Upload
duongcong
View
227
Download
1
Embed Size (px)
Citation preview
PENGENALAN NOMOR PLAT KENDARAAN DENGAN METODE OTSU DAN KLASIFIKASI
K-NEAREST NEIGHBOUR
Skripsi
disusun sebagai salah satu syarat
untuk memperoleh gelar Sarjana Komputer
Program Studi Teknik Informatika
oleh
Maulidia Rahmah Hidayah
4611412021
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2017
ii
PERNYATAAN KEASLIAN SKRIPSI
Saya menyatakan bahwa skripsi ini bebas plagiat, kecuali yang secara tertulis
dirujuk dalam skripsi ini dan disebutkan dalam daftar pustaka. Apabila
dikemudian hari terbukti terdapat plagiat dalam skripsi ini, maka saya bersedia
menerima sanksi sesuai ketentuan peraturan perundang-undangan.
Semarang, Maret 2017
Maulidia Rahmah Hidayah
4611412021
iii
PERSETUJUAN PEMBIMBING
Nama : Maulidia Rahmah Hidayah
NIM : 4611412021
Program Studi : Teknik Informatika
Judul Skripsi : Pengenalan Nomor Plat Kendaraan dengan Metode Otsu dan
Klasifikasi K-Nearest Neighbour
Skripsi ini telah disetujui oleh pembimbing untuk diajukan ke sidang panitia
ujian skripsi Program Studi Teknik Informatika FMIPA UNNES.
Semarang, 21 Maret 2017
Pembimbing 1 Pembimbing 2
Isa Akhlis, S.Si., M.Si. Endang Sugiharti, S.Si., M.Kom.
NIP 197001021999031002 NIP 197401071999032001
iv
PENGESAHAN
Skripsi yang berjudul
Pengenalan Nomor Plat Kendaraan dengan Metode Otsu dan Klasifikasi K-Nearest Neighbour
disusun oleh
Maulidia Rahmah Hidayah
4611412021
telah dipertahankan di hadapan sidang Panitia Ujian Skripsi FMIPA UNNES pada
tanggal 29 Maret 2017.
Panitia:
Ketua
Prof. Dr. Zaenuri, S.E, M. Si, Akt
NIP 196412231988031001
Sekretaris
Endang Sugiharti, S.Si., M.Kom
NIP 197401071999032001
Ketua Penguji
Riza Arifudin, S.Pd., M.Cs
NIP 198005252005011001
Anggota Penguji/
Pembimbing I
Isa Akhlis, S.Si., M.Si.
NIP 197001021999031002
Anggota Penguji/
Pembimbing II
Endang Sugiharti, S.Si., M.Kom
NIP 197401071999032001
v
MOTTO DAN PERSEMBAHAN
MOTTO
“Sesungguhnya bukan mata itu yang buta, tapi yang buta ialah hati di dalam dada”
(Q.S Al-Hajj: 46).
“Perubahan tidak akan terjadi, jika dari diri saya tidak mengubahnya.”
“Kesulitan ada untuk memberi arti pada kemudahan”
PERSEMBAHAN
Skripsi ini kupersembahkan kepada:
1. Almarhum Bapak Ahmad Fauzi yang saya sayangi,
mohon maaf telah melewatkan momen-momen
terakhir dan terimakasih atas semua motivasi, doa
dan harapan-harapan baiknya yang luar biasa, serta
telah menjadi panutan semangat hidup.
2. Ibu Khumaeroh yang luar biasa, terimakasih atas
doa, motivasi dan dukungan pada setiap proses
mewujudkan cita-cita.
3. Adik saya tercinta, Adam Ihza Mahendra yang
selalu mendukung dan menyemangati.
4. Kakak-kakak saya, terimakasih banyak atas segala
doa dan dukungan baik secara doa maupun materiil.
5. Sahabat-sahabat Asrama Putri Muhammadiyah dan
IMM Hamka yang selalu menyemangati dan
menguatkan.
6. Teman-teman yang paling membahagiakan Ilkom
2012, dan Ilkom 2013 dan Ilkom 2014 serta teman
seperjuangan Rohis Al-Husna.
vi
ABSTRAK
Hidayah, M.R. 2017. Pengenalan Nomor Plat Kendaraan dengan Metode Otsu dan Klasifikasi K-Nearest Neighbour. Skripsi, Jurusan Ilmu Komputer Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang.
Pembimbing utama Isa Akhlis, S.Si., M.Si. dan Endang Sugiharti, S.Si., M.Kom.
Kata kunci: Plat Kendaraan, Citra, KNN, LPR, Pengenalan Pola.
Peningkatan pertumbuhan kendaraan juga harusnya diimbangi dengan
peningkatan pelayanan dan manajemen kendaraan. Topik yang sedang menarik
sebagai solusi mengenai hal tersebut adalah License Plate Recognition (LPR),
namun masih perlu adanya penelitian pengembangan dari metode LPR tersebut.
Beberapa penelitian sebelumnya menunjukan K-Nearest Neighbour (KNN)
berhasil pada pengenalan plat kendaraan mobil. Penelitian ini menggunakan
metode KNN dan metode Otsu pada sepeda motor. Penelitian ini memaparkan
pembangunan program LPR dan mencari hasil tingkat akurasi dari hasil
pengenalan nomor plat kendaraan sepeda motor dengan binerisasi Otsu dan KNN.
Tujuan dari penelitian ini adalah mengetahui implementasi dan akurasi penerapan
metode Otsu dan klasifikasi KNN pada pengenalan nomor plat kendaraan.
Metode yang digunakan dalam penelitian ini adalah metode Otsu untuk
mengekstraksi ciri dari citra plat (binerisasi) dan KNN sebagai metode
klasifikasinya. Metode yang digunakan untuk menganalisis permasalahan dalam
penelitian ini adalah studi pustaka, observasi, merumuskan masalah,
mengumpulkan dan mengolah data-data penelitian, merancang sistem,
mengimplementasi sistem, mengevaluasi sistem dan menarik kesimpulan.
Hasil penelitian ini adalah pembangunan program pengenalan plat nomor
kendaraan dengan metode Otsu dan klasifikasi dengan memanfaatkan GUI Matlab
R2014a. Pengenalan plat nomor pada kendaraan motor menjadi lebih sulit
daripada pengenalan plat nomor mobil karena kondisi fisik plat motor banyak
yang kurang layak serta posisi plat yang tidak sama antar sepeda motor.
Berdasarkan hasil penelitian di atas, dapat disimpulkan bahwa pengenalan
plat nomor kendaraan dengan metode Otsu dan klasifikasi KNN dengan
mengikuti langkah dari pengenalan pola seperti input and sensing, pre-processing, extraction feature, segmentation and grouping, classification dan post-processing. Hasil penelitian menunjukan bahwa hasil pengenalan sebanyak 82% plat dari 100
plat uji. Tingkat akurasi pengenalan angka sebesar 93,75% dan akurasi
pengenalan huruf sebesar 91,92%. Pengenalan plat nomor ini diharapkan dapat
dikembangkan menjadi sistem informasi parkir dengan pengenalan plat nomor
kendaraan secara otomatis, serta perlu adanya standarisasi plat nomor kendaraan
secara merata di Indonesia untuk pemanfaatan yang lebih luas.
vii
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT yang telah
melimpahkan segala rakhmat dan karunia-Nya sehingga penyusun dapat
menyelesaikan skripsi dengan judul “Pengenalan Nomor Plat Kendaraan
dengan Metode Otsu dan Klasifikasi K-Nearest Neighbour”. Penyusunan skripsi
ini bertujuan untuk memenuhi persyaratan memperoleh gelar Sarjana Komputer
pada Program Studi Teknik Informatika Universitas Negeri Semarang.
