Identifikasi Karakter Pada Plat Nomor Kendaraan Menggunakan Ekstraksi Fitur ICZ dan ZCZ dengan Metode Klasifikasi K-NN

IDENTIFIKASI KARAKTER PLAT NOMOR KENDARAAN
MENGGUNAKAN EKSTRAKSI FITUR ICZ DAN ZCZ
DENGAN METODE KLASIFIKASI K-NN

RADEN PUTRI AYU PRAMESTI

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 Identifikasi Karakter
Pada Plat Nomor Kendaraan Menggunakan Ekstraksi Fitur ICZ dan ZCZ dengan
Metode Klasifikasi K-NN 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, Juni 2013
R. Putri Ayu Pramesti
NIM G64104011

ABSTRAK
R. PUTRI AYU PRAMESTI. Identifikasi Karakter Pada Plat Nomor Kendaraan
Menggunakan Ekstraksi Fitur ICZ dan ZCZ dengan Metode Klasifikasi K-NN.
Dibimbing oleh MUSHTHOFA.
Plat nomor merupakan kode unik yang terdiri dari susunan huruf dan
nomor. Setiap kendaraan memiliki satu plat nomor yang dijadikan sebagai kode
identitas dari kendaraan itu sendiri. Karena plat nomor bersifat unik sehingga
sering digunakan untuk keperluan pencatatan seperti di area parkir. Untuk
memudahkan pencatatan plat maka dibuatlah identifikasi karakter plat nomor
kendaraan secara otomatis yang menggunakan input berupa gambar plat nomor.
Klasifikasi K-NN dan ekstraksi ciri ICZ dan ZCZ digunakan dalam identifikasi
karakter. Ekstraksi ciri ICZ dan ZCZ mendapatkan ciri dengan menghitung
koordinat centroid dan membagi citra ke dalam n zona yang sama besar kemudian
menghitung rata-rata jarak centroid terhadap keseluruhan piksel. Akurasi

identifikasi per karakter yang dihasilkan dengan menggunakan zona berjumlah 14
dan ektraksi ciri ICZ adalah 97.00% sedangkan akurasi dengan menggunakan
ektraksi ciri ICZ+ZCZ adalah 98.17%. Akurasi indentifikasi per plat nomor
kendaraan menggunakan ekstraksi ciri ICZ+ZCZ tanpa toleransi kesalahan
adalah72.31% dan 89.23% untuk toleransi kesalahan sebanyak 1.
Kata kunci: ICZ, identifikasi plat nomor, K-NN, zone based feature extraction,
ZCZ

ABSTRACT
R. PUTRI AYU PRAMESTI. License Plate Identification Using ICZ and ZCZ
Feature Extraction and K-NN as the Classifier. Supervised by MUSHTHOFA.
License plate is a unique code consisting of letters and numbers arrangement.
Each vehicle has a license plate that serve as the identity code of the vehicle itself.
Since license plates are unique, it often used for recording, such as in the parking
area. The character identification characters on the license plates are made
automatically using the input in the form of license plate images to facilitate the
recording process. K-NN classification and feature extraction ICZ and ZCZ used
in the identification of character identification. ICZ and ZCZ feature extraction
obtain features by computing the character centroids and divide the image into n
equal zones then computing the average distance from the character centroid to

every pixel in the image. The character identification accuracy using 14 zones
and ICZ are 97.00% while using ICZ+ZCZ feature extraction are 98.17%. The
license plate identification accuracy using feature extraction plates ICZ+ZCZ are
72.31% for zero tolerance and 89.23% for one fault tolerance.
Keywords: ICZ, K-NN, license plate identification, Zone based feature extraction,
ZCZ

IDENTIFIKASI KARAKTER PLAT NOMOR KENDARAAN
MENGGUNAKAN EKSTRAKSI FITUR ICZ DAN ZCZ
DENGAN METODE KLASIFIKASI K-NN

RADEN PUTRI AYU PRAMESTI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Judul Skripsi : Identifikasi Karakter Pada Plat Nomor Kendaraan Menggunakan
Ekstraksi Fitur ICZ dan ZCZ dengan Metode Klasifikasi K-NN
Nama
: R. Putri Ayu Pramesti
NIM
: G64104011

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
atas segala limpahan rahmat dan karunia-Nya sehingga penulis dapat
menyelesaikan skripsi yang Identifikasi Karakter Pada Plat Nomor Kendaraan
Menggunakan Ekstraksi Fitur ICZ Dan ZCZ Dengan Metode Klasifikasi K-NN.
Shalawat dan salam senantiasa tercurah kepada Rasulullah shalallahu ‘alaihi
wasallam.
Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan
dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima
kasih kepada:
1 Orang tua tercinta Bapak Soegandhi Soeriawidjaya, MTA dan Ibu Evi Sopia,
kakak penulis R. Inten Prameswasri serta suami penulis Ade Budiman atas
segala do’a, dukungan, dan kasih sayang yang tiada henti.
2 Bapak Mushthofa SKom MSc selaku dosen pembimbing tugas akhir. Terima
kasih atas kesabaran dan dukungan dalam penyelesaian tugas akhir ini.
3 Aditya Riansyah Lesmana yang telah memberikan data yang dibutuhkan

penulis dalam penyusunan skripsi.
4 Teman-teman Ilkomerz Angkatan 5 atas kebersamaannya.
5 Sri Rahayu Natasia dan Silvia Rahmi yang selalu memberikan dukungan dan
semangat kepada penulis.
6 Rekan-rekan satu bimbingan, Rizkina, Intan, Rahmi dan Hafhara atas bantuan
dan kerjasamanya selama bimbingan.
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.
Semoga tugas akhir ini bermanfaat.

Bogor, Juni 2013
R. Putri Ayu Pramesti

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Pengolahan Citra Digital

2

Grayscale Image

3

Edge Detection

3

Image Segmentation

3

Canny Detection

3

Metode Ekstraksi Zoning

4

K-Nearest Neighbour

5

METODE

5

Pengumpulan Data

5

Praproses Citra

7

Deteksi Tepi

7

Segmentasi Citra

8

Ekstraksi Ciri

8

Klasifikasi Menggunakan K-NN

10

Evaluasi dan Hasil

11

Lingkungan Pengembangan Sistem

11

HASIL DAN PEMBAHASAN

11

Pengumpulan Data

11

Praproses Citra

12

Deteksi Tepi

12

Segmentasi Citra

13

Normalisasi Citra

14

Ekstraksi Ciri

14

Klasifikasi Citra

15

Pengujian Per Karakter

16

Pengujian Per Plat

19

SIMPULAN DAN SARAN

21

Simpulan

21

Saran

21

DAFTAR PUSTAKA

22

LAMPIRAN

24

RIWAYAT HIDUP

32

DAFTAR TABEL
1
2
3

Persentase akurasi pengujian karakter dengan zona berjumlah 5
Persentase akurasi pengujian dengan variasi zona
Perbandingan akurasi pengenalan karakter dengan klasifikasi K-NN
dan backpropagation (Lesmana 2012)
Akurasi identifikasi karakter dengan metode ICZ+ZCZ dan klasifikasi
K-NN
Contoh kesalahan deteksi plat nomor

