Jurnal Teknologi Informasi, Volume 10 Nomor 1, April 2014, ISSN

Jurnal Teknologi Informasi, Volume 10 Nomor 1, April 2014, ISSN 1414-9999

PENENTUAN THRESHOLD MENGGUNAKAN ALGORITMA FUZZY C-MEANS UNTUK SEGMENTASI REGION PADA PLAT NOMOR KENDARAAN Yasin Aril Mustofa, Vincent Suhartono, dan Ricardus Anggi Pramunendar Pascasarjana Teknik Informatika Universitas Dian Nuswantoro ABSTRACT Research in the field of intelligent transportation systems become very importantin the development of modern transportation. in general there are three processes to identify the license plate, the detection, segmentation and recognition. This study focused on improving pre-processing, using Fuzzy C-Means method (FCM) to improve the results of license plate segmentation. In a previous study using the threshold value search Otsu with gaussian function by dividing two variants of black and white, in this method the interference range in the image. The researchers propose searching threshold value using the FCM method. Of experiments using 130 data. Results have been found in this study using measurements of Mean Square Error (MSE), the difference is very noticeable in crease in the average impairment of MSE of 4.31E+07 pixels, with this increasemeans an improved method of pre-processing, the FCM is better than the Otsu method with a Gaussian function. Key words: threshold, fuzzy c-means 1. PENDAHULUAN 1.1 Latar Belakang Sistem trasnportasi cerdas menjadi sangat penting dalam pengembangan transportasi modern.Salah satu aspek dalam infrastruktur cerdas adalah bagaimana mengenali sebuah kendaraan.Hal yang dapat dikenali dari kendaraan adalah plat nomor kendaraan. Pengenalan plat nomor kendaraan menjadi salah satu hal pokok suatu sistem untuk mendapatkan data nomor kendaraan seperti sistem parkir, sistem pengawasan dan penegakan hukum lalu lintas[1]. Plat nomor salah satu jenis identifikasi kendaraan bermotor. Bentuk plat nomor kendaraan berupa potongan plat logam atau plastik yang dipasang pada kendaraan bermotor sebagai identifikasi resmi. Biasanya plat nomor jumlahnya sepasang, untuk dipasang didepan dan dibelakang kendaraan. Plat nomor memiliki nomor seri yakni susunan huruf dan angka. Nomor ini di Indonesia disebut nomor polisi dan biasanya dipadukan dengan informasi lain mengenai kendaraan tersebut. Semua data ini juga tertera dalam Surat Tanda Nomor Kendaraan Bermotor atau STNK yang merupakan surat bukti bahwa nomor polisi ini memang ditetapkan bagi kendaraan tersebut. Salah satu langkah yang digunakan dalam pengenalan plat nomor kendaraan adalahsegmentasi.Segmentasi objek dalam citra bertujuan memisahkan wilayah (region) objek dengan wilayah latar. Segmentasi merupakan masalah yang paling kritis dalam pengolahan karena kesalahan pada proses ini akan mempengaruhi pada proses tingkat lanjut. Plat nomor memiliki kombinasi warna yang kontras antara warna background dengan warna tulisan. Hal ini yang dimanfaatkan untuk segmentasi karakter pada proses pengenalan karakter[2]. Thresholding adalah metode untuk menganalisis gambar skala abu-abu ke citra binner. Operasi threshold mensegmentasikan citra menjadi dua wilayah, yaitu wilayah objek dan wilayah latar belakang [3]. Karena properti intuitif dan kesederhanaannya dalam implementasi, thresholding plat nomor menjadi titik pusat dalam aplikasi segmentasi gambar plat nomor kendaraan.Metode yang pernah diusulkan dalam pencarian threshold adalah metode barnsen[1], edge detection[4],otsu[5],Fuzzy C-Means[6], otsu dengan fungsi Gaussian [7]. Dari beberapa metode yang pernah digunakan dalam proses pre-prosessing plat nomor kendaraan memiliki kelebihan dan kekurangan masing-masing yaitu, metode bernsen diusulkan karena mampu