Skripsi ini dapat diselesaikan karena adanya kerjasama, bantuan dan
motivasi dari berbagai pihak. Ucapan terimakasih ini penulis tujukan kepada yang
terhormat:
1. Bapak Prof. Dr. Fathur Rokhman, M.Hum., Rektor Universitas Negeri
Semarang, yang telah memberikan kesempatan kepada penulis untuk
menyelesaikan Studi Strata 1 di Jurusan Ilmu Komputer Program Studi
Teknik Informatika FMIPA UNNES;
2. Bapak Prof. Dr. Zaenuri, S.E., M.Si., Akt., Dekan Fakultas Matematika dan
Ilmu Pengetahuan Alam Universitas Negeri Semarang yang telah
memberikan ijin kepada penulis untuk menyusun skripsi;
3. Bapak Isa Akhlis S.Si., M.Si, dosen pembimbing I yang dengan penuh
kesabaran memberikan bimbingan pada penulis dalam menyelesaikan skripsi;
4. Ibu Endang Sugiharti, S.Si., M.Kom., selaku ketua Jurusan Ilmu Komputer
dan dosen pembimbing II yang telah meluangkan waktu untuk memberikan
bimbingan pada penulis dalam menyelesaikan skripsi;
viii
5. Bapak Riza Arifudin S.Pd., M.Cs., selaku penguji yang telah memberikan
masukan dan saran dalam penyelesaian skripsi ini;
6. Orang tua tersayang dan tercinta, Bapak dan Ibu yang selalu membantu
memotivasi, penyemangat dalam menyelesaikan skripsi ini.
7. Bapak Much. Aziz Muslim S.Kom., M.Kom., selaku dosen wali dengan
penuh tanggung jawab dan semangat memberikan masukan-masukan
akademik.
8. Sahabat-sahabat Asrama Putri Muhammadiyah dan IMM Hamka yang telah
memberikan dorongan motivasi dan juga tempat untuk berbagi cerita;
9. Teman-teman Jurusan Ilmu Komputer yang telah memberikan motivasi dan
bantuan dalam penyelesaian skripsi ini;
10. Serta semua pihak yang tidak dapat penulis sebutkan satu persatu,
terimakasih atas bantuan dan motivasinya.
Semoga bantuan yang telah diberikan kepada penulis mendapatkan imbalan
dari Allah SWT.
Semarang, Maret 2017
Penulis
ix
DAFTAR ISI
Halaman
HALAMAN JUDUL .............................................................................................................. i
PERNYATAAN KEASLIAN ............................................................................................... ii
PERSETUJUAN PEMBIMBING ........................................................................................ iii
PENGESAHAN ................................................................................................................... iv
MOTTO DAN PERSEMBAHAN ......................................................................................... v
ABSTRAK ........................................................................................................................... vi
KATA PENGANTAR ........................................................................................................ vii
DAFTAR ISI ........................................................................................................................ ix
DAFTAR TABEL ................................................................................................................ xi
DAFTAR GAMBAR .......................................................................................................... xii
DAFTAR LAMPIRAN ...................................................................................................... xiii
BAB I PENDAHULUAN ..................................................................................................... 1
1.1 Latar Belakang ........................................................................................................ 1
1.2 Rumusan Masalah ................................................................................................... 4
1.3 Batasan Masalah ..................................................................................................... 5
1.4 Tujuan Penelitian .................................................................................................... 5
1.5 Manfaat Penelitian .................................................................................................. 6
1.6 Sistematika Penulisan ............................................................................................. 7
BAB II TINJAUAN PUSTAKA ............................................................................................ 9
2.1 Plat Nomor kendaraan ............................................................................................ 9
2.2 Pengenalan Plat Nomor Kendaraan ...................................................................... 10
2.3 Pengenalan Pola .................................................................................................... 10
2.4 Citra Digital .......................................................................................................... 12
2.5 Citra Gray-level .................................................................................................... 14
2.6 Citra Biner ............................................................................................................ 15
2.7 Metode Otsu.......................................................................................................... 16
2.8 Metode K-Nearest Neighbour............................................................................... 19
2.9 Penelitian Terkait .................................................................................................. 21
x
BAB III METODE PENELITIAN....................................................................................... 24
3.1 Objek Penelitian.................................................................................................... 24
3.2 Prosedur Pengambilan dan Pengumpulan Data .................................................... 24
3.3 Instrumen Penelitian ............................................................................................. 25
3.4 Metode Pengenalan Nomor Plat ........................................................................... 26
BAB IV HASIL DAN PEMBAHASAN ............................................................................. 29
4.1 Hasil Pengenalan Nomor Plat Kendaraan............................................................. 29
4.2 Analisis Hasil Penelitian ....................................................................................... 47
BAB V PENUTUP ............................................................................................................... 54
5.1 Simpulan ............................................................................................................... 54
5.2 Saran ..................................................................................................................... 55
DAFTAR PUSTAKA .......................................................................................................... 56
LAMPIRAN ......................................................................................................................... 59
xi
DAFTAR TABEL
Tabel Halaman
2.1 Penerapan Pengenalan Pola pada Kehidupan Sehari-hari .......................................... 11
4.1 Keterangan Desain interface GUI Matlab .................................................................. 37
4.2 Analisis Hasil Pengenalan .......................................................................................... 48
xii
DAFTAR GAMBAR
Gambar Halaman
2.1 Citra Biner dalam Bentuk Piksel dan Matriks ............................................................ 16
2.2 Tampilan Teks yang Telah dilakukan Metode Otsu .................................................. 17
3.1 Citra Input ................................................................................................................... 26
3.2 Font 0 yang digunakan sebagai Data Latih ................................................................ 26
4.1 Hasil Tangkapan Citra dengan Kamera ...................................................................... 30
4.2 Hasil Potongan Citra pada Paint ................................................................................. 30
4.3 Tampilan Template .mat ............................................................................................ 31
4.4 Citra Plat yang Sudah Bersih dari Noise .................................................................... 32
4.5 Hasil Binerisasi Otsu pada Citra Plat ......................................................................... 33
4.6 Citra Biner yang sudah terikat Bounding Box dan Tersegmentasi ............................. 34
4.7 Contoh Citra (Vektor) Biner dalam Bentuk Matriks .................................................. 34
4.8 Contoh Jika k=1 dengan Rumus Euclidean ............................................................... 35
4.9 Desain Interface GUI Pengenalan Karakter pada Plat Nomor Kendaraan ................. 37
4.10 Tampilan GUI Pengenalan Karakter Plat Nomor Kendaraan .................................. 38
4.11 Flowchart Input Data Citra Uji ................................................................................ 39
4.12 Tampilan Input Citra pada Program ......................................................................... 39
4.13 Flowchart Mengubah Citra Menjadi Grayscale....................................................... 40
4.14 Flowchart dari Metode Otsu .................................................................................... 41
4.15 Flowchart Menghilangkan Noise ............................................................................. 42
4.16 Tampilan pada GUI Setelah dibersihkan Noise........................................................ 43
4.17 Flowchart Memotong Baris Citra ............................................................................ 44
4.18 Flowchart Segmentasi Karakter ............................................................................... 45
4.19 Flowchart Pengenalan Karakter dengan KNN ......................................................... 46
4.20 Tampilan File Excel Hasil Pengenalan..................................................................... 47
4.21 Data98 (a) Citra Asli dan (b) Citra Biner ................................................................. 49
4.22 Hasil Pengenalan Plat dengan Font Tidak Standar .................................................. 50
4.23 Citra Biner Plat Jika Posisi Plat Miring .................................................................... 51
4.24 Citra Biner pada (a) Data45 dan (b)Data76 .............................................................. 52
xiii
DAFTAR LAMPIRAN
Lampiran Halaman
1. Desain Interface Program dengan Fungsinya .................................................................. 59
2. Hasil Pengenalan Nomor Plat Kendaraan Kendaraan ..................................................... 60
3. Source Code Program GUI pada Matlab ......................................................................... 66
4. Source Code Read Database pada File Excel ................................................................. 64
5. Dokumentasi Pengambilan Data ..................................................................................... 75
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pertumbuhan kendaraan di Indonesia dinilai semakin meningkat secara
signifikan. Data BPS Kota Semarang pada Kariada(2011), menyatakan bahwa
pertumbuhan kendaraan rata-rata kota besar di Indonesia sekitar 8% per tahun
dengan pertumbuhan ruas jalan hanya sekitar 2 – 5% per tahun. Kota Semarang
sendiri memiliki pertumbuhan kendaraan pribadi(mobil dan motor) sebanyak 2%.
