ANALISIS SISTEM PENGENALAN KARAKTER PLAT KENDARAAN DARI CITRA KENDARAAN.

TUGAS AKHIR

ANALISIS SISTEM PENGENALAN KARAKTER

PLAT KENDARAAN DARI CITRA KENDARAAN

JUDUL

I DEWA GEDE ANGGA PRASTIKA

JURUSAN TEKNIK ELEKTRO DAN KOMPUTER

FAKULTAS TEKNIK UNIVERSITAS UDAYANA

BUKIT JIMBARAN

2016

TUGAS AKHIR

ANALISIS SISTEM PENGENALAN KARAKTER

PLAT KENDARAAN DARI CITRA KENDARAAN

I DEWA GEDE ANGGA PRASTIKA NIM 1104405068

JURUSAN TEKNIK ELEKTRO DAN KOMPUTER

FAKULTAS TEKNIK UNIVERSITAS UDAYANA

BUKIT JIMBARAN

2016

ii

ANALISIS SISTEM PENGENALAN KARAKTER PLAT KENDARAAN DARI CITRA KENDARAAN

Tugas Akhir Diajukan Sebagai Prasyarat untuk Memperoleh Gelar Sarjana S1 (Strata 1) pada Jurusan Teknik Elektro Dan Komputer Fakultas Teknik

Universitas Udayana.

I DEWA GEDE ANGGA PRASTIKA NIM. 1104405068

JURUSAN TEKNIK ELEKTRO DAN KOMPUTER

FAKULTAS TEKNIK UNIVERSITAS UDAYANA

BUKIT JIMBARAN - BALI

2016

iv

LEMBAR PERNYATAAN ORISINALITAS

Tugas Akhir/Skripsi ini adalah hasil karya saya sendiri, dan semua sumber baik yang dikutip maupun dirujuk

telah saya nyatakan dengan benar.

Nama : I Dewa Gede Angga Prastika

NIM : 1104405068

Tanda Tangan :

KATA PENGANTAR

Om Swastyastu puji syukur kehadapan Ida Sang Hyang Widhi Wasa/Tuhan Yang Maha Esa, karena atas segala limpahan berkat dan Rahmat-Nya, sehingga proposal yang berjudul ʻʻ ANALISIS SISTEM PENGENALAN KARAKTER PLAT KENDARAAN DARI CITRA KENDARAAN” ini dapat diselesaikan dengan tepat waktu. Proposal ini disusun untuk memenuhi salah satu syarat dalam menyelesaikan pendidikan sarjana strata satu (S1) pada Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana.

Dalam penyusunan tugas akhir ini, penulis banyak memperoleh petunjuk dan bimbingan dari berbagai pihak. Sehingga pada kesempatan ini perkenankan saya mengucapkan terima kasih yang sebesar-besarnya kepada :

1. BapakProf. Ir. Ngakan Putu Gede Suardana, MT., Ph.Dselaku Dekan Fakultas Teknik Universitas Udayana.

2. Bapak Wayan Gede Ariastina, S.T., M.Eng.Sc.,Ph.D. selaku Ketua Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana.

3. Bapak Widyadi Setiawan, ST., MT selaku dosen pembimbing I yang telah banyak memberikan arahan, waktu, semangat serta saran-saran selama penyusunan laporan.

4. Bapak Ir. Pande Ketut Sudiartha, M.Erg selaku dosen pembimbing II yang telah banyak memberikan arahan, waktu, semangat serta saran-saran selama penyusunan laporan.

5. Bapak Gede Sukadarmika, ST., MSc. selaku pembimbing akademik yang telah membimbing dari semester 1, memberikan semangat dan dukungan dalam menjalani perkuliahan.

6. Kedua orang tua tersayang yang selalu memberikan kasih sayang dan doa tulus kepada penulis.

7. Keluarga besar Budaireng atas motivasi, dukungan, serta saran-saran yang selalu diberikan.

vi

9. Serta semua pihak yang tidak bisa penulis sebutkan satu-persatu atas bantuan dan saran yang diberikan sehingga laporan ini bisa selesai tepat pada waktunya.

Penulis menyadari bahwa laporan ini masih jauh dari sempurna. Oleh karena itu segala kritik dan saran yang bersifat membangun sangat diharapkan demi kesempurnaan tugas akhir ini.

Akhir kata, penulis mohon maaf kepada semua pihak jika dalam pembuatan tugas akhir ini melakukan kesalahan baik disegaja maupun tidak disengaja. Semoga Ida SangHyang Widhi Wasa/Tuhan Yang Maha Esa selalu melimpahkan rahmat-Nya kepada semua pihak yang telah membantu pelaksanaan dan penyelesaian tugas akhir ini.