4
5

16
16
17
17
20

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

Citra RGB (kiri) dan grayscale (kanan)
Skema metode penelitian
Contoh gambar hasil pengumpulan data
Gambar grayscale dari plat nomor (kiri) dan hasil deteksi tepi Canny
(kanan)
Hasil segmentasi citra plat nomor
Contoh pembagian zona citra
Ilustrasi koordinat centroid pada ekstraksi ciri ICZ (kiri) dan ZCZ
(kanan)
Perhitungan jarak dengan ICZ (kiri) dan ZCZ (kanan)
Data karakter
Hasil deteksi Canny
Hasil dilasi
Pelabelan karakter 0 (nol)
Hasil segmentasi citra
Hasil normalisasi citra
Ilustrasi pembagian zona
Karakter 8 yang gagal teridentifikasi
Karakter tetangga terdekat citra karakter 8
Kedekatan hasil ekstraksi ciri
Perbandingan akurasi deteksi per plat
Contoh plat yang gagal teridentifikasi

3
6
7
7
8
9
9
10
12
12
13
13
14
14
15
18
18
19
20
21

DAFTAR LAMPIRAN
1 Pola karakter ekstraksi ciri ICZ+ZCZ
2 Akurasi identifikasi karakter dengan menggunakan ekstraksi ciri
ICZ+ZCZ
3 Hasil deteksi karakter menggunakan ekstraksi ciri ICZ+ZCZ dengan
14 zona
4 Contoh karakter yang gagal teridentifikasi
5 Hasil deteksi plat nomor

23
26
24
28
29

PENDAHULUAN
Latar Belakang
Plat nomor merupakan kode unik yang terdiri atas susunan huruf dan
nomor. Setiap kendaraan memiliki satu plat nomor yang dijadikan sebagai kode
identitas dari kendaraan itu sendiri. Karena plat nomor dari setiap kendaraan
bersifat unik, plat nomor sering digunakan dalam setiap pencatatan identitas
kendaraan untuk berbagai macam keperluan seperti pencataan di tempat parkir.
Karena jumlah kendaraan di Indonesia semakin meningkat dibutuhkan suatu
aplikasi yang bisa mendeteksi dan mengenali plat nomor kendaraan secara
otomatis dan cepat sehingga dapat memudahkan dalam pencataan plat nomor
kendaraan yang masuk dan keluar dari area parkir. Aplikasi ini merupakan
pengenalan pola sinyal digital yang terdapat pada gambar plat nomor kendaraan.
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.
Sampai saat ini telah dilakukan banyak penelitian mengenai hal ini dan
masih terus dikembangkan untuk mencari metode terbaik dalam memecahkan
permasalahan. Salah satu penelitian mengenai pengenalan karakter pada plat
nomor kendaraan adalah penelitian Kocer dan Cevik (2011) yang melakukan
pengenalan plat nomor dengan ektraksi ciri berbasis vektor dan klasifikasi
jaringan saraf tiruan, akurasi yang didapat adalah 95.36%. Selain itu, Lesmana
(2012) juga melakukan pengenalan plat nomor dengan input gambar digital yang
diambil dari depan atau belakang kendaraan secara lurus. Gambar diekstraksi
menggunakan Image Centroid and Zone (ICZ), kemudian diolah dan diklasifikasi
menggunakan metode klasifikasi jaringan saraf tiruan backpropagation. Akurasi
yang didapat dari penelitian ini belum begitu baik, yaitu 55.50% untuk deteksi
terhadap 65 buah plat nomor dan 84.06% untuk pendeteksian masing-masing
karakter.
Oleh karena itu, penelitian ini dilakukan menggunakan metode klasifikasi
K-NN. Ekstraksi ciri yang digunakan adalah ICZ dan ICZ+ZCZ (Zone Centroid
Zone) seperti mengacu pada penelitian yang telah dilakukan oleh Mulia (2012)
yang melakukan pengenalan aksara Sunda menggunakan metode ekstraksi ciri
ICZ, ZCZ, dan gabungan keduanya. Penelitian sebelumnya juga telah melakukan
pengenalan tulisan tangan India dengan menggunakan zone based feature
extraction akurasi yang didapat yaitu 94.70 % (Rajashekararadhya dan Ranjan
2008). ICZ+ZCZ merupakan ektraksi ciri hasil penggabungan ekstraksi ciri ICZ
dan ZCZ. Perbedaan ICZ dan ZCZ terletak pada penentuan koordinat centroid.
Koordinat centroid pada algoritme ICZ dilakukan sebelum citra dibagi terhadap
beberapa zona, sedangkan pada ekstraksi ciri ZCZ dilakukan pembagian zona
terlebih dahulu sebelum menghitung koordinat centroid. Penggabungan hasil
ekstraksi ciri dua algoritme ini diharapkan bisa menambah ciri dari suatu citra.
Penelitian ini mencoba menggabungkan metode ekstraksi ciri ICZ dan ICZ+ZCZ

2

dengan metode klasifikasi K-NN untuk melihat keberhasilan dari kedua metode
tersebut dan mendapatkan jumlah zona yang terbaik dalam pengenalan plat
nomor.

Tujuan Penelitian
1
2
3

Tujuan dilakukannya penelitian ini adalah untuk:
Menentukan metode ekstraksi ciri yang paling efektif di antara ICZ dan
ICZ+ZCZ dalam pengenalan karakter plat nomor kendaraan.
Menentukan jumlah zona yang paling baik untuk pengenalan karakter pada
plat nomor kendaraan.
Mengetahui kinerja dari metode klasifikasi K-Nearest Neighbor (K-NN)
dalam melakukan pengenalan plat nomor kendaraan per karakter dan per
plat.

Manfaat Penelitian
Manfaat penelitian ini adalah untuk mempermudah dan mempercepat proses
pencatatan plat nomor kendaraan yang masuk ke suatu area parkir sehingga
antrian dan human error dalam pengetikan diharapkan akan berkurang.

Ruang Lingkup Penelitian
1
2
3
4
5

Ruang lingkup dari penelitian ini terbatas pada:
Plat nomor yang dikenali hanya plat nomor dengan format standar (bukan
format TNI/POLRI).
Data yang diolah berasal dari citra dengan format JPEG.
Karakter yang dikenali adalah huruf alphabet kapital (A sampai Z) dan
angka (0 sampai 9).
Pemotretan plat dilakukan tepat dari depan atau belakang kendaraan secara
lurus.
Hanya bagian plat nomor yang akan digunakan sebagai data yang diteliti.

TINJAUAN PUSTAKA
Pengolahan Citra Digital
Citra merupakan suatu fungsi kontinu dari intensitas cahaya dalam bidang
dua dimensi. Dengan proses sampling dan kuantisasi, fungsi kontinu dari citra
dirubah menjadi fungsi diskret. Aplikasi ini menerapkan beberapa proses
pengolahan citra.

