Dengan gx,y adalah citra biner hasil proses binarisasi dari citra plat nomor polisi dengan skala keabuan fx,y, dengan nilai threshold T. Citra hasil threshold ini
menghasilkan citra plat nomor polisi biner seperti pada Gambar 3.8.
Citra grayscalePlat Citra binerPlat
Gambar 3.8 Citra Plat Biner
Dengan diperolehnya citra nomor polisi biner, maka tahap preprocessing citra sudah selesai dan selanjutnya citra biner pada Gambar 3.11 dilakukan proses training
dan pengenalan dengan metode jaringan syaraf tiruan.
3.1.6 Flow ChartTraining dengan algoritma LVQ
Adapun flow chartproses training dengan algoritma LVQ dapat dilihat seperti pada Gambar 3.9.
Gambar 3.9 Flow ChartTraining dengan algoritma metode LVQ
Start
Citra plat nomorPelatihan
Pendefinisi Input, Output dan Target
Penetapan JmlKlas, JmlNeuron, MaksError
B
Universitas Sumatera Utara
Gambar 3.10 Flow Chart Training dengan algoritma LVQ Lanjutan
Pembentukan Jaringan LVQ NET = Bobot,JmlNeuron,1JmlKlas
MinErr Jumkls
Penetapan Parameter Pelatihan 1.MaksEpoch = 100
2.MinError = 0.001 3.DecError=0.1
Training Epoch=Epoch+1
Bobot Akhir Wj Error MinError atau
Epoch MaksEpoch Penetapan Bobot Awal Wij
i=1,2,...,K. j=1,2,...,m Wij= 0-1
Inisialisasi Bobot AwalWijAwal= n13
Perbaikan Bobot Wj Jika T = Cj maka Wj=Wj+ MinErrorNilai Piksel
Jika T Cj maka Wj=Wj- MinError Nilai Piksel Error=MinErrorDecError
B
No
Yes
Selesai
Universitas Sumatera Utara
3.1.7 Flow ChartPengenalan dengan algoritma LVQ
Adapun flow chartproses pengenalan dengan algoritma LVQ dapat dilihat seperti pada Gambar 3.11.
Gambar 3.11 Flow Chart Pengenalan dengan algoritma LVQ
3.1.8 Flow Chart Proses Training dengan Algoritma Back Propagation
Adapun flow chart proses training dengan
Algoritma Back Propagation
dapat dilihat seperti pada Gambar 3.12.
Start
Citra plat nomorPengujian + bobot Akhir Wj
Baca bobot Wj dari database
Hitung Jarak antar bobot input dengan bobot database
Jarak terpendek Hasil pengenalan
Hasil pengenalan
Selesai
Universitas Sumatera Utara
Gambar 3.12 Flow ChartTrainingdengan
Algoritma Backpropagation
3.1.9 Flow Chart Pengenalan dengan algoritma Backpropagation
Adapun flow chartproses pengenalan dengan algoritma Backpropagation dapat dilihat seperti pada Gambar 3.13.
Start
Data Pelatihan
Pendefinisi Input, Output
Evaluasi Kesalahan Setiap VektorMasukan x Epoch=Epoch+1
Inisialisasi Semua Bobot Dengan Nilai Random
Normalisasi SemuaBobot dan Vektor Masukan Nilai Piksel Set Parameter Learning Rate Epoch,MinError, DecError
Simpan bobot dengan kesalahan paling minimal
Neuron keluaran yang tidak pernah firing Aktif?
Yes
No B
A
Universitas Sumatera Utara
Gambar 3.13 Flow Chart Pengenalan dengan algoritma Backpropagation
3.1.10 Perhitungan Dengan Algoritma LVQ