Identifikasi Plat Nomor Kendaraan Dengan Zone Based Feature Extraction Menggunakan Metode Klasifikasi Bacpropagation

IDENTIFIKASI PLAT NOMOR KENDARAAN DENGAN
ZONE BASED FEATURE EXTRACTION MENGGUNAKAN
METODE KLASIFIKASI BACKPROPAGATION

ADITYA RIANSYAH LESMANA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR

2012

IDENTIFIKASI PLAT NOMOR KENDARAAN DENGAN
ZONE BASED FEATURE EXTRACTION MENGGUNAKAN
METODE KLASIFIKASI BACKPROPAGATION

ADITYA RIANSYAH LESMANA

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
2012

i

ABSTRACT
ADITYA RIANSYAH LESMANA. License plate identification using zone based feature
extraction and artificial neural network backpropagation as the classifier method supervised by
MUSHTHOFA Skom Msc.
Automatic license plate identification is one of the important features required for vehicle data
recording system to be use in applications such as parking system, automatic highway gate system,
etc. Several research has been conducted to devise a reliable method to identify vehicle license
plate. In this research, we aim to implement an automatic license plate identification system using
the zone based feature extraction method and artificial neural network for classification. The data

is obtained from 100 units of vehicle using a 5 MP mobile phone camera. The preprocessing step
consists of converting the images to grayscale, followed by noise reduction using median filter,
edge detection using Canny with a threshold of 0,2 and 0,5. Afterwards, we perform segmentation
using 8-connected labelling component to obtain the characters. The zone based feature extraction
used is image centroid and zone using the most efficient zone. The fastest and the highest accuracy
will be choosen as the most efficient zone. In this research 14 zone extraction have an efficient
result. We used the backpropagation neural network with 25 input neurons, 30 hidden neurons,
and 36 output neurons representing each characthers (alphabet and numerals). The best result for
indvidual character recognation is 85,32% while the best recognition rate for the whole plate is
40,61%.
Keywords: Optical character recognition, license plate recognition, segmentation, image centroid
and zone, artificial neural network, backpropagation .

i

Judul Skripsi
Nama
NRP

: Identifikasi Plat Nomor Kendaraan Dengan Zone Based Feature Extraction

Menggunakan Metode Klasifikasi Bacpropagation
: Aditya Riansyah Lesmana
: G64096002

Disetujui
Pembimbing

Mushthofa SKom MSc
NIP 19820325 200912 1 003

Diketahui
Ketua Departemen Ilmu Komputer

Dr Ir Agus Buono MSi MKom
NIP 19660702 199302 1 001

Tanggal Lulus:

ii

PRAKATA
Bismillahirrahmaanirrahiim.
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 Plat
Nomor Kendaraan Dengan Zone Based Feature Extraction Menggunakan Metode Klasifikasi
Bacpropagation.
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 Heriansyah dan Ibu Anita Sari Lesmana atas segala do’a, dukungan,
dan kasih sayang yang tiada henti. Juga kepada Natasya Baharta, adik penulis yang selalu
mendukung dan memotivasi penulis.
2 Bapak Mushthofa SKom MSc selaku dosen pembimbing tugas akhir. Terima kasih atas
kesabaran dan dukungan dalam penyelesaian tugas akhir ini.
3 Ibu Yeni Herdiyeni Ssi Mkom Ibu dan Bapak Dr Eng Wisnu Ananta Kusuma ST MT selaku
dosen penguji, serta seluruh dosen dan staf Departemen Ilmu Komputer FMIPA IPB.
4 Rekan-rekan satu bimbingan, Anis, Mono, dan Nina yang banyak bertukar pikiran dan ide
dalam pengerjaan tugas akhir ini.
5 Rekan-rekan penghuni WH Arief, Desta, Pauji, dan lain-lain yang banyak menyumbangkan
ilmu dan ide dalam pengerjaan tugas akhir ini.
6 Sahabat-sahabatku Abe, Novi, Alka, Lutfi, Andy, dan seluruh teman-teman Alih Jenis Ilmu

Komputer Angkatan 4. Terima kasih atas semangat dan kebersamaan selama penyelesaian
tugas akhir ini.
7 Pramesti Anggi Anjelia atas semua semangat yang telah diberikan hingga penulis dapat
menyelesaikan tugas akhir ini dengan baik.
8 Seluruh pihak yang turut membantu baik secara langsung maupun tidak langsung dalam
pelaksanaan tugas akhir.
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, September 2012

Aditya Riansyah Lesmana

iii

RIWAYAT HIDUP
Penulis bernama lengkap Aditya Riansyah Lesmana, lahir di Bogor, Jawa Barat pada tanggal
14 Oktober 1988. Penulis merupakan sulung dari dua bersaudara dari pasangan Bapak Heriansyah

dan Ibu Anita Sari Lesmana.
Penulis lulus dari SMA Negeri 6 Bogor pada tahun 2006. Kemudian penulis melanjutkan
pendidikannya di Program Studi D3 Manajemen Informatika, Institut Pertanian Bogor melalui
jalur tes masuk regular dan lulus pada tahun 2009. Pada tahun yang sama, penulis kembali
melanjutkan pendidikan di Program Sarjana Alih Jenis Ilmu Komputer Insititut Pertanian Bogor,
Fakultas Matematika dan Ilmu Pengetahuan Alam.