3
Grayscale Image
Pada citra berwarna satu nilai pixel terdiri atas 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 piksel 0 dan terang dengan nilai piksel
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 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 piksel dan piksel
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 et al. 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 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

4

3
4

Non-maximum suppression: Menghilangkan nilai-nilai yang tidak
maksimum
Double thresholding: Dua buah threshold dipilih untuk menentukan jalur
tepi

Metode Ekstraksi Zoning
Sampai saat ini ada banyak metode ekstraksi ciri yang digunakan. Beberapa
metode ekstraksi ciri yang sering digunakan ialah template matching dan unitary
transform 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 algoritme untuk metode ekstraksi ciri zoning, di antaranya metode
ekstraksi ciri jarak metrik ICZ (image centroid and zone), metode ekstraksi ciri
jarak metrik ZCZ (zone centroid and zone), dan metode ekstraksi ciri gabungan
ICZ + ZCZ. Ketiga algoritma tersebut menggunakan citra digital sebagai input
dan menghasilkan fitur untuk klasifikasi dan pengenalan sebagai output-nya.
Berikut merupakan tahapan dalam proses ekstraksi ciri ICZ, ZCZ dan ICZ+ZCZ
(Rajashekararadhya dan Ranjan 2008) .
Algoritme 1: Image Centroid and Zone (ICZ) berdasarkan jarak metrik.
Tahapan
1
Hitung centroid dari citra masukan
2
Bagi citra masukan ke dalam n zona yang sama
3
Hitung jarak antara centroid citra dengan masing-masing piksel yang ada
dalam zona
4
Ulangi langkah ke 3 untuk setiap piksel 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
Algoritma 2: Zone Centroid Zone (ZCZ) berdasarkan jarak metrik.
1
Bagi citra masukan ke dalam sejumlah n bagian yang sama
2
Hitung centroid dari masing-masing zona
3
Hitung jarak antara centroid masing-masing zona dan piksel yang ada di
zona
4
Ulangi langkah ke 3 untuk seluruh piksel yang ada di zona
5
Hitung rata-rata jarak antara titik-titik tersebut
6
Ulangi langkah 3-7 untuk setiap zona secara berurutan
7
Hasilnya adalah n fitur yang akan digunakan dalam klasifikasi dan
pengenalan
Algoritme 3: ICZ+ZCZ berdasarkan jarak metrik.
1
Hitung centroid dari citra masukan
2
Bagi citra masukan ke dalam sejumlah n bagian yang sama
3
Hitung jarak antara centroid citra dengan setiap piksel yang ada dalam zona
4
Ulangi langkah 3 untuk semua piksel yang ada dalam zona
5
Hitung jarak rata-rata antara titik-titik tersebut

5
6
7
8
9
10
11

Hitung centroid tiap zona
Hitung jarak antara centroid zona dengan setiap piksel yang ada dalam zona
Ulangi langkah 7 untuk semua piksel yang ada dalam zona
Hitung jarak rata-rata antara titik-titik tersebut
Ulangi langkah 3-9 untuk semua zona secara berurutan
Hasilnya akan didapatkan 2n ciri untuk klasifikasi dan pengenalan

K-Nearest Neighbour
K-NN merupakan algoritme dalam klasifikasi yang mengklasifikasikan hasil
kueri instance yang baru berdasarkan mayoritas kategori pada k tetangga terdekat
(Manning et al. 2008). Secara umum ada beberapa tahap dalam proses klasifikasi
K-NN. Pertama nilai k yang merupakan jumlah tetangga terdekat yang akan
menentukan kueri baru masuk ke kelas mana ditentukan. Kemudian, k tetangga
terdekat dicari dengan cara menghitung jarak titik kueri dengan titik training.
Setelah mengetahui jarak masing-masing titik training dengan titik kueri,
kemudian lihat nilai yang paling kecil. Ambil k nilai terkecil selanjutnya lihat
kelasnya. Kelas yang paling banyak merupakan kelas dari kueri baru.
Dekat atau jauhnya jarak titik dengan tetangganya bisa dihitung dengan
menggunakan Euclidean distance. Euclidean distance direpresentasikan sebagai
berikut (Deza dan Deza 2009):
√∑

(1)

D(a,b) merupakan jarak antara vektor a yang merupakan titik yang telah
diketahui kelasnya dan b berupa titik baru dari matriks berukuran d dimensi. Jarak
antara vektor baru dengan titik-titik training dihitung dan diambil k buah vektor
terdekat. Titik baru diprediksi masuk ke kelas dengan klasifikasi terbanyak dari
titik-titik tersebut.

METODE
Untuk dapat melakukan penelitian yang baik, diperlukan sebuah metode
penelitian yang baik serta terencana. Skema penelitian yang akan dilakukan dapat
dilihat pada Gambar 2.

Pengumpulan Data
Citra yang digunakan merupakan hasil tangkapan kamera handphone
dengan resolusi sebesar 5 MP (Lesmana 2012), pengambilan citra dilakukan
dengan kondisi plat nomor berhadapan lurus dengan kamera sekitar 0˚. Citra yang
dikumpulkan harus memperhatikan jumlah kemunculan masing-masing karakter,
dimana sebaran frekuensinya merata untuk setiap karkter. Hal tersebut dilakukan
agar data latih yang dimiliki dapat lebih akurat untuk setiap karakter yang ada.
Contoh citra hasil pengumpulan data bisa dilihat pada Gambar 3.

6

Mulai

Pengumpulan
Data

Citra

Praprosesing

Pengujian Per
Karakter

Ekstraksi Ciri
ICZ

Pengujian Per
Plat

Ekstraksi Ciri
ICZ+ZCZ

Ekstraksi Ciri
ICZ+ZCZ

K-Fold Cross Validation
Data Uji

Data Latih

Data Latih

Data Uji

Klasifikasi K-NN

Klasifikasi K-NN

Evaluasi &
Hasil Akhir

Selesai

Gambar 2 Skema metode penelitian

7

Gambar 3 Contoh gambar hasil
data

pengumpulan

Praproses Citra
Praproses dilakukan agar citra plat nomor bisa diekstraksi. Gambar plat
nomor yang didapat dari hasil pengumpulan data merupakan gambar RGB.
Gambar tersebut kemudian dirubah mencadi citra grayscale agar proses
komputasi bisa lebih efisien. Proses perubahan citra RGB menjadi grayscale
dapat menggunakan rumus (Zailah 2012):
Piksel = 0.2989 * R + 0.5870 * G + 0.1140 * B
R, G, dan B merupakan intensitas dari masing-masing warna merah, hijau,
dan biru pada citra. Setelah dilakukan konversi citra RGB ke grayscale, citra
dibersihkan dari noise dengan menggunakan median filter.

Deteksi Tepi
Deteksi tepi dilakukan untuk mendapatkan tepi dari tiap karakter yang ada
pada citra. Deteksi tepi yang digunakan dalam penelitian ini adalah deteksi tepi
Canny. Contoh hasil dari proses deteksi tepi menggunakan Canny pada plat
nomor dapat dilihat pada Gambar 4.

