Perbandingan dalam Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Image Centroid and Zone dengan Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network
PERBANDINGAN DALAM PENGENALAN KARAKTER PLAT
NOMOR KENDARAAN MENGGUNAKAN IMAGE CENTROID
AND ZONE DENGAN KLASIFIKASI K-NEAREST NEIGHBOUR
DAN PROBABILISTIC NEURAL NETWORK
HAFARA FISCA LAHMURAHMA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Perbandingan dalam
Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Image Centroid and
Zone dengan Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, November 2013
Hafara Fisca Lahmurahma
NIM G64096027
ABSTRAK
HAFARA FISCA LAHMURAHMA. Perbandingan dalam Pengenalan Karakter
Plat Nomor Kendaraan Menggunakan Image Centroid and Zone dengan
Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network. Dibimbing
oleh MUSHTHOFA.
Sistem pengenalan pola merupakan konsep keilmuan yang terus
dikembangkan dengan berbagai metode. Salah satu contohnya adalah pengenalan
karakter plat nomor kendaraan. Plat nomor memiliki nomor seri yakni susunan
huruf dan angka yang dikhususkan bagi kendaraan tersebut. Penelitian ini
menggunakan metode ekstraksi ciri image centroid and zone (ICZ) dengan jumlah
zona 14. Selain itu penelitian ini menggunakan dua metode klasifikasi yaitu knearest neighbour (KNN) dan probabilistic neural network (PNN), dan bertujuan
untuk membandingkan tingkat akurasi kedua metode tersebut. Data yang
digunakan adalah 100 buah citra plat nomor kendaraan. Nilai k pada KNN yang
digunakan meliputi 1, 3, 5, 7, dan 9, sedangkan nilai bias pada PNN yang
digunakan adalah 0.1, 0.2, 0.8, 1, 2, 4, dan 8. Akurasi untuk pengenalan plat
nomor menggunakan metode klasifikasi KNN mencapai 60.00%, sedangkan jika
menggunakan metode klasifikasi PNN mencapai 58.46%.
Kata kunci: image centroid and zone (ICZ), k-nearest neighbour (KNN), plat
nomor, probabilistic neural network (PNN)
ABSTRACT
HAFARA FISCA LAHMURAHMA. Comparison of the Vehicle’s License Plate
Recognition Using Image Centroid and Zone with K-Nearest Neighbour and
Probabilistic Neural Network. Supervised by MUSHTHOFA SKom, MSc.
Pattern recognition system is a scientific concept which is being developed
with a variety of methods. One example is the vehicle license plate character
recognition. License plate has a serial number, that is, the arrangement of letters
and numbers that are specific to the vehicle. This study uses the method of image
centroid and zone (ICZ) feature extraction with 14 zones. In addition, this study
uses two classification methods, namely k-nearest neighbour (KNN) and
probabilistic neural network (PNN), and aims to compare the accuracy of both
methods. Classification are done for 100 vehicle license plate images, as the data.
Values of k in KNN are 1, 3, 5, 7, and 9, while the bias values used in the PNN
are 0.1, 0.2, 0.8, 1, 2, 4, and 8. The highest accuracy for vehicle’s license plate
recognition using KNN classification method is 60.00%, whereas the highest
accuracy for PNN classification method is 58.46%.
Keywords: image centroid and zone (ICZ), k-nearest neighbour (KNN), license
plate, probabilistic neural network (PNN)
PERBANDINGAN DALAM PENGENALAN KARAKTER PLAT
NOMOR KENDARAAN MENGGUNAKAN IMAGE CENTROID
AND ZONE DENGAN KLASIFIKASI K-NEAREST NEIGHBOR
DAN PROBABILISTIC NEURAL NETWORK
HAFARA FISCA LAHMURAHMA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Aziz Kustiyo, SSi MKom
2 M Asyhar Agmalaro, SSi MKom
Judul Skripsi
Nama
NIM
: Perbandingan dalam Pengenalan Karakter Plat Nomor
Kendaraan Menggunakan Image centroid and zone dengan
Klasifikasi K-Nearest Neighbor dan Probabilistic Neural
Network
: Hafara Fisca Lahmurahma
: G64096027
Dise
Tanggal Lulus:
3 0 NOV
ｾｏ
ｬＳＮ＠
ｾ＠
·oleh
Judul Skripsi
Nama
NIM
: Perbandingan dalam Pengenalan Karakter Plat Nomor
Kendaraan Menggunakan Image Centroid and Zone dengan
Klasifikasi K-Nearest Neighbour dan Probabilistic Neural
Network
: Hafara Fisca Lahmurahma
: G64096027
Disetujui oleh
Mushthofa, SKom MSc
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta’ala
yang telah melimpahkan rahmat sehingga penulis dapat menyelesaikan penelitian
dan tulisan yang berjudul Perbandingan dalam Pengenalan Karakter Plat Nomor
Kendaraan menggunakan image centroid and zone dengan Klasifikasi K-Nearest
Neighbour dan Probabilistic Neural Network ini.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu
terselesaikannya penelitian dan tulisan ini, yaitu:
1 Orang tua tercinta Bapak H Joko Purwadi, SPd dan Ibu Ir Hj Siti Mudrikah,
serta adik tersayang Umami Khusnun Nida atas segala doa, kasih sayang,
dukungan, dan semangat yang tiada henti
2 Bapak Mushthofa, SKom MSc, selaku dosen pembimbing, yang telah
memberikan banyak ide, masukan, dan dukungan kepada penulis.
3 Teman dan sahabat Ilkom angkatan 4 dan angkatan 5 atas kerjasama dan
kebersamaannya selama kuliah sampai penyelesaian skripsi.
4 Rekan kerja di Badan Pelayanan Perizinan Terpadu dan Penanaman Modal
Kota Bogor atas dukungan kepada penulis.
5 Pihak lain yang tidak dapat disebutkan satu per satu.
Penulis menyadari bahwa dalam penulisan tugas akhir ini masih terdapat
banyak kekurangan dan kelemahan dalam berbagai hal karena keterbatasan
kemampuan penulis. Penulis berharap adanya masukan berupa saran dan kritik
yang bersifat membangun dari pembaca demi kesempurnaan tugas akhir ini,
sehingga dapat bermanfaat.
Bogor, November 2013
Hafara Fisca Lahmurahma
DAFTAR ISI
DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Ruang Lingkup Penelitian
2
Manfaat Penelitian
2
TINJAUAN PUSTAKA
2
Pengolahan Citra Digital
2
Grayscale Image
3
Edge Detection
3
Image Segmentation
3
Canny Edge Detection
3
Metode Ekstraksi Zoning
4
K-Nearest Neighbour (KNN)
4
Probabilistic Neural Network (PNN)
5
METODE PENELITIAN
6
Pengumpulan Data Citra
6
Praproses Data
7
Deteksi Tepi
8
Segmentasi Citra
8
Ekstraksi Ciri
8
K-Fold Cross Validation
9
K-Nearest Neighbour (KNN)
10
Probabilistic Neural Network (PNN)
10
Analisis dan Evaluasi
10
Lingkungan Penelitian
11
HASIL DAN PEMBAHASAN
Pengumpulan Data Citra
11
11
Praproses Data
11
Deteksi Tepi
12
Segmentasi Citra
13
Normalisasi Citra
14
Ekstraksi Ciri
14
Klasifikasi Citra
14
Pengujian per Karakter
14
Pengujian per Plat
17
SIMPULAN DAN SARAN
19
Simpulan
19
Saran
20
DAFTAR PUSTAKA
20
LAMPIRAN
22
RIWAYAT HIDUP
28
DAFTAR TABEL
1 Pembagian fold
2 Akurasi pengujian karakter menggunakan KNN
3 Perbandingan akurasi pengenalan karakter plat nomor dengan ekstraksi
ciri ICZ dan ICZ+ZCZ (Pramesti 2013)
4 Perbandingan akurasi pengenalan karakter plat nomor dengan
klasifikasi KNN, PNN, dan backpropagation (Lesmana 2012)
5 Citra plat nomor salah deteksi
9
15
15
16
18
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Citra RGB (kiri) dan citra grayscale (kanan)
Struktur PNN
Skema penelitian
Contoh data citra
Contoh citra grayscale
Contoh hasil deteksi tepi Canny
Contoh hasil segmentasi citra
(a) Letak koordinat centroid, (b) Pembagian zona sebanyak 4 zona, (c)
Perhitungan jarak pixel dengan centroid
Contoh data sampel
Tahapan praproses citra
Proses deteksi tepi
Pelabelan karakter A
Hasil segmentasi
Hasil normalisasi
Grafik rataan akurasi KNN
Grafik rataan akurasi PNN
Karakter 0 (nol) yang teridentifikasi sebagai karakter D (kiri) dan
contoh karakter D (kanan)
Grafik perbandingan nilai akurasi KNN dan PNN
Contoh plat yang gagal teridentifikasi
3
6
7
7
7
8
8
9
11
12
12
13
13
14
15
16
17
17
19
DAFTAR LAMPIRAN
1 Pola karakter ekstraksi ciri ICZ
2 Contoh karakter yang gagal teridentifikasi
3 Hasil deteksi plat nomor
22
25
26
PENDAHULUAN
Latar Belakang
Kendaraan bermotor digunakan untuk transportasi darat yang digerakkan
oleh peralatan mesin. Kendaraan tersebut memiliki identifikasi resmi yang
membedakan antara kendaraan satu dengan kendaraan lain yaitu nomor polisi.