DAFTAR ISI
Halaman
DAFTAR TABEL ...............................................................................................................................vi
DAFTAR GAMBAR ..........................................................................................................................vi
DAFTAR LAMPIRAN .......................................................................................................................vi
PENDAHULUAN ................................................................................................................................ 1 
Latar Belakang ................................................................................................................................. 1 
Tujuan ............................................................................................................................................... 1 
Ruang Lingkup ................................................................................................................................. 1 
Manfaat ............................................................................................................................................. 1
TINJAUAN PUSTAKA....................................................................................................................... 2 
Edge Detection ................................................................................................................................. 2 
Canny’s Edge Detection................................................................................................................... 2 

Image Segmentation ......................................................................................................................... 2 
Zone Based Feature Extraction ....................................................................................................... 2 
K-Fold Cross Validation .................................................................................................................. 2 
Jaringan Saraf Tiruan ....................................................................................................................... 2 
Backpropagation .......................................................................... Error! Bookmark not defined.
METODE PENELITIAN ..................................................................................................................... 4 
Pengumpulan Data ........................................................................................................................... 4 
Restorasi dan Perbaikan Citra .......................................................................................................... 4 
Deteksi Tepi ..................................................................................................................................... 4 
Ekstraksi Ciri .................................................................................................................................... 5 
Image Centroid and Zone (ICZ) ...................................................................................................... 5 
K-Fold Cross Validation .................................................................................................................. 5 
Klasifikasi Citra................................................................................................................................ 5 
Evaluasi dan Analisis Hasil.............................................................................................................. 6 
Lingkungan Pengembangan Sistem ................................................................................................. 6
HASIL DAN PEMBAHASAN............................................................................................................ 6 
Pengumpulan Data ........................................................................................................................... 6 
Pra-proses Citra ................................................................................................................................ 6 
Deteksi Tepi ..................................................................................................................................... 7 
Segmentasi Citra .............................................................................................................................. 7 

Normalisasi Citra.............................................................................................................................. 7 
Ekstraksi Ciri .................................................................................................................................... 8 
Klasifikasi Citra................................................................................................................................ 9 
Pengujian Karakter ......................................................................................................................... 10 
Pengujian Plat ................................................................................................................................. 13
KESIMPULAN DAN SARAN..........................................................................................................13 
Kesimpulan ..................................................................................................................................... 13 
Saran ............................................................................................................................................... 14
DAFTAR PUSTAKA ........................................................................................................................ 14
LAMPIRAN ....................................................................................................................................... 14

v

DAFTAR TABEL

1
2
3
4
5

6
7
8
9
10
11

Halaman
Pembagian subset ........................................................................................................................... 5
Waktu pemrosesan ekstraksi fitur menggunakan ICZ. .................................................................. 9
Waktu pemrosesan ICZ menggunakan 4 - 14 zona. ...................................................................... 9
Waktu pemrosesan ICZ menggunakan 16 - 25 zona. .................................................................... 9
Hasil pengujian karakter. .............................................................................................................. 10
Hasil deteksi karakter dengan akurasi rendah..............................................................................11
Hasil ICZ untuk karakter R dan A ............................................................................................... 11
Hasil ICZ untuk karakter S dan X. ............................................................................................... 12
Hasil ICZ untuk karakter U dan 5. ............................................................................................... 12
Hasil pengujian 65 plat. ................................................................................................................ 13
Hasil pengujian plat dengan toleransi kesalahan. ........................................................................ 13

DAFTAR GAMBAR

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

19
20
21
22

Halaman
Arsitektur backpropagation .......................................................................................................... 3
Skema metode penelitian................................................................................................................ 4
Contoh hasil deteksi tepi Canny. .................................................................................................... 4
Contoh hasil Segmentasi ................................................................................................................ 5
Data sampel. ................................................................................................................................... 6
Hasil deteksi tepi Canny ................................................................................................................. 7
Labeling pada angka nol................................................................................................................. 7
Proses segmentasi ........................................................................................................................... 7
Normalisasi karakter....................................................................................................................... 8
Titik beban pada huruf F. ............................................................................................................... 8
Pembagian zona ekstraksi fitur. ..................................................................................................... 8
Pola angka 0 (nol) dengan 4 zona (atas), 14 zona (tengan) dan 25 zona (bawah). ....................... 8
Hasil praproses yang baik............................................................................................................... 9
Hasil praproses yang kurang baik. ................................................................................................. 9
Pembagian 14 zona pada huruf D. ............................................................................................... 10
Pembagian 4 zona pada huruf D. ................................................................................................. 10
Pembagian 25 zona pada huruf D. ............................................................................................... 11
Pola hasil ekstraksi karakter D (kiri atas), K(kanan atas), L (kiri bawah), dan
M (kanan bawah).
11
Pola karakter R dan A. ................................................................................................................. 11
Pola karakter S dan X. .................................................................................................................. 12
Pola karakter U dan 5. .................................................................................................................. 12
Pola ekstraksi 50 karakter R (atas) dan P (bawah). ..................................................................... 12

DAFTAR LAMPIRAN

1
2
3
4
5
6
7
8

Halaman
Pola ekstraksi fitur semua karakter. ............................................................................................. 15
Hasil pelatihan backpropagation . ............................................................................................... 17
Hasil deteksi karakter menggunakan 4 zona................................................................................ 18
Hasil deteksi karakter menggunakan 6 zona................................................................................ 19
Hasil deteksi karakter menggunakan 8 zona................................................................................ 20
Hasil deteksi karakter menggunakan 10 zona.............................................................................. 21
Hasil deteksi karakter menggunakan 12 zona.............................................................................. 22
Hasil deteksi karakter menggunakan 14 zona.............................................................................. 23

vi

9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Hasil deteksi karakter menggunakan 16 zona.............................................................................. 24
Hasil deteksi karakter menggunakan 18 zona.............................................................................. 25
Hasil deteksi karakter menggunakan 20 zona.............................................................................. 26
Hasil deteksi karakter menggunakan 22 zona.............................................................................. 27
Hasil deteksi karakter menggunakan 25 zona.............................................................................. 28
Hasil deteksi plat menggunakan 4 zona. ...................................................................................... 29
Hasil deteksi plat menggunakan 6 zona. ...................................................................................... 30
Hasil deteksi plat menggunakan 8 zona. ...................................................................................... 31
Hasil deteksi plat menggunakan 10 zona. .................................................................................... 32
Hasil deteksi plat menggunakan 12 zona. .................................................................................... 33
Hasil deteksi plat menggunakan 14 zona. .................................................................................... 34
Hasil deteksi plat menggunakan 16 zona. .................................................................................... 35
Hasil deteksi plat menggunakan 18 zona. .................................................................................... 36
Hasil deteksi plat menggunakan 20 zona. .................................................................................... 37
Hasil deteksi plat menggunakan 22 zona. .................................................................................... 38
Hasil deteksi plat menggunakan 25 zona. .................................................................................... 39

