PENDETEKSIAN LOKASI PLAT NOMOR KENDARAAN MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENTS

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093

PENDETEKSIAN LOKASI PLAT NOMOR KENDARAAN MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENTS Devi Alfiani Fakultas Teknik Informatika, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1, Bandung, Indonesia [email protected] Hannan Izzaturrofa Fakultas Teknik Infomatika, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1, Bandung, Indonesia [email protected]

Abstrak Computer vision merupakan suatu bidang keilmuan yang menggunakan komputer untuk memahami isi citra. Salah satu contoh pengaplikasiannya adalah Optical Character Recognition (OCR) yang mengenali objek data citra berupa tulisan. Biasanya OCR digunakan dalam membaca informasi tulisan pada suatu gambar. Salah satu penerapannya adalah membaca plat nomor kendaraan. Plat nomor kendaraan merupakan identitas dari suatu kendaraan yang membedakannya dengan kendaraan lainnya. Namun untuk membaca suatu tulisan pada citra sistem harus dapat menemukan lokasi dari tulisan yang akan dibaca tersebut. Plat nomor kendaraan merupakan suatu informasi yang bersifat umum serta menjadi salah satu kewajiban yang harus dimiliki kendaraan yang penerapannya diatur oleh pemerintah sehingga penulisannya tidak dapat dimodifikasi secara sembarangan. Oleh karena itu, setiap karakter yang sama pada mobil berbeda akan tetap memiliki bentuk yang hampir sama. Maka dari itu penelitian ini akan menggunakan ekstraksi ciri Histogram of Oriented Gradients sebagai metode untuk menemukan plat nomor kendaraan dan m. Metode tersebut menghasilkan akurasi sebesar 86,84%. Kata kunci :

Computer vision, Optical Character Recognition, Histogram of Oriented Gradients, K-Nearest Network

Abstract Computer vision is a field of science that uses computers to understand the content of the image. An example of it is Optical Character Recognition (OCR) to recognize the object image data in the form of writing. Usually OCR is used in reading information written on an image. The example is to read a license plate. Vehicle license plate is the identity of a vehicle that sets it apart from other vehicles. However, to read an information such a text on the image of the system should be able to find the location of the text that will be read. Vehicle license plate is a general information as well as being one of the obligations that must be owned vehicles whose application is regulated by the government so the writing can not be modified arbitrarily. Therefore, each of the same character in different cars will still have a shape that is almost the same. Thus, this study will use a feature extraction Histogram of Oriented Gradients as a method for finding the vehicle license plate number and classification method used K-Nearest Network (KNN). In this paper, with the proposed method produces the accuracy is 86.84%. Keywords :

Jurnal Nasional JMII 2017

66

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 Computer vision, Optical Character Recognition, Histogram of Oriented Gradients, K-Nearest Network

I. PENDAHULUAN Perkembangan dunia khususnya dibidang teknologi saat ini telah berkembang pesat. Teknologi dapat dimanfaatkan untuk membantu pekerjaan manusia dengan cara mengotomatisasi suatu kegiatan yang awalnya dilakukan secara manual, salah satu contohnya adalah pengenalan plat nomor kendaraan yang disebut License Plate Recognition (LPR) yang diterapkan untuk sistem parkir, sistem tol, sistem lalu lintas, dan sistem lain yang berhubungan dengan kendaraan. LPR merupakan salah satu bagian dari Optical Character Recognition (OCR) yang mengenali objek data citra yang berupa tulisan (nomor polisi). Ada beberapa tahapan yang harus dilakukan untuk mengenali nomor polisi plat nomor kendaraan. Tahap awal adalah menemukan lokasi plat nomor kendaraan, setelah itu dilakukan pengidentifikasian karakter agar dapat dilanjutkan ke tahap pengenalan nomor polisi plat nomor kendaraan. Telah banyak penelitian yang dikembangkan untuk mengenali karakter nomor polisi pada plat nomor kendaraan, namun belum banyak penelitian yang menggunakan dataset berupa gambar utuh dari sebuah kendaraan. Penelitian tesebut terfokus pada pengenalan karakter pada plat nomor saja. Oleh karena itu, pada penelitian tugas akhir ini akan difokuskan pada tahap menemukan lokasi plat nomor kendaraan dengan menggunakan Histogram of Oriented Gradients (HOG). HOG digunakan untuk mengekstraksi fitur pada objek citra dengan menggunakan objek karakter pada plat nomor. Pada proses untuk mengekstraksi fitur tersebut, citra akan dikelompokkan menjadi block yang terdiri dari beberapa cell yang akan dihitung nilai gradient setiap pksel yang ada pada block tersebut. Setelah dilakukan ekstraksi bentuk menggunakan HOG, akan dilakukan klasifikasi karakter menggunakan K-Nearest Neighbour (K-NN)

