3.1.1 Prapengolahan Citra
Citra nomor plat kendaraan bermotor yang diperoleh dari kamera akan diproses sehingga menghasilkan data yang sesuai sebagai masukan pada jaringan saraf
tiruan. Adapun tahapan yang dilalui pada pengolahan citra ini dapat dilihat pada diagram berikut:
Gambar 3.1 Tahapan Pengolahan Citra
3.1.1.1 Pembentukan Matriks Biner Binarization
Proses ini akan menghasilkan citra hitam putih yang bersih dari tingkat keabuan grayscale, atau dengan kata lain metode ini mengonversi cita gray-level ke citra
bilevel binary image. Pada tahap ini setiap nilai pixel RGB akan diambil nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan kurang dari nilai
thresholdT yang dihasilkan maka nilai pixel tersebut diubah menjadi 255 warna putih, sebaliknya jika lebih besar dari T maka nilai pixel diubah menjadi 0
warna hitam. Matriks biner dari citra ini dibentuk berdasarkan nilai hitam putih pada
citra yang telah didapatkan persamaan 2.2, jika pixel citra pada koordinat x,y berwarna hitam maka nilai matriks biner pada baris I dan kolom j adalah 1,
sebaliknya 0 persamaan 2.3. Citra yang diperoleh dari proses ini dapat dilihat pada gambar 3.2. Dapat dilihat bahwa citra yang keabuan menjadi citra hitam
putih yang bebas dari keabuan. Matriks biner ini yang selanjutnya akan digunakan untuk pengolahan selanjutnya.
Gambar 3.2 Citra hasil proses binarization
binerization
Noise reduction
cropping ekstraksi
scalling
Universitas Sumatera Utara
3.1.1.2 Penghilangan Derau Noise Reduction
Untuk meningkatkan kualitas citra dari hasil thresholding maka dilakukan proses penghilangan noise. Adapun tahapan penghilangan noise dengan metode median
filter 3x3 Efford, 2000 adalah sebagai berikut: 1.
Input gambar m x n pixel. 2.
Alokasikan sebuah matriks dengan ukuran m+2 x n+2 dengan nilai 0 disekelilingnya.
3. Salin matriks input ke matriks pra-alokasi.
4. Bentuk matriks window 3 x 3 dengan element dari matriks input.
5. Salin matriks window 3 x 3 ke dalam array dan urutkan.
6. Cari median dari elemen array tersebut. Total dari elemen array adalah 9
jadi median adalah elemen ke 5. 7.
Letakkan elemen ke 5 ke matriks output. 8.
Ulangi prosedur untuk seluruh matriks input. 9.
Tampilan citra tanpa noise. Citra yang dihasilkan dari proses ini dapat dilihat pada gambar 3.3. Dapat
dilihat bahwa objek citra yang dihasilkan menjadi lebih halus.
Gambar 3.3 Citra hasil proses penghilangan noise.
3.1.1.3 Cropping
Proses prapengolahan selanjutnya setelah prose noise reduction adalah cropping. Proses ini bertujuan untuk mendapatkan citra yang hanya seukuran karakter yang
ditulis. Cropping dilakukan dengan menggunakan persamaan 2.4 dan 2.5.Pada matriks ini dapat dilihat bahwa ukuran matriks yang dihasilkan berubah dari
ukuran matriks yang dihasilkan sebelumnya matriks hasil noise reduction.