vii

1

PENDAHULUAN
Latar Belakang
Nomor polisi merupakan identitas unik
yang tertera pada plat kendaraan bermotor.
Nomor tersebut direpresentasikan dengan
kumpulan huruf dan angka yang mewakili
data kendaraan itu sendiri dan juga
pemiliknya. Plat tersebut dapat digunakan
untuk berbagai kebutuhan pencatatan data
kendaraan, misalnya dalam suatu sistem
parkir gedung. Proses pencatatan dari sistem
tersebut masih banyak yang dilakukan secara
manual oleh manusia. Hal tersebut
memungkinkan terjadinya human error dan
permasalahan waktu pencatatan yang terbatas.
Di samping itu, perkembangan produksi
kendaraan saat ini semakin cepat, khususnya
di Indonesia yang menjadi salah satu target
distribusi terbesar dari berbagai produsen
kendaraan
bermotor.
Seiring
dengan
perkembangan tersebut diperlukan suatu
mekanisme yang dapat melakukan pencatatan
data dan pengenalan plat kendaraan dengan
lebih cepat dan tepat, salah satunya adalah
sistem Optical Character Recognition (OCR)
yang dalam
implementasinya akan
melakukan identifkasi karakter dari suatu
input data berupa citra. Input tersebut akan
diproses lebih jauh secara digital sehingga
dapat
dilakukan
tahap
pengenalan
menggunakan beberapa metode yang ada.
Citra dari sebuah plat diambil menggunakan
perlatan optikal (kamera, CCTV). Kemudian
akan dilakukan identifikasi pada setiap
karakter yang ada.
Selama beberapa tahun terakhir telah
dilakukan banyak penelitian mengenai hal ini
dan masih terus dikembangkan untuk mencari
metode
terbaik
dalam
memecahkan
permasalahan ini. Setiawan (2008) melakukan
penelitian dalam pendeteksian plat nomor
menggunakan metode feature reduction
Principle Component Analysis (PCA) dan
Euclidean distance. Dari penelitian tersebut
didapat rata-rata akurasi sebesar 84.3%. Lim
et al (2009) juga menggunakan PCA sebagai
metode ekstraksi fiturnya, namun pada tahap
klasifikasinya menggunakan metode KNearest Neighbor. Penelitian tersebut
mencapai tingkat keberhasilan sebesar 82%.
Selain itu, Wahyono (2009) mencoba
menggunakan jaringan saraf tiruan Learning
Vector
Quantization
sebagai
metode
klasifikasi, sedangkan metode ekstraksi fitur
berdasarkan blok. Walaupun pada penelitian
tersebut masih banyak kesalahan pada metode

ekstraksi fitur, namun tingkat keberhasilan
yang didapat masih cukup besar, yaitu 78%.
Sehubungan dengan itu penelitian ini
dilakukan dengan menggunakan jaringan saraf
tiruan backpropagation
sebagai metode
klasifikasi, sedangkan image centroid and
zone (ICZ) dipilih sebagai metode ektrasi ciri.
Seperti mengacu pada penelitian yang telah
dilakukan oleh Rajashekararadhya (2008).
Pada penelitian tersebut digunakan zone based
feature extraction untuk mengenali tulisan
tangan pada karakter India.
Pada penelitian ini dilakukan percobaan
dengan menggabungkan metode ekstraksi ciri
ICZ dan jaringan saraf tiruan backpropagation
serta melihat tingkat keberhasilan dari kedua
metode tersebut. Selain itu juga dapat
dikembangkan menjadi metode yang tepat,
cepat dan efisien sebagai solusi permasalahan
di atas.
Tujuan
Tujuan dilakukannya penelitian ini adalah
untuk:
1 Menerapkan metode Image Centroid and
Zone (ICZ) untuk melakukan ekstraksi ciri
pada citra plat nomor kendaraan, dan
jaringan saraf tiruan backpropagation .
2 Mencari pembagian zona yang efisien dan
tepat untuk mendeteksi plat nomor.
3 Menguji tingkat akurasi dari metode yang
digunakan.
Ruang Lingkup
Ruang lingkup dari penelitian ini terbatas
pada:
1 Plat nomor yang dikenali hanya plat
nomor mobil selain kendaraan dinas
pemerintah dan militer.
2 Data yang diolah berasal dari citra dengan
format JPEG.
3 Plat nomor yang digunakan dalam
penelitian adalah plat dengan warna dasar
hitam dan warna karakter putih
4 Karakter yang dikenali adalah huruf
alphabet kapital (A sampai Z) dan angka
(0 sampai 9).
5 Pemotretan plat dilakukan dari depan atau
belakang kendaraan secara berhadapan
lurus.
6 Hanya bagian plat nomor yang akan
digunakan sebagai data yang diteliti.
Manfaat
Penelitian ini diharapkan dapat menjadi
sebuah konsep dasar dalam mengembangkan

2

sistem pengenalan plat kendaraan secara
otomatis. Dengan itu pada akhirnya penelitian
ini dapat menjadi solusi permasalahan
pencatatan data kendaraan, khususnya di
Indonesia.

5 Hitung rata-rata jarak yang telah didapat
pada langkah 3
6 Ulangi langkah 5 hingga didapat masingmasing rata-rata jarak dari setiap zona.
7 Akhirnya n buah fitur akan didapat untuk
melakukan klasifikasi dan pengenalan.

TINJAUAN PUSTAKA
Edge Detection
Edge detection adalah teknik yang
digunakan untuk mendeteksi tepi dari objek
yang ada dalam sebuah citra. Proses ini
dilakukan dengan cara menelusuri citra secara
vertikal dan horizontal untuk menemukan
perbedaan nilai keabuan yang signifikan
antara suatu pixel dengan tetangganya
(Acharya & Ray 2005).
Canny’s Edge Detection
Algoritme deteksi tepi Canny kuat
terhadap noise dan pada saat yang sama dapat
mendeteksi tepi dengan error yang kecil.
Menurut (Acharya & Ray 2005) ada beberapa
proses penting yang dilakukan dalam deteksi
tepi Canny, yaitu:
1 Non-Maxima
Suppresion,
yaitu,
penghilangan
nilai-nilai yang tidak
maksimum.
2 Double Thresholding, ini merupakan salah
satu kelebihan dari algoritme Canny. Dua
buah threshold dipilih untuk menentukan
jalur tepi.
Image Segmentation
Menurut Gonzalez et al (2003), segmentasi
citra merupakan proses pembagian sebuah
citra dalam sejumlah bagian atau objek
tertentu.
Tingkat
pembagian
wilayah
bergantung kepada masalah yang akan
diselesaikan.
Zone Based Feature Extraction
Pendekatan yang dilakukan untuk
melakukan ekstraksi fitur berbasis zona, yaitu
Image Centroid and Zone (ICZ). Berikut ini
tahap-tahap yang harus dilakukan untuk
masing-masing
pendekatan
tersebut
(Rajashekararadhya 2008) :
1 Hitung centroid dari citra.
2 Bagi menjadi n buah zona yang sama
besar proporsinya.
3 Hitung jarak antara titik centroid dengan
koordinat pixel yang memiliki nilai.
4 Ulangi langkah 3 untuk pixel yang ada di
semua zona.

