PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE RUN LENGTH SMEARING DAN K-EARESTNEIGHBOUR

APOTEMA: Jurnal Program Studi Pendidikan Matematika, Volume 3, no. 2, Juli 2017 ISSN: 2407-8840 (print) ISSN: 2580-9253 (online)

PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE RUN LENGTH SMEARING DAN K-EARESTNEIGHBOUR Mety Liesdiani, S.Kom., M.MSI 1 1

STKIP PGRI Bangkalan [email protected]

Abdur Rosyid, S.Si., S.Pd., M.Si 2 2

STKIP PGRI Bangkalan [email protected]

ABSTRAK Kendaraan bermotor adalah salah satu penunjang kegiatan manusia yang sangat penting, karena itu tidak heran dari tahun ke tahun pengguna kendaraan bermotor semakin banyak.. Setiap kendaraan bermotor memiliki nomor kendaraan, dimana nomor kendaraan tersebut antara kendaraan yang satu dan yang lain memiliki nomor yang berbeda. Penelitian ini bertujuan untuk membuat suatu sistem yang dapat mengenali atau membaca nomor kendaraan. Sistem ini dapat dimanfaatkan misalnya pada sistem parkir otomatis. Sistem parkir otomatis yang dimaksud adalah sistem dapat mengenali atau membaca nomor kendaraan, dimana masukkan hasil dari sistem berupa data gambar nomor kendaraan dan hasil dari sistem berupa data teks nomor kendaraan yang terdapat pada suatu gambar. Sistem ini terdiri dari dua tahap utama, yaitu tahap pendeteksian nomor kendaraan menggunakan metode Run Length Smearing. Tahap kedua, pengenalan nomor kendaraan menggunakan metode K-Nearest Neightbour. Kata Kunci : Kendaraan bermotor, Run Length Smearing, K-Nearest Neightbour. Abstract Motor vehicles are one of the most important supporters of human activities, because it is not surprising from year to year more and more motor vehicle users .. Each motor vehicle has a vehicle number, where the number of vehicles between one vehicle and the other has a different number. This study aims to create a system that can recognize or read the number of vehicles. This system can be utilized for example in automated parking system. Automated parking system in question is the system can recognize or read the number of vehicles, which enter the results of the system in the form of image data of vehicle numbers and the results of the system in the form of text data vehicle number contained in an image. This system consists of two main stages, namely the phase detection of vehicle numbers using the Run Length Smearing method. The second stage, the introduction of vehicle numbers using the K-Nearest Neightbour method Keyword : Motor vehicles, Run Length Smearing, K-Nearest Neightbour

PENDAHULUAN Di era globalisasi ini, perkembangan Teknologi Informasi sudah merupakan satu hal yang sangat dominan dan terjadi dengan sangat pesat. Informasi merupakan suatu kebutuhan yang penting bagi semua orang di dunia ini. Aplikasi Teknologi

Informasi sudah banyak diterapkan dalam dunia ilmu pengetahuan, keamanan, kedokteran, dan sebagainya. Kendaraan bermotor adalah salah satu penunjang kegiatan manusia yang sangat penting, karena itu tidak heran dari tahun ke tahun pengguna kendaraan bermotor semakin banyak. Namun hal ini juga diikuti dengan semakin banyak nya pencurian terhadap kendaraan

Mety Liesdiani: Pengenalan Plat Nomor Kendaraan menggunakan metode Run Length Smearing.... 58


