Upload
lyanh
View
238
Download
0
Embed Size (px)
Citation preview
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