PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana[1], Sabat Anwari[2], Arief Hermawan[3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Nasional
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
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.
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 bentuk koordinat maka akan seperti gambar berikut ini
Gambar 2.1 Citra Dalam Koordinat
Meskipun citra memiliki banyak informasi akan tetapi sering kali citra tersebut harus diolah kembali agar sesuai dengan citra kebutuhan yang ada. Menurut Wikipedia pengolahan citra digital adalah penggunaan algoritma komputer untuk melakukan pemrosesan citra dalam citra digital. Secara garis besar, pengolahan citra digital menurut outputnya dibagi menjadi dua, yaitu : • Outputnya citra Pengolahan citra digital pada kategori ini berhubungan dengan teknik mentransformasikan citra menjadi citra lain, seperti memperbaiki citra, meningkatkan kualitas citra, atau mengkompres citra agar ukuran filenya lebih kecil. • Outputnya komponen / atribut citra Pada kategori ini pengolahan citra digunakan untuk menghasilkan suatu komponen dari citra untuk diolah lebih lanjut. Biasanya digunakan untuk mengenali suatu pola tertentu dari citra Jaringan Saraf Tiruan[8] Jaringan saraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah system neural akan meningkatkan kemampuan
2.2.
komputasinya. Bobot dala jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang digunakan adalah fungsi threshold. Jaringan saraf tiruan (JST) adalah sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan saraf biologis. JST dibentuk sebeagai generalisasi model matematika dari jaringan saraf biologis, dengan asumsi : a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron) b. Sinyal dikirimkan diantara neuron – neuron melalui penghubung c. Penghubung neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang diterapkan pada jumlah input yang diterima. Besarnya output ini kemudian dibandingkan dengan threshold. 2.2.1. Jaringan saraf tiruan Jaringan saraf tiruan dibentuk oleh tiga hal, yaitu : a. Pola hubungan antar neuron (arsitektur jaringan). b. Metode untuk menentukan bobot penghubung (training / learning / pelatihan). c. Fungsi aktivasi 2.2.2. JST Backpropagation JST dengan lapis tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa diatasi dengan menambahkan satu lapisan atau beberapa lapisan tersembunyi diantara lapisan input dan lapisan output. Meskipun penggunaan lapisan tersembunyi lebih dari satu memiliki kelebihan manfaat untuk beberapa kasus, akan tetapi pelatihannya memerlukan waktu yang lebih lama. Seperti arsitektur yang lain, backpropagation melatih jaringan untuk mendapatkan keseimbangan antara
kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola input yang serupa dengan pola yang dipakai selama pelatihan. a. Arsitektur backpropagation Backpropagation memiliki beberapa unit neuron dalam lapisan tersembunyi. Gambar berikut ini adalah contoh arsitektur backpropagation dengan n buah neuron input (ditambah dengan sebuah bias), sebuah lapisan tersembunyi yang terdiri p unit neuron (ditambah dengan sebuah bias), serta m buah neuron unit output.
Gambar 2.2 Arsitektur Backpropagation
Vij merupakan bobot dari unit input xi ke unit lapisan tersembuyi zj (vj0 merupakan bobot yang menghubungkan bias di unit masukkan ke unit lapisan tersembunyi zj), sedangkan wkj merupakan bobot dari unit lapisan tersembunyi zj ke unit output yk (wk0) merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran zk). b. Fase backpropagation Backpropagation memiliki tiga fase yang harus dilakukan. Fase pertama adalah fase maju, pola input dihitung maju mulai dari lapisan input hingga lapisan output dengan menggunakan suatu fungsi aktivasi. Fase kedua adalah fase mundur, selisih antara output jaringan dengan output yang diinginkan (target) merupakan kesalahan atau error. Error ini kemudian
dirambatkan mundur, dimulai dari yang berhubungan langsung dengan unit – unit lapisan output sampai ke lapisan input. Fase ketiga adalah memodifikasi bobot untuk menurunkan error yang ada. 1. Fase I : propagasi maju Selama propagasi maju, sinyal input (xi) dipropagasikan ke lapisan tersembunyi menggunakan fungsi aktivasi yang sudah ditentukan. Keluaran dari setiap unit lapisan tersembunyi (zj) selanjutnya dipropagasikan maju ke lapisan tersembunyi selanjutnya dengan menggunakan suatu fungsi aktivasi. Demikian seterusnya hingga menghasilkan output jaringan (yk) Selanjutnya output jaringan (yk) dibandingkan dengan target yang harus dicapai (tk). Selisih antara target dan output adalah suatu nilai kesalahan (error), jika nilai error ini lebih kecil dari batas toleransi yang ditentukan maka iterasi akan dihentikan. Akan tetapi jika nilai error masih lebih besar dari batas toleransinya, maka bobot dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang ada. 2. Fase II : propagasi mundur Berdasarkan nilai error, dihitunglah factor δk (k = 1, 2, …, m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. δk juga digunakan untuk mengubah bobot yang berhubungan langsung dengan unit output. Dengan cara yang sama, dihitung factor δj di setiap unit dalam lapisan tersembunyi sebagai dasar perubahan bobot yang bersasal dari unit tersembunyi di bawahnya. Demikian seterusnya hingga semua factor δ di unit tersembunyi yang berhubungan langsung dengan unit input dihitung. Dengan cara yang sama, dihitung faktor δj di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang
berhubungan langsung dengan unit masukan dihitung. 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
c. Tiap – tiap unit output (Yk, k = 1, 2, …, m) menjumlahkan sinyal – sinyal input terbobot.