44

http://research.pps.dinus.ac.id


memperbaiki gambar dari segi kemiringan, tetapi metode barnsen banyak mengalami gangguan seperti pencahayaan yang berlebih, bingkai, baut pemasangan plat dan gangguan akibat dari bayangan[8]. Penelitian yang dilakukan oleh z. hou et al 2006[9], pada penelitian ini menemukan kelemahan pada metode Otsu yang bias dalam mendeteksi letak lembah dari histogram sebuah citra, karena nilai thresholdnya cenderung mendekat pada class variance dan class probability yang lebih besar. Penelitian yang dilakukan oleh Erwin 2012 [13], nilai threshold yang dilakukan di penelitian ini di lakukan menggunakan metode otsudengan fungsi Gaussian menghasilkan nilai pengukuran mean square error 4,37E+07 piksel. Sedangkan fuzzy C-Means telah digunakan secara luas untuk meningkatkan kekompakan daerah, karena metode fuzzy C-Means dapat memproses pengelompokan piksel dengan membagi piksel kedalam cluster sehingga piksel dalam cluster yang mirip dapat dikelompokkan[6], dan juga sederhana serta kemampuannya untuk menghasilkan pendekatan partisi fuzzy pada ruang pencarian. Penelitian ini memberikan usulan tentang penentuan threshold untuk mensegmentasikan region plat nomor kendaraan. Proses pemisahan region diawali tahap pre-processing dengan melakukan pengaburan gambar (image blurring), selanjutnya menentukan threshold dengan menggunakan fuzzy C-Means sebagai proses thresholdingyaitu proses untuk mengkonversi (converting) dari gambar abu-abu (grayscale) ke gambar binner yaitu gambar yang memiliki intensitas nilai piksel 0 dan 1. 1.2 Rumusan Masalah a. Masalah Umum Pengenalan plat nomor kendaraan sangat diperlukan dalam sebuah sistem keamanan untuk pelacakan kendaraan dan pengidentifikasian sebuah kendaraan bermotor. Tapi hal tersebut tidak mudah dilakukan tanpa adanya metode pengenalan plat yang akurat. b. Masalah Khusus Otsu dengan fungsi Gaussian bias dalam mendeteksi letak lembah dari histogram sebuah citra, karena nilai threshold-nya cenderung mendekat pada class variance dan class probability yang lebih besar. Otsu dengan fungsi Gaussian menghasilkan nilai MSE sebesar 4,37E+07 piksel. Sedangkan FCM belum pernah digunakan dalam penentuan threshold untuk memperbaiki segmentasi plat nomor kendaraan. 1.3 Tujuan a. Tujuan Umum Dimudahkannya pengenalan plat nomor kendaraan dengan menggunakan FCM dalam penentuan threshold untuk memperbaiki segmentasinya sehingga dapat membantu sistem keamanan untuk pelacakan kendaraan dan pengidentifikasian sebuah kendaraan bermotor. b. Tujuan Khusus Diperolehnya nilai threshold yang lebih baik untuk memperbaiki segmentasi plat nomor kendaraan menggunakan FCM agar nilai MSE nya < 4,37E+07 piksel,sehingga dapat diketahui seberapa besar kinerja FCM dalam menentukan threshold untuk segmentasi plat nomor kendaraan. 1.4 Manfaat a. Manfaat Umum Hasil penelitian ini dapat menjadi sumbangan pemikiran ataupun karya yang bisa digunakan sebagai bahan pertimbangan atau solusi dalam upaya meningkatkan sistem keamanan untuk pelacakan kendaraan dan pengidentifikasian sebuah kendaraan bermotor. b. Manfaat khusus Hasil penelitian ini dapat memberikan masukan bagi perkembangan ilmu pengetahuan dan teknologi, khususnya yang berkaitan dengan penentuan threshold untuk memperbaiki segmentasi.


45


2. TINJAUAN PUSTAKA 2.1 Penelitian Terkait Penelitian yang dilakukan oleh Ozbay at al 2005, Mathematical Morphology digunakan pada tahap deteksi plat nomor dengan tingkat akurasi mencapai 97,6%, varian Projection pada segmentasi tingkat akurasi 96% dan template Maching pada pengenalan karakter dengan tingkat akurasi 98,8%. Penelitian menurut (Ma et al 2011), proses pertama yang dilakukan dalam penelitian ini adalah mengimput gambar berupa plat nomor kendaraan yang telah dipotong dari gambar kendaraan. Setelah itu melakukan proses pre-processing pada plat nomor kendaraan menggunakan metode threshold otsu, tanpa mempertimbangkan kondisi hasil gambar miring. Penelitian yang dilakukan oleh (Khang dan Nor 2011), melakukan penelitian bahwa fuzzy C-Means digunakan untuk meningkatkan kekompakan dari kelompok daerah yang sama dalam penerapan teknik histogram thresholding karena FCM dapat memperoleh kualitas cluster yang lebih baik dan hasil segmentasi dari pada pendekatan segmentasi lain yang menggunakan algoritma koloni semut. Penelitian yang dilakukan oleh Qiao et al 2010, penelitian ini berfokus pada segmentasi karakter pada plat nomor kendaraan, metode yang digunakan pada tahap pre-prosessing menggunakan peningkatan metode barsen seperti menghilangkan gangguan akibat kemiringan. Pada proses pre-prosessing metode ini dibandingkan dengan metode Otsu yang dianggap lebih baik dalam proses pre-prosessing. Pada penelitian ini metode barsen yang telah diperbaiki lebih baik dibandingkan dengan metode Otsu pada proses preprosessing dengan menghilangkan efek kemiringan gambar dan gangguan bingkai. Akurasi yang dihasilkan pada penelitian ini 97,41% dengan menggunakan data sebanyak 226 contoh gambar. Penelitian yang dilakukan oleh (Wu Dingyun et al 2010), pada penelitian ini untuk menangani inaccurating di lokasi plat kendaraan menggunakan metode segmentasi citra dan ektraksi didasarkan pada peningkatan deteksi tepi dan morpologi matematika.pada tahap ini gambar berwana di ubah menjadi grayscale kemudian di hitung selisih setiap piksel di lingkunagan tepi penumpukan gambar, dan untuk mendapatkan kontur gambar halus menggunakan algoritma delatasidan erosi matematika morpologi pada gambar biner. untuk pengenalan karakter plat menggunakan algoritma template matching. Penelitian yang dilakukan oleh (xiaodan jia et al 2007), mengusulkan sebuah algoritma baru untuk segmentasi karakter plat nomor terdegradasi. pada tahap awal algoritma ini melakukan pre-processing pada plat, seperti ukuran normalisasi, pencahayaan, peningkatan kontras, kemiringan dan peningkatan tepi, kemudian menempatkan segmen karakter sesuai dengan proyeksi vertikal dan menggabungkan segmen karakter dan membagi segmen karakter yang sesuai. Penelitian yang dilakukan oleh (ying wen et al 2011), Dari beberapa metode yang pernah digunakan dalam proses pre-prosessing plat nomor kendaraan memiliki kelebihan dan kekurangan masing-masing yaitu, metode bernsen diusulkan karena mampu memperbaiki gambar dari segi kemiringan, tetapi metode barnsen banyak mengalami gangguan seperti pencahayaan yang berlebih, bingkai, baut pemasangan plat dan gangguan akibat dari bayangan. Hasil dari penelitian ini yaitu Segmentasi plat nomor kendaraan 97,16% dan 98,34%. Penelitian yang dilakukan oleh (wen et al 2011)[1], pada semua tahapan segmentasi plat nomor kendaraan menggunakan metode pada masing-masing tahapan sebagai berikut, metode connected component labeling(CCL) digunakan untuk sekmentasi pemisah karakter China dari karakter lainnya. pada tahap pengenalan plat nomor kendaraan menggunakan metode integrasi Support Vector Machine (SVM). Pada penelitian ini membandingkan kinerja metode Otsu dengan metode bersen pada tahap pre-prosessing, menurut penelitian ini metode otsu cukup bagus dalam pre-prosessing untuk memisahkan latar belakang dan karakter plat nomor kendaraan. Hasil dari penelitian ini ditunjukkan dengan hasil akurasi pengenalan karakter masing-masing untuk angka 99,5%, huruf 98,6% alamat daerah 97,8% dan akurasi keseluruhan mencapai 93,54%.

