DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email :
[email protected]
ABSTRAK : Pemilik mobil atau motor seringkali membutuhkan beberapa informasi terkait kendaraan bermotor seperti informasi pajak kendaraan, tanggal jatuh tempo pajak dan tanggal berakhirnya STNK begitujuga parkiran kendaraan bermotor. Informasi tersebut haruslah tersaji dengan mudah dan cepat. Pada penelitian ini, dibangun sebuah aplikasi untuk memudahkan penggunanya mengakses informasi kendaraan bermotor berdasarkan nomor kendaraan. Oleh karena itu diimplementasikan pengolahan citra dengan HOG+LVQ sebagai metode untuk mendeteksi obyek plat kendaraan. HOG+LVQ dibangun. Ada beberapa tahapan dalam metode ini yaitu : input fitur dan praproses, selanjutnya dilakukan proses segmentasi, ekstraksi ciri menggunakan HOG dan pengenalan karakter. Untuk mengenali karakter pada nomor kendaraan, dilakukan proses klasifikasi menggunakan metode Learning Vector Quantization (LVQ). Dalam pengujian, diperoleh akurasi rata-rata sebesar 90 %. Kata Kunci : Deteksi Plat Kendaraan, HOG, LVQ 1. PENDAHULUAN Saat ini sistem perparkiran yang biasa diterapkan di sebagian besar wilayah Indonesia adalah sistem perparkiran manual dimana pencatatan nomor polisi kendaraan bermotor dilakukan dengan cara memasukkan nomor polisi kendaraan bermotor ke dalam komputer yang kemudian diproses untuk dicetak dan dihitung waktu parkirnya. Beberapa dari sistem perparkiran yang ada sudah mulai menggunakan kamera untuk menangkap gambar dari plat nomor polisi kendaraan bermotor. Namun, pengambilan gambar tersebut hanya sebatas database berupa image saja. Faktor manusia
juga bisa menyebabkan kesalahan pencatatan nomor kendaraan bermotor dan tentu saja hal ini akan mempengaruhi lamanya proses pelayanan dari sistem perparkiran yang ada. Pengenalan pola merupakan pengelompokkan data numeric dan simbolik (termasuk citra) secara otomatis oleh computer agar suatu objek dalam citra dapat dikenali dan diinterpretasi yang juga merupakan tahapan selanjutnya atau analisis dari pengolahan citra. Pengenalan pola dapat dimanfaatkan untuk menerapkan identifikasi plat nomor secara otomatis yang sangat berguna bagi kehidupan sehari-hari, misalnya manajemen tempat parkir, monitoring lalu lintas, pengaturan tiket, dan pembayaran jalan tol. Dalam penelitian-penelitian sebelumnya, beberapa pendekatan telah digunakan untuk mendeteksi plat nomor kenderaan. Dalam penelitian Hou, et al. [1], pendeteksian plat menggunakan Tophat-bothat changing dan Line scanning, serta morfologi matematika. Sedangkan Nagare [2] menggunakan Back Propagation Neural Network dan Learning Vector Quantization Neural Network untuk mendeteksi plat nomor. Pada penelitian tugas akhir ini, metode HOG+LVQ yang dikenal sebagai metode yang paling umum digunakan untuk deteksi obyek plat kendaraan. Dasar dari metode ini adalah penampilan serta bentuk obyek dapat diketahui melalui hasil komputasi gradien dari citra yang dideteksi 2. Kajian Pustaka 2.1 Tanda Plat Nomor Kendaraan Berdasarkan Peraturan Kepala Kepolisian RI Nomor 5 Tahun 2012 Tentang Registrasi dan Identifikasi Kendaraan Bermotor, Tanda Nomor Kendaraan Bermotor (TNKB) atau sering disebut plat nomor merupakan tanda regident Ranmor yang berfungsi sebagai bukti legitimasi pengoperasian Ranmor berupa pelat
atau berbahan lain dengan spesifikasi tertentu yang diterbitkan Polri dan berisikan kode wilayah, nomor registrasi, serta masa berlaku dan dipasang pada Ranmo[3]. Secara teknis, spesifikasi TNKB berupa plat aluminium dengan cetakan tulisan dua baris pertama menunjukkan kode wilayah (huruf), nomor polisi (angka), dan kode/seri akhir wilayah (huruf). Baris kedua menunjukkan bulan dan tahun masa berlaku[4]. Bahan baku TNKB adalah aluminium dengan ketebalan 1 mm. Ukuran TNKB untuk kendaraan bermotor roda 2 dan roda 3 adalah 250×105 mm, sedangkan untuk kendaraan bermotor roda 4 atau lebih adalah 395×135 mm Terdapat cetakan garis lurus pembatas lebar 5 mm di antara ruang nomor