bermotor tersebut. Untuk meningkatkan faktor keamanan, maka diperlukan penggunaan sistem parkir. Sistem perpakiran sekarang ini telah menggunakan komputer sebagai alat masukan. Masukan yang diterima berupa nomor plat kendaraan, yang langsung disimpan di dalam basis data sistem tersebut. Pemilik kendaraan akan diberikan secarik kertas sebagai bukti bahwa kendaraan tersebut pada waktu tertentu sedang memasuki suatu tempat parkir. Namun sistem tersebut masih dijalankan oleh manusia, dimana mereka harus selalu siap membaca, memasukkan nomor plat kendaraan melalui keyboard ketika sebuah kendaraan masuk, dan memeriksanya kembali ketika kendaraan tersebut keluar. Pencatatan nomor kendaraan secara manual yang sering dijumpai di beberapa tempat area perparkiran, sebenarnya mempunyai banyak sekali kemungkinan kesalahan yang disebabkan oleh faktor kesalahan manusia (Human Error). Penggunaan sistem otomatis pada pengenalan plat nomor kendaraan diharapkan dapat menjadi solusi dari kekurangankekurangan sistem di atas. Oleh karena itu, akan dilakukan penelitian mengenai sistem pengenalan karakter plat nomor kendaraan yang dapat mendukung terciptanya sistem yang dapat menerima masukan data dari citra plat nomor kendaraan. Sistem ini diharapkan dapat meningkatkan, menyempurnakan, bahkan menggantikan sistem perpakiran yang ada saat ini. Dalam proses pengenalan, tidak semua pixel dari object yang akan dikenali diambil. Hal ini akan mengakibatkan perhitungan yang sangat lama, sehingga perlu diterapkan suatu metode untuk mendapatkan ciri dari plat kendaraan bermotor. Sistem ini bekerja

dengan beberapa tahap, yaitu pendeteksian keberadaan plat nomor dan pengenalan plat nomor. Pada penelitian ini, pada tahap pendeteksi keberadaan plat nomor metode yang akan dipakai yaitu metode Run Length Smearing (RLS), sedangkan untuk tahap pengenalan plat nomor kendaraan metode yang akan dipakai yaitu metode k-Nearest Neighbour (kNN). 1.

Pengenalan PLAT NOMOR

Membuat suatu sistem yang dapat mengenali karakter plat nomor kendaraan. Kamera digital digunakan sebagai pengganti indera penglihatan, lalu hasil citra diolah oleh komputer dan akhirnya menghasilkan informasi berupa hasil pengenalan plat nomor mobil yang bersangkutan. Tanda Nomor Kendaraan Bermotor (TNKB), atau seringkali disebut plat nomor, adalah plat aluminium tanda kendaraan bermotor di Indonesia yang telah didaftarkan pada Kantor Bersama Samsat. Gambar 1. Plat Nomor Standar

Kendaraan di Indonesia Tanda Nomor Kendaraan Bermotor berbentuk plat aluminium dengan cetakan tulisan dua baris. Baris pertama menunjukkan: kode wilayah (huruf), nomor polisi (angka), dan kode/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 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 lambang 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 berwarna 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 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 huruf di belakang angka sebagai tanda pengenal kelipatan telah sampai pada huruf Z, maka penomoran dapat menggunakan 2 huruf seri di belakang angka pendaftaran. Khusus untuk DKI Jakarta, dapat menggunakan hingga 3 huruf seri di belakang angka pendaftaran.

2. Citra Digital Gambar atau citra digital dapat direpresentasikan sebagai sebuah matriks, yang baris dan kolomnya merepresentasikan sebuah posisi dari gambar tersebut, dan nilai dari posisi yang bersangkutan merupakan tingkat kecerahan dari posisi tersebut di citra. Misalnya, terdapat suatu citra berukuran 256 x 256 pixel dengan intensitas beragam pada tiap pixelnya, direpresentasikan secara numerik dengan matriks terdiri dari 256 baris dan 256 kolom. Citra digital diperoleh dari proses digitalisasi ada 2 proses digitalisasi yakni sampling dan kuantisasi. Sampling merupakan proses pengambilan nilai diskrit koordinat (x,y) dengan melewatkan citra melalui grid (celah). Pada proses sampling, citra kontinu disampling pada grid-grid yang berbentuk bujursangkar (kisi-kisi arah horizontal dan vertikal) seperti terdapat pada gambar 2.2.

Gambar 2. Proses Sampling Citra Digital 3.