46



2.2 Landasan Teori 2.2.1 Citra GrayScale Citra grayscale adalah suatu citra yang hanya memiliki warna tingkat keabuan.penggunaan citra grayscale dikarenakan membutuhkan sedikit informasi yang diberikan pada tiap pixel dibandingkan dengan citra warna.Intensitas dari citra grayscale disimpan dalam 8 bit integer yang memberikan 256 kemungkinan yang mana dimulai dari level 0 sampai dengan 255 (0 untuk hitam dan 255 untuk putih dan nilai diantaranya adalah derajat keabuan). Tingkat keabuan atau grayscale level dapat dilihat pada gambar:

Gambar 2.2. Grayscale level Dalam fotografi dan komputasi, grayscale atau greyscale dari suatu gambar digital adalah gambar dimana nilai setiap pixel sampel tunggal, yang, itu hanya membawa informasi intensitas.Gambar semacam ini, juga dikenal sebagai hitam-putih, secara eksklusif terdiri dari warna abu-abu, bervariasi dari hitam di bagian intensitas paling lemah untuk putih di terkuat. [Stephen Johnson (2006). Stephen Johnson on Digital Photography]. Untuk mengubah RGB menjadi greyscale dapat digunakan rumus sebagai berikut: greyscale = 0.299R + 0.587G + 0.114B ..................................................................... (2.1) Misal ada warna RGB dengan pixel 3043918.Bagaimana mengkonversi menjadi warna greyscale? Gunakan prinsip geser dan logika AND. Konversi nilai decimal 3043918 ke bilangan biner menjadi 1011100111001001001110. Kemudian lakukan proses AND 8 digit sehingga 1011100111001001001110 0000000000000011111111 ------------------------------------- AND 0000000000000001001110 = Red. Kemudian untuk Green. Geser 8 kali ke kanan kemudian lakukan proses AND. 1011100111001001001110 Geser 8 Kali ke kanan 0000000010111001110010 0000000000000011111111 ------------------------------------- AND 0000000000000001110010 = Green Kemudian untuk Blue. Geser 16 kali ke kanan kemudian lakukan proses AND. 1011100111001001001110 Geser 16 kali ke kanan 0000000000000000101110


47


0000000000000011111111 --------------------------------------

AND

0000000000000000101110 = Blue. 2.2.2 Histogram Fungsi transformasi intensitas didasarkan pada informasi yang diekstrak dari intensitas citra yang berupa histogram.Histogram memegang peran yang sangat penting dalam pengolahan citra seperti enhancement, compression, segmentation dan description. Histogram sebuah citra digital dengan level intensitas pada range [0, L-1] adalah fungsi diskrit: H(rk) = nk rkadalah nilai intensitas kth dan nkjumlah piksel dalam citra, yang dinyatakan oleh MN.M dan N merupakan ukuran baris dan kolom citra. Sedangkan normalisasi histogram pada persamaan p(rk) = rk. MN, k = 0, 1, 2, 3, …, L-1. Jadi p(rk) merupakan probabilitasjumlah sebuah level intensitas rkdalam citra. Jika semua probabilitas rk dijumlahkan maka hasilnya adalah 1. Histogram merupakan gambaran grafik dari sebaran data yang ada, yang dapat memperlihatkan perbedaan diantara data-data yang ada. Histogram dalam pengolahan citra dapat didefinisikan sebagai pemetaan yang mengambarkan distribusi intensitas pixel dari sebuah citra (graylevel, binary image, color image) dan didefinisikan seperti rumus berikut. ..................................................................... (2.2) nilai k adalah Citra grayscale mempunyai level pixel dari 0 sampai 255 maka penyajian histogram akan menggambarkan distribusi frekuensi pixel dari rentang level 0 sampai 255 pada rentang grayscale. Karakteristik dari citra yang didapat bisa dilihat pada pmf(probability mass function) dengan melihat grayscale level-nya.

