramnya

Gambar 3.7 Ekstraksi Plat Nomor e. Segmentasi Karakter

Segmentasi karakter dilakukan agar tiap citra hanya memiliki satu karakter sehingga proses selanjutnya atau proses pengenalan krakter dapat berjalan dengan baik. Gambar 3.8 adalah flowchart untuk subprogram ini

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

Gambar 3.8 Segmentasi Karakter f. Pengenalan Karakter Menggunakan

JST Pengenalan karakter hasil segmentasi

dilakukan dengan menggunakan jaringan saraf tiruan backpropagation. Gambar 3.9 adalah flowchart untuk subprogram pengenalan karakter menggunakan JST

Gambar 3.9 Pengenalan Menggunakan JST

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

g. Pengenalan Karakter Menggunakan Template Matching Metoda ini digunakan hanya sebagai

pembanding, karakter hasil segmentasi dibandingkan dengan karakter yang ada di dalam data. Gambar 3.10 adalah flowchart untuk subprogram pengenalan karakter menggunakan template matching

Gambar 3.10 Pengenalan Menggunakan Template Matching IV. Pengujian dan Analisa Dalam pengujian program pengenalan plat nomor kendaraan ini dilakukan sesuai dengan bagian – bagian yang sudah dibuat. 1. Pengujian GUI

Pengujian GUI dilakukan untuk mengetahui apakah GUI yang dibuat bekerja dengan baik dan hasilnya GUI bekerja dengan baik karena semua komponen sudah berada pada tab – tab yang sudah ditentukan seperti ditunjukkan pada gambar 4.1 dan 4.2

Gambar 4.1 Tab Pelatihan JST

Gambar 4.2 Tab Pengenalan Karakter 2. Pengujian Pelatihan JST

Dalam pengujian pelatihan JST backpropagation, jaringan diberikan input berupa angka yang dinyatakan dalam matrik. Gambar 4.3 adalah gambar saat pelatihan dilakukan

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

Gambar 4.3 Pelatihan JST 3. Pengujian Input Citra

Saat program diberi input citra maka yang ditampilkan saat pemilihan citra adalah citra yang berformat bmp dan jpeg saja, seperti ditunjukkan pada gambar 4.4

Gambar 4.4 Memilih Citra Setelah dipilih citra kemudian ditampilkan dalam tempat yang sudah ditentukan, seperti ditunjukkan pada gambar 4.5

Gambar 4.5 Menampilkan Citra 4. Pengujian Pencarian Kandidat Citra

dan Ekstraksi Citra Pencarian kandidat citra dan ekstraksi

citra sudah dapat dilakukan, walaupun masih terdapat noise pada hasilnya, seperti yang ditunjukkan pada gambar 4.6

Gambar 4.6 Pencarian dan Ekstraksi Citra

Dari sejumlah citra yang digunakan

tidak semuanya dapat menghasilkan output yang diharapkan, masih terdapat kesalahan dalam pencarian dan ekstraksi plat nomor kendaraan. Secara umum hasilnya dapat dibagi menjadi empat kelompok, yaitu : a. Plat nomor dapat ditemukan dan dapat

diekstrak dengan baik b. Plat nomor dapat ditemukan tetapi

tidak dapat diekstrak dengan baik c. Plat nomor dapat ditemukan tetapi

tidak dapat diekstrak d. Plat nomor tidak dapat ditemukan

sehingga tidak dapt diekstrak

 

No.3 ,  Vol

Tabelmenunjukpencarian

Table 4.1 H Plat N

1

2

3

4

5. Pengu

Dari cukup disegmentidak terada pula ini disebplat nomproses tersebut 4.2 adala

Table 4.2 H

6. Pengu

Pengukarakter untuk memengenaContoh gambar 4

.  2, Septembe

l 4.1 adalah kkan empn dan ekstrak

Hasil PencarianNomor Ha

Pen

ujian Segmesejumlah citbervariasi,

ntasi denganrsegmentasi yang tidak b

babkan adanmor hasil ek

segementasdianggap se

ah gambar ha

Hasil segmenta

ujian Metodujian subpdengan m

engetahui apali karakter

hasilnya 4.7

JU

er – Desember

hasil percobpat kelompksi plat nom

n dan Ekstrakssil ncarian

HE

entasi Citra tra yang diuj

ada yan baik, ada

dengan babisa disegmenya noise dkstraksi sehisi dilakukaebagai karakasil proses se

asi

da JST program p

metoda JST pakah JST sur hasil se

ditunjukka

URNAL IN

r 2011

baan yang pok hasil

mor.

si Hasil Ekstrak

uji hasilnya ang bisa juga yang

aik bahkan entasi. Hal

dalam citra ingga saat an noise kter. Tabel egmentasi

pengenalan dilakukan

udah dapat egmentasi.