Gambar 4 Gambar grayscale dari plat nomor (kiri) dan
hasil deteksi tepi Canny (kanan)
Agar hasil dari deteksi tepi bisa lebih baik dan tidak memunculkan tepi yang
tidak penting, pada saat proses deteksi digunakan satu parameter yang akan
menjadi batas atau threshold dalam pendeteksian.

8

Segmentasi Citra
Agar karakter pada citra plat nomor bisa dikenali satu per satu, segmentasi
harus dilakukan pada citra masukan. Selain itu, segmentasi dilakukan agar bisa
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
piksel-piksel 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 5.

Gambar 5 Hasil segmentasi citra plat nomor
Citra di atas memiliki ukuran yang sama karena dilakukan resize pada
masing-masing citra hasil proses segmentasi.

Ekstraksi Ciri
Pada tahapan ini akan dilakukan proses ektraksi untuk mendapatkan fitur
yang akan digunakan dalam klasifikasi dan pengenalan. Metode ektraksi ciri yang
digunakan dalam penelitian ini adalah variasi algoritme metode zoning, yaitu
Image Centroid and Zone (ICZ) dan gabungan dari ICZ dan Zone Centroid and
Zone (ZCZ).
Sebelum proses ekstraksi dilakukan, dimensi dari setiap karakter harus
berukuran sama. Koordinat centroid dari n buah titik (x1,y1) sampai (xn,yn)
dihitung dengan rumus sebagai berikut:

dimana,
Xc = Centroid koordinat x
Yc = Centroid koordinat y
xn = Koordinat x dari pixel ke-n
yn = Koordinat y dari pixel ke-n
pn = Nilai pixel ke-n

9
Citra plat nomor akan dibagi menjadi beberapa bagian sama besar. Pada
penelitian ini digunakan jumlah zona sebanyak 5, 10, 14, 15, 20, dan 25. Untuk
mencari jarak antara centroid dan koordinat piksel digunakan metode Euclidean.
Gambar 6 adalah contoh pembagian zona pada citra karakter huruf B.

Gambar 6 Contoh pembagian zona citra
Metode ekstraksi ciri ICZ dan ZCZ menggunakan rumus yang sama dalam
menghitung centroid. Perbedaan antara ICZ dan ZCZ terletak pada perbedaan alur
dari algoritme proses ekstraksi. Pada metode ICZ perhitungan nilai centroid dari
citra dilakukan sebelum citra dibagi ke dalam beberapa area yang sama besar
sehingga nilai centroid pada proses ekstraksi ICZ hanya ada satu, sedangkan pada
metode ektraksi ZCZ perhitungan centroid dilakukan setelah citra dibagi ke dalam
beberapa daerah yang sama besar. Perhitungan centroid pada metode ekstraksi
ZCZ akan menghasilkan sejumlah nilai centroid, banyak nilai centroid tergantung
pada jumlah daerah pembagian citra. Pada Gambar 7 dapat dilihat hasil pencarian
koordinat centroid pada algoritme ICZ dan ZCZ.

Gambar 7 Ilustrasi koordinat centroid pada ekstraksi
ciri ICZ (kiri) dan ZCZ (kanan)
Setelah mendapatkan koordinat centroid, tahapan selanjutnya pada ekstraksi
ciri ICZ ialah perhitungan jarak pada tiap piksel di suatu zona terhadap koordinat
centroid citra karakter, kemudian dihitung rata-rata jaraknya. Hal ini dilakukan
untuk keseluruhan zona yang ada pada citra. Nilai rata-rata inilah yang merupakan

10

ciri citra hasil ektraksi ICZ. Untuk ekstraksi ciri ZCZ, setiap piksel yang ada pada
suatu zona dihitung jaraknya dengan koordinat centroid di zonanya. Setelah itu
dihitung rata-rata jarak keseluruhan piksel di zona tersebut terhadap koordinat
centroid. Hal ini dilakukan untuk keseluruhan zona yang ada pada citra. Rata-rata
jarak untuk setiap zona inilah yang merupakan ciri hasil ekstraksi ZCZ.
Visualisasi perhitungan jarak pada ekstraksi ciri ICZ dan ZCZ bisa dilihat pada
Gambar 8.

Gambar 8 Perhitungan jarak dengan ICZ (kiri) dan
ZCZ (kanan)
Pada metode ekstraksi ICZ+ZCZ fitur yang dihasilkan sejumlah 2n. Hal ini
disebabkan oleh perhitungan centroid dan jarak antara tiap titik piksel dan
centroid dilakukan sebanyak dua kali, yaitu sebelum citra dibagi ke dalam
sejumlah daerah yang sama besar dan setelah citra dibagi ke dalam sejumlah
daerah yang sama besar.

Klasifikasi Menggunakan K-NN
K-NN merupakan metode klasifikasi citra dengan cara menghitung
kedekatan antara titik baru dengan titik training yang telah diketahui kelasnya.
Kelas yang ada dalam pengenalan plat nomor ini ada 36 kelas (26 huruf dan 10
angka). Secara umum ada dua tahapan dalam proses klasifikasi K-NN yaitu
menentukan tetangga terdekat dan menentukan kelas berdasarkan tetangga
terdekat. 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 terlalu kecil akan menyebabkan
ketidakstabilan hasil, sedangkan nilai k yang terlalu besar akan menyebabkan bias
(Kozma 2008). Nilai k pada penelitian ini adalah 1, 3, 5, dan 7.

11
Evaluasi dan Hasil
Tahap ini merupakan tahap terakhir untuk mengevaluasi kekurangan dan
kelebihan dari metode yang digunakan. Hal tersebut dilihat dari perbandingan
hasil klasifikasi citra dengan nomor polisi aslinya. Hasil yang tidak sesuai maupun
sesuai dicatat untuk menentukan seberapa besar akurasi dari metode ini. Untuk
menghitung akurasi dapat menggunakan rumus:
a u asi
b na

N

b na

: Jumlah citra yang berhasil terdekteksi
: Jumlah data yang diuji.

Lingkungan Pengembangan Sistem
Proses pengerjaan penelitian ini menggunakan perangkat keras dan
perangkat lunak dengan spesifikasi sebagai berikut:
Perangkat keras berupa notebook:

Processor Intel Pentium Core2Duo @1.99GHz,

RAM kapasitas 2 GB,

Harddisk kapasitas 250GB,

Monitor dengan resolusi 1280 × 800 piksel.
Perangkat lunak berupa:

Sistem operasi Microsoft Windows 7 Service Pack 1.

Aplikasi pemrograman Matlab R2008.

HASIL DAN PEMBAHASAN
Pengumpulan Data
Dalam penelitian ini, data yang diperlukan adalah citra dari plat nomor
kendaraan. Data yang digunakan merupakan data yang diambil dari proses
pemotretan sebanyak 100 plat mobil kendaraan.
Dari 100 buah plat nomor kendaraan, kemudian diambil potongan karakter
yang mewakili seluruh kelas yaitu huruf sebanyak 26 dan angka sebanyak 10, jadi
keseluruhan karakter ada 36. Untuk masing-masing karakter diambil sebanyak 50
citra, artinya kita akan mendapatkan citra karakter sebanyak 1800 buah. Citra
tersebut nantinya akan digunakan sebagai data uji dan data latih. Contoh data
karakter dapat dilihat pada Gambar 9.