Gambar 2.1 Histogram tingkat keabuan dari (a) citra terang dan (b) citra gelap Histogram terdiri dari 2 bentuk, yaitu original histogram dan cumulative histogram.dari kedua bentuk ini, nilai frekuensi setiap pixel-nya atau biasa disebut dengan count (axis y) dapat diganti dengan nilai histogram ternormalisasi. 48



2.2.3 Thresholding Thresholding adalah metode untuk menganalisis gambar skala abu-abu ke citra biner.dimana piksel objek memiliki nilai 1 dan latar belakang memiliki 0, dengan demikian objek akan muncul secara konsisten lebih cerah atau lebih gelap dari latar belakang. Setelah citra diubah kedalam grayscale barulah citra bisa diberi nilai threshold agar dapat dipisahkan antara objek dan background-nya, lalu dibuat ketentuan antara objek dan banckground sesuai dengan ambang yang telah ditentukan.secara umum, thresholding dapat memberikan hasil maksimal bila puncak histogram tinggi/sempit dan dipisahkan oleh lembah yang dalam.

Gambar 2.2 Histogram Tinggi/Sempit Dalam kondisi seperti itu, suatu obyek gambar biner dapat diperoleh dengan thresholding gambar graylevel.f(x, y), adalah gambar memiliki tingkat intensitas dikelompokkan ke dalam dua mode dominan. Untuk mengekstrak objek dari latar belakang adalah dengan memilih nilai T ambang batas yang memisahkan mode ini. maka setiap titik (x, y), yang f (x, y) > T disebut titik objek, jika tidak, titik ini disebut titik Latar. Gambar thresholding g (x, y) didefinisikan sebagai berikut. .......................................................................................... (2.3) Segmentasi dengan pendekatan thresholding sangat erat kaitannya dengan histogram tingkat keabuan. Misalnya histogram dari sebuah citra yang mengandung sebuah objek yang terang dengan latar belakang yang jauh lebih gelap, sehingga pixel-pixel objek dan latar belakang memiliki tingkat keabuan yang dapat dikelompokkan dalam dua dominant modes. salah satu cara paling sederhana untuk mengekstrak objek dari latar belakang adalah dengan memilih nilai threshold T yang memisahkan dua mode tersebut. Segmentasi dicapai dengan melakukan scaning pixel demi pixel dan melebihi masing-masing pixel sebagai objek atau latar bergantung pada apakah tingkat keabuan dari pixel tersebut lebih besar atau lebih kecil dari nilai threshold T. 2.2.4 Fuzzy C-Means Fuzzy C-Means (FCM), atau dikenal juga sebagai Fuzzy ISODATA, merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means. FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadikan anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Tingkat keberadaan data dalam suatu kelas atau cluster ditentukan oleh derajat keanggotaannya. Szilagyi et al 2013, mengusulkan fuzzy C-Means untuk kluster pada tingkat histogram abu-abu gambar yang diinput. Menggunakan rumus:


49


................................................... (2.4) x menunjukkan pixel/data, i = 1,2,..,n; y = label. Nilai gray level dari pixel ke i dalam gambar. Konsep dasar FCM, pertama kali adalah menentukan pusat cluster yang akan menandai lokasi ratarata untuk tiap-tiap cluster. pada kondisi awal, pusat cluster ini masih belum akurat. tiap-tiap data memiliki keanggotaan untuk tiap cluster. dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka dapat dilihat bahwa pusat cluster akan menujui lokasi yang tepat[6]. Pengelompokkan Fuzzy C-Means (FCM) memungkinkan suatu titik data menjadi milik dari beberapa kelas tetapi dengan fungsi keanggotaan yang berbeda. Algoritma FCM umum digunakan dalam segmentasi citra karena efektif dan mudah penerapannya, terutama pada data multispektral.Disini FCM menghitung suatu pengukuran keanggotaan, yang disebut fungsi keanggotaan fuzzy pada setiap piksel citra untuk suatu jumlah kelas-kelas tertentu. Misal koleksi dari intensitas-intensitas yang diamati dalam suatu citra multispektral pada suatu piksel j dinyatakan dengan: ............................................................................. (2.5) , (i = 1, …, N) adalah intensitas piksel dari kanal spektral ke N adalah jumlah total dari kanal spektral (dalam RMI, N biasanya adalah jumlah kombinasi dari TR/TE), dan M adalah jumlah total dari posisi piksel. Dengan menggunakan FCM diformulasikan sebagai iterasi minimum antara fungsi keanggotaan fuzzy uj dan sentroid vektor piksel pada setiap kelas vk: ........................................................... (2.6) uk(i,j) adalah nilai keanggotaan pada lokasi piksel (i,j) untuk kelas k dimana adalah intensitas citra vektor yang diamati pada lokasi (i,j), dan vk adalah sentroid kelas k. Jumlah total dari kelas C diasumsikan telah diketahui. Parameter q adalah eksponen pembobotan pada setiap keanggotaan fuzzy dan menentukan ukuran fuzziness dari hasil klasifikasi. Fungsi keanggotaan dihitung pada setiap posisi piksel untuk tiap kelas jaringan lunak dan nilainya dibatasi antara 0 dan 1.Hal ini merefleksikan derajat kesamaan antara vektor piksel pada lokasi tersebut dan titik pusat dari kelas.Jadi nilai fungsi keanggotaan besar mendekati 1 memberikan FCM minimum yaitu piksel pada posisi tersebut adalah dekat dengan sentroid vektor piksel kelas tertentu. Demikian juga sebaliknya nilai keanggotaan kecil diberikan jika intensitas piksel jauh dari sentroid. 2.2.5 Regionprops BoundingBox Regionprops dengan fungsi boundingbox menghitung perimeter dengan menghitung jarak antara setiap pasangan piksel yang berdekatan di sekitar perbatasan daerah. Jika gambar berisi daerah yg tidak berhubungan, regionprops mengembalikan hasil yang tidak diharapkan. Gambar berikut menunjukkan bahwa piksel dimasukkan dalam perhitungan perimeter untuk objek ini.