Peningkatan pertumbuhan kendaraan tersebut juga harus diimbangi dengan upaya
peningkatan pelayanan untuk kendaraan seperti pada sistem parkir dan tol.
Dampak yang dapat ditimbulkan jika kurangnya peningkatan pelayanan tersebut
salah satunya adalah masalah efisiensi waktu.
Beberapa waktu terakhir, trend dan topik yang sedang menarik mengenai
upaya peningkatan pelayanan terhadap kendaraan umum seperti pada sistem
parkir dan tol adalah pengenalan nomor plat kendaraan secara otomatis atau
License Plate Recognition (LPR) (Xia, 2011 dan Anishiya, 2011). Tujuan LPR
adalah untuk meningkatkan efektivitas dalam sistem parkir dan jalan tol. LPR ini
memanfaatkan plat nomor kendaraan sebagai masukan identitas kendaraan dalam
sistem parkir atau tol.
Plat nomor kendaraan merupakan identitas kendaraan yang menunjukkan
nomor registrasi kendaraan bermotor. Berdasarkan Peraturan Kepala Kepolisian
2
Negara Republik Indonesia Nomor 5 Tahun 2012 tentang Registrasi dan
Identifikasi Kendaraan Bermotor pada pasal 1 ayat 7 yang menyatakan bahwa
Nomor Registrasi Kendaraan Bermotor yang selanjutnya disingkat NRKB adalah
tanda atau simbol yang berupa huruf atau angka atau kombinasi huruf dan angka
yang memuat kode wilayah dan nomor registrasi yang berfungsi sebagai identitas
Ranmor (Kendaraan Bermotor).
LPR dapat dilakukan dengan pengolahan citra dari plat yang ditangkap
menggunakan kamera. Sistem parkir di Indonesia masih banyak yang belum
memanfaatkan LPR karena masih banyaknya kendala dalam pemanfaatannya
terutama pada kendaraan sepeda motor. Penelitian pengembangan masih perlu
banyak dilakukan agar LPR dapat diterapkan secara efisien dengan mencari
metode yang terbaik dalam mengurangi kesalahan pengenalan nomor plat
kendaraan secara otomatis. Penelitian pengembangan mengenai LPR tersebut
membutuhkan kombinasi antara pengolahan citra dan kecerdasan buatan. Menurut
Khedidja(2015), tahapan dalam proses LPR yaitu preprocessing, feature
extraction (ekstraksi ciri) dan classification (pengelompokan). Tahapan proses
LPR tersebut sama dengan proses dari pengenalan pola. Karakter pada plat nomor
kendaraan sebagai objek juga bisa disebut sebagai pola. Pola adalah objek, proses
atau kejadian yang dapat diberi nama (identitas). Proses LPR dapat dijabarkan
lebih luas dengan penerapan pengenalan pola, proses pengenalan pola terdiri dari
sensing, segmentation and grouping, feature extraction, classification dan post
processing (Duda et al., 1991).
3
Bentuk plat nomor kendaraan pada mobil dan sepeda motor secara umum
sama, namun kondisi fisik dari plat sepeda motor banyak yang kurang baik. Mata
manusia dapat dengan mudah memisahkan background dengan foreground pada
plat, namun citra digital masih sulit melakukannya. Thresholding dapat membantu
secara efisien membantu membentuk citra biner dari histogram gray-level.
Menurut analisis Vala (2013), thresholding Otsu merupakan pengembangan dari
histogram yang dapat memberikan hasil segmentasi yang baik, sehingga membuat
hasil yang bersih dari noise salt and papper tanpa perhitungan gaussian.
Penelitian Putra (2004) juga menunjukkan bahwa proses binerisasi Otsu ini juga
akan mempermudah dalam proses segmentasi objek karena menghasilkan hasil
citra biner yang konsisten sehingga terlihat jelas polanya. Hasil segmentasi
tersebut nantinya yang akan diklasifikasikan.
Pengklasifikasian merupakan proses dalam pembagian objek yang sudah
diketahui labelnya (kelas). Metode yang digunakan dalam LPR baiknya adalah
metode klasifikasi yang tetap konsisten pada jumlah data besar. Jenis klasifikasi
yang dapat digunakan dalam jumlah data besar tersebut adalah k-Nearest
Neighbour(KNN). Algoritma KNN mengklasifikasikan berdasarkan jarak terdekat
antara data yang akan dievaluasi dengan titik terdekatnya dalam data pelatihan
(Lili et al., 2008). Kelebihan lain dari algoritma KNN adalah tangguh terhadap
noise data latih plat nomor yang memang memiliki banyak noise. Penelitian yang
dilakukan oleh Pramesti (2013) yaitu mengidentifikasi plat nomor kendaraan
menggunakan ekstraksi gabungan ICZ dan ZCZ dengan pengelompokannya
menggunakan k-Nearest Neighbours yang menghasilkan akurasi sebanyak
4
98,17%. Penelitian ini lebih besar akurasinya dibandingkan dengan penelitian
oleh Lesmana (2012) mengenai pengenalan nomor plat kendaraan menggunakan
ICZ dengan ekstraksi ciri Backpropagation yang hanya menghasilkan akurasi
sebanyak 82%. Sehingga pada penelitian ini akan menggunakan KNN untuk
klasifikasinya.
Penelitian ini dilakukan untuk mengetahui penerapan metode Otsu dan
klasifikasi KNN pada LPR, oleh karena itu, diperlukan suatu perhitungan tingkat
akurasi dari penggunaan metode Otsu dan klasifikasi KNN. Objek yang akan
digunakan dalam pengenalan nomor plat kendaraan ini adalah citra plat motor
yang berada di halaman parkir Fakultas Matematika dan Ilmu Pengetahuan Alam
(FMIPA) Universitas Negeri Semarang.