12

Gambar 9 Data karakter

Praproses Citra
Tidak semua citra yang didapat dari hasil pengumpulan data berkualitas baik,
terkadang karena pencahayaan dan lain-lain kualitas citra menjadi kurang baik
dan terdapat noise. Hal ini sebaiknya tidak terjadi, karena dengan adanya noise
akurasi pendeteksian karakter akan berkurang. Oleh karena itu, sebelum dilakukan
ekstraksi ciri, terlebih dahulu dilakukan reduksi noise dengan menggunakan filter
median.
Langkah pertama yang dilakukan adalah mengubah citra RGB menjadi citra
grayscale untuk mempercepat komputasi. Kemudian dilakukan reduksi noise
dengan median filter. Filter median dipilih karena merupakan metode yang cocok
untuk menghilangkan noise berupa salt & paper. Median filter yang digunakan
dalam penelitian ini adalah matriks dua dimensi dengan batas matriks 3 × 3. Nilai
piksel akan diubah menjadi nilai tengah dari piksel tersebut dibandingkan dengan
delapan piksel tetangganya yang telah diurutkan.

Deteksi Tepi
Proses deteksi tepi dilakukan dengan menggunakan metode Canny. Nilai
threshold yang terlalu rendah akan menyebabkan garis yang bukan tepi dari objek
muncul, sedangkan nilai threshold yang terlalu tinggi akan menyebabkan sebagian
dari objek menghilang sehingga nilai 0.5 dipilih sebagai threshold untuk deteksi
tepi.
Pada tahap ini, citra yang dihasilkan berupa citra biner yang
merepresentasikan garis tepi untuk setiap objek. Garis tepi inilah yang
memisahkan objek yang diperlukan dengan objek lainnya. Contoh hasil deteksi
menggunakan metode Canny bisa dilihat pada Gambar 10.

Gambar 10 Hasil deteksi Canny
Untuk menyatukan garis-garis dari karakter yang mungkin terputus karena
proses deteksi yang kurang sempurna, maka hasil dari deteksi tepi akan dilakukan
proses dilasi. Proses ini akan mengubah gambar karakter menjadi lebih tebal.
Hasil dari dilasi terlihat pada Gambar 11.

13

Gambar 11 Hasil dilasi

Segmentasi Citra
Setelah melalui proses deteksi tepi menggunakan Canny’s dg d t ction,
kemudian citra disegmentasi untuk memisahkan objek-objek yang akan diamati.
Dalam penelitian ini, objek yang diamati adalah karakter huruf dan angka yang
terdapat pada plat nomor. Dalam hal ini perlu identifikasi mana simbol yang
merupakan huruf, angka, dan yang bukan merupakan keduanya.
Proses ini dilakukan dengan menggunakan metode 8-connected. Setiap
piksel yang terhubung akan diberi label yang sama dengan memperhatikan 8
piksel tetangganya. Proses ini dilakukan satu per satu untuk setiap piksel yang ada
pada citra hasil deteksi tepi sehingga akan terbentuk kelompok piksel dengan
masing-masing label yang berbeda.
Setelah terbentuk kelompok piksel berdasarkan label, panjang dan lebar
untuk masing-masing kelompok akan dihitung. Untuk mengetahui apakah
kelompok piksel tersebut adalah suatu karakter angka dan huruf atau bukan,
dilakukan seleksi kondisi berdasarkan panjang dan lebar dari kelompok piksel
tersebut dengan kondisi:
Jika (40 < panjang < 105) dan (20 < lebar < 100)
Maka kelompok piksel = karakter
Kelompok piksel yang memenuhi kondisi diatas akan diprediksi sebagai
suatu karakter. Permasalahan yang muncul dengan melakukan pelabelan
menggunakan 8-connected adalah pada saat pelabelan untuk karakter-karakter
tertentu yang memiliki lebih dari satu tepian yang tidak terputus. Contohnya
karakter 0 (nol), pada saat pelabelan karakter tersebut akan memliki dua
kelompok label yang berbeda, karena secara visual karakter 0 (nol) terdiri atas dua
buah elips yang terpisah. Bisa dilihat ilustrasinya pada Gambar 12.

Gambar 12 Pelabelan karakter 0 (nol)
Setiap karakter yang memiliki karakteristik seperti angka 0 (nol) akan
mengalami permasalahan yang sama. Untuk mengatasi hal tersebut, dilakukan
pemeriksaan posisi masing-masing label. Apabila suatu label ada dalam area label
yang lain, label tersebut akan dijadikan satu. Dengan begini, maka masing-masing
label akan mewakili karakter yang teridentifikasi pada citra plat kendaraan.
Contoh hasil segmentasi bias dilihat pada Gambar 13.

14

Gambar 13 Hasil segmentasi citra
Citra yang telah melalui proses segmentasi telah terpisah per karakter
dengan ukuran yang beragam sesuai dengan ukuran karakternya masing-masing.

Normalisasi Citra
Gambar citra yang dihasilkan pada proses segmentasi memiliki ukuran yang
berbeda-beda, oleh karena itu diperlukan proses normalisasi agar ekstraksi ciri
menjadi konsisten. Proses normalisasi ini dilakukan dengan cara menyamakan
ukuran citra tiap karakter menjadi 150 × 150 piksel. Setiap karakter akan diubah
menjadi ukuran tersebut secara paksa sehingga bentuk dari karakter menjadi tidak
proporsional, akan tetapi karena proses ini dilakukan pada setiap citra sehingga
tidak akan merusak informasi yang diperlukan. Gambar hasil normalisasi terlihat
pada Gambar 14.

Gambar 14 Hasil normalisasi citra

Ekstraksi Ciri
Metode yang digunakan untuk ektraksi ciri dalam penelitian ini ada dua,
yaitu ekstraksi ciri ICZ dan ICZ+ZCZ. Untuk ektraksi ciri dengan metode ICZ
tahapan yang pertama adalah dengan menghitung centroid dari citra karakter hasil
segmentasi. Kemudian citra karakter tersebut dibagi ke dalam n bagian yang sama.
Nilai n pada penelitian ini 5, 10, 14, 15, 20, dan 25. Nilai-nilai yang dipilih
tersebut merupakan bilangan kelipatan 5. Hal ini dilakukan untuk memudahkan
penelitian, sedangkan nilai 14 dipilih karena dalam penelitian Lesmana (2012), 14
merupakan jumlah zona yang menghasilkan akurasi paling baik. Gambar 15
merupakan ilustrasi pembagian zona pada citra. Citra masukkan kemudian dibagi
kedalam sejumlah zona yang sama. Akan diilustrasikan pembagian citra ke dalam
14 zona yang sama.
Setelah citra dibagi ke dalam n bagian yang sama, untuk setiap piksel
berwarna putih yang ada di masing-masing zona dihitung jaraknya terhadap
centroid dengan menggunakan jarak Euclid, kemudian dihitung rata-rata jarak tiap
piksel dengan koordinat centroid yang ada di zona tersebut. Hal ini dilakukan
terhadap keseluruhan zona pada citra karakter tersebut. Nilai rata-rata inilah
merupakan ciri dari karakter tersebut. Hasil dari perhitungan ini akan berjumlah n
ciri. Pembagian jumlah yang tepat akan sangat berpengaruh terhadap proses
identifikasi.