Gambar 2.6 contoh boundingBox (matlab help) 50



Gambar diatas mengilustrasikan bagaimana sebuah centroid pada sebuah bounding box, region dari bounding box tersebut terdiri dari piksel putih dan piksel hitam, matlab tidak mencari centroid pada pixel putih ataupun piksel hitam, maka matlab akan menandai bahwa region yang valid atau yang termasuk dalam pencarian properti dari region adalah bounding box dan piksel yang berwarna merah adalah centroid dari bounding box tersebut. Elemen dari centroid adalah horizontal coordinate (x-coordinate) dari pusat masa dan elemen kedua adalah vertival coordinate (v-coordinate). Elemen-elemen lain dalam centroid dalam bentuk dimensi. 2.2.6 Mean Square Error (MSE) Dalam statistik, Mean Square Error (MSE) dari estimasi adalah salah satu dari banyak cara untuk mengukur perbedaan antara nilai-nilai tersirat oleh estimator dan nilai-nilai sebenarnya dari jumlah yang diperkirakan. MSE adalah fungsi risiko, sesuai dengan nilai yang diharapkan dari kuadrat kerugian error atau hilangnya kuadrat. MSE mengukur rata-rata kuadrat "error". error adalah jumlah dimana nilai tersirat oleh estimator berbeda dari jumlah yang diestimasi. Perbedaan terjadi karena keacakan atau karena estimator tidak memperhitungkan informasi yang bisa menghasilkan perkiraan yang lebih akurat. MSE merupakan tolak ukur analisis kuantitatif yang digunakan untuk menilai kualitas sebuah citra keluaran dan keunggulan sebuah metode yang digunakan. Perhitungan MSE adalah sigma dari jumlah error antara citra hasil metode dan citra asli [11]. .......................................................................... (2.5) Keterangan: Xj,k = adalah gambar hasil yang ingin dicapai. X’j,k = adalah gambar data uji. M,N = adalah dimensi gambarsumber. MSE dengan satuan piksel

2.3 Penentuan Threshold menggunakan Fuzzy C-Means untuk segmentasi plat nomor kendaraan Tanda Nomor Kendaraan Bermotor (TNKB), atau seringkali disebut plat nomor adalah plat aluminium tanda kendaraan bermotor di Indonesia yang telah di daftarkan pada kantor bersama Samsat[12].

Gambar 2.3 Plat Nomor Kendaraan

Tanda Nomor Kendaraan Bermotor berbentuk plat aluminium dengan detakan tulisan dua baris. Baris pertama menunjukkan : kode wilayah (huruf), nomor polisi (angka), dank ode/seri akhir wilayah (huruf) dan baris kedua menunjukkan bulan dan tahun masa berlaku. Bahan baku TNKB adalah aluminium dengan ketebalan 1 mm. ukuran TNKB untuk kendaraan bermotor roda 2 dan roda 3 adalah 250x105 mm, sedangkan untuk kendaraan bermotor roda 4 atau lebih http://research.pps.dinus.ac.id