Bukit Jimbaran, 11 Januari 2016

ABSTRAK

Aplikasi-aplikasi baru berbasis teknologi canggih diciptakan guna mempercepat dan mempermudah kinerja manusia dalam melakukan sesuatu dalam berbagai bidang. Salah satunya dalam bidang pengolahan citra digital

(image processing) yang umumnya digunakan dalam proses pengenalan pola. Berbagai aplikasi dapat dibangun menggunakan teknik pengenalan pola dalam pengolahan citra digital salah satunya dalam sistem parkir. Dalam proses pencatatan, petugas loket parkir menginput identitas kendaraan secara manual ke dalam sistem, sehingga kecepatan pelayanan loket tergantung pada kecepatan petugas dalam membaca dan menginputkan data identitas kendaraaan ke sistem. Oleh karena itu, beberapa metode telah muncul yang diteliti oleh para ahli salah satunya berbasis pengolahan citra digital (digital image processing). Tugas akhir ini membahas tentang Analisis Sistem Pengenalan karakter Plat Kendaraan dari Citra Kendaraan

Tujuan dan manfaat dalam tugas akhir ini adalah untuk mengetahui pembangunan sistem pengenalan karakter plat kendaraan dari suatu citra kendaraan dengan memanfaatkan, metode principal component analisys sebagai ektrasi ciri dan metode Histogram sebagai sistem segmentasi karakter dari sistem pengenalan karakter plat kendaraan dari suatu citra kendaraan metode euclidean distance untuk klasifikasi karakter. Penelitian ini diharapkan dapat memperkaya pengetahuan di bidang pengolahan citra digital serta dapat menjadi acuan untuk penelitian selanjutnya dalam pemilihan metode yang tepat dalam proses pengenalan karakter plat kendaraan pada citra kendaraan. Hasil unjuk kerja pada simulasi pengenalan karakter plat nomor kendaraan dari citra kendaraan berdasarkan hasil simulasi pengenalan karakter plat nomor kendaraan adalah sebesar 77.90% untuk presentase dikenali benar dari ke-27 karakter dan sebesar 22.10% untuk presentase dikenali salah dari ke-27 karakter.

Kata Kunci : Image Processing, Euclidean Distance, Pengenalan Karakter Plat Kendaraan,Principal Component Analisys,Histogram

viii

ABSTRACK

New applications based on advanced technology was created in order to accelerate and facilitate human performance in doing things in different fields. One of them in the field of digital image processing (image processing) are generally used in the process of pattern recognition. Various applications can be built using pattern recognition techniques in digital image processing one of them in the parking system. In the process of recording, the parking booth attendant manually input the vehicle identity into the system, so the speed depends on the speed of service counter attendant in reading and input data to the vehicle identification system. Therefore, several methods have emerged which are researched by the experts one of them based on digital image processing (digital image processing). The final project is about character Plate Recognition System Analysis of Citra Vehicles

Goals and benefits in this thesis is to investigate the construction of the system of character recognition license plate of an image of the vehicle by utilizing the method principal component analisys as ektrasi features and methods Histogram as a system of segmentation of the characters of the system character recognition license plate of an image of the vehicle methods euclidean distance for the classification of characters. This research is expected to enrich the knowledge in the field of digital image processing and can be a reference for further research in the selection of appropriate methods in the process of vehicle license plate character recognition on the image of the vehicle. The results of the simulation performance of the vehicle license plate character recognition of the image of the vehicle based on simulation results license plate character recognition is at 77.90% for the percentage of correctly identified all 27 characters and at 22:10% to the percentage identified one of the 27 characters.

Keywords : Image Processing, Euclidean Distance, character Plate Recognition System Analysis of Citra Vehicles, Principal Component Analisys, Histogram