Berdasarkan latar belakang permasalahan tersebut, maka akan dilakukan
penelitian yang berjudul “PENGENALAN NOMOR PLAT KENDARAAN
DENGAN METODE OTSU DAN KLASIFIKASI K-NEAREST
NEIGHBOUR”.
1.2 Rumusan Masalah
Berdasarkan latar belakang tersebut, maka didapat rumusan masalahnya
adalah sebagai berikut.
1. Bagaimana pengenalan nomor plat kendaraan dengan Metode Otsu dan K-
Nearest Neigbour.
2. Berapa tingkat akurasi dari pengenalan nomor plat kendaraan dengan Metode
Otsu dan K-Nearest Neigbour.
5
6
1.3 Batasan Masalah
Sebuah aplikasi yang baik harus jelas sistem apa yang ada, sehingga tujuan
dari pembuatan aplikasi tersebut dapat terpenuhi dengan baik. Maka dari itu,
ruang lingkup perlu dibatasi. Berikut merupakan batasan-batasan dari penelitian
ini.
1. Citra masukan adalah citra plat nomor kendaaraan dalam aras RGB dengan
format file .jpg.
2. Objek citra yang digunakan untuk pengamatan adalah sepeda motor.
3. Plat yang digunakan adalah plat kendaraan pribadi (bukan kendaraan dinas).
4. Penelitian ini menggunakan 100 data uji dan 294 font data latih.
5. Citra masukan hanya bagian plat atas (identitas kendaraan).
6. Penelitian dilaksanakan pada halaman parkir Fakultas Matematika dan Ilmu
Pengetahuan Alam (FMIPA) Universitas Negeri Semarang.
7. Pengambilan citra plat nomor dilakukan pada pagi hari.
8. Penangkapan citra plat nomor kendaraan menggunakan kamera DSLR.
9. Metode yang digunakan untuk ekstraksi ciri adalah Metode Otsu.
10. Metode yang digunakan untuk pengelompokan (klasifikasi) adalah k-Nearest
Neighbour.
11. Pengenalan nomor plat kendaraan ini akan dilakukan melalui penggunaan
aplikasi pendukung seperti Matlab R2014a dan Paint.
7
1.4 Tujuan Penelitian
Tujuan dari penelitian pengenalan nomor plat dengan Metode Otsu dan
klasifikasi KNN adalah sebagai berikut.
1. Untuk membangun sebuah aplikasi untuk pengenalan nomor plat motor
dengan Metode Otsu dan K-Nearest Neigbour.
2. Untuk mengetahui tingkat akurasi dari pengenalan nomor plat kendaraan
dengan Metode Otsu dan K-Nearest Neigbour.
1.5 Manfaat Penelitian
Manfaat dari penelitian pengenalan nomor plat ini adalah sebagai berikut.
1.5.1 Bagi Peneliti
Manfaat yang dapat didapat bagi peneliti adalah dapat mengembangkan
penelitian sebelumnya untuk mencari metode terbaik pada pengenalan nomor plat
kendaraan.
1.5.2 Bagi Institusi
Manfaat yang didapat bagi instansi, seperti Jurusan Ilmu Komputer dan
Universitas Negeri Semarang adalah dapat dijadikan sebagai referensi dalam
penelitian mengenai pengolahan citra, Metode Otsu dan K-Nearest Neigbour.
1.5.3 Bagi Masyarakat
Manfaat bagi masyarakat dengan adanya penelitian ini menambah
pengetahuan mengenai penggunaan pengolahan citra dalam kehidupan sehari-hari,
serta diharapkan dapat membantu dalam upaya meningkatkan pelayanan sistem
parkir dan tol dan pemanfaatan lain untuk LPR tersebut.
8
1.6 Sistematika Penulisan
Sistematika penulisan skripsi ini secara garis besar terbagi menjadi tiga
bagian utama seperti berikut.
1) Bagian awal skripsi
Bagian awal skripsi terdiri dari halaman judul, halaman pengesahan, halaman
pernyataan, halaman motto dan persembahan, abstrak, kata pengantar, daftar isi,
daftar gambar, daftar tabel dan daftar lampiran.
2) Bagian isi skripsi
Bagian isi skripsi ini terdiri dari 5 bab inti yaitu sebagai berikut.
a. Bab 1: Pendahuluan
Bab ini terdiri dari latar belakang, rumusan masalah, batasan masalah, tujuan
dan manfaat penelitian serta sistematika penulisan skripsi.
b. Bab 2: Tinjauan Pustaka
Bab ini terdiri dari landasan teori dan penelitian terkait.
c. Bab 3: Metode Penelitian
Bab ini terdiri atas objek, waktu dan lokasi penelitian, sumber data, dan analisa
dan metode yang digunakan.
d. Bab 4: Hasil dan Pembahasan
Bab ini terdiri dari hasil penelitian dan pembahasan dari hasil penelitian.
e. Bab 5: Penutup
Bab ini terdiri dari simpulan penelitian dan saran untuk penelitian selanjutnya.
9
3) Bagian akhir skripsi
Bagian akhir skripsi ini berisi daftar pustaka yang merupakan daftar referensi
buku, jurnal dan sumber-sumber ilmiah lain yang digunakan penulis dalam
penulisan skripsi ini, serta lampiran-lampiran yang mendukung dalam penulisan
skripsi ini.
9
BAB II
LANDASAN TEORI
2.1 Plat Nomor Kendaraan
Plat nomor kendaraan merupakan identitas kendaraan yang mencantumkan
nomor registrasi kendaraan bermotor. Berdasarkan Peraturan Kepala Kepolisian
Negara Republik Indonesia Nomor 5 Tahun 2012 tentang Registrasi dan
Identifikasi Kendaraan Bermotor pada pasal 1 ayat 7 yang menyatakan bahwa
Nomor Registrasi Kendaraan Bermotor yang selanjutnya disingkat NRKB
adalah tanda atau simbol yang berupa huruf atau angka atau kombinasi huruf
dan angka yang memuat kode wilayah dan nomor registrasi yang berfungsi
sebagai identitas Ranmor (Kendaraan Bermotor).
Tanda Nomor Kendaraan Bermotor (TNKB) atau yang biasa disebut dengan
plat nomor dijelaskan pada pasal 1 ayat 10 yang didefinisikan sebagai tanda
registrasi kendaraan bermotor yang berfungsi sebagai bukti legitimasi
pengoperasian kendaraan bermotor berupa pelat atau berbahan lain dengan
spesifikasi tertentu yang diterbitkan Polri dan berisikan kode wilayah, nomor
registrasi serta masa berlaku dan dipasang pada Ranmor. TNKB berbentuk plat
aluminium yang terdiri dari dua baris, baris pertama menunjukan kode wilayah
dalam huruf, nomor polisi dalam angka, serta kode akhir wilayah dalam huruf.
Baris kedua menunjukkan bulan dan tahun masa berlaku plat. Bahan baku
TNKB
10
adalah aluminium dengan tebal 1 mm. Ukuran standar TNKB pada kendaraan
bermotor roda 2 adalah 275 x 110 mm.