polisi dengan ruang angka masa berlaku (yang lama), sedangkan yang baru terdapat garis putih di sekitar TNKB dan tidak ada batas pemisah antara nomor polisi dan masa berlaku (dari tahun 2011). TNKB memiliki 2 macam warna yang umum dipakai, yang pertama memiliki warna latar hitam dan warna depan putih untuk perseorangan. Warna latar kuning dengan warna depan hitam untuk umum. 2.2 Histogram of Oriented Gradient (HOG) Dalam Computer Vision khususnya untuk kasus deteksi obyek, seringkali perlu untuk melihat nilai dari masing-masing piksel dari sebuah gambar, baik itu nilai intesitas cahaya dalam piksel, nilai komposisi warna tertentu dalam piksel maupun informasi lain yang terkandung dalam piksel. Nilai dari tiaptiap piksel akan dibagi ke dalam kelompok Channel tertentu dan direpresentasikan dengan diagram batang yang biasa disebut dengan Histogram. Histogram of Oriented Gradient (HOG) adalah metode yang digunakan untuk deteksi obyek, histogram berisi channel-channel arah/orientasi gradient dari piksel-piksel pada gambar, dimana penampilan serta bentuk obyek dapat diketahui melalui hasil komputasi gradient dari citra. Tahap awal dari metode ini adalah dengan melakukan normalisasi gamma pada citra. Kemudian menghitung gradient dari setiap piksel citra, pembagian citra ke dalam cell, membentuk histogram dari masing-masing cell, membentuk blok dari setiap histogram dan
terakhir melakukan normalisasi dari setiap block. Pada metode ini, fitur HOG dapat diperoleh dari membagi gambar ke dalam sel-sel berukuran n x n, lalu dikelompokkan ke dalam blok-blok berukuran 2n x 2n yang saling beririsan satu sama lain. Dari tiap sel masingmasing blok, di hitung magnitude dan orientasi gradient-nya. Nilai orientasi ini dihitung dengan menghitung konvolusi dengan matriks 𝐷𝑥= [-1 0 1] dan 𝐷y= [-1 0 1]T terlebih dahulu. Kemudian nilai orientasi tiap pikselnya dikuantisasi kedalam 9 kanal, yaitu 10°, 30°, 50°, 70°, 90°, 110°, 130°,150°, dan 170° menggunakan histogram. Kontribusi piksel terhadap tiap kanal bergantung pada nilai gradient magnitude-nya. Nilai-nilai dari seluruh kanal dari tiap sel dimasukkan kedalam vektor. Vektor inilah yang menggambarkan fitur HOG dari suatu gambar. [5]
Gambar 1. Contoh fitur HOG yang dihasilkan 2.3 Learning Vector Quantization Learning Vector Quantization (LVQ) adalah salah satu jenis jaringan saraf tiruan untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor input. Kelas yang didapat sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor input. Jika vektor input mendekati sama maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama [6]. Algoritma LVQ dapat ditulis sebagai berikut.
1. Tentukan masing-masing kelas output, menetukan bobot, dan menetapkan learning rate . 2. Bandingkan masing-masing input dengan masing-masing bobot yang telah ditetapkan dengan melakukan pengukuran jarak antara masing-masing bobot W0 dan input Xp. persamaannya adalah sebagai berikut :‖Xp - W0‖ 3. Nilai minimum dari perbandingan itu akan menentukan kelas dari vektor input dan perubahan bobot dari kelas tersebut. Perubahan untuk bobot baru (W0’) dapat dihitung dengan persamaan berikut. a. Untuk input dan bobot yang memiliki kelas yang sama: W0’ = W0 + ( X W0) b. Untuk input dan bobot yang memiliki kelas yang berbeda: W0’ = W0 - ( X – W0) 3. METODE PENELITIAN Proses deteksi obyek plat kendaraan yang diimplementasikan menggunakan metode Histogram of Oriented Gradients.(HOG) Pada metode ini juga dilakukan proses learning dengan Learning Vector Quantization (LVQ). Alur proses deteksi digambarkan pada gambar 2Input Gambar
Hasil dan evaluasi
Praproses
Segmentasi
Proses deteksi (LVQ)
Ektraksi ciri (HOG)
Gambar 2. Proses deteksi obyek dengan metode HOG+LVQ 1. Mulai Input gambar 2. Praproses : Normalisasi dan perbaikan citra 3. Segmentasi : Setelah gambar di proses menghitung jumlah dari suatu objek pada suatu citra menggunakan Otsu tresholding 4. Ekstraksi Fitur : Setelah gambar di-resize menjadi satu ukuran, lalu sistem akan mengekstraksi ciri. Ekstraksi ciri dilakukan dengan cara memasukkan nilai pixel gambar ke dalam sebuah vektor atau array 1 dimensi. Sebelum dimasukkan ke dalam array, pixel diubah terlebih dahulu menjadi