K-Fold Cross Validation
Cross validation kadang-kadang disebut
sebagai rotation estimation. Dataset v dibagi
menjadi k subset (fold) yang saling bebas
secara acak, yaitu D1, D2,..., Dk dengan
ukuran yang sama. Pelatihan dan pengujian
dilakukan sebanyak k kali, setiap kali iterasi
ke-t (t = 1, 2, ..., k) dilatih pada D/Dt dan diuji
pada Dt. Perkiraan akurasi pada cross
validation
dengan
membagi
jumlah
keseluruhan klasifikasi yang benar dengan
seluruh instances pada dataset (Kohavi 1995).
Jaringan Saraf Tiruan
Menurut Fausett (1994) jaringan saraf
tiruan (artificial neural network) atau
disingkat JST adalah sistem komputasi yang
arsitektur dan operasinya diilhami dari
pengetahuan tentang sel saraf biologi di dalam
otak. JST dapat digambarkan sebagai model
matematis dan komputasi untuk fungsi
aproksimasi nonlinear, klasifikasi data,
cluster, dan regresi non-parametric atau
sebagai sebuah simulasi dari koleksi model
saraf biologi, dengan asumsi bahwa:
1 Pengolahan informasi terjadi pada banyak
elemen sederhana yang disebut neuron.
2 Sinyal
dikirimkan
melalui
suatu
penghubung antar neuron.
3 Setiap penghubung antar neuron memiliki
bobot yang secara khusus akan
melipatgandakan sinyal yang dikirimkan.
4 Setiap neuron menerapkan fungsi aktivasi
terhadap input untuk menentukan sinyal
output.
Berdasarkan cara memodifikasi bobotnya,
ada 2 macam pelatihan, yaitu:
1 Pelatihan dengan supervisi. Pada pelatihan
ini terdapat sejumlah pasangan data (inputoutput) yang dipakai untuk melatih
jaringan hingga diperoleh bobot yang
diinginkan. Pasangan data tersebut
berfungsi untuk melatih jaringan hingga
diperoleh bentuk yang terbaik. Metode
yang termasuk ke dalam jenis ini adalah
Single Perseptron, Multi Perseptron, dan
Backpropagation .
2 Pelatihan tanpa supervisi. Pada pelatihan
ini, perubahan bobot jaringan dilakukan
berdasarkan parameter tertentu dan

3

jaringan
dimodifikasi
berdasarkan
parameter tersebut. Metode JST yang
termasuk ke dalam kategori ini adalah
Self-Organizing Map (SOM) dan Learning
Vector Quantization (LVQ).
Backpropagation
Backpropagation merupakan algoritme
pembelajaran yang terawasi dan biasanya
digunakan oleh perceptron dengan banyak
lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada
pada lapisan tersembunyinya (Fausset 1994).
Fungsi aktivasi yang digunakan pada metode
ini adalah fungsi sigmoid biner yang memiliki
rentang dari 0 – 1.
1
f(x) =
-1
f (x) = f(x)(1 – f(x))
1+e
Fungsi lain yang sering digunakan adalah
fungsi sigmoid bipolar.
(1 + f(x)) (1 – f(x))
2
f(x) =
– 1 f (x) =
–x
2
1+e
Pelatihan
sebuah
jaringan
yang
menggunakan backpropagation terdiri atas 3
langkah, yaitu: pelatihan pola input secara
feedforward,
perhitungan
dan
backpropagation dari kumpulan kesalahan
dan penyesuaian bobot. Sesudah pelatihan,
aplikasi dari jaringan hanya terdiri atas fase
feedforward. Bahkan, jika pelatihan menjadi
lambat, sebuah jaringan yang dilatih dapat
menghasilkan output-nya sendiri secara cepat.
Bentuk arsitektur backpropagation
dapat
dilihat pada Gambar 1

Fase I: Propagasi Maju
4 Tiap unit masukan (Xi, i = 1,...,n)
menerima sinyal dan meneruskannya ke
unit tersembunyi di atasnya.
5 Masing-masing
unit
di
lapisan
tersembunyi dikalikan dengan faktor
penimbang dan
dijumlahkan
serta
ditambah dengan biasnya.


n

Zinj = V0j +

XiVij

i=1

Kemudian hitung nilai masing-masing unit
tersembunyi sesuai dengan fungsi aktivasi
yang digunakan :
Zj = f(Zinj)
6 Masing-masing unit keluaran (Yk, k =
1,...,m)
dikalikan
dengan
faktor
penimbangnya dan dijumlahkan:


p

Yink = W0k +

ZjWjk

i=1

Kemudian hitung nilai unit keluaran sesuai
dengan fungsi aktivasi yang digunakan :
Yk = f(Yink)

Fase II: Propagasi mundur
7 Masing-masing unit keluaran (Yk, k =
1,...,m) meneriman pola target sesuai
dengan pola masukan saat pelatihan dan
dihitung galatnya:
k = (tk – Yk)f (Yink)
Menghitung perbaikan faktor penimbang
(kemudian untuk memperbaiki Wjk).
Wjk = .k.Zj