2.2 Pengenalan Plat nomor Kendaraan
Menurut Roberts (2012), sistem pengenalan plat nomor sudah ada sejak
tahun 1976 di U.K. dan masih digunakan hingga sekarang ini. Sistem pengenalan
plat ini berfungsi untuk secara otomatis menangkap gambar dari plat kendaraan,
mengubah citra plat menjadi karakter alfanumerik dapat menggunakan Optical
Character Recognition (OCR) atau pengolahan citra. Pengenalan plat dengan
membandingkan plat nomor yang diperoleh pada database kendaraan yang
menarik bagi penegak hukum (polisi) untuk mengingatkan ketika kendaraan
masuk. Pengenalan plat nomor yang baik adalah ketika citra di tangkap dan
dianalisis dan perbandingan secara otomatis dapat terjadi dalam hitungan detik.
Adanya pengenalan plat nomor secara automatis ini bukan berarti tanpa campur
tangan manusia, petugas juga diperlukan untuk pemantauan dan validasi bahwa
pengenalan plat nomor tersebut valid.
2.3 Pengenalan Pola
Pola merupakan sebuah entitas yang terdefinisi karena ciri-cirinya (feature)
yang dapat membedakan antara yang satu dengan yang lain. Menurut Nasution
(2010), ciri yang baik adalah ciri yang memiliki daya pembeda yang tinggi
sehingga pengklasifikasian dapat dihasilkan dengan keakuratan yang tinggi.
Pengenalan pola adalah suatu model, algoritma, dan sistem untuk
11
mengklasifikasikan pola ke dalam beberapa kelas untuk menemukan hubungan
suatu pola terhadap pola sebelumnya. Pengenalan pola dapat ditemukan dalam
kehidupan sehari-hari seperti pengenalan wajah, pengenalan tulisan tangan dan
pengenalan kematangan makanan.
Contoh penerapan (aplikasi) pengenalan pola menurut Theodoridis (2006:
1-3), dapat dibedakan menjadi beberapa jenis seperti pada Tabel 2.1.
Tabel 2.1 Penerapan Pengenalan Pola pada Kehidupan Sehari-hari
No. Jenis Pengenalan Penerapan
1. Optical Character
Recognition (OCR)
� Handwritten: mengklasifikasikan karakter
dengan kode postal
� Printed texts: mesin pembaca untuk orang
buta, dan mendigitalisasikan teks
dokumen.
2. Biometrics � Face recognition, verification, retrieval.
� Finger prints recognition.
� Speech recognition
3. Diagnostics Systems � Diagnosis medis: X-Ray, ECG analysis.
4. Military Applications � Automated target recognition (ATR)
� Image segmentation and analysis
(recognition from aerial or satelite
photographs).
Sebuah objek agar dapat mengenali suatu pola menurut Duda et
al.(1991:16-17), maka perlu adanya rule dari data menurut ada 3 jenis seperti
berikut.
12
a. Supervised learning: user menyediakan nilai atau bobot untuk masing-masing
pola dalam data uji.
b. Unsupervised learning: sistem membentuk cluster atau pengelompokan
secara alami dari pola yang dimasukan.
c. Reinforcement learning: terdapat kelas sementara dan target yang sudah
diketahui dapat dikembangkan menjadi pengklasifikasian.
Proses pengenalan pola terdiri dari beberapa langkah seperti sensing yaitu
proses pengambilan dan pemasukan data yang kemudian data diproses dengan
karakteristik yang ada. Segmentation and grouping yaitu memisahkan objek yang
satu dengan yang lain kemudian dibagi dalam beberapa kelas. Feature extraction
yaitu menemukan ciri khas dari segi fitur objek. Classification yaitu
menggunakan fitur dan algoritma pembelajaran untuk menetapkan pola pada
suatu kelas tertentu. Post-processing yaitu dengan melakukan evaluasi tingkat
keberhasilan dalam keputusan(Duda et al., 1991).
Sistem pada pengenalan pola dapat diartikan sebagai keseluruhan bagian
dari pengenalan pola mulai dari input, proces dan output. Pengenalan pola
menurut Kusumadewi (2003), memiliki siklus desain sistem yaitu Collect data,
mengumpulkan data training (data latih) dan data uji. Langkah tersebut kemudian
dilanjutkan dengan pemilihan features dan pemilihan model. Pengujian kemudian
dapat dilakukan baik berupa supervised learning, unsupervised learning, maupun
reinforcement learning. Tahapan siklus yang terakhir adalah evaluasi, dengan
menghitung kinerja fitur data yang digunakan.
13
2.4 Citra Digital
Citra dapat didefinisikan sebagai fungsi 2 Dimensi, f(x,y) dengan x dan y
sebagai koordinat spasial amplitudo f pada pasangan koordinat (x,y) yang disebut
intensitas atau tingkat keabuan citra titik tersebut. Jika x, y dan f semuanya
sehingga dan nilainya diskrit, citra tersebut biasa disebut sebagai citra digital
(gonzales et al, 2011). Citra digital berasal dari pantulan cahaya yang ditangkap
oleh alat-alat optik seperti mata manusia, kamera, scanner, dan sebagainya,
sehingga bayangan objek disebut citra tersebut terekam.
Citra digital yang disimpan memiliki beberapa format penyimpan citra
seperti BMP, GIF, TIFX, PCX, JPG dan lain-lain. Format yang paling banyak
digunakan adalah JPG (JPEG) karena format tersebut ukuran filenya tidak terlalu
besar dibandingkan dengan BMP dengan kualitas yang cukup baik.
Pengolahan citra digital adalah proses gambar 2 dimensi dengan
menggunakan komputer. Citra digital adalah sebuah larik (array) yang berisi
nilai-nilai real maupun kompleks yang direpresentasikan dalam barisan bit
tertentu (Putra, 2010: 19). Pengolahan citra dilakukan proses filter, filter adalah
proses citra yang menggunakan citra asli untuk mendapatkan citra yang lebih
bagus. Pengolahan citra merupakan proses mengubah citra kedalam bentuk yang
lebih baik. Citra dalam dunia komputer tidak hanya terdapat bidang pengolahan
citra (image processing), tetapi juga ada grafika komputer (computer graphics),
dan pengenalan pola(pattern recognition).
14
Pada penelitian ini, penulis menggunakan citra plat nomor kendaraaan. Citra
yang telah penulis tangkap dan olah adalah citra plat nomor kendaraan yang pada
pengolahan citra dan pengenalan pola.
15
2.5 Citra Gray-level
Citra gray-level (grayscale) merupakan salah satu hasil pengolahan citra
sebagai penyederhanaan proses. Citra grayscale lebih sederhana karena setiap
nilai pikselnya adalah sampel tunggal. Grayscale didapat dari pemanfaatan warna
gray (abu-abu) sebanyak 256 tingkat gradasi. Setiap pikselnya (picture element)
mempunyai nilai kecerahan antara 0 (hitam) hingga 255 (putih). Menurut Otsu
(1979), rumus untuk konversi citra RGB pada tiap sel (x,y) menjadi ke skala
keabuan adalah sebagai berikut.
Fungsi pada matlab (Mathworks, --) untuk mengubah citra RGB pada tiap sel(x,y)
menjadi aras keabuan adalah rgb2gray, namun jika dengan fungsi tersebut
maka rumus perhitungan konversi menjadi seperti berikut.
Suatu citra grayscale terdiri dari sekumpulan kotak penyimpanan bit-bit citra
yang masing-masing kotak menyimpan nilai grayscale antara 0 hingga 2g, g
merupakan nilai integer. Kotak-kotak tersebut terisi suatu piksel dan array dari
piksel-piksel tersebut dibentuk dengan M baris horisontal dan N kolom vertikal.