an dalam

NFORMA

Ga Da

didapayang merupkaraktTabel 4

Da

keberh14,28%dibutuadalah

7. Pe

Peini terhadsebelutabel 4

ATIKA 

ambar 4.7 Hasi

ari pengujiaat bahwa msalah diken

pakan hasilter mengguk4.3 Hasil Pengu

ari tabel 4.3hasilan yan% sampai 8uhkan untuh antara 1,59

engujian Meengujian medigunakan

dap metodaumnya. Has4.4

il Metoda JST

an yang sudmasih terda

nali oleh JSl pengujiankaan JST ujian JST

3 terlihat bng didapat a85,71% danuk pengena9 detik samp

toda Templaetoda templ

sebagai a JST yanilnya ditunj

4

dah dilakukaapat karakte

ST. Tabel 4n pengenala

bahwa tingkadalah antar

n waktu yanalan karaktepai 1,89 detik

ate Matchinglate matchin

pembandinng digunakajukkan dalam

48

an er .3 an

kat ra ng er k.

g ng ng an m

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

Tabel 4.4 Hasil Metoda Template Matching

Dari tabel terlihat bahwa tingkat keberhasilan yang didapat adalah antara 42,85% sampai 100% sedangkan waktu yang diperlukan untuk proses pengenalan karakter adalah antara 18,84 detik sampai 22,93 detik.

V. Kesimpulan dan Saran 5.1. Kesimpulan

Dari pengujian yang sudah dilakukan terhadap program pengenalan plat nomor dapat diambil kesimpulan sebagai berikut : 1. Subprogram untuk menampilkan citra

input sudah dapat digunakan untuk menampilkan citra dan secara otomatis progam hanya menampilkan citra yang memiliki format bmp dan jpeg.

2. Subprogram pencarian plat nomor kendaraan sudah dapat digunakan untuk mencari plat nomor kendaraan, walaupun hasil yang didapat masih belum sempurna.

3. Subprogram segmentasi karakter dapat melakukan segmentasi karakter dengan baik untuk citra yang memiliki noise sedikit.

4. Subprogram peltaihan JSt membutuhkan waktu yang cukup bervariasi tergantung data dan parameter pelatihan yang digunakan.

5. Subprogram pengenalan karakter metoda JST memiliki tingkat keberhasilan rata – rata 46,32% dengan waktu rata – rata yang dibutuhkan adalah 1,76 detik.

6. Subprogram pengenalan JST dengan metoda template matching memiliki tingkat keberhasilan rata – rata 72,37% dengan waktu rata – rata yang dibutuhkan adalah 21,14 detik.

5.2. Saran Berikut ini adalah saran yang dapat

diberikan untuk meningkatkan kemampuan program : 1. Algoritma pencarian plat nomor

kendaraan dan ekstraksi perlu dirubah agar program dapat menemukan plat nomor kendaraan yang posisinya tidak hanya ditengah serta dapat melakukan ekstraksi plat nomor kendaraan dengan lebih baik

2. Perlu ditambahkan algoritma untuk menghilangkan noise yang ada dalam citra plat nomor kendaraan hasil ekstraksi, agar proses segmentasi dapat bekerja dengan lebih baik.

3. Program pelatihan jaringan saraf tiruan perlu disempurnakan agar dapat melakukan pelatihan jaringan saraf tiruan selain dengan metoda pelatihan trainlm.

4. Menambahkan data untuk pelatihan jaringan saraf tiruan agar didapat hasil yang lebih baik untuk pengenalan karakter.

DAFTAR PUSTAKA 1. Gonzales, Rafael C, 2002, “Digital

Image Processing” 2nd Edition, Prentice Hall.

2. Gonzales, Rafael C, 2004, “Digital Image Processing Using Matlab” 1st Edition, Prentice Hall.

JURNAL INFORMATIKA  

No.3 ,  Vol.  2, September – Desember 2011  48  

3. Kusumadewi, Dewi, 2003, “Artificial Intelligence (Teknik dan Aplikasinya)”, Graha Ilmu.

4. Hermawan, Arief, 2006, “Jaringan Saraf Tiruan (Teori dan Aplikasi)”, Andi.

5. Hery Purnomo, Mauridhi, Agus Kurniawan, 2006, “Supervised Neural Networks dan Aplikasinya”, Graha Ilmu

6. Jemmy, “Aplikasi Kamera Web Untuk Mengidentifikasi Plat Nomor Mobil”, Universitas Kristen Maranatha, 2008.

7. Marasi Manurung, Patardo, “Perangkat Lunak Pengenalan Plat Nomor Mobil Mengunakan Jaringan Kompetitif dan Jaringan Kohonen”, Universitas Indonesia, 2007.

8. Simon Haykin, Neural Networks : Acomprehensive Foundation, Pearson Education, cetakan ke-3 di India, 1999