JURNAL INFORMATIKA
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
No.3 , Vol. 2, September – Desember 2011
48
JURNAL INFORMATIKA
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.
No.3 , Vol. 2, September – Desember 2011
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 48
JU URNAL IN NFORMA ATIKA bentuk koordinat gambar berikut b ini
maka
akaan
seperti
Gambar 2.1 Citra Dalam Koordinat
Meskipun ciitra memilikki banyak M informasi akan tetaapi sering kali citra tersebut harus diolah h kembali agar a sesuai dengan citra c kebutuhhan yang adaa. Menurut Wikipediia pengolahaan citra digital adalah penggunaaan algoritma kompuuter untuk melakukaan pemroseesan citra dalam citra digital. p Secara gariss besar, pengolahan nya dibagi citra diggital menurrut outputn menjadi dua, d yaitu : • Outpuutnya citra Pengolahan citraa digital padda kategori n teknik ini berhubungaan dengan mentrransformasikkan citra meenjadi citra lain, seperti memperbaiiki citra, k ciitra, atau meninngkatkan kualitas meng gkompres ciitra agar ukkuran filenya leebih kecil. • Outpuutnya kompo onen / atribuut citra Pada kategori ini pengolaahan citra digunnakan untukk menghasillkan suatu kompponen dari citra untuk diiolah lebih lanjutt. Biasany ya digunakan untuk meng genali suatu pola p tertentuu dari citra 2.2. Jarin ngan Saraf Tiruan[8] Jaringgan saraff tiruan sederhana pertama d diperkenalka an oleh kali McCulloch dan Piitts di tahhun 1943. McCulloch dan Pitts menyyimpulkan bahwa kombinasi beberapaa neuron sederhan na menjadi sebuah s systeem neural akan meningkattkan keemampuan ngan yang komputasinya. Boboot dala jarin No.3 , Vol. 2, Septembeer – Desemberr 2011
diusullkan oleh McCulloch M daan Pitts diatuur untuk melakukan fungsi logikka sederhanna. nakan adalaah Fungssi aktivasi yang digun fungsii threshold. Jaaringan saraaf tiruan (JST) ( adalaah sistem m pemroseesan inforrmasi yanng memilliki karaktteristik mirip dengaan jaringan saraf bbiologis. JS ST dibentuuk sebeaggai generalisasi modell matematikka dari jaaringan saraff biologis, dengan d asum msi : a. Peemrosesan informasi terjadi padda baanyak elemenn sederhana (neuron) b. Siinyal dikirim mkan diantaara neuron – neeuron melaluui penghubunng c. Peenghubung neuron meemiliki boboot yaang akann memperrkuat ataau meemperlemahh sinyal d. Unntuk meneentukan ouutput, setiaap neeuron mengggunakan fuungsi aktivaasi yaang diterapkkan pada jumlah j inpuut yaang diterima. Besarnyaa output inni keemudian dibandingkaan dengaan thrreshold. 2.2.1. Jaringan saaraf tiruan Jaringan saaraf tiruan dibentuk d oleeh tiga haal, yaitu : a. Poola hubungann antar neurron (arsitektuur jarringan). b. Metode M untuuk menenttukan boboot peenghubung (training / learning / peelatihan). c. Fuungsi aktivassi 2.2.2. JST Backprropagation JST dengann lapis tungggal memilikki keterbbatasan dalam pengeenalan polla. Kelem mahan ini bisa diaatasi dengaan menam mbahkan saatu lapisan atau a beberappa lapisaan tersembunnyi diantara lapisan inpuut dan laapisan outpuut. Meskipun n penggunaaan lapisaan tersembunyi lebihh dari sattu memilliki kelebbihan mannfaat untuuk beberaapa kasus, akan tetapi pelatihannyya memeerlukan wakttu yang lebih h lama. Seperti aarsitektur yang lainn, backppropagation melatih jaringan untuuk mendaapatkan keseimbanggan antarra kemam mpuan jaringgan untuk mengenali m pola 4 48
JU URNAL IN NFORMA ATIKA yang diggunakan seelama pelatiihan serta kemampuuan jaringann untuk memberikan m respon yang y benar terhadap pola p input yang serrupa dengan n pola yanng dipakai selama pelatihan. a. Arsitektur backprropagation Backp kpropagationn memiliki beberapa unit neuuron dalam lapisan terrsembunyi. Gambar berikut ini adalahh contoh arsitekturr backpropa agation deng gan n buah neuron input (ditam mbah dengaan sebuah bias), seebuah lapisaan tersembuunyi yang terdiri p unit neuro on (ditambaah dengan b serta m buah neeuron unit sebuah bias), output.