gunakan fungsi aktivasi menghitung sinyal output
untuk
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 :
kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk) : Hitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2k) : 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
gunakan fungsi aktivasi menghitung sinyal output
untuk
dan kirimkan sinyal tersebut ke semua unit tersembunyi di lapisan atasnya (unit – unit output)
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error :
Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk mempebaiki bilai vij) : Hitung juga koreksi bias nantinya akan digunakan memperbaiki b1j) :
(yang untuk
c. Tiap – tiap unit ourput (Yk, k = 1, 2, …, m) memperbaiki bias dan bobotnya (j = 0, 1, …, p) : wjk (baru) = wjk (lama) + Δwjk b2k (baru) = b2k (lama) + Δb2k tiap – tiap unit tersembunyi (zj, j =1, 2, …, p) memperbaiki bias dan bobotnya (i = 0, 1, …, n) : vij (baru) = vij (lama) + Δvij b1j (baru) = b1j (lama) + Δb1j 4. Tes kondisi berhenti Matlab[2,4] Matlab adalah salah satu software yang dapat digunakan untuk membuat program pengenalan plat nomor kendaraan. Di dalam Matlab sudah terdapat toolbox yang memudahkan pembuatan program jaringan saraf tiruan, yaitu Neural Network Toolbox. Dalam Neural Network Toolbox terdapat fungsi untuk membuat berbagai macam jaringan saraf tiruan, serta pengaturan parameter – parameter yang dibutuhkan, seperti metode pelatihan, fungsi aktivasi dan lainnya. Selain itu Matlab juga dapat memiliki fitur yang dapat digunakan untuk membuat GUI program yang menarik, yaitu GUIDE. Fitur ini memudahkan dalam membuat program dengan GUI sehingga hasil yang didapatkan bisa lebih maksimal dibanding hanya dengan menggunakan m-file saja.
2.3.
III. Perancangan Program Secara umum sistem akan berkerja seperti blok diagram berikut :
Gambar 3.1 Blok Diagram Pengenalan Karakter
Citra digital dijadikan input kemudian ditampilkan melalui GUI yang sudah disediakan, lalu citra diproses agar plat nomor ditemukan lalu diekstrak. Setelah diekstrak dilakukan proses segmentasi karakter agar tiap karakter dapat dipisahkan. Proses selanjutnya adalah pengenalan karakter dengan metoda JST backpropagation dan hasilnya ditampilkan melalui GUI. Sebagai pembanding digunakan metoda template matching untuk mengenali karakter plat nomor. Perancangan program ini dibagi menjadi dua bagian yaitu perancangan GUI dan perancangan subprogram. 3.1.
Perancangan GUI Perancangan GUI menggunakan GUIDE Matlab sehingga perancangan dapat dilakukan dengan relatif lebih mudah. Gambar 3.2 serta gambar 3.3 berikut ini adalah rancangan tampilan GUI untuk pelatihan JST dan pengenalan plat nomor kendaraan
Gambar 3.2 Pelatihan JST
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 3.4 Pelatihan JST
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 3.5 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 3.6 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
Gambar 3.8 Segmentasi Karakter 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
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
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 4.2 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 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
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
Gambar 4.1 Tab Pelatihan JST Gambar 4.4 Memilih Citra
Setelah dipilih citra kemudian ditampilkan dalam tempat yang sudah ditentukan, seperti ditunjukkan pada gambar 4.5
1 2 3
4 Gambar 4.5 Menampilkan Citra
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
5. Pengujian Segmentasi Citra Dari sejumlah citra yang diuji hasilnya cukup bervariasi, ada yang bisa disegmentasi dengan baik, ada juga yang tidak tersegmentasi dengan baik bahkan ada pula yang tidak bisa disegmentasi. Hal ini disebabkan adanya noise dalam citra plat nomor hasil ekstraksi sehingga saat proses segementasi dilakukan noise tersebut dianggap sebagai karakter. Tabel 4.2 adalah gambar hasil proses segmentasi Table 4.2 Hasil segmentasi
Gambar 4.6 Pencarian dan Ekstraksi Citra
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 Tabel 4.1 adalah hasil percobaan yang menunjukkan empat kelompok hasil pencarian dan ekstraksi plat nomor. Table 4.1 Hasil Pencarian dan Ekstraksi
Plat Nomor
Hasil Pencarian
Hasil Ekstrak
6. Pengujian Metoda JST Pengujian subprogram pengenalan karakter dengan metoda JST dilakukan untuk mengetahui apakah JST sudah dapat mengenali karakter hasil segmentasi. Contoh hasilnya ditunjukkan dalam gambar 4.7
Tabel 4.4 Hasil Metoda Template Matching
Gambar 4.7 Hasil Metoda JST
Dari pengujian yang sudah dilakukan didapat bahwa masih terdapat karakter yang salah dikenali oleh JST. Tabel 4.3 merupakan hasil pengujian pengenalan karakter menggukaan JST Tabel 4.3 Hasil Pengujian JST
Dari tabel 4.3 terlihat bahwa tingkat keberhasilan yang didapat adalah antara 14,28% sampai 85,71% dan waktu yang dibutuhkan untuk pengenalan karakter adalah antara 1,59 detik sampai 1,89 detik. 7. Pengujian Metoda Template Matching Pengujian metoda template matching ini digunakan sebagai pembanding terhadap metoda JST yang digunakan sebelumnya. Hasilnya ditunjukkan dalam tabel 4.4
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. 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. 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