Universitas Sumatera Utara
3.1.1.4 Penskalaan Scalling
Setelah didapat batasan pada tiap karakter, maka karakter tersebut dilanjutkan dengan proses scalling. Proses ini berguna untuk mengubah ukuran citra hasil
cropping ke ukuran standar pengenalan. Adapun pada tahap ini, semua hasil karakter yang diperoleh dirubah ukurannya menjadi 35 x 40. Dalam perubahan
dari ukuran asli citra menjadi ukuran 35 x 40 dilakukan perbandingan rasio tinggi dan lebarnya. Berikut adalah contoh perhitungan penskalaan citra:
Ukuran asli: Tinggi = 50 pixel
Lebar = 40 pixel Rasio untuk tinggi
50 : 40 = 1.25 Rasio untuk lebar
40 : 35 = 1.14 Untuk langkah selanjutnya proses scalling citra atau gambar dilakukan dengan
menggunakan rasio yang telah didapat. Tinggi setelah scalling
50 : 1.25 = 40 Lebar setelah scalling
40 : 1.33 = 35
3.1.1.5 Ekstraksi Fitur Citra Feature Extraction
Feature extraction merupakan proses untuk mendapatkan nilai-nilai unil dari suatu citra yang telah mengalami proses pengolahan citra sebelumnya. Setiap data
yang akan diamati dan dianalisis oleh jaringan saraf tiruan harus dipresentasikan secara baik ke dalam bentuk data numeric atau data biner. Untuk itu, diperlukan
suatu cara yang dapat mengekstraksi ciri dari setiap data tadi secara konsisten. Data hasil ekstraksi haruslah benar-benar dapat mewakili karakteristik atau ciri-
ciri dari data yang diamati, sehingga diharapkan dari sekumpulan data dengan
Universitas Sumatera Utara
target yang sama akan dihasilkan suatu generalisasi atau pencirian secara umu terhadap suatu target yang sejenis. Oleh karena itu pada penelitian ini digunakan
gabungan antara image compression dan pixel mapping Mulyo etal., 2004 untuk mendapat nilai feature extraction.
Pada tahap ini citra yang berukuran 35 x 40 pixel dibagi menjadi 7 kolom dan 8 baris.Setiap kotak dilakukan scanning pixel dan seluruh pixel dalam kotak
dijumlahkan.Kotak yang jumlah pixelnya kurang dari nilai yang ditentukan diberi nilai 0, jika tidak diberi nilai 1, sehingga dihasilkan sejumlah 56 data biner yang
diharapkan dapat mewakili ciri dari data. Jika pada kotak ukuran 5 x 5 tidak terdapat pixel yang bernilai 1 hitam maka nilai feature extraction yang dihasilan
bernilai 0, dan sebaliknya maka nilai feature extraction yang dihasilkan bernilai 1 Sihotang, 2010.
3.1.1.6 Segmentasi Segmentation
Proses segmentasi dilakukan pada input citra berupa kata yang dilakukan pada tahap pengujian kemampuan segmentasi dan pengenalan sistem. Pada proses ini
dilakukan untuk mendapatkan setiap karakter yang terdapat pada citra input. Adapun proses segmentasi yang dipakai menggunakan algoritma Heuristic
Lecolinet Baret, 1994; Rodrigues Gay Thome 2000. Pada proses segmentasi ini, citra hasil cropping di-thinning terlebih dahulu
untuk mendapatkan struktur kerangka citra dengan menggunakan algoritma ZhangSuen yang belum dimodifikasi Zhang Suen, 1984, sama seperti proses
thinning pada input berupa citra huruf dan angka. Kemudian dilakukan profil projeksi horizontal persamaan 2.8 untuk mendapatkan nilai-nilai histogram
horizontalnya yang kemudian akan digunakan untuk mencari titik potong huruf dan angka pada citra.
Misalkan akan dilakukan segmentasi pada gambar 3.5 citra ini terlebih dahulu melalui tahapan binarization, noise dan cropping.
Universitas Sumatera Utara
Gambar 3.4 Citra plat kendaraan bermotor
Selanjutnya untuk melakukan segmentasi karakter, citra di-thinning untuk mendapatkan struktur citra. Kemudian citra thinning dibentuk histogram
horizontalnya dengan menggunakan profil projeksi horizontal.
3.1.2 Fase Pelatihan Jaringan Saraf Tiruan Propagasi Balik
Kategori