Gambar 2.22 Arsitektur Backpropagation n
Vij merupakan m boobot dari unnit input xi ke unitt lapisan tersembuyii zj (vj0 merupakaan bobot yang y menghhubungkan bias di unit masukkkan ke unnit lapisan m tersembuunyi zj), sedaangkan wkj merupakan bobot daari unit lapissan tersembbunyi zj ke unit outpput yk (wk0) merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran zk). b. Fase backpropaggation Backp kpropagationn memiliki tiga fase yang haruus dilakukann. Fase pertaama adalah fase majuu, pola inpu ut dihitung maju m mulai dari lapiisan input hingga h lapissan output dengan menggunaakan suatu u fungsi aktivasi. Fase keduaa adalah fase mundur, a outp put jaringann dengan selisih antara output yaang diingink kan (target) merupakan m kesalahann atau errorr. Error ini kemudian dirambattkan munduur, dimulai dari yang No.3 , Vol. 2, Septembeer – Desemberr 2011
berhub bungan langgsung dengaan unit – unnit lapisaan output saampai ke lapisan inpuut. Fase ketiga adallah memoddifikasi boboot untuk menurunkann error yangg ada. 1. Faase I : propaggasi maju Seelama propaagasi maju, sinyal inpuut (xi) diipropagasikaan ke lapisann tersembunyyi mengggunakan funngsi aktivasi yang sudaah ditentu ukan. Keluuaran dari setiap unnit lapisaan tersembbunyi (zj) selanjutnyya diprop pagasikan ke k lapisaan maju tersem mbunyi selanjutnyaa dengaan mengggunakan ssuatu fung gsi aktivassi. Demikkian seterusnnya hingga menghasilka m an outputt jaringan (yyk) Seelanjutnya output jaaringan (yyk) dibanddingkan denngan targett yang haruus dicapaai (tk). Sellisih antaraa target daan outputt adalah suattu nilai kesaalahan (errorr), jika nilai n error ini lebih keccil dari bataas toleran nsi yang dditentukan maka iteraasi akan dihentikan. Akan tetaapi jika nilai error masih leebih besar dari bataas nsinya, makka bobot daalam jaringaan toleran akan dimodifikaasi untuk menguranggi kesalaahan yang adda. 2. Faase II : propaagasi munduur Beerdasarkan nilai error, dihitunglaah factorr δk (k = 1, 2, …, m) yang dipakkai untuk mendistribuusikan kesaalahan di unnit u tersem mbunyi yanng yk kee semua unit terhubbung langsuung dengan yk. δk jugga digunakan untuk mengubahh bobot yanng bungan langgsung dengan n unit outputt. berhub Deengan caraa yang sam ma, dihitunng factorr δj di setiap unit dalam lapisaan tersem mbunyi sebbagai dasarr perubahaan bobot yang bersasal dari unitt tersembunyyi wahnya. Dem mikian seterrusnya hinggga di baw semuaa factor δ ddi unit terseembunyi yanng berhub bungan langgsung dengaan unit inpuut dihituung. Deengan caraa yang sam ma, dihitunng faktorr δj di setiap unit di layarr tersembunyyi sebagai dasar peruubahan boboot semua garris yang berasal b dari unit tersembbunyi di layaar di baw wahnya. Dem mikian seterrusnya hinggga semuaa faktor δ ddi unit terseembunyi yanng berhub bungan laangsung dengan d unnit masuk kan dihitungg. 4 48
JURNAL INFORMATIKA 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)
No.3 , Vol. 2, September – Desember 2011
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 errornya : _ 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
δ _ in j = ∑ δ 2 k w jk k =1
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error : 1 _ _ 1 1 1 1
48
JU URNAL IN NFORMA ATIKA Kemuudian hitungg koreksi boobot (yang nantinnya akan digunakaan untuk memppebaiki bilaii vij) : Hitunng juga koreksi k biias nantinnya akan digunakaan mempperbaiki b1j) :
(yang untuk
c. Tiap – tiap unit ourput (Yk, k = 1, 2, m memperbaaiki bias dann bobotnya …, m) (j = 0, 0 1, …, p) : wjk (bbaru) = wjk (lama) ( + Δwjk j b2k (bbaru) = b2k (lama) ( + Δb22k tiap – tiap unit teersembunyi (z ( j, j =1, 2, …, p) p memperbaaiki bias dan n bobotnya (i = 0, 0 1, …, n) : vij (baaru) = vij (lama) + Δvij b1j (bbaru) = b1j (llama) + Δb11j 4. Tes kondisi k berheenti 2.3. Matlab[2,4] Matlaab adalah saalah satu softtware yang dapat diggunakan unttuk membuaat program pengenallan plat noomor kend daraan. Di dalam Matlab M sudah terdapat too olbox yang memudahhkan pembu uatan program m jaringan saraf tiiruan, yaittu Neural Network Toolbox. Dalam m Neural Network Toolbox terdapat fungsi untu uk membuaat berbagai macam jaringan saraf tiruan, serta pengaturaan parameter – param meter yang dibutuhk kan, sepertii metode pelatihan, fungsi akktivasi dan laainnya. Selainn itu Matlab b juga dapatt memiliki fitur yangg dapat digu unakan untuk k membuat GUI prog gram yang menarik, m yaittu GUIDE. Fitur inii memudah hkan dalam membuat program dengan GU UI sehingga hasil yang didapatkaan bisa lebihh maksimal dibanding hanya deengan mengg gunakan m-fi file saja.