untuk melihat apakah citra yang diambil merupakan bagian dari plat nomor atau tidak. Setelah itu akan dilakukan penyeleksian kandidat yang benar menggunakan algoritma sliding window.

II. KAJIAN LITERATUR Pada penelitian ini terdapat beberapa tahap yang harus dilewati untuk bisa membangun sebuah sistem yang dapat mendeteksi lokasi plat nomor kendaraan. Tahapan yang dilalui adalah preprocessing, ekstraksi ciri, klasifikasi dan penyeleksian. Preprocessing citra dilakukan untuk mengecilkan daerah penelusuran yang akan digunakan pada saat ekstraksi ciri dilakukan. Setelah melalui preprocessing akan dilanjutkan ke tahap ekstraksi ciri menggunakan Histogram of Oriented Gradients (HOG). Ekstraksi ciri digunakan untuk mengambil ciri dari bentuk gambar yang dimasukkan, kemudian dilakukan klasifikasi menggunakan metode K-Nearest Neighbour (KNN). Setelah itu daerah hasil pengklasifikasian akan diseleksi menggunakan algoritma sliding windows. Tahapan preprocessing yang dilakukan adalah konversi RGB ke grayscale, Histogram Equalization (Histeq), deteksi tepi Canny, dan Morfologi Operation, dan segmentasi. Proses konversi RGB ke grayscale dilakukan untuk mengurangi kompleksitas dalam pemrosesan citra. Hasil citra grayscale akan diproses menggunakan median filtering untuk menghilangkan noise salt and pepper yang ada pada citra. Setelah itu akan dilakukan pemerataan histogram dengan menggunakan metode Histogram equalisation (Histeq). Histeq bertujuan untuk memperbaiki atau menjadikan gambar memiliki kontras yang lebih baik. Deteksi tepi Canny digunakan untuk mendapatkan tepi citra dikarenakan operator Canny telah didesain untuk menjadi pendeteksi tepi yang dapat bekerja secara optimal pada citra yang memiliki kriteria berbeda-beda [1]. Morphological Operation digunakan untuk menebalkan garis tepi dan menghilangkan objek kecil. Operasi morfologi yang dilakukan adalah dilasi dengan menggunakan struktur elemen s.


67


Gambar 2. Dilasi dengang menggunakan 3x3 square structuring element [8]

Segmentasi dilakukan untuk mengurangi daerah citra yang tidak diperlukan. Segmentasi dilakukan dengan membangun daerah dari garis tepi citra hasil deteksi tepi Canny. HOG adalah salah satu metode yang digunakan dalam image processing untuk mendeteksi suatu objek. Teknik ini dilakukan dengan menghitung nilai gradien dalam daerah tertentu pada suatu citra. Tiap citra memiliki karakteristik yang berbeda yang ditunjukkan oleh distribusi gradien, yang didapatkan dengan membagi citra ke dalam beberapa bagian kecil yang disebut block. Tiap block dibangun oleh beberapa daerah kecil yang disebut cell. Tiap cell disusun sebuah histogram dari sebuah gradien. Setiap piksel dari cell berkontribusi dalam proses voting untuk membangun nilai dari Histogram tersebut. Kombinasi dari histogram tersebut yang akan dijadikan sebagai deskriptor yang mewakili sebuah objek.

vertikal menggunakan deteksi tepi Sobel 1-D dengan rumus sebagai berikut.