Citra biner

Yaitu citra yang hanya terdiri atas dua warna, yaitu hitam dan putih. Oleh karena itu, setiap pixel pada citra biner cukup direpresentasikan dengan 1 bit. Meskipun saat ini citra berwarna lebih disukai karena memberi kesan yang lebih kaya dari citra biner, namun tidak membuat citra biner mati. Pada beberapa aplikasi citra biner masih tetap di butuhkan, misalkan citra logo



instansi ( yang hanya terdiri dari warna hitam dan putih), citra kode barang (bar code) yang tertera pada label barang, citra hasil pemindaian dokumen teks, dan sebagainya. Seperti yang sudah disebutkan diatas, citra biner hanya mempunyai dua nilai derajat keabuan : hitam dan putih. Pixel-pixel objek bernilai 1 dan pixel–pixel latar belakang bernilai 0. pada waktu menampilkan gambar, adalah putih dan 1 adalah hitam. Jadi pada citra biner, latar belakang berwarna putih sedangkan objek berwarna hitam seperti tampak pada gambar 3.

3. Sebagian citra perlu di gabung dengan bagian citra yang lain. Operasi-operasi pengolahan citra meliputi perbaikan kualitas citra, yakni perbaikan kualitas citra ini bertujuan memperbaiki kualitas citra dengan memanipulasi parameter-parameter citra. Dalam perbaikan kualitas citra dapat dilakukan operasi- operasi citra yaitu : 1. Perbaikan kontras gelap dan terang 2. Perbaikan tepian objek 3. Penajaman 4. Pemberian warna semu 5.

Gambar 3. Citra Biner Pengolahan Citra Pengolahan citra atau image processing adalah salah satu cabang dari ilmu informatika. Pengolahan citra berkutat pada usaha untuk melakukan transformasi suatu citra atau gambar menjadi citra lain dengan menggunakan teknik tertentu. Pengertian sederhana dari pengolahan citra adalah manipulasi dan analisis suatu informasi gambar oleh computer (Lussiana, 2007). Yang dimaksud dengan informasi gambar disini adalah gambar visual dalam dua dimensi. Umumnya, operasi-operasi pengolahan citra diterapkan pada citra bila : 1. Perbaikan atau modifikasi citra untuk meningkatkan kualitas visual atau menonjolkan beberapa aspek informasi yang terkandung dalam citra. 2. Elemen di dalam citra perlu di kelompokkan, dicocokkan atau diukur.

Proyeksi Pencarian

Segmentasi adalah suatu tahap pada proses analisis citra yang bertujuan untuk memperoleh informasi yang ada dalam citra tersebut dengan membagi citra ke dalam daerah-daerah terpisah dimana setiap daerah mengacu pada sebuah criteria keseragaman yang jelas. Proses segmentasi citra merupakan tahap penting dalam proses pengolahan citra. Segmentasi yang dilakukan pada citra harus tepat agar informasi yang terkandung di dalamnya dapat diterjemahkan dengan baik (Meilinda Siahaan, 2010). Ada banyak metode dalam melakukan segmentasi pada citra, diantaranya yaitu binerisasi, RunLength Smearing Algorithm dan Proyeksi Profil Vertikal. 5.1 Binerisasi Binerisasi merupakan salah satu proses yang dilakukan untuk memisahkan objek dari latar yang tidak dibutuhkan. Tujuan utama dari proses ini adalah untuk menentukan nilai ambang (threshold) yang akan berfungsi untuk membagi citra menjadi dua kelompok, yaitu kelompok objek dan kelompok latar. Untuk dapat memilih nilai threshold yang tepat, maka dibutuhkan suatu pengetahuan



tentang objek yang terdapat didalam citra. Binerisasi dapat dilakukan secara manual dan otomatis, pada citra tuggal atau kumpulan citra yang memiliki pencahayaan atau domain yang sama maka dapat diterapkan binerisasi manual, sedangkan pada kumpulan citra dengan pencahayaan atau domain yang berbeda maka perlu diterapkan binerisasi otomatis. Konversi dari citra hitamputih menjadi citra biner dilakukan dengan operasi pengambangan (thresholding). Operasi pengambangan mengelompokkan nilai derajat keabuan setiap piksel ke dalam dua kelas, hitam dan putih. Dengan setiap piksel di dalam citra dipetakan dengan dua nilai, satu (1) atau nol (0) dengan fungsi pengambangan: K0 =