Nomor polisi diberikan sesuai dengan urutan pendaftaran kendaraan bermotor.
Nomor tersebut tertera pada plat yang bentuknya berupa potongan plat logam atau
plastik. Plat nomor memiliki nomor seri yakni susunan huruf dan angka yang
dikhususkan bagi kendaraan tersebut dan biasa dipadukan dengan informasi lain
mengenai kendaraan bersangkutan. Contohnya pada baris pertama menunjukkan
kode wilayah (huruf), nomor polisi (angka), dan kode/seri akhir wilayah (huruf).
Sedangkan pada baris kedua menunjukkan bulan dan tahun masa berlaku. Dengan
adanya informasi tersebut plat digunakan untuk beberapa kebutuhan pencatatan
data, contohnya dalam suatu sistem parkir.
Seiring dengan pesatnya perkembangan produksi kendaraan, maka
dirasakan perlu suatu mekanisme pencatatan data untuk mengenali plat kendaraan
dengan cepat sehingga dapat memudahkan dalam pencataan plat nomor kendaraan
yang masuk dan keluar dari area parkir. Salah satu yang sedang dikembangkan
saat ini adalah sistem optical character recognition (OCR). OCR merupakan
aplikasi yang fungsinya melakukan konversi dari suatu input data berupa citra
yang akan diproses lebih jauh secara digital sehingga dapat dilakukan tahap
pengenalan menggunakan beberapa metode yang ada.
Penelitian dalam bidang ini pun terus dikembangkan dengan berbagai
metode untuk mencari hasil terbaik. Mengacu pada penelitian yang telah
dilakukan oleh Rajashekararadhya (2008) tentang pengenalan tulisan tangan pada
karakter india, Syam (2013) pun melakukan pengenalan pola tulisan dengan
aksara non-Latin yaitu menggunakan aksara Jawa sebagai objeknya.
Terdapat beberapa tahapan dalam proses pengenalan plat nomor kendaraan.
Input citra plat nomor diubah dahulu menjadi citra biner, kemudian dilakukan
segmentasi untuk memisahkan objek karakter dengan background. Setelah itu,
tiap karakter dari plat nomor disegmentasi dan masing-masing karakter dilakukan
ekstraksi ciri. Kemudian, dilakukan klasifikasi tiap karakter satu per satu dengan
menggunakan metode klasifikasi tertentu.
Penelitian dengan objek plat nomor sendiri sebenarnya sudah cukup banyak
dilakukan. Setiawan (2011) melakukan penelitian dengan objek plat nomor
kendaraan menggunakan principle component analysis (PCA) dan Euclidean
distance. Dari penelitian tersebut didapat rata-rata akurasi sebesar 84.3%. Lim et
al. (2003) juga menggunakan PCA, namun metode k-nearest neighbour dipilih
sebagai metode klasifikasi. Tingkat keberhasilan yang dicapai pada penelitian
tersebut sebesar 82%.
Penelitian tentang pengenalan plat nomor juga dilakukan oleh Lesmana
(2012) yaitu menggunakan image centroid and zone (ICZ) sebagai ekstraksi ciri
dan jaringan syaraf tiruan (JST) backpropagation sebagai metode klasifikasinya.
Pada penelitian tersebut akurasi yang didapat untuk pengenalan karakter sebesar
82% sedangkan untuk pengenalan plat akurasinya sebesar 55.50%.
2
Penelitian tersebut dilanjutkan oleh Pramesti (2013) yaitu mengidentifikasi
plat nomor menggunakan ekstraksi fitur zoning gabungan ICZ dan ZCZ dengan knearest neighbour (KNN) sebagai classifier-nya. Akurasi pada penelitian tersebut
sudah tinggi yaitu 98.17%.
Mengacu pada penelitian yang telah banyak dilakukan tersebut, penelitian
ini akan menggabungkan metode ekstraksi ciri ICZ seperti yang dilakukan oleh
Lesmana (2012) dengan metode klasifikasi KNN seperti pada penelitian Pramesti
(2013). Selain menggunakan metode klasifikasi KNN, penelitian ini juga
menggunakan metode klasifikasi probabilistic neural network (PNN) dimana
hasil dari dua metode ini akan dibandingkan tingkat akurasinya.
Tujuan Penelitian
1
2
3
4
Tujuan dilakukannya penelitian ini adalah:
Menerapkan metode ICZ untuk melakukan ekstraksi ciri, KNN dan PNN
sebagai metode klasifikasi
Menentukan parameter k terbaik pada KNN dan nilai bias terbaik pada PNN
Menghitung tingkat akurasi dari metode yang digunakan
Membandingkan tingkat akurasi antara nilai k terbaik dari KNN dengan nilai
bias terbaik pada PNN
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini terbatas pada:
1 Plat nomor yang dikenali hanya plat nomor dengan format standar (bukan
format TNI/POLRI)
2 Data yang diolah berasal dari citra dengan format JPEG
3 Karakter yg dikenali adalah huruf alphabet kapital (A − Z) dan angka (0 − 9)
4 Pemotretan plat dilakukan secara berhadapan lurus
5 Hanya bagian plat nomor yang digunakan sebagai objek penelitian
Manfaat Penelitian
Manfaat dari penelitian ini adalah dapat menentukan metode klasifikasi
yang terbaik untuk pengenalan karakter plat nomor kendaraan diantara dua
metode yang digunakan, yaitu KNN dan PNN.
TINJAUAN PUSTAKA
Pengolahan Citra Digital
Citra merupakan suatu fungsi kontinyu dari intensitas cahaya dalam bidang
dua dimensi. Dengan proses sampling dan kuantisasi, fungsi kontinyu dari citra
dirubah menjadi fungsi diskret. Pada aplikasi ini akan diterapkan beberapa proses
pengolahan citra.
3
Grayscale Image
Pada citra berwarna satu nilai pixel terdiri dari 3 layer yaitu red, green dan
blue. Rentang nilai dari tiap layer berkisar antara 0-255. Sedangkan pada citra
grayscale representasi citranya bernilai sama untuk tiap layer. Citra yang
dihasilkan dari proses grayscale berupa citra abu-abu. Citra grayscale sangat
berbeda dari citra biner, karena citra biner merupakan citra yang hanya memiliki
dua variasi nilai yaitu gelap dengan nilai pixel 0 dan terang dengan nilai pixel 255
(Shapiro dan Stockman 2001), sedangkan citra grayscale warnanya beragam yang
merupakan rentang antara putih dan hitam. Perbandingan gambar RGB dan hasil
konversinya ke citra grayscale dapat dilihat pada Gambar 1.
Gambar 1 Citra RGB (kiri) dan citra grayscale (kanan)
Edge Detection
Edge detection adalah operasi yang bertujuan untuk mereduksi citra dan
hanya menampilkan tepi dari citra itu sendiri (Baxes 1984). Deteksi ini dilakukan
dengan cara menemukan perbedaan yang signifikan antara satu pixel dengan pixel
tetangganya. Deteksi ini dilakukan secara vertikal dan horizontal. Perbedaan
proses antara deteksi tepi vertikal dan horizontal hanya terletak pada filter yang
digunakan.
Image Segmentation
Segmentasi merupakan proses mengklaster citra menjadi beberapa bagian
objek sehingga akan memudahkan untuk mengidentifikasi objek yang bermakna
dari suatu citra (Deng dan Manjunath 1999). Ada dua pendekatan umum dalam
melakukan segmentasi citra yaitu pendekatan discontinuity dan pendekatan
similarity. Pendekatan discontinuity mempartisi citra berdasarkan perubahan
intensitas cahaya secara tiba-tiba, sedangkan pendekatan similarity membagi citra
berdasarkan kesamaan sifat-sifat tertentu (region based).
Canny Edge Detection
Algoritma deteksi tepi Canny dikenal sebagai algoritma yang optimal dalam
melakukan pendeteksian tepi (Acharya dan Ray 2005). Ada beberapa tahapan
dalam deteksi tepi Canny, yaitu :
1 Smoothing: menghilangkan noise dengan efek blurring
2 Finding gradient: menandai tepi dari gambar yang memiliki nilai magnitute
yang besar
3 Non-maximum suppression: menghilangkan nilai-nilai yang tidak maksimum
4 Double thresholding: dua buah threshold dipilih untuk menentukan jalur tepi
Tujuan pendeteksian ini adalah bagaimana agar objek di dalam gambar
dapat dikenali dan disederhanakan bentuknya dari bentuk sebelumnya.
4
Kelebihannya yaitu, Canny mampu mengurangi noise sebelum melakukan
perhitungan deteksi tepi sehingga tepi-tepi yang dihasilkan lebih banyak.
