Untuk proses Pengenalan dengan jaringan syaraf tiruan, matriks ciri yang semula berukuran 7x5 akan di-transpose menjadi berukuran 5x7 agar sesuai dengan
jaringan yang telah dibuat. Matriks ciri ini akan dimasukkan ke tiap jaringan. Jadi keluaran dari tiap jaringan ini adalah matriks berukuran 1x7. Selanjutnya matriks
keluaran tiap jaringan ini akan diubah menjadi desimal. Maka keluaran dari 9 jaringan akan menghasilkan matriks berukuran 1x9. Selanjutnya matriks keluaran dari 9
jaringan ini akan dicocokkan dengan matriks basis data karakter. Dalam pengenalan karakter dilakukan dengan membandingkan selisih nilai hasil keluaran jaringan ini
terhadap nilai basis data karakter. Pemilihan karakter yang sesuai ditentukan dengan selisih nilai terkecil pada setiap perbandingan masing-masing karakter yang terdapat
pada basis data karakter. Algoritma Learning Vector Quantization dan Back Propagation adalah suatu
algoritma yang melakukan pembelajaran pada lapisan kompetitif yang terawasi dengan supervisi dimana jaringan akan secara otomatis belajar untuk
mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika
dua vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama.
3.1.2 Bahan Penelitian
Bahan yang digunakan pada penelitian ini adalah berupa citra digital plat nomor polisi kendaraan bermoror hasil akusisi dengan kamera digital yang akan digunakan untuk
pembelajaran learning data set dan sekumpulan citra untuk pengujian testing data set. Proses pengolahancitra merupakan kumpulan proses
– proses yang digunakan untuk menyiapkan citra input untuk dijadikan masukan ke dalam jaringan.
Proses pengolahan citra pada penelitian ini terbagi menjadi beberapa tahap yaitu: 1.
Proses normalisasi. 2.
Proses thinning 3.
Proses ekstraksi ciri
Citra hasil normalisasi sebelum di-thinning dikenakan proses binerisasi yaitu dikonversikan ke dalam bilangan biner dengan proses threshold pengambangan
Universitas Sumatera Utara
dimana untuk setiap pixel dengan nilai intensitas warna ≤ 128 diberi nilai 0,
sedangkan untuk nilai intensitas warna 128 diberi nilai 1, sehingga akan diperoleh barisan nilai yang terdiri dari 0 dan 1 sepanjang total piksel.
Sebagai contoh citra plat nomor polisi seperti pada Gambar 3.3.
Gambar 3.3 Citra Plat Nomor Polisi
3.1.3 Pembacaan File Citra
Pada citra warna 24-bit true color tidak terdapat palet RGB, karena nilai RGB langsung diuraikan dalam data bitmap berbentuk biner. Untuk membaca nilai RGB-
nya, dilakukan mencari header-header serta data bitmap yang berisi informasi dimensi, format dan nilai piksel citra. Setiap elemen data bitmap panjangnya 3 byte,
masing-masing byte menyatakan komponen R, G, dan B. Setiap byte data merepresentasikan 8 bit, jadi pada citra warna ada 3 byte x 8 bit = 24 bit kandungan
warna. Pada citra warna, tiap pixel-nya mengandung 24-bit kandungan warna atau 8-
bit untuk masing-masing warna dasar R, G, dan B, dengan kisaran nilai kandungan antara 0 00000000 sampai 255 11111111 untuk tiap warna. Sebagai contoh suatu
nilai pixel sebuah citra warna sepertipada Gambar 3.4.
Gambar 3.4 Contoh Nilai Piksel Citra Warna
Header
data bitmap
100001111011010010100001 100100001011010010010111101101
101011010010000001100100111010011000011001 11111110001011111110001
100100001001111001000000110010011101100101111110111110 0000011010110110001
Piksel 1 Piksel 2
Piksel n
Universitas Sumatera Utara
Pada contoh citra Gambar 3.2 di atas, data pertama adalah header yang berisi informasi nama file, jenis format dan dimensi citra. Di bawah data bitmap terdapat
pixel pertama mempunyai nilai =100001111011010010100001. Untuk mendapatkan nilai RGB setiap piksel dengan menggunakan rumus
sebagai berikut: Nilai R = c and 255 ............................................................................... 3.1
Nilai G = c and 65,280256 .................................................................
3.2 Nilai B = c and 16,711,680256256 ............................................................. 3.3
Dimana c adalah nilai piksel citra Pada
Gambar 3.2
di atas,
nilai piksel
0,0 adalah
111100001011010010111001 24 bit. Nilai R dihitung dengan persamaan 3.1 sebagai berikut:
Nilai R = 100001111011010010100001 and 11111111 = 10100001 Biner = 161 Desimal
Nilai komponen G dihitung dengan persamaan 3.2: Nilai G = 100001111011010010100001 and 1111111100000000100000000
= 10110100= 180 desimal Nilai komponen B dihitung dengan persamaan 3.3:
Nilai B= 100001111011010010100001 and 111111110000000000000000 100000000100000000
= 10000111 = 135 desimal Sehingga diperoleh nilai piksel 0,0 11110000 11110000 11111111:
R = 11110001 = 161 desimal
G = 10110100 = 180 desimal
B = 10010000 = 135 desimal
Dalam analisa ini jumlah piksel yang dihitung sebanyak 25 piksel saja dan untuk mendapatkan nilai RGB piksel selanjutnya dilakukan sama seperti cara di atas
dan selanjutnya nilai RGB semua nilai piksel pada citra dimasukkan ke dalam matriks seperti pada Gambar 3.5.
Universitas Sumatera Utara
161,180,135 152,140,110 182,166,210 166,112,178 170,177,166 202,189,134 201,180,111 140,173,110 192,120,200 112,167,162
133,200,152 165,100,155 124,110,167 140,180,126 200,160,200 141,204,104 134, 80,144 140,110,115 150,180,150 160,210,220
56,100,110 147,140,165 143,230,173 140,212,210 150,212,150
Gambar 3.5 Matriks Nilai RGB Citra Warna
3.1.4 Menghitung Nilai Grayscale Citra