huruf/angka plat nomor, smearing kedua dilakukan pencarian piksel putih yang merupakan lebar huruf dari karakter plat nomor. Setelah kedua smearing diatas dilakukan hasil dari keduanya kemudian digabungkan setelah itu dilakukan lagi smearing untuk menemukan piksel hitam yang merupakan besar dari plat nomor tersebut secara utuh. Setelah lokasi plat nomor didapatkan gambar tersebut akan diekstrak sehingga terbentuk suatu gambar yang berisikan plat nomor saja (Liliana, Gregorius, Hendra, 2010) Input gambar pada tahap ini berupa citra berwarna dengan gambar mobil dengan plat nomor kendaraannya. Gambar mobil diambil dari jarak antara 1,5 meter dari mobil dengan menggunakan kamera digital dengan ukuran 640x480 pixel, seperti tampak pada gambar 4

(1) Dalam hal ini K0 adalah citra hitamputih, Ki adalah citra biner dan T adalah nilai ambang (threshold) yang dispesifikasikan. Dengan operasi pengambangan tersebut, objek dibuat berwarna gelap (1 atau hitam) sedangkan latar belakang terang (0 atau putih) (Achmad. B, firdausy K, 2005). 5.2 Run-Length Smearing (RLS) Run-Length Smearing (RLS) atau biasa disebut dengan smearing merupakan salah satu metode yang berfungsi mencari lokasi teks dalam suatu gambar citra biner. Cara kerja metode ini adalah dengan cara melakukan proses scan-lines pada gambar secara vertikal dan horisontal. Proses smearing ini dilakukan sebanyak tiga kali untuk mendapatkan lokasi plat yang benar. Pada smearing pertama kali dilakukan pencarian piksel hitam yang merupakan jarak dari tiap karakter

Gambar 4. Citra Masukkan Pada pencarian lokasi plat nomor, metode yang digunakan Run-Length Smearing(RLS). Metode ini merupakan salah satu metode yang berfungsi mencari lokasi teks dari gambar citra biner. Metode ini melakukan proses scan-line pada gambar secara vertikal dan horisontal.



5.3 Proyeksi Profil Proyeksi Profil adalah suatu metode yang digunakan untuk menentukan lokasi objek. Untuk menentukan lokasi objek dapat dilihat menggunakan diagram. Kemudian ditentukan antara indek keberapa sampai keberapa lokasi objek tersebut (Nupiah Hartatik, 2006). Terdapat dua macam metode proyeksi profil yaitu : 1. Profil Horisontal adalah banyaknya pixel hitam yag tegak lurus dengan sumbu x, Profil horisontal direpresentasikan dengan suatu vektor Ph berukuran M. Profil horisontal pada kolom ke-j, yaitu Ph[j], didefinisikan sebagai berikut :

(2) 2. Profil Vertikal adalah banyaknya pixel yang tegak lurus dengan sumbu y, Profil vertikal direpresentasian dengan suatu vektor Pv berukuran N. Profil vertikal pada baris ke-i, yaitu Pv[i], didefinisikan sebagai berikut :

(3) 5.4 Zhang Suen Thinning Thinning merupakan suatu proses penting sebelum melakukan prosesproses atau operasi-operasi pengolahan citra, seperti dalam proses pengenalan karakter optic, pengenalan sidik jari, pemrosesan teks, dan lain sebagainya. Thinning mengakibatkan points atau lapisan yang diluar dari pola(pattern) dihilangkan sampai berbentuk single pixel lebarnya (berbentuk garis). Garis ini dinamakan kerangka (skeleton) dari objek. Garis yang dihasilkan tersebut tidak dapat dibuat bentuk