Metode Ekstraksi Zoning
Zoning merupakan salah satu metode ekstraksi ciri yang populer dan
sederhana yang digunakan dalam ekstraksi fitur. Metode ekstraksi zoning akan
membagi citra menjadi beberapa zona yang berukuran sama, untuk kemudian dari
setiap zona akan diambil cirinya. Ada beberapa algoritma untuk metode ekstraksi
ciri zoning, diantaranya metode ekstraksi ciri jarak metrik image centroid and
zone (ICZ), metode ekstraksi ciri jarak metrik zone centroid and zone (ZCZ) dan
metode ekstraksi ciri gabungan ICZ + ZCZ. Ketiga algoritma tersebut
menggunakan citra digital sebagai input dan menghasilkan fitur untuk klasifikasi
dan pengenalan sebagai outputnya (Rajashekararadhya dan Ranjan 2008).
Pendekatan yang digunakan pada penelitian ini adalah metode ICZ dengan
langkah-langkah sebagai berikut:
1 Hitung centroid dari citra masukan
2 Bagi citra masukan kedalam n zona yang sama
3 Hitung jarak antara centroid citra dengan masing-masing pixel yang ada dalam
zona
4 Ulangi langkah ke 3 untuk setiap pixel yang ada di zona
5 Hitung rata-rata jarak antara titik-titik tersebut
6 Ulangi langkah-langkah tersebut untuk keseluruhan zona
7 Hasilnya adalah n fitur yang akan digunakan dalam klasifikasi dan pengenalan.
K-Nearest Neighbour (KNN)
K-Nearest Neighbour (KNN) merepresentasikan setiap data sebagai titik
dalam k-ruang dimensi. Jika ada sebuah data uji maka akan dihitung kedekatan
titik data lainnya pada data latih untuk diklasifikasikan berdasarkan kedekatannya
yang didefinisikan dengan ukuran jarak. Fungsi jarak yang umumnya digunakan
adalah jarak Euclidean yang direpresentasikan dalam Persamaan 1 (Han dan
Kamber 2006).
(1)
D(p,q) merupakan jarak antara vektor p yang merupakan sebuah titik yang
telah diketahui kelasnya dan q yang merupakan titik baru yang merepresentasikan
data yang akan dijadikan data uji. Jarak antara vektor dan titik dari data latih akan
dihitung dan diambil k buah vektor terdekat.
Langkah-langkah dalam teknik klasifikasi dengan KNN antara lain sebagai
berikut:
1 Menentukan parameter k (jumlah tetangga terdekat).
2 Menghitung jarak antara data yang masuk dan semua sampel latih yang sudah
ada dengan metode Euclidean distance seperti pada Persamaan 1.
3 Tentukan k label data yang mempunyai jarak yang minimal.
4 Klasifikasikan data baru ke dalam label data yang mayoritas.
5
Probabilistic Neural Network (PNN)
Probabilistic neural network (PNN) diperkenalkan pertama kali oleh Specht
tahun 1990 yang digunakan untuk klasifikasi, mapping dan associative memory.
Keuntungan utama menggunakan arsitektur PNN adalah proses pembelajaran
mudah atau sekali lewat dan sangat cepat. Struktur PNN terdiri dari 4 lapisan
yaitu lapisan masukan, lapisan pola, lapisan penjumlahan dan lapisan
keputusan/keluaran. Proses-proses yang terjadi pada setiap lapisan yaitu :
1 Lapisan masukan (input layer)
Lapisan masukan merupakan objek yang terdiri atas k nilai ciri yang akan
diklasifikasikan pada n kelas.
2 Lapisan pola (pattern layer)
x adalah vektor masukan dan xij adalah vektor data latih ke-j dari kelas atau
pola ke-i. Pada lapisan pola dilakukan perhitungan jarak zij antara x dengan xij,
kemudian dilakukan operasi non linear terhadap zij sebelum menjadi keluaran
yang akan digunakan sebagai masukan pada lapisan penjumlahan. Persamaan 2
adalah persamaan yang digunakan pada lapisan pola.
(2)
3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan dilakukan penjumlahan setiap node pada lapisan
pola. Persamaan yang digunakan pada tahap lapisan penjumlahan ini dapat
dilihat pada Persamaan 3.
(3)
4 Lapisan keluaran / keputusan (output layer)
Lapisan keluaran menentukan kelas dari input yang diberikan. Input x akan
paling besar dibandingkan
masuk kelas Y jika nilai peluang masuk ke Y
peluang masuk ke kelas lainnya. Persamaan 4 menunjukkan persamaan yang
digunakan pada lapisan keluaran.
(4)
6
Secara umum arsitektur PNN dapat dilihat pada Gambar 2 berikut.
Vektor input sebanyak P dimensi
Neuron
A1
Neuron
A2
X1
fA(X)
Neuron
An
X2
Ambil
yang
maksimu
m
Neuron
B1
Xp
Neuron
B2
fB(X)
Neuron
Bm
Lapisan Masukan
Lapisan Pola
Lapisan
Penjumlahan
Lapisan Keluaran
Gambar 2 Struktur PNN
METODE PENELITIAN
Suatu penelitian yang baik diperlukan perencanaan yang matang atas
metode yang telah ditetapkan. Pada penelitian ini akan dilakukan pengenalan
karakter plat nomor menggunakan ekstraksi ciri ICZ sedangkan sebagai
klasifikasinya dipilih metode KNN dan PNN. Flowchart penelitiannya
ditampilkan pada Gambar 3.
Pengumpulan Data Citra
Data pada penelitian ini didapat dari data pada penelitian sebelumnya, yaitu
penelitian yang dilakukan oleh Lesmana (2012). Data tersebut diambil
menggunakan kamera handphone dengan resolusi 5 MP. Agar data latih yang
dimiliki dapat lebih akurat untuk setiap karakter, maka citra yang dikumpulkan
sebarannya harus merata, selain itu resolusi dari masing-masing citra pun harus
sama. Contoh data citra ditunjukkan pada Gambar 4.
7
Pengumpulan
Data
Citra
Pra-Proses
Citra
Ekstraksi Ciri
Data
Latih
Data Uji
KNN dan PNN
Klasifikasi
Evaluasi &
Analisis Hasil
Gambar 3 Skema penelitian
Gambar 4 Contoh data citra
Praproses Data
Data yang telah dikumpulkan masih mempunyai resolusi yang tinggi. Oleh
karena itu perlu diubah ke resolusi yang lebih kecil dengan tetap mempertahankan
kualitas citra. Data citra tersebut juga masih dalam format warna RGB, oleh sebab
itu perlu diubah dalam format grayscale agar lebih mudah dalam hal pemrosesan
data karena citra grayscale membutuhkan sedikit informasi yang diberikan pada
tiap pixel dibandingkan dengan citra format RGB. Contoh citra grayscale
ditunjukkan pada Gambar 5. Proses konversi dalam format grayscale dapat
menggunakan rumus:
Pixel = 0.2989 × R + 0.5870 × G + 0.1140 × B
Gambar 5 Contoh citra grayscale
8
Dengan R, G, dan B merupakan intensitas dari masing-masing warna merah,
hijau, dan biru pada citra. Setelah dilakukan konversi citra RGB ke grayscale
kemudian citra dibersihkan dari noise dengan menggunakan median filter. Dengan
metode ini diharapkan dapat mengurangi noise yang timbul pada sebuah data
digital, sehingga gambar yang dihasilkan dapat lebih baik.
Deteksi Tepi
Setelah dibersihkan dari noise, selanjutnya akan dilakukan deteksi tepi.
Setiap objek yang ada pada citra akan dideteksi menggunakan algoritma Canny.
Algoritma ini dipilih karena cukup baik dalam mendeteksi tepi. Selain memiliki
kemampuan untuk meletakkan dan menandai semua tepi yang ada, algortima
Canny juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan
tingkat deteksi ketebalan tepi sesuai dengan yang kita inginkan. Contoh hasil
deteksi tepi Canny dapat dilihat pada Gambar 6.
Canny edge
detection
Gambar 6 Contoh hasil deteksi tepi Canny
Segmentasi Citra
Segmentasi pada citra masukan dilakukan agar karakter pada citra plat
nomor bisa dikenali satu per satu dan mengeliminasi objek-objek yang tidak
diperlukan. Hal ini dilakukan dengan cara melakukan segmentasi citra
berdasarkan area. Objek yang memiliki citra yang terhubung akan dianggap
sebagai satu area. Pada penelitian ini, untuk mendeteksi pixel-pixel yang
terhubung digunakan metode 8-connected. Tiap area yang didapat kemudian
dihitung luasnya. Kemudian luas area tersebut dibandingkan dengan batas
minimum luas area. Jika luas area lebih dari batas minimum maka area tersebut
akan diaggap sebagai satu karakter. Contoh hasil segmentasi citra plat nomor bisa
dilihat pada Gambar 7.
Gambar 7 Contoh hasil segmentasi citra
Ekstraksi Ciri
Tahapan ini dilakukan untuk mendapatkan fitur yang menjadi ciri dari setiap
karakter pada plat nomor. Fitur tersebut nantinya akan menjadi acuan dalam
proses klasifikasi dan pengenalan pola. Dalam penelitian ini pendekatan yang
digunakan adalah ekstraksi fitur berbasis area yaitu ICZ.
