3.1.1 Flow Chart Umum
Flow Chart Umum adalah bagan yang menggambarkan proses-proses yang secara garis besar dilakukan sistem dalam melakukan training dan pengenalan citra plat
nomor polisi. Gambar 3.1 dibawah menggambarkan flowchart umum dari proses training nomor polisi kendaraan bermotor.
Gambar 3.1 Flowchart Umum Proses Training
Selesai Start
Citra nomor polisi dan simbol
Normalisasi ukuran citra
Ekstraksi Ciri
Training JST
Bobot Bias Simpan ke database
Thinning
Universitas Sumatera Utara
Pada Gambar 3.1 di atas, proses awal adalah normalisasi ukuran citra agar sesuai dengan input jaringan, selanjutnya dilakukan proses thinning yaitu pengurusan
karakter sebesar 1 piksel untuk diambil cirinya dan disimpan ke database. Proses selanjutnya dilakukan training dengan algoritma LVQ dan BP untuk memperoleh
bobot akhir dan bias. Pada Proses pengenalan adalah prosedur yang menjelaskan tentang tahapan
pengenalan terhadap citra plat nomor kendaraan bermotor yang diinput pengguna seperti pada Gambar 3.2.
Gambar 3.2 Flowchart Umum Proses Pengenalan
Start
Citra nomor polisi
Segmentasi
Baca Bobot Bias Pelatihan
Ekstraksi Ciri
Hasil Pengenalan
Selesai Proses Pengenalan
Pengolahan Citra
Thinning
Universitas Sumatera Utara
Untuk proses Pengenalan dengan jaringan syaraf tiruan, matriks ciri yang semula berukuran 7x5 akan di-transpose menjadi berukuran 5x7 agar sesuai dengan
jaringan yang telah dibuat. Matriks ciri ini akan dimasukkan ke tiap jaringan. Jadi keluaran dari tiap jaringan ini adalah matriks berukuran 1x7. Selanjutnya matriks
keluaran tiap jaringan ini akan diubah menjadi desimal. Maka keluaran dari 9 jaringan akan menghasilkan matriks berukuran 1x9. Selanjutnya matriks keluaran dari 9
jaringan ini akan dicocokkan dengan matriks basis data karakter. Dalam pengenalan karakter dilakukan dengan membandingkan selisih nilai hasil keluaran jaringan ini
terhadap nilai basis data karakter. Pemilihan karakter yang sesuai ditentukan dengan selisih nilai terkecil pada setiap perbandingan masing-masing karakter yang terdapat
pada basis data karakter. Algoritma Learning Vector Quantization dan Back Propagation adalah suatu
algoritma yang melakukan pembelajaran pada lapisan kompetitif yang terawasi dengan supervisi dimana jaringan akan secara otomatis belajar untuk
mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika
dua vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama.
3.1.2 Bahan Penelitian