15

Gambar 15 Ilustrasi pembagian zona
Berbeda dengan metode ICZ, ekstraksi ciri dengan menggunakan metode
ICZ+ZCZ akan menghasilkan ciri berjumlah 2n. ICZ+ZCZ merupakan
penggabungan ciri yang dihasilkan oleh perhitungan ciri menggunakan metode
ICZ dan metode ZCZ. Untuk mendapatkan ciri dengan menggunakan metode
ZCZ yang pertama kali dilakukan adalah dengan membagi citra ke dalam n buah
zona, kemudian untuk masing-masing zona dihitung koordinat centroid-nya,
sehingga koordinat centroid pada algoritme ZCZ berjumlah sama dengan
pembagian zona.
Kemudian untuk masing-masing piksel yang ada di zona tersebut dihitung
jaraknya terhadap koordinat centroid. Setelah itu, dihitung rata-rata jarak untuk
setiap zona. Nilai inilah yang merupakan hasil ekstraksi ciri menggunakan metode
ZCZ. Kemudian hasil ekstraksi ciri ZCZ ini digabungkan dengan hasil
perhitungan dengan menggunakan metode ICZ. Hasilnya merupakan ekstraksi ciri
dengan metode ICZ+ZCZ. Pola karakter dengan menggunakan ekstraksi ciri
ICZ+ZCZ dapat dilihat pada Lampiran 1.

Klasifikasi Citra
Pada proses ini terlebih dahulu dilakukan pembagian data latih dan data uji
terhadap seluruh citra karakter yang berjumlah 1800 citra. Masing-masing
karakter yang berjumlah 36 diwakili oleh 50 citra. Data latih diambil 40 citra
untuk masing-masing karakter, dan sisanya 10 citra masing-masing karakter
merupakan data uji.
Pembagian data uji dan data latih ini menggunakan K-Fold Cross Validation
dengan k bernilai 5. Hasilnya berupa 5 variasi data latih dan data uji. Untuk setiap
data latih akan terbentuk matriks berukuran n × 1440. Nilai n merupakan jumlah
zona yang ditentukan dalam ekstraksi ciri, sedangkan data latih akan terbentuk
matriks berukuran n × 360. Jumlah kelas dalam klasifikasi citra ini berjumlah 36
sesuai dengan karakter yang ada.
Matriks yang terbentuk tersebut merupakan matriks ciri masing-masing
karakter yang disatukan secara berurutan sehingga memudahkan dalam penentuan
grup. Grup merupakan label kelas untuk masing-masing baris matriks dari data
latih. Label ini dibutuhkan dalam proses klasifikasi dengan menggunakan K-NN.
Grup yang terbentuk berupa matriks dengan ukuran 1 × 1440.

16

Pengujian Per Karakter
Pengujian karakter dilakukan dengan K-NN. Untuk pengujian pertama, akan
dilakukan dengan menggunakan input hasil ekstraksi ciri dengan zona berjumlah
5. Pengujian ini dilakukan dengan menggunakan nilai k atau tetangga terdekat
berjumlah 1, 3, 5, dan 7. Pengujian menggunakan 5 variasi data uji dan data latih
yang telah dihasilkan pada proses K-Fold Cross Validation. Pengujian ini
menghasilkan nilai akurasinya berbeda-beda. Berikut tabel akurasi yang didapat
pada pengujian karakter hasil ekstraksi ciri dengan zona berjumlah 5.
Dari Tabel 1 terlihat bahwa hasil pengujian karakter dengan 1 tetangga
terdekat menghasilkan rata-rata akurasi paling tinggi yaitu 84.56%. Maka, untuk
percobaan selanjutnya hanya akan dilakukan dengan nilai k berjumlah 1.
Tabel 1 Persentase akurasi pengujian karakter dengan zona berjumlah 5
Fold
1
2
3
4
5
Rata-rata

Jumlah tetangga terdekat
1

3

5

7

89.44%
87.78%
85.56%
78.33%
81.67%
84.56%

87.78%
85.56%
83.33%
77.78%
78.33%
82.56%

85.83%
81.67%
80.28%
75.28%
74.72%
79.56%

85.28%
77.78%
77.50%
73.89%
72.50%
77.39%

Selanjutnya dilakukan percobaan yang sama dengan zona yang berbeda yaitu 10,
14, 15, 20, dan 25. Akurasi identifikasi karakter dengan menggunakan ekstraksi
ciri ICZ pada masing-masing pembagian zona dapat dilihat pada Lampiran 2.
Rata-rata akurasi dari percobaan dengan variasi zona tersebut terlihat pada Tabel 2.
Tabel 2 Persentase akurasi pengujian dengan variasi zona
Zona
5
10
14
15
20
25

Rata-rata akurasi
84.56%
95.17%
97.00%
94.33%
93.06%
93.24%

17
Dari hasil percobaan tersebut terlihat bahwa akurasi dengan jumlah zona
berjumlah 14 menghasilkan nilai tertinggi yaitu 97.00%. Kemudian pada Tabel 3
akan terlihat perbandingan akurasi untuk zona 14 dengan hasil penelitian Lesmana
(2012) yang menggunakan klasifikasi backpropagation dalam pengenalan
karakter plat nomor.
Tabel 3 Perbandingan akurasi pengenalan karakter dengan klasifikasi K-NN
dan backpropagation (Lesmana 2012)
Fold

1
2
3
4
5
Rata-rata
1)

Metode klasifikasi
K-NN

Backpropagation1)

96.39%
97.78%
97.78%
96.67%
96.39%
97.00%

82.77%
91.67%
85.55%
78.88%
87.77%
85.32%

Sumber: Lesmana(2012)

Perbandingan pengenalan karakter plat nomor menggunakan zona yang
sama, namun klasifikasi yang berbeda menunjukkan bahwa klasifikasi K-NN
lebih baik dibandingkan dengan klasifikasi backpropagation (Lesmana 2012)
dalam pengenalan karakter plat nomor kendaraan, rata-rata akurasi yang
didapatkan dengan menggunakan klasifikasi K-NN adalah 97.00% sedangkan
rata-rata akurasi dengan menggunakan klasifikasi backpropagation (Lesmana
2012) adalah 85.32%. Untuk meningkatkan akurasi, selanjutnya akan dilakukan
pengujian dengan menggunakan metode ekstraksi yang berbeda yaitu metode
ekstraksi ICZ+ZCZ. Akurasi untuk identifikasi karakter dengan menggunakan
metode ICZ+ZCZ dengan menggunakan zona 14 dan 1 tetangga terdekat bisa
dilihat pada Tabel 4.
Tabel 4 Akurasi identifikasi karakter dengan metode ICZ+ZCZ dan klasifikasi
K-NN
Fold
1
2
3
4
5
Rata-rata