Sebelum dilakukan tahapan pada metode ini harus dipastikan bahwa setiap
karakter yang ada memiliki ukuran yang sama. Kemudian dihitung nilai
centroidnya dengan rumus sebagai berikut:
9
dengan:
= centroid koordinat x
= centroid koordinat y
= koordinat x dari pixel ke-n
= koordinat y dari pixel ke-n
Setelah didapatkan nilai centroid dari tiap karakter, citra karakter tersebut
akan dibagi menjadi beberapa bagian sama besar. Pada penelitian ini digunakan
jumlah zona 14. Kemudian dilakukan perhitungan jarak pada tiap pixel di suatu
zona terhadap koordinat centroid citra karakter, selanjutnya dihitung rata-rata
jaraknya. Untuk mencari jarak antara centroid dengan koordinat pixel digunakan
metode Euclidean.
Hal ini dilakukan untuk keseluruhan zona yang ada pada citra, nilai rata-rata
inilah yang merupakan ciri citra hasil ektraksi ICZ. Banyaknya nilai ciri dari hasil
ekstraksi ICZ tersebut adalah sebanyak jumlah zona. Gambar 8 berikut adalah
ilustrasi letak centroid, pembagian zona, dan perhitungan jarak pada ekstraksi ciri
ICZ.
1
1
1
1
1
1
1
1
0
0
0
1
1
0
0
0
0
0
1
0
0
1
0
0
(a)
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
0
0
0
1
1
0
0
0
0
0
1
0
0
1
0
0
(b)
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
0
0
0
1
1
0
0
0
0
0
1
0
0
1
0
0
(c)
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
1
Gambar 8 (a) Letak koordinat centroid, (b) Pembagian zona sebanyak 4
zona, (c) Perhitungan jarak pixel dengan centroid
K-Fold Cross Validation
Data yang sudah melalui proses ekstraksi ciri kemudian akan dibagi menjadi
data latih dan data uji dengan menggunakan k-fold cross validation. Nilai k yang
digunakan adalah 5 sehingga akan diperoleh 5 buah fold, yaitu fold1, fold2, fold3,
fold4 dan fold5. Pembagian fold terlihat seperti pada Tabel 1.
Subset
Fold1
Fold2
Fold3
Fold4
Fold5
Tabel 1 Pembagian fold
Data latih (indeks)
Data uji (indeks)
11-50
1 - 10
1-10, 21-50
11 - 20
1-20, 31-50
21 - 30
1-30, 41-50
31 - 40
1-40
41 - 50
10
K-Nearest Neighbour (KNN)
Proses klasifikasi dengan KNN dilakukan menggunakan data latih hasil
ekstraksi ciri yang sebelumnya sudah dibagi menggunakan k-fold crossvalidation. Dalam melakukan pelatihan dan pengujian data, karakter akan diambil
satu per satu dari kumpulan citra yang ada.
Dalam proses klasifikasi sebelumnya harus ditentukan dahulu nilai k, yaitu
jumlah tetangga terdekat yang akan dilihat kelasnya untuk menentukan kelas
terbanyak yang merupakan kelas dari titik baru. Nilai k akan sangat berpengaruh
pada akurasi hasil klasifikasi.
Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum,
nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat
batasan antara setiap klasifikasi menjadi kabur. Nilai k yang akan dicobakan pada
penelitian ini adalah 1, 3, 5, 7, dan 9.
Probabilistic Neural Network (PNN)
Probabilistic neural network (PNN) merupakan JST yang dirancang
menggunakan ide dari teori probabilitas klasik seperti pengklasifikasian Bayes dan
penduga kepekatan peluang Parzen. PNN memperkirakan fungsi kepekatan
peluang untuk masing-masing kelas yang didasarkan pada data pelatihan.
Cara kerja PNN secara sederhana dijelaskan seperti berikut. Saat input
masuk, pattern layer akan menghitung jarak vektor pengujian ke vektor pelatihan
dan menghasilkan vektor yang mengindikasikan seberapa dekat input ke vektor
pelatihan. Pada summation layer, akan dijumlahkan kontribusi dari masingmasing kelas input untuk menghasilkan probabilitas vektor output. Terakhir pada
output layer, fungsi transfer compete akan mengambil nilai maksimum dari
vektor output, dan menghasilkan nilai satu untuk kelas tersebut dan nilai nol untuk
kelas lainnya (Buono, et al 2004).
Kelebihan algoritma PNN adalah kemudahan yang diberikan untuk
memodifikasi jaringan ketika dilakukan penambahan atau pengurangan data
pelatihan yang digunakan.
Analisis dan Evaluasi
Tahapan ini merupakan tahapan terakhir dalam mengevaluasi kelebihan
serta kekurangan dari metode yang digunakan. Proses perhitungan akurasi hasil
klasifikasi menggunakan rumus seperti berikut.
A
asi
dengan:
= jumlah citra yang berhasil terdekteksi
N
= jumlah data yang diuji
11
Lingkungan Penelitian
Lingkungan yang digunakan untuk penelitian ini memiliki spesifikasi
sebagai berikut :
Perangkat keras:
1 Processor Intel Core i5 @2.40GHz,
2 RAM kapasitas 4 GB,
3 Harddisk kapasitas 500 GB,
Perangkat lunak:
1 Sistem operasi Microsoft Windows 7 Ultimate Service Pack 2 32-bit
2 MATLAB R2008b.
HASIL DAN PEMBAHASAN
Pengumpulan Data Citra
Citra plat nomor kendaraan adalah data utama dalam penelitian ini. Data
tersebut didapat dengan melakukan pemotretan sebanyak 100 unit mobil dan
dihasilkan pula 100 buah citra plat nomor yang berbeda.
Dari 100 buah citra yang ada kemudian diambil potongan karakter yang
mewakili angka dan huruf pada plat nomor. Masing-masing karakter diambil
secara unik dan acak sebanyak 50 buah. Sehingga didapat 36 × 50 karakter, atau
sebanyak 1 800 karakter. Dari 1 800 karakter tersebut akan dibagi menjadi data
latih dan data uji dengan perbandingan 4:1 untuk setiap karakter. Selain itu
sebagian dari citra plat nomor yang ada juga akan dijadikan sebagai data uji.
Contoh data sampel dapat dilihat pada Gambar 9.
Gambar 9 Contoh data sampel
Praproses Data
Data citra yang telah dikumpulkan masih memiliki resolusi yang tinggi dan
memungkinkan terdapat noise yang dapat menghilangkan informasi yang
diperlukan serta dapat memperlambat proses deteksi. Oleh karena itu, perlu
dilakukan optimalisasi sehingga data yang ada siap diproses.
Pertama, data tersebut harus diubah dari format warna RGB ke dalam
format grayscale agar lebih efisien. Sehingga dapat mempercepat komputasi pada
tahap berikutnya. Berikutnya adalah membersihkan noise menggunakan median
12
filter dengan matriks 3 × 3. Metode ini sangat cocok untuk menghilangkan noise
berupa salt and pepper. Tahapan dari praproses citra itu sendiri diilustrasikan
pada Gambar 10.
grayscale
median filter
3×3
Gambar 10 Tahapan praproses citra
Deteksi Tepi
Proses deteksi pada penelitian ini menggunakan metode Canny edge
detection dengan nilai threshold 0.5. Tahapan ini akan menghasilkan citra biner
yang merepresentasikan garis tepi dari setiap objek pada citra. Garis tepi inilah
yang nantiya akan digunakan untuk memisahkan karakter yang diperlukan dengan
objek lainnya. Dengan didapatnya garis tepi disetiap objek, maka akan
mempercepat pemrosesan citra dan lebih efisien.
Untuk menyatukan garis-garis dari karakter yang mungkin terputus karena
proses deteksi yang kurang sempurna, maka hasil dari deteksi tepi akan dilakukan
proses dilasi dengan structuring element berbentuk matriks 3 × 3 yang bernilai 1
untuk semua elementnya. Proses ini akan mengubah gambar karakter menjadi
lebih tebal. Proses deteksi tepi pada citra plat nomor terlihat pada Gambar 11.
Canny
dilasi
Gambar 11 Proses deteksi tepi
13
Segmentasi Citra
Segmentasi citra merupakan proses analisa citra yang akan membagi citra
menjadi beberapa daerah terpisah. Daerah yang terpisah biasanya merupakan
object-object yang berbeda. Dan setiap object tersebut memiliki informasi yang
berbeda pula. Pada penelitian ini informasi yang akan diproses adalah pixel-pixel
yang mewakili angka dan huruf. Perlu dilakukan mana pixel yang mewakili huruf
atau angka dan mana yang bukan keduanya.
Tahap pertama adalah melakukan labeling, yaitu pengelompokan pixel yang
terhubung dengan memperhatikan 8 pixel tetangganya. Setiap pixel yang
terhubung akan dikelompokan dan diberi label.