51


adalah 395x135 mm. terdapat cetakan garis lurus pembatas lebar 5 mm diantara ruang nomor polisi dengan ruang angka masa berlaku. Pada sudut kanan atas dan sudut kiri bawah terdapat tanda khusus (security mark) cetakan lambing Polisi Lalu Lintas, sedangkan pada sisi sebelah kanan dan sisi sebelah kiri ada tanda khusus cetakan “DITLANTAS POLRI” yang merupakan hak paten pembuatan TNKB oleh Polri.Warna Tanda Nomor Kendaraan Bermotor ditetapkan sebagai berikut : 1. Kendaraan bermotor bukan umum dan kendaraan bermotor sewa : warna dasar hitam dengan tulisan berwarna putih 2. Kendaraan bermotor umum : warna dasar kuning dengan tulisan berwana hitam 3. Kendaraan bermotor milik pemerintah : warna dasar merah dengan tulisan berwarna putih 4. Kendaraan bermotor Corps Diplomatik Negara Asing : warna dasar merah dengan tulisan berwarna hitam Nomor urut pendaftaran kendaraan bermotor, atau disebut pula nomor polisi, diberikan sesuai dengan urutan pendaftaran kendaraan bermotor.Nomor urut tersebut terdiri dari 1-4 angka, dan ditempatkan setelah kode wilayah pendaftaran. Nomor urut pendaftaran dialokasikan sesuai kelompok jenis kendaraan bermotor : 1. 1-1999, dialokasikan untuk kendaraan penumpang 2. 2000-6999, dialokasikan untuk sepeda motor 3. 7000-7999, dialokasikan untuk bus 4. 8000-9999, dialokasikan untuk kendaraan beban Apabila nomor urut pendaftaran yang telah dialokasikan habis digunakan, maka nomor urut pendaftaran berikutnya kembali ke nomor awal yang telah dialokasikan dengan diberi tanda pengenal huruf seri A-Z di belakang angka pendaftaran.Apabila buruf di belakang angka sebagai tanda pengenal kelipatan telah sampai pada huruf Z, maka penomoran dapat menggunakan 2 huruf seri dibelakang angka pendaftaran. Dari masalah yang telah disampaikan, maka akan digambarkan secara rinci kerangka pemikiran yang dilakukan. Kerangka pemikiran berawal dari penelitian sebelumnya proses pre-processing menggunakan metode otsu dengan fungsigaussian yang mengalami bias dalam mendeteksi letak lembah dari histogram sebuah citra, karena nilai threshold-nya cenderung mendekat pada class variance dan class probability yang lebih besar. Sehingga di penelitian ini untuk penentuan threshold menggunakan fuzzy C-Means (FCM), metode ini bisa mengelompokkan piksel-piksel pada gambar. Langkah pertama adalah memasukkan data berupa gambar plat nomor kendaraan kemudian proses dilanjutkan ke proses mengubah data gambar dari RGB menjadi gambar abu-abu (grayscale).Untuk mengubah RGB menjadi greyscale dapat digunakan rumus sebagai berikut. greyscale = 0.299R + 0.587G + 0.114B (2.7) Thresholding dilakukan untuk menghasilkan gambar biner dari gambar grayscale, dimana piksel obyek memiliki nilai 1 dan latar belakang memiliki nilai 0, dengan demikian obyek akan muncul lebih cerah atau lebih gelap dari latar belakang[10].Obyek gambar biner dapat diperoleh dengan thresholding gambar graylevel.f(x, y), adalah gambar memiliki tingkat intensitas dikelompokkan ke dalam dua mode dominan. Untuk mengekstrak objek dari latar belakang adalah dengan memilihnilai T ambang batas yang memisahkan mode ini. maka setiap titik (x, y), yang f (x, y) > T disebut titik objek, jika tidak, titik ini disebut titik Latar. Gambar thresholding g (x, y). Thresholding dilakukan pada gambar grayscale plat nomor kendaraan dengan menggunakan algoritma Fuzzy C-Means. Gambar sum linier tertimbang antara gambar asli. Menggunakan rumus : menunjukkan nilai gray level dari piksel dalam gambar.Kemudian klustering dilakukan pada tingkat gambar histogram abu-abu yang dihasilkan gambar x bukan gambar asli y. Selanjutnya menerapkan fungsi boundingBox untuk menandai piksel sebagai region karakter pada gambar masing-masing region pada gambar plat nomor kendaraan. Setelah titik sudut piksel diketahui maka fungsi boundingBox akan mencari titik tengah (centeroid) maka matriks tersebut untuk menentukan kotak 52



penandaan. Penandaan tersebut akan diberlakukan pada gambar input grayscaleuntuk mendapatkan gambar karakter yang sebenarnya. Proses pengukuran terhadap eksperimen yang dilakukan adalah proses perhitungan nilai seluruh piksel gambar input untuk mendapatkan kualitas gambar hasil sama dengan kualitas gambar data uji. Hasil perbandingan dari seluruh data yang digunakan dihitung selisih nilai gagalnya atau nilai error dari kualitas gambar data uji, proses ini merupakan hasil dari perhitungan mean square error (MSE).Hasil dari keseluruhan proses yang dilakukan, dibuktikan dengan pemotongan pada masing-masing karakter.Perhitungan MSE adalah sigma dari jumlah error antara citrahasil metode dan citra asli.

Keterangan: Xj,k = adalah gambar hasil yang ingin dicapai; X’j,k = adalah gambar data uji; M,N = adalah dimensi gambar sumber; MSE dengan satuan piksel. 3. METODE PENELITIAN Grafik alir Metode Penelitian digambarkan seperti berikut ini.


53


3.1 Pengumpulan Data Pada penelitian ini data yang digunakan diperoleh dari penelitian sebelumnya yaitu Erwin. Dataset ini merupakan dataset gambar kendaraan yang diambil dari depan dan belakang kendaraan. Erwin mengambil gambar kendaraan roda 4 (mobil) menggunakan kamera pocket CASIO 8.1 Mega Pixel dengan resolusi pengambilan gambar 1600x1200 pixel, dan jarak pengambilan gambar antara kamera dan kendaraan kurang lebih 2 sampai 3 meter. Dataset ini merupakan gambar kendaraan yang menggunakan plat nomor kendaraan tipe standar dan plat kendaraannya dalam keadaan baik. 3.2 Pengolahan Awal Penelitian ini dibatasi hanya pada tahapan segmentasi proses pembagian region huruf depan, angka ditengah dan huruf dibelakang. Pengolahan data diawali dengan melakukan pemotongan (cropping) gambar plat nomor kendaraan. proses ini dilakukan secara manual dengan menggunakan software pemotong gambar sofonia Picture Cropper. Keunggulan software ini adalah, gambar masih tetap sesuai dengan dimensi region plat nomor kendaraan sebelum dilakukan pemotongan.proses pemotongan gambar hanya pada region yang mengandung karakter huruf dan angka saja dengan mengabaikan tanggal masa berlaku plat nomor kendaraan. Dari proses ini akan dihasilkan gambar plat nomor kendaraan yang sudah terpotong dari gambar kendaraan utuh, seperti pada Gambar 3.5. Gambar-gambar plat nomor kendaraan tersebut disebut dataset kemudian dikumpulkan kedalan suatu folder dataset. Proses pemotongan gambar dimulai dengan menjalankan Software Sofonesia Picture Cropper seperti pada gambar 3.2. pilih gambar yang akan dipotong (cropping) dengan mengklik tombol Load Image lalu arahkan ke file yang akan dipotong, maka akan tampil gambar pada wall software Sofonesia Picture Cropper seperti pada gambar 3.3. selanjutnya lakukan pemotongan pada plat nomor kendaraan, dengan mengklik pada salah satu sudut plat nomor kendaraan, lalu drag secara diagonal ke sudut berlawanan, sampai didapat potongan plat nomor kendaraan yang sudah terpotong, kemudian klik Save Cropped Image untuk menyimpan plat nomor kendaraan tersebut ke folder dataset, seperti pada gambar 3.4.