Akurasi
98.06%
98.61%
98.33%
98.33%
97.50%
98.17%

Hasil yang didapatkan pada pengujian karakter dengan menggunakan
metode ICZ+ZCZ lebih baik dibandingkan dengan ICZ. Metode ICZ mencapai

18

rata-rata akurasi 97.00% sedangkan metode ICZ+ZCZ mencapai rata-rata akurasi
98.17%. Hasil deteksi untuk masing-masing karakter bisa dilihat pada Lampiran 3.
Pada pengujian per karakter beberapa karakter gagal teridentifikasi dengan
benar. Kesalahan identifikasi ini sebagian besar terjadi karena ciri khas dari
karakter yang mirip dengan karakter lain dan hasil deteksi tepi yang kurang baik.
Proses resize sendiri tidak berpengaruh signifikan terhadap pendeteksian, karena
masing-masing karakter hasil resize tidak mengalami perubahan ciri khas dari
suatu karakter. Contohnya untuk identifikasi karakter 8, salah satunya
teridentifikasi sebagai karakter O. Pada Gambar 16 terlihat karakter 8 yang
teridentifikasi sebagai karakter O.

Gambar 16 Karakter 8 yang gagal teridentifikasi
Untuk identifikasi karakter digunakan nilai 1 sebagai jumlah tetangga
terdekat sehingga karakter atau citra yang merupakan tetangga paling dekat dan
dianggap sebagai kelas dari citra angka 1 ini dapat dilihat. Pada Gambar 17
ditunjukkan citra karakter O yang merupakan citra yang memiliki jarak terdekat
dengan citra karakter 8 yang gagal teridentifikasi tersebut.

Gambar 17 Karakter tetangga terdekat citra karakter 8
Apabila dilihat kedua citra tersebut memang jauh berbeda. Akan tetapi,
klasifikasi K-NN telah menunjukkan bahwa citra pada Gambar 17 adalah citra
yang ekstraksi cirinya paling mendekati citra pada Gambar 16. Kemudian, dilihat
pula tetangga terdekat kedua dari karakter 8 yang salah teridentifikasi, ternyata
tetangga terdekat keduanya adalah karakter 8. Agar dapat diketahui kedekatan
hasil ekstraksi ciri karakter 8 yang gagal teridentifikasi dengan kedua tetangga
terdekatnya, maka harus dilihat pola ekstraksi ciri dari ketiga citra tersebut. Pola
ekstraksi ciri dari kedua citra tersebut bisa dilihat pada Gambar 18.

19
250

Nilai Piksel

200
150
8
100

O
N

50
0
1

3

5

7

9

11 13 15 17 19 21 23 25 27
Urutan piksel

Gambar 18 Kedekatan hasil ekstraksi ciri
Terlihat dari Gambar 18 bahwa grafik N yang merupakan hasil ektraksi ciri
karakter 8 yang diamati lebih dekat jaraknya dengan karakter O dibandingkan
dengan karakter 8 yang merupakan kelas yang sebenarnya.

Pengujian Per Plat
Berbeda dengan pengujian per karakter, pengujian per plat tidak
menggunakan data hasil K-Fold tapi menggunakan keseluruhan hasil dari
ekstraksi ciri dengan menggunakan zona berjumlah 14. Pengujian dilakukan pada
citra plat nomor kendaraan secara utuh. Plat yang digunakan dalam proses
pengujian ini menggunakan 65 citra plat kendaraan.
Hasil akurasi yang akan didapat tentu saja akan lebih kecil dibandingkan
dengan pengujian karakter. Karena pada kenyataannya apabila dalam pengujian
terdapat satu saja karakter yang salah teridentifikasi, maka hasil identifikasi
karakter akan dianggap salah secara keseluruhan. Diagram perbandingan akurasi
identifikasi per plat hasil ekstraksi ICZ menggunakan K-NN dibandingkan dengan
akurasi pengenalan plat nomor dengan ektraksi ciri ICZ+ZCZ dan klasifikasi KNN dapat dilihat pada Gambar 19.
Sama seperti pengujian per karakter, hasil yang didapatkan pada pengujian
per plat menunjukkan bahwa identifikasi karakter plat nomor kendaraan mencapai
akurasi yang lebih tinggi dengan menggunakan ekstraksi ciri ICZ+ZCZ
dibandingkan dengan hasil ekstraksi ciri ICZ saja. Setelah dilakukan pengujian
terhadap 65 citra tersebut ternyata terdapat 18 pengujian dengan hasil identifikasi
yang salah untuk ekstraksi ciri ICZ+ZCZ, hasilnya dapat dilihat pada Lampiran 4.
Akurasi yang didapat dalam pengujian plat nomor menggunakan ekstraksi ciri
ICZ+ZCZ adalah 72.31%. Pengujian yang dilakukan dengan menggunakan hasil
ekstraksi ciri ICZ mendapatkan akurasi sebesar 52.31%.

20

100%

89.23%

90%
80%

83.08%
72.31%

Akurasi

70%
60%

52.31%

50%

ICZ+ZCZ

40%

ICZ

30%
20%
10%
0%
0 Kesalahan

< 2 Kesalahan
Kesalahan

Gambar 19 Perbandingan akurasi deteksi per plat
Pada proses pengujian plat terdapat kesalahan identifikasi yang hanya
disebabkan oleh satu karakter. Padahal pada kenyataannya terkadang untuk
kepentingan tertentu kesalahan satu buah karakter bisa ditoleransi, seperti halnya
untuk kepentingan kepolisian. Oleh karena itu, diperhitungkan pula akurasi
pengujian plat yang kesalahannya kurang dari atau sama dengan satu. Untuk
pengujian plat hasil ekstraksi ciri ICZ+ZCZ yang kesalahannya kurang dari atau
sama dengan satu akurasinya mencapai 89.23%. Dengan kata lain, pada pengujian
65 buah plat hanya terdapat 7 kesalahan identifikasi. Sedangkan pengujian dengan
menggunakan hasil ekstraksi ciri ICZ dengan tolerasi sebanyak 1, mencapai
akurasi tertinggi sebanyak 83.08%.
Kesalahan pada identifikasi plat nomor bukan saja karena klasifikasi yang
tidak akurat akan tetapi juga karena gagal pada saat proses segmentasi, sehingga
beberapa simbol yang seharusnya dikenali sebagai karakter tidak masuk ke dalam
proses klasifikasi. Kesalahan identifikasi plat nomor pada pengujian ini dapat
dilihat pada Tabel 5.
Tabel 5 Contoh kesalahan deteksi plat nomor
Plat

Hasil deteksi

F1034HB
B1003WFB
B8375NW
F1745GP
F8766AJ

F1034H8
Q1DD9
3375NW
F3697AU
7WJ

Pada pengujian plat nomor F8766AJ terlihat kesalahan dengan jelas. Pada
plat nomor tersebut seharusnya teridentifikasi jumlah karakter sebanyak 7, namun
pada proses segmentasi hanya dikenali 3 karakter. Hal ini terjadi karena kualitas

21
pencahayaan yang buruk dan kondisi platnya sendiri yang kurang baik. Telihat
pada Gambar 20 Contoh dari plat nomor kendaraan yang gagal teridentifikasi.