matematikanya. Piksel-piksel yang ditepi sebagai pembatas sehingga terbentuk pola garis (skeleton). Algoritma Thinning melakukan pengulangan (iteration), dimana pikselpiksel ini diseleksi dengan kriteriakriteria tertentu untuk memutuskan atau membedakan antara piksel yang akan dihilangkan dan yang tidak. Terdapat berbagai macam algoritma thinning. Salah satu nya yaitu Zhang Suen Thinning. Algoritma Zhang Suen adalah salah satu algoritma thinning yang cukup populer dan telah digunakan sebagai suatu basis untuk perbandingan untuk thinning. Setiap iterasi dari metode ini terdiri dari dua sub-iterasi yang berurutan yang dilakukan terhadap contour points dari wilayah citra. Contour point adalah setiap pixel dengan nilai 1 dan memiliki setidaknya satu 8-neighbor dengan nilai 0. Langkah-langkah dalam Zhang Suen Thinning yaitu : 1. pertama adalah menandai contour point p untuk dihapus jika semua kondisi ini dipenuhi. Kondisi yang ditentukan antara lain : a. 2 ≤ N(p1) ≤ 6; b. S(p1) = 1; c. p2 . p4 . p6 = 0; d. p4 . p6 . p8 = 0; 2. Pada langkah kedua, kondisi (a) dan (b) sama dengan langkah pertama, sedangkan kondisi (c) dan (d) diubah menjadi: a. p2 . p4 . p8 = 0; b. p2 . p6 . p8 = 0; Langkah pertama dilakukan terhadap semua border pixel di citra. Jika salah satu dari keempat kondisi di atas tidak dipenuhi atau dilanggar maka nilai pixel yang bersangkutan tidak diubah. Sebaliknya jika semua kondisi tersebut dipenuhi maka pixel tersebut ditandai untuk penghapusan. Pixel yang



ditandai tidak dihapus sebelum semua border points selesai diproses. Setelah langkah 1 selesai dilakukan untuk semua border points maka dilakukan penghapusan untuk titik yang telah ditandai (diubah menjadi 0). Setelah itu dilakukan langkah 2 pada data hasil dari langkah 1 dengan cara yang sama dengan langkah 1 (Andreas Nataniel, 2010). 5.5 Ekstraksi Ciri Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. 5.6 Pengenalan Karakter Definisi dari pengenalan karakter adalah bidang aplikasi dari pengenalan pola yang melibatkan representasi gambar garis dua dimensi dari sebuah karakter. Pengenalan karakter adalah proses pengubahan citra, baik berupa citra yang dicetak oleh mesin atau citra berupa tulisan tangan, menjadi format yang dapat diproses oleh komputer (sebagai contoh dalam format ASCII). Isi dari sebuah citra dapat terdiri dari karakter alphabet (a, b, c,...), karakter numerik (0, 1, 2,...), karakter khusus ($, %, &,...), atau objek lain yang tidak dapat diidentifikasikan (Suci Indah, 2006). 5.7 k-Nearest Neighbour (kNN) Algoritma k-nearest neighbor (kNN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana

masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titk tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak Euclidean. Pada fase pembelajaran, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi dari data pembelajaran. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk data test (yang klasifikasinya tidak diketahui). Jarak dari vektor yang baru ini terhadap seluruh vektor data pembelajaran dihitung, dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik-titik tersebut. Nilai k yang terbaik untuk algoritma ini tergantung pada data; secara umumnya, nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-validation. Kasus khusus di mana klasifikasi diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k = 1) disebut algoritma nearest neighbor. Ketepatan algoritma k-NN ini sangat dipengaruhi oleh ada atau tidaknya fitur-fitur yang tidak relevan, atau jika bobot fitur tersebut tidak setara dengan relevansinya terhadap klasifikasi. Riset terhadap algoritma ini sebagian besar membahas bagaimana memilih dan memberi bobot terhadap fitur, agar performa klasifikasi menjadi lebih baik.



Terdapat beberapa jenis algoritma pencarian tetangga terdekat, diantaranya: 1. Linear scan 2. Pohon kd 3. Pohon Balltree 4. Pohon metric 5. Locally-sensitive hashing (LSH) Algoritma k-NN ini memiliki konsistensi yang kuat. Ketika jumlah data mendekati tak hingga, algoritma ini menjamin error rate yang tidak lebih dari dua kali Bayes error rate (error rate minimum untuk distribusi data tertentu). Perhitungan jarak antara dua karakter dapat dihitung dengan persamaan sebagai berikut :

(5) Keterangan d (X, Q) = Perbandingan antara data ujicoba dengan karakter yang akan dikenali X = Data Ujicoba Q = Data karakter yang akan dikenali n = Jumlah Karakter Keseluruhan 6.