Gambar 3.4 Tampilan Software Picture Cropper 3.3 Eksperimen Gambar yang sudah dipotong dan dijadikan dataset tersebut terlebih dahulu dimensinya dinormalisasikan ke ukuran 160 x 36 pixel,tujuannya untuk menyamakan variasi ukuran gambar akibat variasi pengambilan gambar secara manual. dalam konteks penelatian ini normalisasi gambar dilakukan dengan memanfaatkan software khusus image processing. Keunggulan software ini dapat melakukan proses normalisasi gambar secara kolektif ke ukuran yang diinginkan secara tepat, yaitu menggunakan Software Multiple Image Resizer.Net.

54



Gambar 3.5Software Multiple Image Resizer.Net Proses normalisasi gambar menggunakan software Image Resizer.Net ini, diawali dengan menjalankan software dengan double click icon Multiple Image Resizer.Net lalu akan muncul tampilan pada menu tab yang terdapat di bagian bawah pilih tab select image, kemudian klik tombol Add Folder of Image. Eksperimen yang dilakukan pada penelitian ini menggunakan tools Matlab, dengan tahapan sebagai berikut: 1. Data berupa gambar Red Green Blue (RGB) di input menggunakan fungsi imread(I), dimana parameter I adalah data berupa gambar plat nomor kendaraan. 2. Data inputan RGB tersebut diprosesn menjadi grayScale menggunakan fungsi rgb2gray(I) dimana I adalah data gambar RGB. 3. Untuk mendapatkan nilai threshold menggunakan fungsi [bw,level]=fcmthresh(IM,sw) output berupa gambar binerisasi dan level threshold, input dari IM merupakan gambar yang menggunakan 3 classfuzzy C-Means. Fungsi ini bekerja lebih baik dibandingkan metode otsu dengan fungsi Gaussian. Nilai sw adalah 0 atau 1, sw 0 dipotong antara kelas kecildan menengah dan sw 1 dipotong antara kelas menengah dan besar. Selanjutnya menerapkan fungsi boundingBox untuk menandai piksel sebagai region karakter pada gambar masing-masing region pada gambar plat nomor kendaraan. Setelah titik sudut piksel diketahui maka fungsi boundingBox akan mencari titik tengah (centeroid) maka matriks tersebut untuk menentukan kotak penandaan. Penandaan tersebut akan diberlakukan pada gambar input grayscaleuntuk mendapatkan gambar karakter yang sebenarnya. 3.4 Evaluasi Pengujian eksperimen yang dilakukan berupa pengukuran mean square error (MSE) dan prosentase keberhasilan pembagian region karakter. Validasi hasil yang didapatkan adalah tabel pengukuran MSE (data terlampir) dan grafik MSE per plat nomor kendaraan serta presentase keberhasilan pembagian region http://research.pps.dinus.ac.id

55


karakter. Penjelasan dari evaluasi dan validasi hasil secara rinci akan dijelaskan pada bab IV hasil dan pembahasan. Formulanya adalah sebagai berikut: Keterangan: y =adalah gambar sumber. X = adalah gambar target. M,N = adalah dimensi gambar sumber. Data yang masukkan untuk menghitung MSE adalah gambar sumber/asli dan gambar target. Data sumber dan data target merupakan karakter dari plat nomor kendaraan yang telah disegmentasi, dimana untuk mendapatkan karakter dari gambar asli dilakukan crop manual menggunakan toolscropping Image dan karakter gambar target didapatkan dari hasil segmentasi gambar plat nomor kendaraan. dari data yang didapatkan kemudian dinormalisasi menjadi 30 x 50 piksel untuk memudahkan proses pengukuran. 4. HASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasil Pengumpulan data Hasil pengumpulan data yang diambil dari penelitian sebelumnya (Erwin, 2012) dapat ditunjukkan pada gambar plat nomor kendaraan di bawah ini.