Menghitung perbaikan koreksi:
W0k = .k

8 Masing-masing
penimbang
yang
menghubungkan unit-unit lapisan keluaran
dengan unit-unit pada lapisan tersembunyi
dikalikan delta dan dijumlahkan sebagai
masukan ke unit-unit lapisan berikutnya:


m

Gambar 1 Arsitektur backpropagation
Berikut ini adalah langkah-langkah proses
pelatihan pada JST backpropagation dengan
satu layer tersembunyi dan fungsi aktivasi
sigmoid biner:
1 Inisialisasi semua bobot dengan bilangan
acak kecil.
2 Jika kondisi penghentian belum terpenuhi,
lakukan langkah 3-10.
3 Untuk setiap pasang data pelatihan,
lakukan langkah 4-9.

inj =

kWjk

k=1

Selanjutnya dikalikan dengan turunan dari
fungsi aktivasinya.
j = inj f (Yinj)
keluaran
unit
(Yk,
9 Masing-masing
k=1,…,m)
diperbaiki
bias
dan
penimbangnya (j=0,...,p):
Wjk(baru) = Wjk(lama) + Wjk

Masing-masing
keluaran
unit
j=1,…,p)
diperbaiki
bias
penimbangnya (j=0,...,n):

(Zj,
dan

4

Vjk(baru) = Vjk(lama) + Vjk

10 Uji kondisi pemberhentian (akhir iterasi).

METODE PENELITIAN
Untuk dapat melakukan penelitian yang
baik, maka diperlukan sebuah metode
penelitian yang baik dan terencana pula. Pada
penelitian ini akan dilakukan identifikasi
karakter pada plat nomor kendaraan bermotor.
Skema metode penelitian ini dapat dilihat
pada Gambar 2.

proses terlebih dahulu. Data yang didapat dari
proses pengumpulan sebelumnya merupakan
citra dengan format warna RGB. Proses
identifikasi karakter pada plat nomor tidak
perlu memperhatikan perbedaan warna RGB,
oleh karena itu akan lebih efisien jika diubah
ke dalam format grayscale. Proses konversi
dalam format grayscale dapat menggunakan
rumus:
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. Dengan mengonversi format warna
ke grayscale tentu saja dapat mempercepat
komputasi pada tahap berikutnya.

Restorasi dan Perbaikan Citra

Gambar 2 Skema metode penelitian

Pengumpulan Data
Data yang digunakan pada penelitian ini
berupa citra yang diambil menggunakan
kamera handphone dengan resolusi sebesar 5
MP. Citra yang dikumpulkan harus
memperhatikan jumlah kemunculan masingmasing karakter, dengan sebaran frekuensi
yang merata untuk setiap karakter. Hal
tersebut dilakukan agar data latih yang
dimiliki dapat lebih akurat untuk setiap
karakter yang ada.
Selain itu perlu diperhatikan juga bahwa
semua citra yang dikumpulkan harus memiliki
resolusi yang sama. Karena kamera yang
digunakan memiliki resolusi 5 MP dan akan
menghasilkan citra dengan resolusi yang
cukup besar, citra perlu diubah terlebih dahulu
ke resolusi yang lebih kecil dengan tetap
memperhatikan kualitas citra. Dengan
demikian, pemrosesan citra yang akan
dilakukan dapat lebih cepat.

Pada dasarnya, citra yang diambil
menggunakan sebuah kamera terkadang
memiliki noise yang dapat mengurangi
kualitas citra dan menghilangkan informasi
yang diperlukan dalam proses pengenalan
karakter. Oleh karena itu perlu dilakukan
restorasi menggunakan filter yang ada, salah
satunya adalah filter median yang cukup
efisien dalam merestorasi citra dengan noise
bertipe salt & pepper. Untuk lebih
meningkatkan kualitas citra juga dapat
dilakukan proses sharpening atau smoothing
sesuai dengan kebutuhannya.

Deteksi Tepi
Jika citra sudah bersih dari noise,
selanjutnya dilakukan proses pendeteksian
tepi. Setiap objek yang ada pada citra akan
dideteksi menggunakan algoritme Canny.
Algoritme ini dipilih karena cukup baik dalam
mendeteksi tepi. Selain memiliki kemampuan
untuk meletakkan dan menandai semua tepi
yang ada sesuai dengan pemilihan parameterparameter
konvolusi
yang
dilakukan,
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 3.

Gambar 3 Contoh hasil deteksi tepi Canny.

Segmentasi Citra
Pra-proses citra
Agar citra dapat diekstraksi dan dilakukan
pengenalan pola, perlu melalui tahap pra-

Dalam identifikasi karakter pada plat
nomor perlu dilakukan segmentasi citra untuk
mengeliminasi objek yang tidak diperlukan

5

dan memilih mana objek yang merupakan
karakter dan mana yang bukan. Hal tersebut
dilakukan dengan mensegmentasi citra
berdasarkan area. Objek yang memiliki
piksel-piksel yang terhubung akan dianggap
menjadi satu area. Masing-masing area
tersebut akan diberi label untuk kemudian
dihitung luas areanya satu per satu. Untuk
mendeteksi apakah suatu pixel terhubung
dengan pixel tetangganya digunakan metode
8-connected.
{(x-1, y-1), (x-1,y), (x-1,y-1), (x,y-1), (x,y+1),
(x+1,y-1), (x+1,y), (x+1,y+1)}

Selanjutnya akan ditentukan suatu batas
yang menjadi acuan untuk menduga apakah
objek tersebut merupakan karakter atau bukan
berdasarkan luas areanya. Contoh hasil
segmentasi dapat dilihat pada Gambar 4.

Gambar 4 Contoh hasil segmentasi

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 Image Centroid and Zone

Image Centroid and Zone (ICZ)
Pendekatan
menggunakan
Image
Centroid and Zone (ICZ) ini merupakan
metode yang cukup sederhana dalam
implementasinya. Sebelum dilakukan tahapan
pada metode ini perlu dipastikan bahwa setiap
karakter yang ada memiliki dimensi yang
sama besar. Kemudian dihitung nilai centroid
dengan rumus sebagai berikut:
Xc = x 1.p 1 + x 2.p 2 + ... + xn.pn
p 1 + p 2 + ... + pn
Yc = y 1.p 1 + y 2.p 2 + ... + yn.pn
p 1 + p 2 + ... + pn
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

Setelah didapat centroid dari citra, bagi
citra input menjadi empat area yang sama

besar. Selanjutnya dicari jarak antara centroid
dengan koordinat pixel yang memiliki nilai 1
(warna putih). Jarak akan dihitung
menggunakan metode Euclidean dua dimensi.
Berikut ini rumus jarak menggunakan
Euclidean dengan P = (Xp, Yp) dan Q = (Xq,
Yq).

d (P , Q) =
d
P
Q
Xp
Yp
Xq
Yq

2

(Xp – Xq) + (Yp – Yq)

2

= Jarak antara dua titik.
= Koordinat titik berat.
= Koordinat pixel.
= Koordinat x titik berat.
= Koordinat y titik berat.
= Koordinat x pixel.
= Koordinat y pixel.