Setelah melakukan proses Tresholding kemudian akan dilakukan dua kali smearing. Hasil smearing pertama dapat dilihat pada gambar 5, proses pertama melakukan proses pencarian warna hitam pada plat nomor.

Gambar 6. Smearing 1 Smearing kedua adalah melakukan pencarian lokasi dari karakter plat nomor. Daerah yang memenuhi persyaratan akan berwarna hitam, dapat dilihat pada gambar 7

Pengujian Sistem

Pengujian sistem akan dilakukan pada gambar 4 . sistem akan melakukan proses Tresholding untuk memperoleh gambar biner seperti yang terlihat pada gambar 5.

Gambar 7. Smearing Proses selanjutnya adalah smearing akhir yaitu mencari warna hitam dari smearing kedua, setelah Gambar 5. Hasil Tresholding



diperoleh hasil tersebut dapat dilihat pada Gambar 8.

Gambar 8. Hasil Akhir Pada proses selanjutnya adalah cropping dari lokasi plat yang telah didapatkan seperti pada gambar 9

Gambar 9. Hasil Cropping 7.

Pengujian

Setelah melakukan proses perubahan warna dari hitam menjadi putih, smearing, segmentasi dan labeling serta pelatihan citra maka tahap selanjutnya adalah pengujian. Hal ini dilakukan guna membuktikan tingkat akurasi data yang diperoleh. Untuk proses identifikasi data uji yang telah diperoleh sebanyak 22 sampel yang terdiri dari 78 sampe huruf dan 108 sampel angka. Berikut hasil pengujian pada tabel 1:

Tabel 1. Hasil pengujian menggunakan metode K-nearest neighbour No

No Citra Uji

Citra

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

1.jpg 2.jpg 3.jpg 4.jpg 5.jpg 6.jpg 7.jpg 8.jpg 9.jpg 10.jpg 11.jpg 12.jpg 13.jpg 14.jpg 15.jpg 16.jpg 17.jpg 18.jpg 19.jpg 20.jpg 21.jpg 22.jpg

L 1956 EX L 1045 SX N 975 XE L 1753 SQ N 1145 BT N 891 DVX L 1553 BJ L 1626 SO L 1631 SO L 1654 BU L 1905 DR N 436 DC B 1268 NMA L 1862 NW L 1815 NJ B 217 SJY N 113 KEX M 1224 KY L 16 ML L 1406 TZ N 1455 BC L 1481 ZH

Hasil Uji L 1956 EX L 1045 SX N 975 XE HJ 7000446 JT 3

N 1145 BT N 891 DVX L 1553 BJ L 1626 SO L 1631 SO L 1654 BU L 1905 DR N 436 DC B 1268 NMA L 1862 NW L 1815 NJ B 217 SJY N 8I Y M 1224 KY L 16 ML L 1406 TZ N 1455 BC L 1481 ZH

Ket benar benar benar salah benar benar benar benar benar benar benar benar benar benar benar benar salah benar benar benar benar benar

Setelah melakukan pengujian dari seluruh sampel selanjutnya dilakukan perhitungan akurasi dalam melakukan identifikasi citra pada plat nomor kendaraan untuk mengetahui hasil dari tingkat akurasi suatu metode, adapun rumus perhitungan adalah sebagai berikut: Jumlah prediksi benar Akurasi =

Jumlah total prediksi

x 100%

Dari hasil penelitian dengan sampel jumlah sampel yang dilakukan pengujian sebanyak 22 citra dan diperoleh kebenaran sebanyak 20 maka diperoleh akurasi perhitungan sebagai berikut : Akurasi = 20 x 100% = 90,9 % 22