DAFTAR ISI

JUDUL ... i

PRASYARAT GERLAR ... ii

LEMBAR PENGESAHAN ... iv

LEMBAR PERNYATAAN ORISINALITAS ... iiv

KATA PENGANTAR ... iv

ABSTRAK ... vii

ABSTRACK ... viii

DAFTAR ISI... iix

DAFTAR GAMBAR ... xii

DAFTAR TABEL... xiii

BAB I PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 3

1.3.Tujuan ... 3

1.4. Manfaat ... 3

1.5. Ruang Lingkup Dan Batasan Masalah ... 3

1.6.Sistematika Penulisan ... 4

BAB II TINJAUAN PUSTAKA... 6

2.1.Tinjauan Mutakhir... 6

2.2.Tanda Nomor Kendaraan Bermotor... 8

2.2.1. Spesifikasi Teknis Tanda Nomor Kendaraan Bermotor ... 8

2.2.2. Warna Tanda Nomor Kendaraan Bermotor ... 9

2.3.Konsep Dasar Citra ... 10

2.3.1. Citra Analog... 10

2.3.2. CitraDigital... 10

2.4. Pra Pemrosesan Citra Digital ... 13

2.4.1. Grayscale... 13

x

2.4.3. Edge Detection... 16

2.5. Transformasi Hough... 22

2.6. Metode Histogram ... 24

2.7. Euclidean Distance ... 25

2.8. Principal Component Analysis (PCA) ... 27

BAB III METODE DAN PERANCANGAN SISTEM... 28

3.1.Lokasi dan Waktu Penelitian ... 28

3.2.Sumber dan Jenis Data Penelitian ... 28

3.2.1. Sumber Data... 28

3.2.2. Metode Pengumpulan Data... 29

3.2.3. Jenis Data Penelitian ... 29

3.4 Alat Penelitian... 30

3.5Tahapan Penelitian ... 30

3.5.1 Alur Analisis ... 30

3.5.2 Perancangan Sistem ... 32

BAB IV HASIL DAN PEMBAHASAN ... 36

4.1 Sample Citra ... 36

4.2 Pengujian Citra RGB ke Grayscale ... 38

4.3 Pengujian Hasil Filtering ... 40

4.3.1 Pengujian Hasil Hitam Putih dan Pemotongan Tepi dari Plat . 40 4.4 Pengujian Segmentasi dengan Histogram ... 42

4.5 Pengujian Metode PCA ( Principal Component Analysis ) ... 43

4.6 Pengujian Euclidean Distance ... 43

4.6.1 Hasil Simulai Pendeteksian Citra Sampel ke-1 Sampai ke-20. 44 4.6.2 Tabel Spesifikasi Dari Setiap Karakter ... 48 BAB V SIMPULAN DAN SARAN

5.1 Simpulan... 50

5.2 Saran ... 51

DAFTAR PUSTAKA ... 52

xii

DAFTAR GAMBAR

Gambar 2.1 Penomoran Plat kendaraan Bermotor... 9

Gambar 2.2 Citra Biner ... 11

Gambar 2.3 Citra RGB... 13

Gambar 2.4 Citra Grayscale ... 14

Gambar 2.5 Proses Deteksi Tepi... 17

Gambar 2.6 Deteksi tepi Roberts ... 18

Gambar 2.7 Deteksi tepi Sobel ... 19

Gambar 2.8 Derajat arah tepian warna Canny ... 21

Gambar 2.9 Deteksi tepi Canny ... 21

Gambar 2.10 Transformasi domain citra ke domain Hough... 23

Gambar 2.11 Koordinat Jarak Euclidean 2 Dimensi... 26

Gambar 3.1 Flowchart Alur Analisis ... 31

Gambar 3.2 Flowchart Alur Pelatihan Program... 32

Gambar 3.3 Flowchart Alur Pengujian Program... 33

Gambar 4.1 Sampel Citra B229AT.jpg ... 37

Gambar 4.2 Tampilan Informasi Citra Sample Sebagai 3 Matrik ... 38

Gambar 4.3 Sample Citra RGB B229AT.jpg ... 39

Gambar 4.4 Hasil Konversi Sample Citra RGB B229AT.jpg ke Grayscale... 40

Gambar 4.5 Perbandingan Citra Sebelum Dan Sesudah Filtering ... 41

Gambar 4.6 Hasil Konversi Sampel Citra Grayscale Ke Hitam Putih ... 42

Gambar 4.7 Hasil Pemotongan Sample Citra Hitam Putih ... 42

Gambar 4.8 Citra Awal ( A ), Hasil Citra Yang di Histogram ( B ), Citra Hasil Segmentasi ( C )... 43

DAFTAR TABEL

Tabel 2.1 Rentang bit citra grayscale ... 12 Tabel 4.1 Hasil Simulasi Pendeteksian 20 Citra Sampel ... 45 Tabel 4.2 Presentase dari Setiap Karakter ... 49

1

BAB I PENDAHULUAN 1.1 Latar Belakang

Pesatnya perkembangan teknologi saat ini menjadi umpan bagi para ahli untuk mencetuskan terobosan-terobosan baru berbasis teknologi canggih. Terobosan ini diciptakan guna mempercepat dan mempermudah kinerja manusia dalam melakukan sesuatu dalam berbagai bidang. Salah satunya dalam bidang pengolahan citra digital

(image processing). Pengolahan citra digital sederhana sering digunakan dalam proses pengeditan citra digital. Selain digunakan untuk pengeditan citra digital dengan menggunakan filter-filter tertentu, pengolahan citra digital telah berkembang dan banyak dimanfaatkan dalam teknik pengenalan pola bahkan menjadi dasar sistem yang sangat vital dalam teknik pengenalan pola. Pola dapat didefinisikan sebagai suatu entitas yang dapat dibedakan baik dari bentuk secara kasat mata maupun hasil dari suatu rekonstruksi yang didapatkan dari hasil pengukuran atau pemantauan dan bisa dinyatakan dalam bentuk matriks dan notasi vektor yang menjadi acuan dalam sistem pengenalan pola. Beberapa sistem pengenalan pola telah dikembangkan menggunakan pengolahan citra digital, seperti teknik pengenalan pola sidik jari manusia, pola wajah, pola tulisan tangan maupun pola pada citra hasil cetakan.