Setelah terbentuk kelompok pixel berdasarkan label, maka akan dihitung
panjang dan lebar untuk masing-masing kelompok. Untuk mengetahui apakah
kelompok pixel tersebut adalah suatu karakter angka dan huruf atau bukan, maka
dilakukan seleksi kondisi berdasarkan panjang dan lebar dari kelompok pixel
tersebut dengan kondisi:
Jika 40 < panjang < 105 dan 20 < lebar
NOMOR KENDARAAN MENGGUNAKAN IMAGE CENTROID
AND ZONE DENGAN KLASIFIKASI K-NEAREST NEIGHBOUR
DAN PROBABILISTIC NEURAL NETWORK
HAFARA FISCA LAHMURAHMA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Perbandingan dalam
Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Image Centroid and
Zone dengan Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, November 2013
Hafara Fisca Lahmurahma
NIM G64096027
ABSTRAK
HAFARA FISCA LAHMURAHMA. Perbandingan dalam Pengenalan Karakter
Plat Nomor Kendaraan Menggunakan Image Centroid and Zone dengan
Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network. Dibimbing
oleh MUSHTHOFA.
Sistem pengenalan pola merupakan konsep keilmuan yang terus
dikembangkan dengan berbagai metode. Salah satu contohnya adalah pengenalan
karakter plat nomor kendaraan. Plat nomor memiliki nomor seri yakni susunan
huruf dan angka yang dikhususkan bagi kendaraan tersebut. Penelitian ini
menggunakan metode ekstraksi ciri image centroid and zone (ICZ) dengan jumlah
zona 14. Selain itu penelitian ini menggunakan dua metode klasifikasi yaitu knearest neighbour (KNN) dan probabilistic neural network (PNN), dan bertujuan
untuk membandingkan tingkat akurasi kedua metode tersebut. Data yang
digunakan adalah 100 buah citra plat nomor kendaraan. Nilai k pada KNN yang
digunakan meliputi 1, 3, 5, 7, dan 9, sedangkan nilai bias pada PNN yang
digunakan adalah 0.1, 0.2, 0.8, 1, 2, 4, dan 8. Akurasi untuk pengenalan plat
nomor menggunakan metode klasifikasi KNN mencapai 60.00%, sedangkan jika
menggunakan metode klasifikasi PNN mencapai 58.46%.
Kata kunci: image centroid and zone (ICZ), k-nearest neighbour (KNN), plat
nomor, probabilistic neural network (PNN)
ABSTRACT
HAFARA FISCA LAHMURAHMA. Comparison of the Vehicle’s License Plate
Recognition Using Image Centroid and Zone with K-Nearest Neighbour and
Probabilistic Neural Network. Supervised by MUSHTHOFA SKom, MSc.
Pattern recognition system is a scientific concept which is being developed
with a variety of methods. One example is the vehicle license plate character
recognition. License plate has a serial number, that is, the arrangement of letters
and numbers that are specific to the vehicle. This study uses the method of image
centroid and zone (ICZ) feature extraction with 14 zones. In addition, this study
uses two classification methods, namely k-nearest neighbour (KNN) and
probabilistic neural network (PNN), and aims to compare the accuracy of both
methods. Classification are done for 100 vehicle license plate images, as the data.
Values of k in KNN are 1, 3, 5, 7, and 9, while the bias values used in the PNN
are 0.1, 0.2, 0.8, 1, 2, 4, and 8. The highest accuracy for vehicle’s license plate
recognition using KNN classification method is 60.00%, whereas the highest
accuracy for PNN classification method is 58.46%.
Keywords: image centroid and zone (ICZ), k-nearest neighbour (KNN), license
plate, probabilistic neural network (PNN)
PERBANDINGAN DALAM PENGENALAN KARAKTER PLAT
NOMOR KENDARAAN MENGGUNAKAN IMAGE CENTROID
AND ZONE DENGAN KLASIFIKASI K-NEAREST NEIGHBOR
DAN PROBABILISTIC NEURAL NETWORK
HAFARA FISCA LAHMURAHMA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Aziz Kustiyo, SSi MKom
2 M Asyhar Agmalaro, SSi MKom
Judul Skripsi
Nama
NIM
: Perbandingan dalam Pengenalan Karakter Plat Nomor
Kendaraan Menggunakan Image centroid and zone dengan
Klasifikasi K-Nearest Neighbor dan Probabilistic Neural
Network
: Hafara Fisca Lahmurahma
: G64096027
Dise
Tanggal Lulus:
3 0 NOV
ｾｏ
ｬＳＮ＠
ｾ＠
·oleh
Judul Skripsi
Nama
NIM
: Perbandingan dalam Pengenalan Karakter Plat Nomor
Kendaraan Menggunakan Image Centroid and Zone dengan
Klasifikasi K-Nearest Neighbour dan Probabilistic Neural
Network
: Hafara Fisca Lahmurahma
: G64096027
Disetujui oleh
Mushthofa, SKom MSc
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta’ala
yang telah melimpahkan rahmat sehingga penulis dapat menyelesaikan penelitian
dan tulisan yang berjudul Perbandingan dalam Pengenalan Karakter Plat Nomor
Kendaraan menggunakan image centroid and zone dengan Klasifikasi K-Nearest
Neighbour dan Probabilistic Neural Network ini.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu
terselesaikannya penelitian dan tulisan ini, yaitu:
1 Orang tua tercinta Bapak H Joko Purwadi, SPd dan Ibu Ir Hj Siti Mudrikah,
serta adik tersayang Umami Khusnun Nida atas segala doa, kasih sayang,
dukungan, dan semangat yang tiada henti
2 Bapak Mushthofa, SKom MSc, selaku dosen pembimbing, yang telah
memberikan banyak ide, masukan, dan dukungan kepada penulis.
3 Teman dan sahabat Ilkom angkatan 4 dan angkatan 5 atas kerjasama dan
kebersamaannya selama kuliah sampai penyelesaian skripsi.
4 Rekan kerja di Badan Pelayanan Perizinan Terpadu dan Penanaman Modal
Kota Bogor atas dukungan kepada penulis.
5 Pihak lain yang tidak dapat disebutkan satu per satu.
Penulis menyadari bahwa dalam penulisan tugas akhir ini masih terdapat
banyak kekurangan dan kelemahan dalam berbagai hal karena keterbatasan
kemampuan penulis. Penulis berharap adanya masukan berupa saran dan kritik
yang bersifat membangun dari pembaca demi kesempurnaan tugas akhir ini,
sehingga dapat bermanfaat.
Bogor, November 2013
Hafara Fisca Lahmurahma
DAFTAR ISI
DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Ruang Lingkup Penelitian
2
Manfaat Penelitian
2
TINJAUAN PUSTAKA
2
Pengolahan Citra Digital
2
Grayscale Image
3
Edge Detection
3
Image Segmentation
3
Canny Edge Detection
3
Metode Ekstraksi Zoning
4
K-Nearest Neighbour (KNN)
4
Probabilistic Neural Network (PNN)
5
METODE PENELITIAN
6
Pengumpulan Data Citra
6
Praproses Data
7
Deteksi Tepi
8
Segmentasi Citra
8
Ekstraksi Ciri
8
K-Fold Cross Validation
9
K-Nearest Neighbour (KNN)
10
Probabilistic Neural Network (PNN)
10
Analisis dan Evaluasi
10
Lingkungan Penelitian
11
HASIL DAN PEMBAHASAN
Pengumpulan Data Citra
11
11
Praproses Data
11
Deteksi Tepi
12
Segmentasi Citra
13
Normalisasi Citra
14
Ekstraksi Ciri
14
Klasifikasi Citra
14
Pengujian per Karakter
14
Pengujian per Plat
17
SIMPULAN DAN SARAN
19
Simpulan
19
Saran
20
DAFTAR PUSTAKA
20
LAMPIRAN
22
RIWAYAT HIDUP
28
DAFTAR TABEL
1 Pembagian fold
2 Akurasi pengujian karakter menggunakan KNN
3 Perbandingan akurasi pengenalan karakter plat nomor dengan ekstraksi
ciri ICZ dan ICZ+ZCZ (Pramesti 2013)
4 Perbandingan akurasi pengenalan karakter plat nomor dengan
klasifikasi KNN, PNN, dan backpropagation (Lesmana 2012)
5 Citra plat nomor salah deteksi
9
15
15
16
18
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Citra RGB (kiri) dan citra grayscale (kanan)
Struktur PNN
Skema penelitian
Contoh data citra
Contoh citra grayscale
Contoh hasil deteksi tepi Canny
Contoh hasil segmentasi citra
(a) Letak koordinat centroid, (b) Pembagian zona sebanyak 4 zona, (c)
Perhitungan jarak pixel dengan centroid
Contoh data sampel
Tahapan praproses citra
Proses deteksi tepi
Pelabelan karakter A
Hasil segmentasi
Hasil normalisasi
Grafik rataan akurasi KNN
Grafik rataan akurasi PNN
Karakter 0 (nol) yang teridentifikasi sebagai karakter D (kiri) dan
contoh karakter D (kanan)
Grafik perbandingan nilai akurasi KNN dan PNN
Contoh plat yang gagal teridentifikasi
3
6
7
7
7
8
8
9
11
12
12
13
13
14
15
16
17
17
19
DAFTAR LAMPIRAN
1 Pola karakter ekstraksi ciri ICZ
2 Contoh karakter yang gagal teridentifikasi
3 Hasil deteksi plat nomor
22
25
26
PENDAHULUAN
Latar Belakang
Kendaraan bermotor digunakan untuk transportasi darat yang digerakkan
oleh peralatan mesin. Kendaraan tersebut memiliki identifikasi resmi yang
membedakan antara kendaraan satu dengan kendaraan lain yaitu nomor polisi.