Gambaar 3.1 Blok Diaagram Pengenaalan Karakter
Citra diigital dijad dikan inpuut kemuddian ditamppilkan melallui GUI yanng sudahh disediakan, lalu citra diproses agaar plat nomor diteemukan lallu diekstrakk. Setelaah diekstrak dilakuukan prosees segmeentasi karakkter agar tiap t karakteer dapat dipisahkan. Proses selanjutnyya adalaah pengeenalan karakkter dengan metoda JS ST backppropagation dan hasilnyaa ditampilkaan melaluui GUI. Sebagai pembandinng digunakan metooda template matchinng untuk mengenali kkarakter platt nomor. Perancanggan program m ini dibaggi menjaadi dua baagian yaitu perancangaan GUI dan d perancanngan subproggram. 3.1. Perancangan P n GUI Peerancangan GUI menggunaka m an GUID DE Matlab sehingga perancangaan dapat dilakukann dengan relatif lebiih mudahh. Gambar 3.2 serta gambar 3.3 berikuut ini adalah rancangan tampilan t GU UI untuk pelatihan JST J dan penngenalan plat nomorr kendaraan
III. Peraancangan Prrogram Secara umum m sistem akaan berkerja seperti bllok diagram berikut :
Gambaar 3.2 Pelatihann JST
No.3 , Vol. 2, Septembeer – Desemberr 2011
4 48
JURNAL INFORMATIKA 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 3.3 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 3.5 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
Gambar 3.4 Pelatihan JST
No.3 , Vol. 2, September – Desember 2011
48
JURNAL INFORMATIKA
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
No.3 , Vol. 2, September – Desember 2011
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
48
JURNAL INFORMATIKA
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
No.3 , Vol. 2, September – Desember 2011
48
JURNAL INFORMATIKA 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 4.1 Tab Pelatihan JST
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
No.3 , Vol. 2, September – Desember 2011
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
48
JURNAL INFORMATIKA
Gambar 4.5 Menampilkan Citra 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
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
Gambar 4.4 Memilih Citra
Setelah dipilih citra kemudian ditampilkan dalam tempat yang sudah ditentukan, seperti ditunjukkan pada gambar 4.5
No.3 , Vol. 2, September – Desember 2011
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
48
JU URNAL IN NFORMA ATIKA Tabell 4.1 adalah hasil percobbaan yang menunjukkkan emppat kelomp pok hasil pencarian n dan ekstrakksi plat nom mor. Table 4.1 Hasil H Pencariann dan Ekstrakssi
Plat Nomor N
Hasil Penncarian
Hasil H E Ekstrak
1 2 Gaambar 4.7 Hasiil Metoda JST
3
4
dah dilakukaan Daari pengujiaan yang sud didapaat bahwa m masih terdaapat karakteer yang salah dikennali oleh JS ST. Tabel 4.3 meruppakan hasill pengujiann pengenalaan karaktter menggukkaan JST Tabel 4.3 4 Hasil Penguujian JST
5. Penguujian Segmeentasi Citra Dari sejumlah cittra yang diuj uji hasilnya cukup bervariasi, ada yaang bisa disegmenntasi dengann baik, ada juga yang tidak terrsegmentasi dengan baaik bahkan ada pula yang tidak bisa b disegmeentasi. Hal ini disebbabkan adan nya noise dalam d citra plat nom mor hasil ekkstraksi sehiingga saat proses segementassi dilakukaan noise tersebut dianggap seebagai karakkter. Tabel 4.2 adalaah gambar haasil proses seegmentasi Table 4.2 Hasil H segmentaasi
Daari tabel 4.33 terlihat bahwa b tingkkat keberhhasilan yanng didapat adalah a antarra 14,28% % sampai 885,71% dann waktu yanng dibutuuhkan untuuk pengenaalan karakteer adalah h antara 1,599 detik samppai 1,89 detikk.
6. Penguujian Metodda JST Penguujian subpprogram pengenalan p karakter dengan metoda m JST dilakukan pakah JST su udah dapat untuk meengetahui ap mengenaali karakterr hasil seegmentasi. Contoh hasilnya ditunjukkaan dalam gambar 4.7 4 No.3 , Vol. 2, Septembeer – Desemberr 2011
ate Matchingg 7. Peengujian Metoda Templa Peengujian meetoda templlate matchinng ini digunakan sebagai pembandinng terhaddap metodaa JST yanng digunakaan sebeluumnya. Hasilnya ditunjjukkan dalam m tabel 4.4 4
4 48
JURNAL INFORMATIKA 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. No.3 , Vol. 2, September – Desember 2011
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.
48
JURNAL INFORMATIKA 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
No.3 , Vol. 2, September – Desember 2011
48