Proses tersebut akan dilakukan hingga
semua pixel yang ada pada semua area
dihitung. Tahap terhakhir yang dilakukan
adalah menghitung rata-rata jarak pada setiap
area. Rata-rata tersebutlah yang akan
dijadikan sebagai data klasifikasi.
Untuk mencari jumlah zona yang efisien
untuk pendeteksian plat nomor kendaraan ini
perlu dilakukan beberapa pembagian zona.
Setiap pembagian zona ini akan memiliki
performa yang berbeda. Pembagian zona terus
dilakukan selama performa masih meningkat.
Apabila terjadi penurunan performa, akan
diambil zona yang terkecil dengan performa
yang paling besar.
K-Fold Cross Validation

Seluruh data citra yang ada akan dibagi
menjadi lima subset, yaitu fold1, fold2, fold3,
fold4 dan fold5. Hal tersebut dilakukan untuk
mencari akurasi menggunakan 5-cross-fold
validation. Pembagian subset dapat dilihat
pada Tabel 1.
Tabel 1 Pembagian subset
Subset
Data Latih
Fold1
11-50
Fold2
1-10, 21-50
Fold3
1-20, 31-50
Fold4
1-30, 41-50
Fold5
1-40

Data Uji
1 - 10
11 - 20
21 - 30
31 - 40
41 - 50

Klasifikasi Citra

Untuk dapat mengklasifikasikan karakter
pada plat nomor diperlukan suatu struktur
neural network dengan output sebanyak 36 (
26 huruf dan 10 angka ). Input yang
diperlukan akan bergantung pada banyaknya
elemen vektor yang dihasilkan pada tahap
ekstraksi ciri di atas.

6

Dalam melakukan pelatihan dan pengujian
data, karakter akan diambil satu per satu dari
kumpulan citra plat yang ada. Setiap karakter
yang akan dilatih harus dipastikan memiliki
luas area (dimensi) yang sama satu sama lain.
Jaringan saraf tiruan dengan metode
backpropagation cocok diterapkan dalam
penelitian ini. Walaupun dalam komputasi
metode ini terbilang cukup berat karena terus
menerus menghitung nilai eror yang terjadi,
namun justru metode tersebut yang diperlukan
untuk menutupi apabila terjadi kekurangan
pada proses ekstraksi ciri.

Dari 100 buah citra yang ada kemudian
diambil potongan karakter yang mewakili
angka dan huruf pada plat nomor. Untuk
masing-masing karakter diambil secara unik
dan acak sebanyak 50 buah. Seperti kita
ketahui jumlah angka (0-9) dan huruf (A-Z)
yang ada adalah 36 karakter, berarti akan
didapat 1800 karakter yang nantinya akan
dijadikan sebagai data latih dan data uji.
Selain itu citra plat nomor yang ada juga akan
dijadikan sebagai data uji. Contoh data sampel
dapat dilihat pada Gambar 5.

Evaluasi dan Analisis 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 berikut
digunakan:
akurasi = nbenar  100%
n
nbenar

: Jumlah citra yang dideteksi benar.

n

: Jumlah data yang ada.

Lingkungan Pengembangan Sistem

Proses
pengerjaan
penelitian
ini
menggunakan perangkat keras dan perangkat
lunak dengan spesifikasi sebagai berikut :
Perangkat keras berupa notebook:
 Processor Intel Pentium Dual-Core
@1.73GHz,
 RAM kapasitas 1 GB,
 Harddisk kapasitas 150GB,
 Monitor dengan resolusi 1280x800 piksel.
Perangkat lunak berupa:
 Sistem operasi Microsoft Windows Vista.
 Aplikasi pemrograman Matlab R2008b.

HASIL DAN PEMBAHASAN
Pengumpulan Data

Dalam penelitian ini tentunya data yang
diperlukan adalah data berupa citra. Data
tersebut
didapat
dengan
melakukan
pemotretan mobil sebanyak 100 unit dan
secara otomatis akan didapatkan pula 100
buah citra plat nomor yang unik. Pemotretan
dilakukan di halaman parkir kampus IPB
Baranangsiang Bogor.

Gambar 5 Data sampel.
Pra-proses Citra

Foto
yang
didapat
dari
proses
pengumpulan data tidak semuanya memiliki
kualitas yang baik. Sangat memungkinkan
ditemukan noise yang dapat mengurangi
akurasi dalam pendeteksian karakter. Selain
itu masih banyak informasi pada citra yang
tidak dibutuhkan dan dapat memperlambat
proses pendeteksian. Untuk itu perlu
dilakukan optimalisasi sehingga pada
akhirnya data yang ada sudah siap untuk
diproses.
Pada awalnya didapat foto dengan model
warna RGB. Model warna tersebut terlalu
kompleks karena menggunakan tiga layer
warna, yaitu Red, Green, dan Blue. Untuk itu
dilakukan konversi dari warna RGB menjadi
grayscale. Proses konversi tersebut dilakukan
dengan menghilangkan informasi hue dan
saturation, sedangkan informasi luminance
pada citra dipertahankan.
Langkah berikutnya adalah membersihkan
noise menggunakan median filter. Metode ini
sangat cocok untuk menghilangkan noise
berupa salt & pepper. Jika kita melihat
dengan kasat mata, salt & pepper akan terlihat
seperti bintik warna hitam atau putih. Kali ini
digunakan median filter dua dimensi dengan
batas matriks 3x3. Nilai pixel akan diubah
dengan membandingkan pixel tujuan dengan
pixel tetangga, kemudian dicari nilai tengah
dari pixel tersebut. Banyaknya pixel yang
dibandingkan tergantung pada ukuran matriks
yang telah ditentukan sebagai batasnya.