(1)

(2)

Dari nilai gradien tersebut akan dihitung magnitude dan orientasi-nya.

(3)

(4)

Dimana nilai merupakan nilai intensitas citra pada posisi x dan y. untuk mengurangi pengaruh pencahayaan, maka pada cell dan block dilakukan normalisasi dengan rumus sebagai berikut.

Proses awal untuk membangun HOG adalah dengan menghitung nilai gradien horisontal dan Jurnal Nasional JMII 2017

(5)

68


Nilai

v

merupakan

nilai

vektor

yang

mengandung histogram pada sebuah blok dan adalah bilangan kecil konstan. Cell dalam HOG dapat berupa persegi panjang (R-HOG) atau setengah lingkaran (C-HOG). R-HOG diwakili oleh tiga parameter yaitu jumlah cell per block, jumlah piksel per cell, dan jumlah bin per histogram. Sedangkan C-HOG memiliki empat parameter yaitu jumlah sudut dan radial bin, jari-jari center bin, dan faktor ekspansi untuk radius tambahan dari radial bin.

Gambar 2. Cell yang menyusun sebuah Block

K-Nearest Neighbor (K-NN) adalah sebuah metode yang menggunakan algoritma supervised dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN. Tujuan algoritma ini adalah mengklasifikasikan objek baru berdasarkan atribut dan sampel latih. Dalam pengujiannya akan diberikan sebuah titik yang akan dihitung jaraknya terhadap sejumlah K objek (titik training). Klasifikasi dilakukan dengan mengambil voting terbanyak di antara klasifikasi dari K obyek. Algoritma K-NN menggunakan klasifikasi ketetanggan sebagai nilai prediksi dari sampel uji yang baru. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan rumus Eucledian sebagai berikut.

(6)

Pada persamaan diatas x dan y adalah vektor yang jaraknya ingin dibandingkan, k adalah banyak nilai di dalam vektor x atau y dengan nilai yang sama, i adalah indeks dari vektor yang ingin dibandingkan.


69


Dataset yang digunakan dalam penelitian ini merupakan citra kendaraan roda empat yang memiliki plat nomor berwarna hitam yang diambil sendiri di daerah lingkungan kampus Universitas Telkom dengan menggunakan kamera Canon EOS 550D. Keseluruhan dataset memiliki beberapa kondisi yang berbeda yaitu, jarak yang berbeda, sudut yang berbeda, posisi yang berbeda dan warna mobil yang berbeda. Total dataset yang digunakan adalah 228 citra dengan pembagian 116 citra untuk skenario training sistem dan 228 citra untuk skenario testing. Contoh data gambar yang terdapat di dalam dataset dapat dilihat pada gambar di bawah ini.

Gambar 5. Testing Dataset yang digunakanan adalah citra dari sebuah kendaraan roda empat lengkap dengan background. Jumlah dataset yang digunakan adalah sebanyak 228 citra yang diambil dari jarak 3-5 meter, dan sudut pengambilan gambar 0-15 derajat dari kamera, serta posisi pengambilannya dari arah kiri, tengah dan kanan dari kendaraan.

Pada proses pembangunan model, citra akan dipotong menjadi ukuran sebesar 60x20. Untuk ekstraksi model tersebut akan digunakan potongan citra yang mengandung karakter huruf dan angka plat nomor.

Gambar 3. Data gambar ada di dalam dataset biasa Perhitungan akurasi yang menggunakan perhitungan

yaitu dengan membagi jumlah citra yang berhasil dideteksi per jumlah seluruh citra yang digunakan dikali dengan 100 persen.

III. ANALISIS DAN PERANCANGAN Sistem pendeteksian lokasi plat nomor ini terbagi menjadi dua bagian, yaitu bagian pembangunan model dan bagian pengujian. Alur pembangunan model digambarkan seperti dibawah ini.