Tampilan grayscale untuk memperoleh warna putih pada permukaan
phosphorescent, hanya diberi warna yang tidak benar-benar putih. Permukaan
hitam pada phosphorescent diperoleh dari warna gray yang digelapkan. Jadi
warna putih harus sangat cerah untuk lebih menegaskan penglihatan
mempersepsikan warna gray sebagai hitam. Ekstraksi ciri matriks kookurensi
grayscale diperoleh dari perhitungan probabilitas hubungan ketetanggan antara
16
dua piksel pada jarak dan sudut orientasi sudut tertentu. Langkah-langkah untuk
mengekstraksi ciri pada matriks kookurensinya adalah 1) tentukan area kerja
matriks; 2) tentukan hubungan spasial piksel referensi dengan piksel tetangga; 3)
tentukan jumlah kookurensi dan isi pada area kerja; 4) jumlah matriks kookurensi
dengan transposenya agar simetris kemudian; 5) normalisasi matriks
(Eksaprianda, 2011 : 34).
2.6 Citra Biner
Citra biner adalah citra yang hanya memiliki nilai hitam dan putih. Menurut
Gonzales et al, (2011) proses binerisasi citra grayscale menjadi citra biner adalah
dengan persamaan sebagai berikut.
dengan adalah citra biner dan adalah citra grayscale, T adalah nilai
ambang. Nilai ambang T dapat ditentukan dengan 3 jenis cara seperti berikut.
(1) Nilai ambang global (Global Threshold)
Dengan T berdasarkan pada nilai grayscale dari pixel pada posisi x,y.
(2) Nilai ambang lokal (Local Threshold)
dengan T berdasarkan pada piksel ketetanggaan, dan A(x,y) adalah piksel
tetangga.
(3) Nilai ambang dinamis (Dynamic Threshold)
17
Dengan T berdasarkan pada koordinat piksel.
Jadi citra biner merupakan citra yang hanya terdiri dari nilai 0 (hitam) dan 255
(putih).
0 255 0
0 255 0
0 0 0
0 255 0
0 255 0
Gambar 2.1 Citra Biner dalam bentuk piksel dan matriks
2.7 Metode Otsu
Metode Otsu adalah metode yang mengubah citra grayscale menjadi
kumpulan bilangan biner berdasarkan nilai threshold dengan nilai warna piksel
citra digital. Threshold metode Otsu diperkenalkan pertama kali oleh Otsu (1979)
dalam artikelnya yang berjudul A Threshold Selection Method from Gray-Level
Histogram. Pendekatan yang dilakukan metode Otsu adalah dengan analisis
diskriminan yaitu dengan menentukan variabel yang dapat membedakan antara
dua atau lebih kelompok secara alami tanpa menentukan nilai ambang dengan
bantuan user (Putra, 2010). Analisis diskriminan ini berfungsi untuk
memaksimumkan variabel sehingga objek dapat membagi latar depan
18
(Foreground) dan latar belakang (Background), sehingga metode ini disebut juga
Optimum Threshold Otsu.
Menurut Gonzales (2009), metode Otsu menggunakan nilai histogram untuk
menunjukan nilai intensitas dari setiap piksel pada citra 1 dimensi. Nilai pada
histogram tersebut kemudian dapat dikelompokan berdasarkan nilai ambang atau
threshold. Threshold yang dapat mengelompokan intensitas sedemikian rupa
sehingga nilai threshold ini dapat dinyatakan optimal. Jadi metode Otsu ini
metode segmentasi yang dilakukan berdasarkan nilai intensitas. Hasil dari teks
grayscale yang telah dilakukan metode Otsu seperti pada gambar 2.2 berikut.
Gambar 2.2 Tampilan teks yang telah dilakukan Metode Otsu
Nilai citra grayscale berkisar antara 1 hingga 255 sehingga nilai ambang
yang dicari ada dalam jangkauan nilai tersebut. Sedangkan nilai citra biner
berkisar hanya 0 dan 1.
Algoritma metode Otsu dapat dilakukan dengan langkah-langkah sebagai
berikut.
(1) Membuat histogram citra grayscale,
(2) Mengubah nilai intensitas piksel dengan thresholding,
(3) Pada citra 2D grayscale, fungsi metode Otsu yaitu dengan menentukan
probabilitas intensitas citra dengan membagi nilai jumlah piksel dengan nilai
piksel,
19
(4) Kemudian membandingkan dengan nilai ambang batas (T) tanpa input dari
user.
Sedangkan proses penentuan nilai ambang batas menurut Putra(2004) adalah
sebagai berikut.
a. Mengetahui nilai probabilitas grayscale, dengan formula seperti berikut
dengan = jumlah piksel pada level ke i dan N = total jumlah piksel pada
citra.
b. Mengetahui zeroth cumulative moment adalah sebagai berikut.
c. Mengetahui nilai total rata-rata adalah sebagai berikut.
d. Nilai ambang T dapat ditentukan dengan persamaan sebagai berikut.
dengan
e. Membandingkan nilai piksel dengan nilai batas ambang (variansi).
20
dengan = citra biner dari grayscale , dan T= nilai ambang
batas.
Jika nilai kurang dari nilai ambang bernilai menjadi 0 dan jika lebih dari
nilai ambang maka nilai piksel menjadi 1.
Sedangkan pada penggunaan matlab, fungsi untuk metode Otsu adalah
graythresh. Penggunaan metode Otsu pada penelitian ini digunakan untuk
memudahkan pengenalan objek(karakter) sebelum diklasifikasikan.
2.8 Metode K-Nearest Neighbour (KNN)
K-Nearest Neighbour (KNN) adalah salah satu metode untuk
pengklasifikasian. KNN dalam mengklasifikasikan berdasarkan jarak terdekat
antara data yang akan dievaluasi dengan KNN terdekatnya dalam data pelatihan
(Lili et al., 2008). Berikut fungsi yang digunakan untuk mencari jarak tersebut
dengan menggunakan rumus Euclidean.
sampel data (data latih)
data uji
i = variabel data
jarak
p = dimensi data
21
Menurut Han et al. (2012: 421-425), metode KNN pertama kali dijelaskan pada
awal 1950-an. Seiring meningkatnya penggunaan daya komputasi yang tersedia,
sehingga KNN berkembang hingga digunakan pada bidang pengenalan pola
(pattern recognition). Pengklasifikasian KNN didasarkan pada analogi seperti
membandingkan data uji dengan data latih yang mirip dengannya. Data latih
diberikan sebanyak n atribut. Setiap data merupakan titik dalam ruang n-dimensi.
Semua data pelatihan disimpan diruang pola n-dimensi. Ketika data yang tidak
diketahui, KNN akan mencari ruang pola untuk k data pelatihan yang terdekat
dengan data yang tidak diketahui. Pengklafikasian KNN, data akan masuk dalam
kelas yang paling umum (banyak kesamaan) diantara k tetangga terdekatnya.
KNN ketika diberikan “unknown” data maka data akan mencari pola ruang k data
latih yang paling dekat dengan “unknown” data tersebut. k data latih ini adalah k
nearest neighbour dari “unknown” data. “Unknown” data ditetapkan dengan
kelas yang paling banyak kesamaan diantara k nearest neighhbour. Ketika k=1,
maka “unknown” data ditetapkan dengan kelas dari data latih yang paling dekat
dengan polanya. Algoritma dalam pengklasifikasian KNN adalah sebagai berikut.