Gambar 20 Contoh plat yang gagal
teridentifikasi

SIMPULAN DAN SARAN
Simpulan
Dari penelitian yang telah dilakukan untuk mendeteksi karakter pada plat
nomor kendaraan menggunakan ekstraksi ciri ICZ dan ICZ+ZCZ dengan metode
klasifikasi K-NN dapat disimpulkan sebagai berikut:
1
Pada penelitian pendeteksian plat nomor kendaraan ini telah berhasil
menggunakan metode K-NN sebagai metode klasifikasi
2

Dari beberapa zona yang diuji coba, yaitu 5, 10, 14, 15, 20, dan 25. Akurasi
tertinggi untuk pengenalan karakter dengan ektraksi ciri ICZ adalah
pembagian zona sebanyak 14 yaitu 97.00%, sedangkan akurasi terendah
dihasilkan dengan pembagian zona sebanyak 5 yaitu 84.56%

3

Pengenalan karakter dengan pembagian zona sebanyak 14 yang
menggunakan ekstraksi ciri ICZ+ZCZ dan metode klasifikasi K-NN
mencapai rata-rata akurasi 98.17%

4

Akurasi dalam pengenalan 65 buah plat nomor kendaraan menggunakan
ekstraksi ciri ICZ dan klasifikasi K-NN mencapai 52.31% sedangkan
dengan menggunakan ekstraksi ciri ICZ+ZCZ dan klasifikasi K-NN
mencapai 72.31%

5

Akurasi untuk pengenalan plat nomor kendaraan menggunakan ekstraksi ciri
ICZ dan metode klasifikasi K-NN dengan toleransi kesalahan sebanyak 1
adalah 83.08% sedangkan dengan menggunakan ekstraksi ciri ICZ+ZCZ
dan klasifikasi K-NN adalah 89.23%

6

Ekstraksi ciri ICZ+ZCZ menghasilkan akurasi yang lebih tinggi dalam
pengenalan per karakter dan per plat dibandingkan dengan ekstraksi ciri ICZ

7

Metode klasifikasi K-NN menghasilkan akurasi yang lebih tinggi
dibandingkan dengan backpropagation (Lesmana 20120) dalam pengenalan
per karakter dengan kondisi pengambilan citra lurus terhadap kamera

Saran
Untuk terus mengembangkan penelitian ini perlu dilakukan saran sebagai
berikut:

22

1
2
3

Dapat dilakukan pendeteksian plat menggunakan metode ekstrasi fitur dan
klasifikasi lainnya untuk meningkatkan akurasi
Menambahkan foto-foto plat nomor kendaraan lain dengan variasi posisi
pengambilan data citra yang lebih banyak untuk proses pengujian
Dapat dikembangkan dengan aplikasi pendeteksi plat nomor untuk
membangun suatu sistem pencatatan plat nomor dengan berbagai kebutuhan
yang terintegrasi oleh metode pendeteksian karakter pada plat nomor

DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New
Jersey (USA): John Wiley and Sons Inc.
Baxes AG. 1984. Digital Image Processing. New Jersey (USA): Prentice Hall.
Deng Y, Manjunath BS, Shin H. 1999. Color image segmentation. IEEE
Computer Society Conference On. 2:446-451.
Deza MM, Deza L. 2009. Encyclopedia of Distances. New York City (US):
Springer.
Kocer HE, Cevik. 2011. Artificial neural network based vehicle license plate
recognition. Science Direct Procedia Computer Science. 3:1033-1037.
Lesmana AR. 2012. Identifikasi karakter pada plat nomor kendaraan
menggunakan zone based feature extraction dengan metode klasifikasi
backpropagation [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Manning CD, Raghavan P, Schutze H. 2009. An Introduction to Information
Retrieval. Cambridge (GB): Cambridge University.
Mulia I. 2012. Pengenalan aksara Sunda berbasis citra menggunakan metode
support vector machine [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Rajashekararadhya SV, Ranjan PV. 2008. Efficient zone based feature extraction
algorithm for handwritten numeral recognition of four popular south indian
scripts. Journal of Theoretical and Applied Information Technology.
4(12):1171-1181.
Shapiro L, Stockman G. 2001. Computer Vision. New Jersey (US): Prentice Hall.
Zailah W, Hannan MA, Mamun AA. 2012. Image acquisition for solid waste bin
level classification and grading. Journal of Applied Sciences Research. 8(6):
3092-3096.

23
Lampiran 1 Pola karakter ekstraksi ciri ICZ+ZCZ

Pola karakter 0

Pola karakter 1

Pola karakter 2

Pola karakter 3

Pola karakter 4

Pola karakter 5

Pola karakter 6

Pola karakter 7

Pola karakter 8

Pola karakter 9

Pola karakter A

Pola karakter B

Pola karakter C

Pola karakter D

Pola karakter E

24

Lampiran 1 Lanjutan

Pola karakter F

Pola karakter G

Pola karakter H

Pola karakter I

Pola karakter J

Pola karakter K

Pola karakter L

Pola karakter M

Pola karakter N

Pola karakter O

Pola karakter P

Pola karakter Q

Pola karakter R

Pola karakter S

Pola karakter T

25

Lampiran 1 Lanjutan

Pola karakter U

Pola karakter V

Pola karakter W

Pola karakter X

Pola karakter Y

Pola karakter Z

26

Lampiran 2 Akurasi identifikasi karakter dengan menggunakan ekstraksi ciri
ICZ+ZCZ
Zona =5

Zona=10
k=1

k=3

k=5

k=7

Rata-Rata

k=1

Fold 1

89.44%

87.78%

85.83%

85.28%

86,30%

Fold 1

96.11%

Fold 2

87.78%

85.56%

81.67%

77.78%

81,67%

Fold 2

96.67%

Fold 3

85.56%

83.33%

80.28%

77.50%

80,37%

Fold 3

95.56%

73.89%

75,65%

Fold 4

94.17%

Fold 4

78.33%

77.78%

75.28%

Fold 5

81.67%

78.33%

74.72%

72.50%

75,18%

Fold 5

93.33%

Rata-Rata

84.56%

82.56%

79.56%

77.39%

79,83%

Rata-Rata

95.17%

Zona=20

Zona=15

Zona=14

k=1

k=1

k=1
Fold 1

95.83%

Fold 1

96.67%

Fold 2

95.83%

Fold 2

95.00%

97.78%

Fold 3

94.72%

Fold 3

95.56%

Fold 4

96.67%

Fold 4

91.67%

Fold 4

92.22%

Fold 5

96.39%

Fold 5

93.61%

Fold 5

94.44%

97.00%

Rata-Rata

94.33%

Rata-Rata

94.78%

Fold 1

96.39%

Fol