Gambar 4. Pembangunan Model


70


Gambar 7. (Kiri) Sampel citra; (Kanan) Hasil preprocessing

Setelah melalui tahap preprocessing, akan dilanjutkan ke tahap klasifikasi menggunakan metode K-Nearest Network (KNN). KNN dilengkapi dengan nilai threshold yang akan menjadi standar penentuan apakah potongan citra tersebut merupakan plat nomor atau tidak. Pada penelitian ini digunakan nilai threshold sebesar 0,7. Nilai threshold didaptkan dari hasil trial and error. Hasil dari klasifkasi adalah sebuah citra yang terdiri atas blok-blok citra yang memiliki nilai dibawah threshold. Citra tersebut akan diseleksi dengan menggunakan algoritma sliding windows yang berukuran 100x300 untuk menemukan kandidat lokasi plat nomor yang benar. Pada tahap klasifikasi dilakkukan pengujian untuk mencari nilai K terbaik yang dapat menghasilkan akurasi tertinggi.

Gambar 6. Sampel citra untuk pembangunan model

Pembangunan model dilakukan dengan ekstraksi bentuk Histogram of Oriented Gradients (HOG) dengan menggunakan R-HOG yang menggunakan block saling overlapping 50% yang memiliki 2x2 cell. Sehingga satu citra akan memiliki 4x14 blok yaitu 56 blok. Setelah proses pembangunan model, dilanjutkan ke tahap preprocessing menggunakan Histogram equalisation (Histeq) yang bertujuan untuk menyeratakan histogram citra agar penyebaran warnanya lebih merata. Pendeteksian tepi dan penebalan garis tepi dilakukan untuk mempermudah pembentukan daerah pada citra untuk segmentasi gambar. Hasil dari tahap preprocessing adalah citra yang telah dihilangkan daerah yang dianggap tidak dibutuhkan.

(a)

(b)

(c)

(d)

(e)

(f)

Gambar 8. (a) Hasil klasifikasi 1-NN; (b) Hasil Klasifikasi 3-NN; (c) Hasil Klasifikasi 5-NN; (d) Hasil Klasifikasi 7-NN; (e) Hasil Klasifikasi 9-NN; (f) Hasil Klasifikasi 11-NN


71


(a)

Kemungkinan yang bisa terjadi selain hal tersebut adalah banyaknya daerah selain plat nomor yang digolongkan ke dalam sebuah kelas, dan kelas yang terpilih tersebut memiliki nilai jarak kurang dari nilai threshold sehingga pada saat penyeleksian, kandidat lokasi yang tidak benar tersebut dianggap sebagai lokasi dari plat nomor.

(b)

Untuk penelitian lebih lanjut sebaiknya dilakukan pengujian terhadap parameter HOG dan nilai threshold dari KNN nya serta dataset untuk pembuatan model lebih diperbanyak agar sistem yang dibangun lebih baik. (a)

(d)

REFERENSI

(e)

[1].

S. P. A. W. E. W. R. Fisher, “Canny Edge Detector,” 2003. [Online]. [Diakses 28 December 2016].

[2].

B. T. Navneet Dalal, “Histogram of Oriented Gradients for Human Detection,” 2005.

[3].

G. C.-C. W. R. S. D. M. R. F. Prates, “Brazilian License Plate Detection Using Histogram of Oriented Gradients and Sliding Windows,” 2014.

[4].

Y. Z. J. G. Q. H. Kuan Zheng, “License Plate Detection Using Haar-like Features and Histogram of Oriented Gradients,” 2012.

[5].

K. W. Z. Y. H. X. Chao Gou, “License Plate Recognition Using MSER and HOG Based on ELM,” 2014.

[6].

Z.-N. L. Haoyu Ren, “Object Detection Using Edge Histogram of Oriented Gradient,” 2014.

[7].

H. A. Jawad Muhammad, “Improved License Plate Detection Using HOG-based Features and Genetic Algorithm,” 2016.


72

(f)

Gambar 9. (a) Hasil sliding windows 1-NN; (b) Hasil sliding windows 3-NN; (c) Hasil Klasifikasi 5-NN; (d) Hasil Klasifikasi 7-NN; (e) Hasil Klasifikasi 9-NN; (f) Hasil Klasifikasi 11-NN

Akurasi 90.00% 80.00%

85.08%

86.84% 80.26% 85.96%

82.89%

70.00%

78.50%

1-NN 3-NN 5-NN 7-NN 9-NN 11-NN Akurasi

Setelah melakukan pengujian dengan beberapa nilai K didapatkan akurasi terbaik pada saat nilai K=5 yaitu sebesar 86,84%.