PENUTUP Kesimpulan Penggunaan sistem otomatis pada pengenalan plat nomor kendaraan diharapkan dapat menjadi solusi dari kekurangan-kekurangan sistem di atas. Oleh karena itu, akan dilakukan penelitian mengenai sistem pengenalan karakter plat nomor kendaraan yang dapat mendukung terciptanya sistem yang dapat menerima masukan data dari citra plat nomor kendaraan. Sistem ini diharapkan dapat meningkatkan, menyempurnakan, bahkan menggantikan sistem perpakiran yang ada saat ini. Dalam pembuatan aplikasi ini menggunakan metode run length smearing dan k-nearestneighbour, dalam proses smearing dan thining mengalami kesulitan karena plat nomor yang berlaku di Indonesia hitam sehingga pada prosesnya latar menjadi berwarna gelap. Dari beberapa percobaan yang dilakukan, jarak foto plat nomor yang diambil berpengaruh terhadap proses segmentasi sehingga pada harus memperhatikan posisi kamera dengan plat nomor yang akan diambil.

Metode Matriks Kookurensi. 2011 [Updated 2010 Okt 11; cited 2010 Juli 2]. Available from: Http://jurnal pointer. ub.ac.id/index.php/pointer/ article/view/11. Goujon G, Chaoqun, Jianhong W. Data Clusterin, 2007, Virginia : Theory, Algorithms, and Applications. Han J and Kamber, M. Data Mining:Concept and Techniques, 2006, New York : Morgan Kaufmann Publisher . Iswanto. N, Koredianto.U dan Ledya N,. 2010, Desain dan Implmentasi Color Code untuk Verifikasi Nomor Kendaraan Bermotor pada Sistem Parkir, Bandung : Institut Teknologi Telkom Kim, J., Han, Y., Hahn, H, 2009, Character segmentation method for a license plate with topological transform, Beijing : World Academy of Science, Engineering and Technology,

Ahmad, Ridok dan Furcon, M.Tanzil. Pengelompokkan Bahasa Indonesia Menggunakan Metode k-NN [Internet]. 2010[Updated 2010 jan 10; cited 2012 Des 8]. Available from: Http://mc4teknik.blogspot.com/2011/04/klas ifikasi-citra-teksturmenggunakan-k.html.

Liliana, Gregorius. S, dan hendra, 2010, Segmentasi Plat Nomor Kendaraan Dengan Menggunakan Metode Run-Length Smearing Algorithm (RLSA), Jakarta : Universitas Kristen Petra Nugroho A. k-Nearest Neighbor (kNN). 2010 [Updated 2011 Mei 2; cited 2011 Okt 14].Available from:Http://asnugroho.Wordpress. com/ 2007/01/26/k-nearestneighbor-classifier/.

Arriawati A S, Chrystiyono Y. Klasifikasi Citra Tekstur Menggunakan k-Neirest Neighbor Berdasarkan Ekstraksi Ciri

Septiarini, A,2009, Pendeteksian dan Pengenalan Teks Terjemahan pada Video Menggunakan Metode Grayscale Thinning dan

DAFTAR PUSTAKA



Region Growing, Yogyakarta: Universitas Gajah Mada Setiawan. A, Sigit. W dan Dwi K., 2009, Sistem Pengenalan Plat Nomor Mobil Untuk Aplikasi Informasi Karcis Parkir, Surabaya : Institut Teknologi Sepuluh November Sigit, R, Basuki, A., Rahmadijanti., N., dan Pramadihanto,D. 2005. Step by Step Pengolahan Citra Digital. Yogyakarta : ANDI. Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, O.D., Wijanarto, 2009, Teori pengolahan citra digital. Yogyakarta : ANDI. Wijaya, Marvin Ch. Dan Prijono, Agus, 2007, Pengolahan Citra Digital Menggunakan Matlab, Bandung : Informatika Zhang, Y. & Zhang, C. (n.d.). A new algorithm for character segmentation of license plate. Tsinghua University, China. http://id.wikipedia.org/wiki/Plat_nomor


PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE RUN LENGTH SMEARING DAN K-EARESTNEIGHBOUR

Recommend Documents