(1) Menentukan parameter k yaitu jumlah tetangga terdekat,
(2) Hitung jarak antara data baru dengan semua data latih,
(3) Mengurutkan jarak antara data baru dan data latih tersebut,
(4) Menentukan tetangga terdekat berdasarkan jarak minimum ke-k,
(5) Memeriksa kelas dari tetangga terdekat,
(6) Menggunakan mayoritas sederhana dari kelas tetangga terdekat untuk
mengetahui nilai prediksi data uji (baru).
22
Tingkat akurasi pengelompokan KNN dipercaya sangat bagus pada jarak
tertentu. Penelitian secara luas dilakukan sebagai pengembangan dari metode
KNN yang fokus pada cara baru dalam penentuan jarak dengan pembelajaran
otomatis (Keller, 1985).
2.9 Penelitian Terkait
1) Penelitian yang dilakukan oleh Taningrum (2013) yang berjudul Sistem
Pengidentifikasian Plat Nomor Kendaraan Mobil Menggunakan Principal
Component Analysis dan Klasifikasi K-NN. Tujuan dari penelitian ini
adalah pemantauan ketertiban kendaraan. Metode yang digunakan adalah
Principal Component Analysis sebagai metode ekstraksi ciri dan K-NN
sebagai pengklasifikasikan karakter. Hasil dari penelitian tersebut adalah
sistem mampu mengenali 44 letak plat uji dengan akurasi 97,78%, akurasi
segmentasi karakter sebesar 99,10%.
2) Penelitian pengenalan nomor plat sudah dilakukan oleh beberapa orang,
seperti yang dilakukan oleh Pramesti (2013) yaitu mengidentifikasi plat
nomor kendaraan menggunakan ekstraksi gabungan ICZ dan ZCZ dengan
pengelompokannya menggunakan k-Nearest Neighbours yang
menghasilkan akurasi sebanyak 98,17 %. Penelitian ini lebih besar
akurasinya dibandingkan dengan penelitian oleh Lesmana (2012) mengenai
pengenalan nomor plat kendaraan menggunakan ICZ dengan ekstraksi ciri
Backpropagation yang hanya menghasilkan akurasi sebanyak 82%.
3) Dikutip dari sebuah artikel ilmiah yang berjudul Pengenalan Plat Nomor
Kendaraan Secara Offline dengan Teknik Optimasi Algoritma Genetika.
23
Penelitian ini yang dilakukan oleh Yuli Sun Hariyani, Bambang Hidayat dan
Iwan Iwut Tirtoasmoro pada tahun 2013. Hasil dari penelitian ini adalah
proses deteksi dan ekstraksi plat dengan kombinasi deteksi tepi dan
morfologi citra menghasilkan akurasi sebesar 76,67%. Penelitian yang
dilakukan dengan ekstraksi pola, ekstraksi ciri grid, ekstraksi ciri grid
dengan overlapping dan ekstraksi ciri gabungan, maka ekstraksi ciri grid
yang menghasilkan akurasi tertinggi sebesar 93,8% pada jumlah grid 16 x 8
dengan jumlah ciri 128. Hasil akurasi dengan pengklasifikasian KNN
dengan karakter uji sebesar 90,63% dan menghasilkan 86,46% dengan
pengklasifikasian JST-Backpropogation. Optimasi pemilihann ciri dan
klasifikasi dengan KNN didapat akurasi sebesar 100% mengenali karakter
uji dengan jumlah ciri berkurang sebesar 48%, sedangkan dengan
Backpropogation sebesar 95,31%. Pengklasifikasian KNN menghasilkan
akurasi sebesar 92,31% yang inputnya berupa video dan 89,62% yang
berupa masukan citra. Pengklasifikasian Backpropogation menghasilkan
88,46% dan 87,26%.
4) Penelitian mengenai metode Otsu dilakukan oleh Putra (2004), yang
berjudul Binerisasi Citra Tangan dengan Metode Otsu. Tujuan penelitian ini
adalah menentukan ciri-ciri geometri citra tangan yang dapat digunakan
dalam sistem autentikasi. Hasil penelitian menunjukan metode Otsu mampu
memberikan hasil citra tangan biner sangat memuaskan dan membuat citra
biner yang lebih konsisten.
24
5) Vala (2013) mereview metode Otsu pada segmentasi citra menyatakan
bahwa metode Otsu adalah salah satu metode paling berhasil untuk image
thresholding karena perhitungannya yang sederhana. Metode Otsu
segmentasi threshold otomatis berdasarkan pemilihan daerah citra.
6) Avianto (2016), melakukan penelitian mengenai pengenalan pola karakter
plat nomor kendaraan menggunakan algoritma momentum Backpropagation
Neural Network. Tujuan dari penelitian tersebut adalah mengembangkan
penelitian mengenai kebutuhan sistem identifikasi kendaraan.
Backpropagation Neural Network tersebut untuk mengenali karakter dari
citra plat nomor yang sebelumnya sudah tersegmentasi. Hasil penelitiannya
menunjukkan bahwa 268 dari 276 karakter angka dan huruf dapat dikenali
dengan tingkat akurasi sebanyak 97,10%.
54
BAB V
PENUTUP
5.1 Simpulan
Berdasarkan uraian, hasil analisis dan pembahasan hasil penelitian yang telah
dilakukan, maka dapat disimpulkan sebagai berikut.
1. Proses pengenalan nomor plat kendaraan menggunakan metode Otsu dan
klasifikasi KNN pada penelitian ini berbasis proses pengenalan pola dengan
memanfaatkan vektor biner dengan tanpa pengaruh penententuan nilai batas
ambang terlebih dahulu sehingga mendapatkan hasil segmentasi yang lebih
bagus. Proses pengenalan pola memiliki tahapan-tahapan seperti tahap input
and sensing citra ke dalam program, tahap pre-processing dengan mengubah
citra menjadi grayscale dan membersihkan citra dari noise, tahap extraction
feature dengan menggunakan metode Otsu menjadi citra biner, tahap
Segmentation yaitu terdiri dari segmentasi baris dan perkarakter, Classification
dengan metode KNN berdasarkan nilai kedekatan data latih dengan data uji,
dan post-processing yaitu mengevaluasi keberhasilan dengan menghitung nilai
akurasinya.
2. Tingkat akurasi dari pengenalan nomor plat kendaraan dengan menggunakan
metode Otsu dan klasifikasi KNN yaitu dapat mengenali 82% plat nomor
kendaraan dari 100 plat nomor data uji, akurasi pengenalan angka 93,75% dan
akurasi pengenalan huruf sebesar 91,92%.
55
5.2 Saran Berdasarkan simpulan hasil penelitian, penulis memberikan beberapa saran
dengan tujuan memberikan sumbangan pemikiran untuk meningkatkan pelayanan
masyarakat untuk dibuatnya sistem parkir dengan pengenalan plat nomor
kendaraan secara otomatis.
1. Sistem pengenalan plat nomor kendaraan ini diharapkan dikembangkan
menjadi sebuah sistem informasi parkir yang secara otomatis untuk mengenali
plat nomor kendaraan. Sistem tersebut terhubung dengan perangkat lain seperti
kamera CCTV, komputer loket dan lain sebagainya. Hal ini agar implementasi
dari penelitian ini dapat diterapkan secara nyata dalam kehidupan sehari-hari.