IV. KESIMPULAN DAN SARAN Nilai parameter KNN sangat berpengaruh terhadap hasil yang didaptakan. Dapat dilihat bahwa nilai K=5 merupakan parameter yang menghasilkan akurasi tertinggi. Hal ini disebabkan semakin banyaknya nilai K maka semakin banyaknya peluang suatu potongan citra diklasifikasikan ke dalam sebuah kelas karakter, namun tiap kelas karakter yang terpilih belum tentu memiliki nilai jarak yang kurang dari nilai threshold yang ditentukan.


SISTEM INFORMASI PENGOLAHAN SERTIFIKAT BERBASIS WEB DI DIVISI TRAINING SEAMOLEC

Faizal Ari Prabowo, Mamay Syani Program Studi Teknik Informatika- Politeknik TEDC Bandung Jl. Politeknik-Pesantren KM2 Cibabat Cimahi Utara – Cimahi Jawa Barat – Indonesia [email protected], [email protected]

Abstrak—Southeast Asian Ministers of Education Organization of Open Learning Center (SEAMOLEC) adalah organisasi yang bergerak untuk mengembangkan Pendidikan Terbuka dan Jarak Jauh (PTJJ). Di dalam mengembangkan Pendidikan Terbuka dan Jarak Jauh, SEAMOLEC memiliki beberapa program salah satunya ialah pelatihan Digital Class Development.Dalam penelitian ini bertujuan membuat Sistem Informasi Pengolah Sertifikat berbasis website untuk merubah sistem dari manual menjadi komputerisasi, dan membangun sistem yang dapat membantu mengelola sertifikat. Dalam penyelesaian penelitian ini menggunakan metode waterfall yang membantu pada pengembangan sistem, tahap analisis dan sebagai identifikasi sistem yang sedang berjalan dengan sistem yang akan dikembangkan, pada tahap perancangan sistem menggunakan Unified modeling language (UML), MySQL digunakan sebagai perancangan database, dan perancangan sistem menggunakan bahasa pemrograman Hypertext Preprocessor (PHP). Hasil penelitian menunjukkan bahwa sistem ini dapat menggantikan proses manual kedalam proses komputerisasi. Dan hasil pengujian User Acceptance Test (UAT) sistem ini bisa diterima dengan baik dengan persentase sebesar 85%.

Kata Kunci: Sistem informasi, sertifikat, web, SEAMOLEC.

I. PENDAHULUAN A. Latar Belakang Southeast Asian Ministers of Education Organization of Open Learning Center (SEAMOLEC) adalah organisasi yang bergerak untuk mengembangkan Pendidikan Terbuka dan Jarak Jauh (PTJJ). Di dalam mengembangkan Pendidikan Terbuka dan Jarak Jauh, SEAMOLEC memiliki beberapa progam salah satunya ialah pelatihan Digital Class Development. Pelatihan Digital Class Development adalah suatu pelatihan untuk mengembangkan kemampuan guru-guru dalam hal pengintegrasian Teknologi Informasi dan Komunikasi dan mengembangkan e-learning sebagai metode pembelajaran baru. Pada pelatihan Digital Class Development, setelah peserta mengikuti pelatihan selama 3 hari, peserta akan mendapatkan sebuah sertifikat sebagai tanda telah melaksanakan kegiatan pelatihan Digital Class Development . Di divisi Training SEAMOLEC pembuatan sertifikat utuk kegiatan Digital Class Development pada saat ini masih bersifat konvensional dengan menggunakan software Microsoft Excel dan Microsoft Publiser untuk mengelola sertifikat. Proses pembuatan sertifikat memakan waktu yang lama dalam pembuatannya dan masih banyak Staff yang belum bisa mengelola dan mencetak sertifikat dengan baik. B. Rumusan Masalah


73

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 1. Bagaimana analisis sistem yang sedang berjalan di divisi Training SEAMOLEC ? 2. Bagaimana merancang dan mengembangkan sistem informasi pengolah sertifikat berbasis web ? 3. Bagaimana Implementasi sistem informasi pengolah sertifikat berbasis web di divisi training SEAMOLEC ? C. Batasan Masalah 1. SEAMOLEC sebagai objek studi kasus dalam penelitian. 2. Sistem informasi pengolah sertifikat pada divisi Training SEAMOLEC yang melingkupi data pelatihan, data peserta, dan cetak sertifikat

2.