Nomor polisi diberikan sesuai dengan urutan pendaftaran kendaraan bermotor.
Nomor tersebut tertera pada plat yang bentuknya berupa potongan plat logam atau
plastik. Plat nomor memiliki nomor seri yakni susunan huruf dan angka yang
dikhususkan bagi kendaraan tersebut dan biasa dipadukan dengan informasi lain
mengenai kendaraan bersangkutan. Contohnya pada baris pertama menunjukkan
kode wilayah (huruf), nomor polisi (angka), dan kode/seri akhir wilayah (huruf).
Sedangkan pada baris kedua menunjukkan bulan dan tahun masa berlaku. Dengan
adanya informasi tersebut plat digunakan untuk beberapa kebutuhan pencatatan
data, contohnya dalam suatu sistem parkir.
Seiring dengan pesatnya perkembangan produksi kendaraan, maka
dirasakan perlu suatu mekanisme pencatatan data untuk mengenali plat kendaraan
dengan cepat sehingga dapat memudahkan dalam pencataan plat nomor kendaraan
yang masuk dan keluar dari area parkir. Salah satu yang sedang dikembangkan
saat ini adalah sistem optical character recognition (OCR). OCR merupakan
aplikasi yang fungsinya melakukan konversi dari suatu input data berupa citra
yang akan diproses lebih jauh secara digital sehingga dapat dilakukan tahap
pengenalan menggunakan beberapa metode yang ada.
Penelitian dalam bidang ini pun terus dikembangkan dengan berbagai
metode untuk mencari hasil terbaik. Mengacu pada penelitian yang telah
dilakukan oleh Rajashekararadhya (2008) tentang pengenalan tulisan tangan pada
karakter india, Syam (2013) pun melakukan pengenalan pola tulisan dengan
aksara non-Latin yaitu menggunakan aksara Jawa sebagai objeknya.
Terdapat beberapa tahapan dalam proses pengenalan plat nomor kendaraan.
Input citra plat nomor diubah dahulu menjadi citra biner, kemudian dilakukan
segmentasi untuk memisahkan objek karakter dengan background. Setelah itu,
tiap karakter dari plat nomor disegmentasi dan masing-masing karakter dilakukan
ekstraksi ciri. Kemudian, dilakukan klasifikasi tiap karakter satu per satu dengan
menggunakan metode klasifikasi tertentu.
Penelitian dengan objek plat nomor sendiri sebenarnya sudah cukup banyak
dilakukan. Setiawan (2011) melakukan penelitian dengan objek plat nomor
kendaraan menggunakan principle component analysis (PCA) dan Euclidean
distance. Dari penelitian tersebut didapat rata-rata akurasi sebesar 84.3%. Lim et
al. (2003) juga menggunakan PCA, namun metode k-nearest neighbour dipilih
sebagai metode klasifikasi. Tingkat keberhasilan yang dicapai pada penelitian
tersebut sebesar 82%.
Penelitian tentang pengenalan plat nomor juga dilakukan oleh Lesmana
(2012) yaitu menggunakan image centroid and zone (ICZ) sebagai ekstraksi ciri
dan jaringan syaraf tiruan (JST) backpropagation sebagai metode klasifikasinya.
Pada penelitian tersebut akurasi yang didapat untuk pengenalan karakter sebesar
82% sedangkan untuk pengenalan plat akurasinya sebesar 55.50%.
2
Penelitian tersebut dilanjutkan oleh Pramesti (2013) yaitu mengidentifikasi
plat nomor menggunakan ekstraksi fitur zoning gabungan ICZ dan ZCZ dengan knearest neighbour (KNN) sebagai classifier-nya. Akurasi pada penelitian tersebut
sudah tinggi yaitu 98.17%.
Mengacu pada penelitian yang telah banyak dilakukan tersebut, penelitian
ini akan menggabungkan metode ekstraksi ciri ICZ seperti yang dilakukan oleh
Lesmana (2012) dengan metode klasifikasi KNN seperti pada penelitian Pramesti
(2013). Selain menggunakan metode klasifikasi KNN, penelitian ini juga
menggunakan metode klasifikasi probabilistic neural network (PNN) dimana
hasil dari dua metode ini akan dibandingkan tingkat akurasinya.
Tujuan Penelitian
1
2
3
4
Tujuan dilakukannya penelitian ini adalah:
Menerapkan metode ICZ untuk melakukan ekstraksi ciri, KNN dan PNN
sebagai metode klasifikasi
Menentukan parameter k terbaik pada KNN dan nilai bias terbaik pada PNN
Menghitung tingkat akurasi dari metode yang digunakan
Membandingkan tingkat akurasi antara nilai k terbaik dari KNN dengan nilai
bias terbaik pada PNN
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini terbatas pada:
1 Plat nomor yang dikenali hanya plat nomor dengan format standar (bukan
format TNI/POLRI)
2 Data yang diolah berasal dari citra dengan format JPEG
3 Karakter yg dikenali adalah huruf alphabet kapital (A − Z) dan angka (0 − 9)
4 Pemotretan plat dilakukan secara berhadapan lurus
5 Hanya bagian plat nomor yang digunakan sebagai objek penelitian
Manfaat Penelitian
Manfaat dari penelitian ini adalah dapat menentukan metode klasifikasi
yang terbaik untuk pengenalan karakter plat nomor kendaraan diantara dua
metode yang digunakan, yaitu KNN dan PNN.
TINJAUAN PUSTAKA
Pengolahan Citra Digital
Citra merupakan suatu fungsi kontinyu dari intensitas cahaya dalam bidang
dua dimensi. Dengan proses sampling dan kuantisasi, fungsi kontinyu dari citra
dirubah menjadi fungsi diskret. Pada aplikasi ini akan diterapkan beberapa proses
pengolahan citra.
3
Grayscale Image
Pada citra berwarna satu nilai pixel terdiri dari 3 layer yaitu red, green dan
blue. Rentang nilai dari tiap layer berkisar antara 0-255. Sedangkan pada citra
grayscale representasi citranya bernilai sama untuk tiap layer. Citra yang
dihasilkan dari proses grayscale berupa citra abu-abu. Citra grayscale sangat
berbeda dari citra biner, karena citra biner merupakan citra yang hanya memiliki
dua variasi nilai yaitu gelap dengan nilai pixel 0 dan terang dengan nilai pixel 255
(Shapiro dan Stockman 2001), sedangkan citra grayscale warnanya beragam yang
merupakan rentang antara putih dan hitam. Perbandingan gambar RGB dan hasil
konversinya ke citra grayscale dapat dilihat pada Gambar 1.
Gambar 1 Citra RGB (kiri) dan citra grayscale (kanan)
Edge Detection
Edge detection adalah operasi yang bertujuan untuk mereduksi citra dan
hanya menampilkan tepi dari citra itu sendiri (Baxes 1984). Deteksi ini dilakukan
dengan cara menemukan perbedaan yang signifikan antara satu pixel dengan pixel
tetangganya. Deteksi ini dilakukan secara vertikal dan horizontal. Perbedaan
proses antara deteksi tepi vertikal dan horizontal hanya terletak pada filter yang
digunakan.
Image Segmentation
Segmentasi merupakan proses mengklaster citra menjadi beberapa bagian
objek sehingga akan memudahkan untuk mengidentifikasi objek yang bermakna
dari suatu citra (Deng dan Manjunath 1999). Ada dua pendekatan umum dalam
melakukan segmentasi citra yaitu pendekatan discontinuity dan pendekatan
similarity. Pendekatan discontinuity mempartisi citra berdasarkan perubahan
intensitas cahaya secara tiba-tiba, sedangkan pendekatan similarity membagi citra
berdasarkan kesamaan sifat-sifat tertentu (region based).
Canny Edge Detection
Algoritma deteksi tepi Canny dikenal sebagai algoritma yang optimal dalam
melakukan pendeteksian tepi (Acharya dan Ray 2005). Ada beberapa tahapan
dalam deteksi tepi Canny, yaitu :
1 Smoothing: menghilangkan noise dengan efek blurring
2 Finding gradient: menandai tepi dari gambar yang memiliki nilai magnitute
yang besar
3 Non-maximum suppression: menghilangkan nilai-nilai yang tidak maksimum
4 Double thresholding: dua buah threshold dipilih untuk menentukan jalur tepi
Tujuan pendeteksian ini adalah bagaimana agar objek di dalam gambar
dapat dikenali dan disederhanakan bentuknya dari bentuk sebelumnya.
4
Kelebihannya yaitu, Canny mampu mengurangi noise sebelum melakukan
perhitungan deteksi tepi sehingga tepi-tepi yang dihasilkan lebih banyak.