7

Deteksi Tepi

Proses deteksi dilakukan menggunakan
metode canny’s edge detection dengan
threshold 0.2 dan 0.5. Nilai threshold ini
mempengaruhi seberapa detail proses deteksi
tepi yang akan dilakukan. Hal ini merupakan
salah satu kelebihan dari metode Canny.
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. Didapatnya garis tepi disetiap objek,
akan mempercepat pemrosesan citra dan lebih
efisien. Hasil deteksi tepi menggunakan
metode Canny pada salah satu plat nomor
dapat dilihat pada Gambar 6.

Gambar 6 Hasil deteksi tepi Canny.
Segmentasi Citra

Segmentasi
citra
dilakukan
untuk
memisahkan informasi yang akan diproses
lebih lanjut. Pada penelitian ini, informasi
yang akan diproses adalah pixel-pixel yang
mewakili angka dan huruf. Perlu dicari mana
pixel yang mewakili huruf atau angka dan
mana yang bukan keduanya.
Tahap pertama yang dilakukan adalah
dengan
melakukan
labeling,
yaitu
pengelompokan pixel yang terhubung dengan
memperhatikan 8 pixel tetangganya. Setiap
pixel yang terhubung akan dikelompokan dan
diberi label. Berikutnya dapat kita ketahui
panjang dan lebar area untuk masing-masing
label. Kedua variabel ini yang akan dijadikan
sebagai parameter untuk memprediksi mana
pixel yang mewakili huruf dan angka. Setiap
label akan diukur panjang dan lebar areanya
dengan kondisi sebagai berikut:
If 105 pixel < P < 140 pixel
And 20 pixel < L < 100 pixel
Then label = karakter
Else
label ≠ karakter

Semua label yang memenuhi syarat berarti
dianggap sebagai karakter. Permasalahan
berikutnya yang muncul adalah adanya label
yang seharusnya merupakan satu karakter
utuh, namun komputer tidak langsung
mengenali label tersebut sebagai satu karakter
yang utuh. Sebagai contoh pada angka 0 (nol),
angka tersebut secara visual diwakili oleh dua

buah elips. Karena algoritme labeling yang
dilakukan adalah memeriksa pixel yang
terhubung, sedangkan pada angka 0 (nol)
terlihat jelas bahwa dua buah elips terpisah
jauh, sehingga secara otomatis elips tersebut
dianggap sebagai label yang berbeda. Ilustrasi
permasalahan tersebut dapat dilihat pada
Gambar 7.

Gambar 7 labeling pada angka nol
Hal tersebut berlaku bagi setiap karakter
yang memiliki kondisi seperti angka 0 (nol).
Untuk menangani permasalahan tersebut
solusinya adalah dengan memeriksa posisi
masing-masing label. Jika salah satu label
berada di dalam area label lainnya, label-label
tersebut akan dijadikan satu. Hingga tahap ini
telah dihasilkan kumpulan label berupa
matriks yang mewakili setiap karakter pada
plat. Ilustrasi proses segmentasi dapat dilihat
pada Gambar 8.

Gambar 8 Proses segmentasi
Normalisasi Citra

Dari hasil segmentasi citra sebelumnya,
telah didapatkan masing-masing karakter yang
telah terpisah. Karakter ini memiliki luas area
yang
berbeda-beda.
Hal
ini
dapat
menyebabkan hasil ekstraksi ciri yang tidak
konsisten. Oleh karena itu, dilakukan
normalisasi citra dengan menyamakan ukuran
setiap karakter menjadi 150 x 150. Karakter
yang ada akan dirubah dalam ukuran tersebut
sehingga bentuknya tidak akan proposional
lagi. Namun demikian, selama perubahan

8

ukuran ini dilakukan secara konsisten pada
semua karakter tidak akan mempengaruhi
informasi yang diperlukan pada tahapan
ekstraksi ciri. Gambar 9 menunjukkan
perubahan beberapa karakter.

Gambar 9 Normalisasi karakter.
Ekstraksi Ciri

Sesuai dengan metode penelitian ekstraksi
ciri yang digunakan adalah pendekatan image
centroid and zone (ICZ). Tahap pertama yang
dilakukan ialah mencari centroid atau titik
beban dari setiap karakter. Titik beban yang
didapat dari setiap karakter tidak selalu sama.
Hal tersebut bergantung pada sebaran pixel
setiap karakter. Gambar 10 menunjukkan
centroid untuk huruf “F”.

nilai 1 (warna putih). Proses perhitungan jarak
ini akan dilakukan terus menerus hingga
didapat jarak dari semua pixel . Pada akhirnya
akan dihitung rata-rata jarak yang ada di
setiap zona. Nilai rata-rata tersebut merupakan
ciri yang merepresentasikan bentuk dari setiap
karakter. Setelah dikumpulkan ternyata nilai
rata-rata tersebut membentuk suatu pola yang
berbeda bagi setiap karakter. Pola ini dapat
dijadikan pertimbangan untuk membedakan
karakter pada proses klasifikasi. Masingmasing pola mewakili hasil ekstraksi setiap
karakter.
Gambar 12 menunjukkan pola angka 0
(nol) yang dibentuk dari hasil ekstraksi fitur
sebanyak 50 karakter dengan pembagian 4, 14
dan 25 zona.
80
70
60
50
40
30
20
10
0
1

2

3

4

100
90
80
70
60
50
40
30
20
10

Gambar 10 Titik beban pada huruf F.

0
1

Berikutnya, karakter akan dibagi menjadi
beberapa zona yang sama besar. Pada
penelitian ini dicari zona yang efisien untuk
melakukan pendeteksian plat nomor. Oleh
karena itu, perlu dilakukan beberapa
percobaan pembagian zona, yaitu 4, 6, 8, 10,
12, 14, 16, 18, 20, 22, dan 25. Banyaknya
jumlah
pembagian
zona
ini
akan
mempengaruhi ciri dari masing-masing
karakter. Pada setiap pembagian zona
tersebut, jumlah baris selalu lebih banyak
daripada jumlah kolom atau keduanya sama
banyak. Gambar
11 mengilustrasikan
pembagian untuk masing-masing zona.