nilai 1 dan -1 dimana 1 mewakili warna hitam sedangkan -1 mewakili warna putih pada gambar. 5. Pengenalan Karakter: Setelah ciri didapatkan maka proses selanjutnya adalah klasifikasi karakter menggunakan algoritma LVQ. Proses ini berfungsi untuk mengenali karakter yang terdapat pada nomor kendaraan. Untuk dapat mengenali karakter, sistem perlu dilatih (training) terlebih dahulu dengan algoritma LVQ supaya dapat mengenali masing-masing karakter. Proses pelatihan akan menghasilkan bobot untuk tiap karakter, kemudian bobot tersebut digunakan untuk pengujian terhadap input karakter. 4. HASIL DAN PEMBAHASAN Setelah semua percobaan telah selesai dilakukan maka perlunya untuk diadakan evalusi tentang program yang digunakan. Dari evaluasi tersebut didapatkan kelebihan serta kekurangan dari program yang sedang diujicoba. Tujuan evaluasi atau pengujian ini adalah untuk mengetahui tingkat akurasi dari program aplikasi identifikasi nomor kendaraan ini. Berikut sample hasil pengujian program : Tabel 1 hasil akurasi uji coba Plat Nomor Hasil Akurasi identifikasi B1021UJB 100% B1021UJB B6349TAP B6349TAP 100% DD368FG
DD368FI
70%
B9933OF
B9933OF
100%
B989WAW B989WAW 100% B3860NOB
B3860NOB
100%
B8822QO
B8822QO
100%
B7557KM
B7557KM
100%
BP1309GD
BP1309GD
100%
B6501SDG
B6501SDG
100%
Berdasarkan hasil pengujian terhadap 10 gambar plat nomor, dan telah didapat tingkat akurasi dari masing-masing gambar. Maka dapat dihitung tingkat akurasi keseluruhan dari aplikasi sebagai berikut : ∑ 𝑥 ∑ ∑ 𝑥 ∑ =90% Tingkat akurasi keseluruhan aplikasi ini adalah 90 %, maka tingkat kegagalannya adalah 10 %. Berdasarkan data sampel yang telah dilakukan pengujian, kegagalan pendeteksian disebabkan oleh beberapa hal yaitu: 1. Kondisi plat nomor yang kurang bagus. 2. Pengaruh cahaya yang tidak merata. 3. Sulit membedakan karakter yang mirip, 4. Jarak antar karakter yang terlalu rapat satu sama lain. 5. Posisi plat nomor yang sulit dikenali, seperti miring atau terlalu jauh. 5. KESIMPULAN Sesuai dengan pembahasan mengenai identifikasi nomor kendaraan menggunakan algoritma HOG dan LVQ ini, maka kesimpulan yang dapat diambil oleh penulis adalah sebagai berikut: 1. Aplikasi identifikasi nomor kendaraan ini dapat mengakses informasi nomor kendaraan secara otomatis. 2. Aplikasi identifikasi nomor kendaraan ini dapat mengidentifikasi plat nomor kendaraan dengan tingkat akurasi program mencapai 90% 6. SARAN Penelitian ini masih jauh dari sempurna dan masih perlu banyak perbaikan dan pengembangan supaya menjadi lebih baik lagi. Berikut ini saran untuk pengembang penelitian ini : 1. Pada penelitian selanjutnya diharapkan proses segmentasi plat nomor kendaraan dapat dilakukan secara otomatis. 2. Menambahkan metode untuk menghilangkan noise yang besar pada
gambar supaya gambar yang dihasilkan dapat mudah dikenali oleh sistem, seperti metode morfologis matematis. 4. Aspek pencahayaan harus diperhatikan sebaik-baiknya sehingga menghasilkan pencahayaan yang merata. KAJIAN PUSTKA [1]. Hou, P. G., Zhao, J. dan Liu, M., “A License Plate Locating Method Based on Tophatbothat Changing and Line Scanning”, In Proc. of International Symposium on Instrumentation Science and Technology, 2006, pp.431–436. [2]. Nagare, A., P., 2011. License Plate Character Recognition System using Neural Network. IJCA, 25 (10), pp.36-39. [3]. Perkap, 2012. Peraturan Kepala Kepolisian Negara Republik Indonesia No 5 Tahun 2015 Tentang Registrasi dan Identifikasi Kendaraan Bermotor. [4]. Wikipedia, 2015. Tanda Nomor Kendaraan Bermotor.Availableat:https://id.wikipedia.or g/wiki/Tanda_nomor_kendaraan_bermotor. [5]. Dalal, N., & Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. Computer Vision and Pattern Recognition. [6]. Putra, D., 2010. Pengolahan Citra Digital. Yogyakarta: Andi Offset.