Gambar 4.6 Dataset Gambar Plat Nomor Kendaraan Bentuk data input berupa gambar plat nomor kendaraan yang telah di potong dari gambar utuh kendaraan, kemudian hasil dari pemotongan gambar tersebut dinormalisasi dimensinya menjadi ukuran 237 x 58 piksel. 4.2 Hasil Pengolahan Awal Dengan menggunakan tools software Sofonesia Picture Cropper proses crooping dilakukan dengan tahaptahap sebagai berikut: 1. Pilih data yang akan di-crop dengan menekan tombol load Image

56



2. Lakukan pemotongan gambar plat nomor kendaraan dengan mengklik pada salah satu sudut plat nomor kendaraan 3. Drag secara diagonal kesudut berlawanan sampai didapat potongan plat nomor kendaraan yang sudah terpotong 4. Klik save Cropped Image untuk menyimpan plat nomor kendaraan tersebut ke folder dataset. 4.3 Hasil Eksperimen Pada proses pre-processing, matrix pada citra di ubah menjadi grayscale. fungsi ini untuk memudahkan dalam mendapatkan normalisasi histogram pada citra dan dapat menerapkan metode Fuzzy C-Means (FCM) untuk mendapatkan nilai threshold dalam pemisahan dua varians warna yaitu hitam dan putih. Dibawah ini adalah beberapa contoh hasil eksperimen pencarian threshold dan segmentasi region karakter pada gambar plat nomor kendaraan menggunakan metode fuzzy C-Means. 5. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan evaluasi hasil eksperimen, maka kesimpulan penelitian ini adalah: 1. Metode untuk menentukan threshold menggunakan FCM untuk memperbaiki proses segmentasi dengan nilai rata-rata threshold sebesar 0.5820. Dalam penelitian ini nilai tersebut termasuk dalam standar nilai yang baik sehingga, dapat memudahkan pengenalan plat nomor kendaraan yang sangat diperlukan dalam sebuah sistem keamanan untuk pelacakan kendaraan dan pengidentifikasian sebuah kendaraan bermotor. 2. Berdasarkan hasil pengujian didapatkan MSE 6.39E+05 piksel, sehingga dapat disimpulkan bahwa hasil pengukuran menggunakan MSE dapat ditingkatkan dengan selisih nilai sebesar 4.31E+07 5.2 Saran Fuzzy C-Means dalam menentukan nilai threshold plat nomor kendaraan terbukti meningkat dibandingkan dengan metode otsu, namun masih ada beberapa kelemahan yang dapat mempengaruhi tingkat keberhasilan segmentasi region karakter pada plat nomor kendaraan. disarankan penelitian yang akan datang metode ini dapat ditingkatkan lagi terutama kelanjutan penelitian pengenalan karakter pada plat nomor kendaraan. 6. PENUTUP Terimakasih kepada Dosen Pascasarjana Teknik Informatika Univeristas Dian Nuswantoro, Atas segala bantuan dan dukungan dari awal hingga akhir penelitian ini. Semoga penelitian ini dapat memberikan manfaat bagi nusa dan bangsa. Saran dan kritik yang membangun diharapakan dapat agar memberikan perbaikan terhadap penelitian ini dan penelitian dibidang yang terkait. PERNYATAAN ORIGINALITAS “Saya menyatakan dan bertanggung jawab dengan sebenarnya bahwa Artikel ini adalah hasil karya saya sendiri kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya” [Yasin Aril Mustofa - P31.2011.01150]

DAFTAR PUSTAKA [1] Y. Wen, Y. Lu, J. Yan, Z. Zhou, K. M. Von Deneen, P. Shi, and S. Member, “An Algorithm for License Plate Recognition Applied to Intelligent Transportation System,” vol. 12, no. 3, pp. 830– 845, 2011.


57


[2] [3]

[4]

[5] [6] [7] [8] [9] [10] [11]

58

H. Guanglin and G. Yali, “A Simple and Fast Method of Recognizing License Plate Number,” 2010 International Forum on Information Technology and Applications, pp. 23–26, Jul. 2010. W. Dingyun, Z. Lihong, and L. Yingbo, “A new algorithm for license plate recognition based on improved edge detection and Mathematical morphology,” The 2nd International Conference on Information Science and Engineering, pp. 1724–1727, Dec. 2010. Y. Ma, J. Chi, R. Hu, and G. Yang, “A new algorithm for characters segmentation of license plate based on variance projection and mean filter,” 2011 IEEE 5th International Conference on Cybernetics and Intelligent Systems (CIS), pp. 132–135, Sep. 2011. D. Gilly, “A Survey on License Plate Recognition Systems,” vol. 61, no. 6, pp. 34–40, 2013. K. Siang Tan and N. A. Mat Isa, “Color image segmentation using histogram thresholding – Fuzzy C-means hybrid approach,” Pattern Recognition, vol. 44, no. 1, pp. 1–15, Jan. 2011. M. Komputer, “NOMOR KENDARAAN INDONESIA MENGGUNAKAN PROGRAM PASCA SARJANA,” 2012. Y. Wen, Y. Lu, J. Yan, and Z. Zhou, “An algorithm for license plate recognition applied to intelligent transportation system,” Transportation, vol. 12, no. 3, pp. 830–845, 2011. H.-F. Ng, “Automatic thresholding for defect detection,” Pattern Recognition Letters, vol. 27, no. 14, pp. 1644–1649, Oct. 2006. “FUZZY MODELS AND ALGORITHMS FOR PATTERN RECOGNITION AND IMAGE PROCESSING.” Erwin Dwika Putra, “Peningkatan Segmentasi Pada Identifikasi Plat Nomor Kendaraan Indonesia Menggunakan Metode Otsu dengan Gausian”, Udinus, 2012


Jurnal Teknologi Informasi, Volume 10 Nomor 1, April 2014, ISSN

Recommend Documents