D. Tujuan Penelitian 1. Menganalisa sistem yang berjalan di divisi training SEAMOLEC 2. Merancang dan mengembangkan sistem informasi pengolah sertifikat berbasis web 3. Mengimplementasikan sistem informasi pengolah sertifikat berbasis web di divisi training SEAMOLEC.

3.

E. Metodologi Penelitian Pada penelitian ini menggunakan model waterfall dimana terdapat 6 langkah yaitu: requirements, analysis, design, coding, testing, dan maintenance. Namun dalam hal ini pada sistem informasi pengolah sertifikat tidak menambahkan untuk langkah maintenance, dikarenakan sistem yang berjalan saat ini hanya sampai pada langkah testing, langkahlangkah yang dilakukan ialah sebagai berikut : 1. Requirements: yaitu tahap untuk melakukan pengumpulan data dan penetapan kebutuhan semua elemen sistem. Dalam hal ini pengumpulan data dilakukan dengan cara observasi, wawancara dan studi literatur. Observasi yang dilakukan yaitu dengan melakukan pengamatan langsung pada objek penelitian yang berkaitan dengan proses pengolah sertifikat di divisi Training SEAMOLEC, Kemudian wawancara dilakukan kepada staff divisi Training tentang informasi instansi tersebut dan menanyakan informasi mengenai pengolahan sertifikat atau hal lain yang

4.

5.

kurang jelas pada saat pengumpulan data. Selain itu melakukan studi literatur atau mencari referensi teori yang relefan dengan kasus atau permasalahan yang ditemukan. Referensi ini dapat dicari dari buku, jurnal, artikel laporan penelitian dan situs-situs di internet mengenai perancangan dan pembuatan sistem informasi pengolah sertifikat di divisi Training SEAMOLEC. Analysis: tahap untuk menganalisis alur sistem pembuatan sertifikat yang sedang berjalan di SEAMOLEC, kemudian melakukan analisis data yang diperoleh sehingga mampu menganalisis hal-hal yang diperlukan untuk sistem yang akan dibangun dalam pelaksanaan proyek pembuatan sistem informasi Pengolah sertifikat. Design: tahap penerjemahan dari keperluan atau data yang telah dianalisis untuk sistem informasi pengolah sertifikat di divisi Trainig SEAMOLEC yang akan dibangun seperti merancang database dengan menggunakan MySQL dan merancang user interface atau tampilan sistem ke dalam bentuk yang mudah dimengerti oleh pengguna menggunakan CSS Bootstrap. Coding: tahap untuk menerjemahkan data, atau pemecahan masalah yang telah dirancang ke dalam bahasa pemrograman komputer yang telah ditentukan. Dalam hal ini menggunakan bahasa pemrograman PHP dan Database MySQL. Testing: tahap untuk melakukan uji coba terhadap sistem informasi pengolah sertifikat berbasis web yang telah dibuat apakah sudah sesuai dengan kebutuhan divisi Training SEAMOLEC atau masih ada kesalahan

II. LANDASAN TEORI A. Profil SEAMEO SEAMOLEC South East Asian Ministers of Education Organization Regional Open Learning Centre (SEAMOLEC) merupakan organisasi dibawah South East Asian Ministers of Education Organization (SEAMEO) atau Organisasi dari beberapa Kementerian Pendidikan se-Asia Tenggara yang berdiri pada tanggal 27 Februari 1997 di Pustekkom,


74

PENDETEKSIAN LOKASI PLAT NOMOR KENDARAAN MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENTS

Recommend Documents