Metode Ekstraksi Zoning
Zoning merupakan salah satu metode ekstraksi ciri yang populer dan
sederhana yang digunakan dalam ekstraksi fitur. Metode ekstraksi zoning akan
membagi citra menjadi beberapa zona yang berukuran sama, untuk kemudian dari
setiap zona akan diambil cirinya. Ada beberapa algoritma untuk metode ekstraksi
ciri zoning, diantaranya metode ekstraksi ciri jarak metrik image centroid and
zone (ICZ), metode ekstraksi ciri jarak metrik zone centroid and zone (ZCZ) dan
metode ekstraksi ciri gabungan ICZ + ZCZ. Ketiga algoritma tersebut
menggunakan citra digital sebagai input dan menghasilkan fitur untuk klasifikasi
dan pengenalan sebagai outputnya (Rajashekararadhya dan Ranjan 2008).
Pendekatan yang digunakan pada penelitian ini adalah metode ICZ dengan
langkah-langkah sebagai berikut:
1 Hitung centroid dari citra masukan
2 Bagi citra masukan kedalam n zona yang sama
3 Hitung jarak antara centroid citra dengan masing-masing pixel yang ada dalam
zona
4 Ulangi langkah ke 3 untuk setiap pixel yang ada di zona
5 Hitung rata-rata jarak antara titik-titik tersebut
6 Ulangi langkah-langkah tersebut untuk keseluruhan zona
7 Hasilnya adalah n fitur yang akan digunakan dalam klasifikasi dan pengenalan.
K-Nearest Neighbour (KNN)
K-Nearest Neighbour (KNN) merepresentasikan setiap data sebagai titik
dalam k-ruang dimensi. Jika ada sebuah data uji maka akan dihitung kedekatan
titik data lainnya pada data latih untuk diklasifikasikan berdasarkan kedekatannya
yang didefinisikan dengan ukuran jarak. Fungsi jarak yang umumnya digunakan
adalah jarak Euclidean yang direpresentasikan dalam Persamaan 1 (Han dan
Kamber 2006).
(1)
D(p,q) merupakan jarak antara vektor p yang merupakan sebuah titik yang
telah diketahui kelasnya dan q yang merupakan titik baru yang merepresentasikan
data yang akan dijadikan data uji. Jarak antara vektor dan titik dari data latih akan
dihitung dan diambil k buah vektor terdekat.
Langkah-langkah dalam teknik klasifikasi dengan KNN antara lain sebagai
berikut:
1 Menentukan parameter k (jumlah tetangga terdekat).
2 Menghitung jarak antara data yang masuk dan semua sampel latih yang sudah
ada dengan metode Euclidean distance seperti pada Persamaan 1.
3 Tentukan k label data yang mempunyai jarak yang minimal.
4 Klasifikasikan data baru ke dalam label data yang mayoritas.
5
Probabilistic Neural Network (PNN)
Probabilistic neural network (PNN) diperkenalkan pertama kali oleh Specht
tahun 1990 yang digunakan untuk klasifikasi, mapping dan associative memory.
Keuntungan utama menggunakan arsitektur PNN adalah proses pembelajaran
mudah atau sekali lewat dan sangat cepat. Struktur PNN terdiri dari 4 lapisan
yaitu lapisan masukan, lapisan pola, lapisan penjumlahan dan lapisan
keputusan/keluaran. Proses-proses yang terjadi pada setiap lapisan yaitu :
1 Lapisan masukan (input layer)
Lapisan masukan merupakan objek yang terdiri atas k nilai ciri yang akan
diklasifikasikan pada n kelas.
2 Lapisan pola (pattern layer)
x adalah vektor masukan dan xij adalah vektor data latih ke-j dari kelas atau
pola ke-i. Pada lapisan pola dilakukan perhitungan jarak zij antara x dengan xij,
kemudian dilakukan operasi non linear terhadap zij sebelum menjadi keluaran
yang akan digunakan sebagai masukan pada lapisan penjumlahan. Persamaan 2
adalah persamaan yang digunakan pada lapisan pola.
(2)
3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan dilakukan penjumlahan setiap node pada lapisan
pola. Persamaan yang digunakan pada tahap lapisan penjumlahan ini dapat
dilihat pada Persamaan 3.
(3)
4 Lapisan keluaran / keputusan (output layer)
Lapisan keluaran menentukan kelas dari input yang diberikan. Input x akan
paling besar dibandingkan
masuk kelas Y jika nilai peluang masuk ke Y
peluang masuk ke kelas lainnya. Persamaan 4 menunjukkan persamaan yang
digunakan pada lapisan keluaran.
(4)
6
Secara umum arsitektur PNN dapat dilihat pada Gambar 2 berikut.
Vektor input sebanyak P dimensi
Neuron
A1
Neuron
A2
X1
fA(X)
Neuron
An
X2
Ambil
yang
maksimu
m
Neuron
B1
Xp
Neuron
B2
fB(X)
Neuron
Bm
Lapisan Masukan
Lapisan Pola
Lapisan
Penjumlahan
Lapisan Keluaran
Gambar 2 Struktur PNN
METODE PENELITIAN
Suatu penelitian yang baik diperlukan perencanaan yang matang atas
metode yang telah ditetapkan. Pada penelitian ini akan dilakukan pengenalan
karakter plat nomor menggunakan ekstraksi ciri ICZ sedangkan sebagai
klasifikasinya dipilih metode KNN dan PNN. Flowchart penelitiannya
ditampilkan pada Gambar 3.
Pengumpulan Data Citra
Data pada penelitian ini didapat dari data pada penelitian sebelumnya, yaitu
penelitian yang dilakukan oleh Lesmana (2012). Data tersebut diambil
menggunakan kamera handphone dengan resolusi 5 MP. Agar data latih yang
dimiliki dapat lebih akurat untuk setiap karakter, maka citra yang dikumpulkan
sebarannya harus merata, selain itu resolusi dari masing-masing citra pun harus
sama. Contoh data citra ditunjukkan pada Gambar 4.
7
Pengumpulan
Data
Citra
Pra-Proses
Citra
Ekstraksi Ciri
Data
Latih
Data Uji
KNN dan PNN
Klasifikasi
Evaluasi &
Analisis Hasil
Gambar 3 Skema penelitian
Gambar 4 Contoh data citra
Praproses Data
Data yang telah dikumpulkan masih mempunyai resolusi yang tinggi. Oleh
karena itu perlu diubah ke resolusi yang lebih kecil dengan tetap mempertahankan
kualitas citra. Data citra tersebut juga masih dalam format warna RGB, oleh sebab
itu perlu diubah dalam format grayscale agar lebih mudah dalam hal pemrosesan
data karena citra grayscale membutuhkan sedikit informasi yang diberikan pada
tiap pixel dibandingkan dengan citra format RGB. Contoh citra grayscale
ditunjukkan pada Gambar 5. Proses konversi dalam format grayscale dapat
menggunakan rumus:
Pixel = 0.2989 × R + 0.5870 × G + 0.1140 × B
Gambar 5 Contoh citra grayscale
8
Dengan R, G, dan B merupakan intensitas dari masing-masing warna merah,
hijau, dan biru pada citra. Setelah dilakukan konversi citra RGB ke grayscale
kemudian citra dibersihkan dari noise dengan menggunakan median filter. Dengan
metode ini diharapkan dapat mengurangi noise yang timbul pada sebuah data
digital, sehingga gambar yang dihasilkan dapat lebih baik.
Deteksi Tepi
Setelah dibersihkan dari noise, selanjutnya akan dilakukan deteksi tepi.
Setiap objek yang ada pada citra akan dideteksi menggunakan algoritma Canny.
Algoritma ini dipilih karena cukup baik dalam mendeteksi tepi. Selain memiliki
kemampuan untuk meletakkan dan menandai semua tepi yang ada, algortima
Canny juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan
tingkat deteksi ketebalan tepi sesuai dengan yang kita inginkan. Contoh hasil
deteksi tepi Canny dapat dilihat pada Gambar 6.
Canny edge
detection
Gambar 6 Contoh hasil deteksi tepi Canny
Segmentasi Citra
Segmentasi pada citra masukan dilakukan agar karakter pada citra plat
nomor bisa dikenali satu per satu dan mengeliminasi objek-objek yang tidak
diperlukan. Hal ini dilakukan dengan cara melakukan segmentasi citra
berdasarkan area. Objek yang memiliki citra yang terhubung akan dianggap
sebagai satu area. Pada penelitian ini, untuk mendeteksi pixel-pixel yang
terhubung digunakan metode 8-connected. Tiap area yang didapat kemudian
dihitung luasnya. Kemudian luas area tersebut dibandingkan dengan batas
minimum luas area. Jika luas area lebih dari batas minimum maka area tersebut
akan diaggap sebagai satu karakter. Contoh hasil segmentasi citra plat nomor bisa
dilihat pada Gambar 7.
Gambar 7 Contoh hasil segmentasi citra
Ekstraksi Ciri
Tahapan ini dilakukan untuk mendapatkan fitur yang menjadi ciri dari setiap
karakter pada plat nomor. Fitur tersebut nantinya akan menjadi acuan dalam
proses klasifikasi dan pengenalan pola. Dalam penelitian ini pendekatan yang
digunakan adalah ekstraksi fitur berbasis area yaitu ICZ.