Gambar 11 Pembagian zona ekstraksi fitur.
Untuk setiap zona dihitung masing-masing
jarak antara centroid dan pixel yang memiliki

2

3

4

5

6

7

8

9

10

11

12

13

14

100

90

80

70

60

50

40

30

20

10

0
1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

Gambar 12 Pola angka 0 (nol) dengan 4 zona
(atas), 14 zona (tengan) dan 25
zona (bawah).
Pada Gambar 12 terlihat tidak semua garis
membentuk pola yang sama. Hal tersebut
terjadi karena pada dasarnya metode ICZ
memproses rata-rata jarak setiap zona
berdasarkan hasil praproses citra. Terkadang,
citra yang didapat dari hasil praproses tidak
merepresentasikan bentuk aslinya dengan baik
sehingga pola yang dibentuk pun tidak semua
sama untuk suatu karakter. Namun secara
umum pola yang dibentuk akan memiliki
kemiripan untuk masing-masing karakter.

9

Gambar 13 menunjukkan hasil praproses
angka 0 (nol) yang baik.

fitur ini dapat dilihat pada Tabel 3 dan Tabel 4
yang menampilkan waktu proses terhadap 10
plat nomor.
Tabel 3 Waktu pemrosesan ICZ
menggunakan 4 - 14 zona.
Plat

Gambar 13 Hasil praproses yang baik.
Namun ada beberapa hasil praproses yang
kurang baik sehingga mempengaruhi hasil
ekstraksi dan tentu saja pola yang didapat pun
tidak akan mirip. Hal ini terlihat pada Gambar
14.

B1163FY
B1868BOD
B457UTY
B54TYA
B560XV
F1014GZ
F1205G
F1504CE
F1834CS
F601DY
Rataan

4
0.67
0.82
0.61
0.55
0.63
0.64
0.56
0.6
0.66
0.61
0.635

6
0.67
0.79
0.6
0.55
0.62
0.63
0.56
0.61
0.64
0.62
0.629

Zona
8
10
0.911
0.69
1.21
0.77
0.92
0.6
0.73
0.55
0.99
0.61
0.89
0.64
0.85
0.55
0.8
0.59
0.88
0.65
1.01
0.59
0.9191
0.624

12
0.67
0.78
0.59
0.54
0.62
0.62
0.56
0.6
0.64
0.64
0.626

14
0.72
0.78
0.61
0.54
0.61
0.62
0.56
0.61
0.65
0.62
0.632

Tabel 4 Waktu pemrosesan ICZ
menggunakan 16 - 25 zona.
Plat

Gambar 14 Hasil praproses yang kurang baik.
Semakin mirip pola yang didapat dari hasil
ekstraksi 50 karakter yang sama, akan
semakin memperkuat ciri dari karakter
tersebut dan juga mudah dikenali pada proses
pendeteksian nanti. Pola dari semua karakter
dengan pembagian zona sebanyak 14 zona
dapat dilihat pada Lampiran 1.
Untuk permasalahan waktu pemrosesan,
setiap proses ICZ yang dilakukan tentunya
memiliki waktu pemrosesan yang berbedabeda bagi setiap zona. Waktu pemrosesan ini
bergantung pada spesifikasi perangkat keras
yang digunakan dan juga algoritme
pemrograman
yang
diimplementasikan.
Waktu pemrosesan untuk 1800 karakter pada
penelitian ini dapat dilihat pada Tabel 2.
Tabel 2 Waktu pemrosesan ekstraksi fitur
menggunakan ICZ.
Zona
4
6
8
10
12
14
16
18
20
22
25

Waktu Pemrosesan
118.19
127.46
118.40
119.96
134.72
126.77
119.88
116.31
115.79
146.51
162.37

Pada Tabel 2 terlihat bahwa perbedaan
waktu proses ekstraksi fitur tidak terartur
berdasarkan jumlah zona. Akan tetapi, untuk
jumlah zona yang sangat banyak cenderung
memerlukan waktu yang lebih lama. Untuk
menganalisis mengenai waktu proses ekstraksi

B1163FY
B1868BOD
B457UTY
B54TYA
B560XV
F1014GZ
F1205G
F1504CE
F1834CS
F601DY
Rataan

16
0.68
0.85
0.65
0.61
0.63
0.67
0.68
0.63
0.79
0.61
0.68

18
0.67
0.79
0.59
0.56
0.63
0.63
0.56
0.6
0.65
0.6
0.628

Zona
20
0.7
0.78
0.6
0.57
0.62
0.62
0.55
0.6
0.64
0.6
0.628

22
0.68
0.77
0.6
0.54
0.61
0.63
0.55
0.6
0.64
0.59
0.621

25
0.68
0.78
0.6
0.55
0.62
0.64
0.58
0.63
0.65
0.61
0.634

Dari Tabel 3 dan 4, hampir semua zona
memiliki rata-rata waktu pemrosesan terhadap
10 plat nomor yang tidak berbeda jauh, yaitu
berkisar di 0.6 sampai 0.63 detik. Terlihat
bahwa banyaknya zona tidak mempengaruhi
waktu pemrosesan plat karena proses
pembagian zona ini hanya membatasi
banyaknya pixel yang dihitung untuk masingmasing zona. Semakin sedikit pembagian
zona, jumlah pixel pada setiap zona akan
semakin banyak. Hal tersebut menyebabkan
perbandingan antara jumlah zona dan
banyaknya pixel akan berbanding terbalik.
Oleh karena itu perbedaan waktu pemrosesan
tidak akan terpaut jauh.
Klasifikasi Citra

Pada tahap ini dilakukan pelatihan data
dan pengujian data. Untuk tahap pelatihan
dilakukan terhadap hasil ektraksi 1440 citra
yang terdiri atas 36 karakter dan untuk setiap
karakter memiliki 40 sampel, sehingga tersisa
masing-masing 10 sampel yang akan menjadi
data uji.
Penentuan data uji dan data latih ini
menggunakan metode k-fold cross validation,
dengan nilai k adalah 5. Dihasilkan 5 subset
atau variasi data uji dan data latih. Pemilihan
banyaknya subset ini berdasarkan dengan
rasio yang diinginkan, yaitu 80% untuk data
latih dan 20% untuk data uji.
Setiap subset data latih akan dibentuk
menjadi matriks data latih dengan