Flow Chart Umum Analisis

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