2. Plat nomor kendaraan berbeda-beda dan keadaan fisik dari plat masih banyak
yang kurang layak, terutama plat nomor kendaraan motor. Perlu adanya
standarisasi bentuk plat secara nasional, agar implementasi sistem menjadi
mudah. Pengenalan plat nomor motor lebih sulit dibandingkan dengan
pengenalan plat nomor mobil.
3. Penggunaan metode Otsu masih pada penelitian masih bergantung terhadap
hasil bentuk input plat nomor kendaraan, sehingga perlu adanya penggunaan
deteksi tepi untuk mempermudah mengetahui proses bentuk plat. Selain itu,
pencahayaan pengambilan citra juga akan mempengaruhi hasil segmentasi
sehingga perlu adanya algoritma untuk mengatur intensitas cahaya citra.
56
DAFTAR PUSTAKA
Afandi, T. 2009. Penerapan Jaringan Saraf Turuan untuk Pengenalan Pola Huruf dengan Metode Backpropagation. Skripsi. Medan: FMIPA Universitas
Sumatera Utara.
Ahmad, U. 2005. Pengolahan Citra Digital & Teknik Pemrogramannya.
Yogyakarta: Penerbit Graha Ilmu.
Anishiya, P. & P.S.M. Joans. 2011. Number Plate Recognition for Indian Cras
Using Morphological Dilation and Erosion with the Aid Of Ocrs. 2011 International Conference on Information and Network Technology, 4: 115-
119.
Avianto, D. 2016. Pengenalan Pola Karakter Plat Nomor Kendaraan
Menggunakan Momentum Backpropagation Neural Network. Jurnal Informatika, 10(1): 1199-1209.
Cover, T.M. & P.E. Hart. 1967. Nearest Neighbour Pattern Classification. IEEE Transaction of Information Theory, 13(1): 21-27.
Cunningham, P. & S.J. Delany. 2007. K-Nearest Neighbour Classifiers. Laporan
penelitian UCD-CSI-2007-4. Dublin: University College Dublin – Dublin
Institute of Technology. Tersedia di https://csiweb.ucd.ie/files/UCD-CSI-
2007-4.pdf [diakses pada 3-1-2017].
Duda, R.O., P.E. Hart, & D.G. Stork. 1991. Pattern Classification(2nd
ed.). New
York: Wiley-Interschence.
Eksaprianda, A., R.R. Isnanto, & I. Santoso. 2011. Deteksi Kondisi Organ
Pankreas Melalui Iris Mata Menggunakan Jaringan Syaraf Tiruan Metode
Perambatan Balik dengan Pencirian Matriks Ko-Okurensi Aras Keabuan.
TRANSMISI, 13(1): 33-38.
Gonzalez, R.C., & R.E. Woods. 2011. Digital Image Processing (3th
ed.). New
Jersey: Prentice Hall.
Gonzalez, R.C., R.E Woods, & S.L. Eddins. 2009. Digital Image Processing Using Matlab. New Jersey: Prentice Hall.
Han, J., M. Kamber, & J. Pei. 2012. Data Mining Concepts and Techniques (3th
ed.). Waltham: Morgan Kaufmann Publishers.
Hariyani, Y.S., B. Hidayat, & I.T. Tirtoasmoro. 2013. Pengenalan Plat Nomor Kendaraan Secara Offline dengan Teknik Optimasi Algoritma Genetika.
Skripsi. Bandung: Telkom University.
57
Keller, J.M., M.R. Gray, & J.A. Givens. 1985. A Fuzzy K-Nearest Neighbour
Algorithm. IEEE Transaction on Systems, Man and Cybernetics, 15(4):
580-585.
Kariada, N. 2011. Tingkat Kualitas Udara di Jalan Protokol Kota Semarang.
Sainteknol, 9(2): 111-120.
Kepolisian Negara Republik Indonesia. 2012. Peraturan Kepala Kepolisian
Negara Republik Indonesia Nomor 5 Tahun 2012: Registrasi dan
Identifikasi Kendaraan Bermotor.
Khedidja, D. & M. Hayet. 2015. Printed Digits Recognition Using Multiple Multilayer Perceptron and Hu Moment. Symposium on Complex
Systemand Intelligent Computing (CompSIC), Algerie: University Souk
Ahras-
Université Mohamed-Chérif Messaadia Souk Ahras.
Kozma, L. 2008. K- Nearest Neighbours Algorithm (kNN). New Jersey: Helsinki
University of Technology.
Kusumadewi, S. 2003. Artificial Inteligence (Teknik dan Aplikasinya).
Yogyakarta: Graha Ilmu.
Lesmana. A.R. 2012. Identifikasi Plat Nomor Kendaraan dengan Zone based Feature Extraction Menggunakan Metode Klasifikasi Backpropagation. Skripsi. Bogor: FMIPA Institut Pertanian Bogor.
Lili, L., Y. Zhang, & Y. Zhao. 2008. K-Nearest Neighbours for Automated
Classificartion of Celestial Objects. Science in China Series G-Phys Mech Astron, 5(7): 916-922.
Manurung, P.M. 2008. Perangkat Lunak Pengenalan Plat Nomor Mobil Menggunakan Jaringan Kompetitif dan Jaringan Kohonen. Skripsi. Jakarta:
Universitas Indonesia.
Mathworks. --. Convert RGB image or Colormap to Grayscale. Tersedia
https://www.mathworks.com/help/matlab/ref/rgb2gray.html [diakses 31-3-
2017]
Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.
Bandung: Penerbit Informatika.
Nasution, M. 2010. Rekayasa Sistem Pengenalan Wajah untuk Proses Log In Sistem Informasi Manajemen Algoritma Eigen Face. Skripsi. Semarang:
FMIPA Universitas Negeri Semarang.
Otsu, N. 1979. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66.
58
Pramesti, R.A. 2013. Klasifikasi Karakter Plat Nomor Kendaraan Menggunakan Ekstraksi Fitur ICZ dan ZCZ dengan Metode Klasifikasi K-NN. Skripsi.
Bogor: FMIPA Institut Pertanian Bogor.
Putra, D. 2010. Pengolahan Citra Digital. Jakarta: Penerbit Andi.
Putra, D. 2004. Binerisasi Citra Tangan dengan Metode Otsu. Teknologi Elektro, 3(2): 11-13.
Roberts, D.J. & M. Casanova. 2012. Automated License Plate Recognition System: Policy and Operational Guidance for Law Enforcement. U.S:
International Association of Chiefs of Police (IACP).
Sugiyono. 2012. Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung:
Penerbit Alfabeta.
Taningrum, D.R., B. Hidayat, Y.S. Hariyani. 2013. Sistem Pengidentifikasian Plat Nomor Kendaraan Mobil Menggunakan Principal Component Analysis dan Klasifikasi K-NN. Skripsi. Bandung: Telkom University.
Theoridis, S. & K. Koutrombas. 2006. Pattern Recognition (3th
ed.). San Diego:
Academic Press.
Vala, H. J. & A. Baxi. 2013. A Review on Otsu Image Segmentation Algorithm.
International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 2(2): 387-389.
Xia, H., & D. Liao. 2011. The Study of License Plate Character Segmentation
Algorithm based on Vertical Projection. 2011 International Conference on Consumer Electronics, Communications and Network (CECNet): 4583-
4586.