Sebelum dilakukan tahapan pada metode ini harus dipastikan bahwa setiap
karakter yang ada memiliki ukuran yang sama. Kemudian dihitung nilai
centroidnya dengan rumus sebagai berikut:
9
dengan:
= centroid koordinat x
= centroid koordinat y
= koordinat x dari pixel ke-n
= koordinat y dari pixel ke-n
Setelah didapatkan nilai centroid dari tiap karakter, citra karakter tersebut
akan dibagi menjadi beberapa bagian sama besar. Pada penelitian ini digunakan
jumlah zona 14. Kemudian dilakukan perhitungan jarak pada tiap pixel di suatu
zona terhadap koordinat centroid citra karakter, selanjutnya dihitung rata-rata
jaraknya. Untuk mencari jarak antara centroid dengan koordinat pixel digunakan
metode Euclidean.
Hal ini dilakukan untuk keseluruhan zona yang ada pada citra, nilai rata-rata
inilah yang merupakan ciri citra hasil ektraksi ICZ. Banyaknya nilai ciri dari hasil
ekstraksi ICZ tersebut adalah sebanyak jumlah zona. Gambar 8 berikut adalah
ilustrasi letak centroid, pembagian zona, dan perhitungan jarak pada ekstraksi ciri
ICZ.
1
1
1
1
1
1
1
1
0
0
0
1
1
0
0
0
0
0
1
0
0
1
0
0
(a)
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
0
0
0
1
1
0
0
0
0
0
1
0
0
1
0
0
(b)
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
0
0
0
1
1
0
0
0
0
0
1
0
0
1
0
0
(c)
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
1
Gambar 8 (a) Letak koordinat centroid, (b) Pembagian zona sebanyak 4
zona, (c) Perhitungan jarak pixel dengan centroid
K-Fold Cross Validation
Data yang sudah melalui proses ekstraksi ciri kemudian akan dibagi menjadi
data latih dan data uji dengan menggunakan k-fold cross validation. Nilai k yang
digunakan adalah 5 sehingga akan diperoleh 5 buah fold, yaitu fold1, fold2, fold3,
fold4 dan fold5. Pembagian fold terlihat seperti pada Tabel 1.
Subset
Fold1
Fold2
Fold3
Fold4
Fold5
Tabel 1 Pembagian fold
Data latih (indeks)
Data uji (indeks)
11-50
1 - 10
1-10, 21-50
11 - 20
1-20, 31-50
21 - 30
1-30, 41-50
31 - 40
1-40
41 - 50
10
K-Nearest Neighbour (KNN)
Proses klasifikasi dengan KNN dilakukan menggunakan data latih hasil
ekstraksi ciri yang sebelumnya sudah dibagi menggunakan k-fold crossvalidation. Dalam melakukan pelatihan dan pengujian data, karakter akan diambil
satu per satu dari kumpulan citra yang ada.
Dalam proses klasifikasi sebelumnya harus ditentukan dahulu nilai k, yaitu
jumlah tetangga terdekat yang akan dilihat kelasnya untuk menentukan kelas
terbanyak yang merupakan kelas dari titik baru. Nilai k akan sangat berpengaruh
pada akurasi hasil klasifikasi.
Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum,
nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat
batasan antara setiap klasifikasi menjadi kabur. Nilai k yang akan dicobakan pada
penelitian ini adalah 1, 3, 5, 7, dan 9.
Probabilistic Neural Network (PNN)
Probabilistic neural network (PNN) merupakan JST yang dirancang
menggunakan ide dari teori probabilitas klasik seperti pengklasifikasian Bayes dan
penduga kepekatan peluang Parzen. PNN memperkirakan fungsi kepekatan
peluang untuk masing-masing kelas yang didasarkan pada data pelatihan.
Cara kerja PNN secara sederhana dijelaskan seperti berikut. Saat input
masuk, pattern layer akan menghitung jarak vektor pengujian ke vektor pelatihan
dan menghasilkan vektor yang mengindikasikan seberapa dekat input ke vektor
pelatihan. Pada summation layer, akan dijumlahkan kontribusi dari masingmasing kelas input untuk menghasilkan probabilitas vektor output. Terakhir pada
output layer, fungsi transfer compete akan mengambil nilai maksimum dari
vektor output, dan menghasilkan nilai satu untuk kelas tersebut dan nilai nol untuk
kelas lainnya (Buono, et al 2004).
Kelebihan algoritma PNN adalah kemudahan yang diberikan untuk
memodifikasi jaringan ketika dilakukan penambahan atau pengurangan data
pelatihan yang digunakan.
Analisis dan Evaluasi
Tahapan ini merupakan tahapan terakhir dalam mengevaluasi kelebihan
serta kekurangan dari metode yang digunakan. Proses perhitungan akurasi hasil
klasifikasi menggunakan rumus seperti berikut.
A
asi
dengan:
= jumlah citra yang berhasil terdekteksi
N
= jumlah data yang diuji
11
Lingkungan Penelitian
Lingkungan yang digunakan untuk penelitian ini memiliki spesifikasi
sebagai berikut :
Perangkat keras:
1 Processor Intel Core i5 @2.40GHz,
2 RAM kapasitas 4 GB,
3 Harddisk kapasitas 500 GB,
Perangkat lunak:
1 Sistem operasi Microsoft Windows 7 Ultimate Service Pack 2 32-bit
2 MATLAB R2008b.
HASIL DAN PEMBAHASAN
Pengumpulan Data Citra
Citra plat nomor kendaraan adalah data utama dalam penelitian ini. Data
tersebut didapat dengan melakukan pemotretan sebanyak 100 unit mobil dan
dihasilkan pula 100 buah citra plat nomor yang berbeda.
Dari 100 buah citra yang ada kemudian diambil potongan karakter yang
mewakili angka dan huruf pada plat nomor. Masing-masing karakter diambil
secara unik dan acak sebanyak 50 buah. Sehingga didapat 36 × 50 karakter, atau
sebanyak 1 800 karakter. Dari 1 800 karakter tersebut akan dibagi menjadi data
latih dan data uji dengan perbandingan 4:1 untuk setiap karakter. Selain itu
sebagian dari citra plat nomor yang ada juga akan dijadikan sebagai data uji.
Contoh data sampel dapat dilihat pada Gambar 9.
Gambar 9 Contoh data sampel
Praproses Data
Data citra yang telah dikumpulkan masih memiliki resolusi yang tinggi dan
memungkinkan terdapat noise yang dapat menghilangkan informasi yang
diperlukan serta dapat memperlambat proses deteksi. Oleh karena itu, perlu
dilakukan optimalisasi sehingga data yang ada siap diproses.
Pertama, data tersebut harus diubah dari format warna RGB ke dalam
format grayscale agar lebih efisien. Sehingga dapat mempercepat komputasi pada
tahap berikutnya. Berikutnya adalah membersihkan noise menggunakan median
12
filter dengan matriks 3 × 3. Metode ini sangat cocok untuk menghilangkan noise
berupa salt and pepper. Tahapan dari praproses citra itu sendiri diilustrasikan
pada Gambar 10.
grayscale
median filter
3×3
Gambar 10 Tahapan praproses citra
Deteksi Tepi
Proses deteksi pada penelitian ini menggunakan metode Canny edge
detection dengan nilai threshold 0.5. Tahapan ini akan menghasilkan citra biner
yang merepresentasikan garis tepi dari setiap objek pada citra. Garis tepi inilah
yang nantiya akan digunakan untuk memisahkan karakter yang diperlukan dengan
objek lainnya. Dengan didapatnya garis tepi disetiap objek, maka akan
mempercepat pemrosesan citra dan lebih efisien.
Untuk menyatukan garis-garis dari karakter yang mungkin terputus karena
proses deteksi yang kurang sempurna, maka hasil dari deteksi tepi akan dilakukan
proses dilasi dengan structuring element berbentuk matriks 3 × 3 yang bernilai 1
untuk semua elementnya. Proses ini akan mengubah gambar karakter menjadi
lebih tebal. Proses deteksi tepi pada citra plat nomor terlihat pada Gambar 11.
Canny
dilasi
Gambar 11 Proses deteksi tepi
13
Segmentasi Citra
Segmentasi citra merupakan proses analisa citra yang akan membagi citra
menjadi beberapa daerah terpisah. Daerah yang terpisah biasanya merupakan
object-object yang berbeda. Dan setiap object tersebut memiliki informasi yang
berbeda pula. Pada penelitian ini informasi yang akan diproses adalah pixel-pixel
yang mewakili angka dan huruf. Perlu dilakukan mana pixel yang mewakili huruf
atau angka dan mana yang bukan keduanya.
Tahap pertama adalah melakukan labeling, yaitu pengelompokan pixel yang
terhubung dengan memperhatikan 8 pixel tetangganya. Setiap pixel yang
terhubung akan dikelompokan dan diberi label.
Setelah terbentuk kelompok pixel berdasarkan label, maka akan dihitung
panjang dan lebar untuk masing-masing kelompok. Untuk mengetahui apakah
kelompok pixel tersebut adalah suatu karakter angka dan huruf atau bukan, maka
dilakukan seleksi kondisi berdasarkan panjang dan lebar dari kelompok pixel
tersebut dengan kondisi:
Jika 40 < panjang < 105 dan 20 < lebar