Berbagai aplikasi dapat dibangun menggunakan teknik pengenalan pola dalam pengolahan citra digital salah satunya dalam sistem parkir. Sistem parkir dibutuhkan pada setiap pusat-pusat keramaian seperti bandara, mall,dan tempat-tempat lainnya yang menjadi pusat aktifitas orang banyak. Sistem parkir berfungsi untuk mengatur keluar masuknya kendaraan ke gedung parkir atau lapangan parkir yang terbatas agar kendaraan dapat diparkir sesuai dengan jenis kendaraan pada tempat yang ditentukan oleh sistem. Tidak hanya membedakan jenis kendaraan, sistem parkir juga bertugas menghitung biaya yang dikenakan untuk parkir setiap kendaraan yang masuk sesuai tarif perwaktu yang telah ditentukan.

2

Dalam proses pencatatan, setiap kendaraan dapat dibedakan oleh sistem dengan mencatat nomor polisi yang merupakan identitas resmi dari kepolisian untuk kendaraan bermotor. Namun seringkali terjadi penumpukan kendaraan pada loket pencatatan identitas kendaraan yang disebabkan oleh pencatatan identitas kendaraan masih memakai sistem manual. Pada pencatatan identitas kendaraan sistem manual, petugas loket menginput identitas kendaraan secara manual ke dalam sistem, sehingga kecepatan pelayanan loket tergantung pada kecepatan petugas dalam membaca dan menginputkan data identitas kendaraaan ke sistem. Selain itu, penginputan data identitas secara manual memungkinkan terjadi kesalahan karena manusia memiliki sifat cepat bosan dan lelah. Oleh karena itu, beberapa metode telah muncul yang diteliti oleh para ahli salah satunya berbasis pengolahan citra digital

image processing.

Analisis Sistem Pendeteksi Posisi Plat Kendaraan Dari Citra Kendaraan (IDewa Gede Aditya Pemayun , Jurnal Teknik Elektro Universitas Udayana) Dalam jurnal Aditya, memaparkan pendeteksian posisi plat kendaraan bermotor menggunakan teknik pengolahan citra digital dengan menggunakan metode Transformasi Hough dimana sistem akan mendeteksi garis vertikal maupun garis horizontal sebagai kandidat sisi plat, kemudian membandingkan masing masing garis dalam tahap threshoding untuk menemukan pasangan tinggi plat secara vertikal dan lebar plat secara horizontal.

Dalam tugas akhir ini akan dibahas mengenai pengenalan karakter plat kendaraan bermotor menggunakan teknik pengolahan citra digital dengan menggunakan metode Histogram dan metode principal component analisys sebagai ektrasi ciri dan sebagai sistem segmentasi karakter dari plat tersebut, metode

3

karakter plat kendaraan dan dapat membedakan objek area plat dengan objek lainnya dalam citra kendaraan.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, maka rumusan permasalahan yang akan dibahas lebih lanjut dalam penelitian ini adalah sebagai berikut:

1. Bagaimana membangun sistem pengenalan karakter plat kendaraan dari citra kendaraan dengan metode histogram, metode principal component analisys, dan metodeeuclidean distance?

2. Bagaimana unjuk kerja pengenalan karakter plat kendaraan dari suatu citra kendaraan dengan metode histogram, metode principal component analisys, dan metodeeuclidean distance?

1.3 Tujuan

Adapun tujuan yang ingin dicapai dari penyusunan tugas akhir ini adalah sebagai berikut :

1. Untuk mengetahui pembangunan sistem pengenalan karakter plat kendaraan dari suatu citra kendaraan dengan memanfaatkan metode histogram, metode

principal component analisys, dan metodeeuclidean distance

2. Untuk mengetahui unjuk kerja metode histogram metode jaringan euclidean distance, dan metode principal component analisys dari sistem deteksi karakter plat kendaraan dari suatu citra kendaraan.

4

Adapun manfaat yang dapat diambil dari penyusunan tugas akhir ini adalah sebagai berikut :

1. Bagi penulis, dapat memperkaya pengetahuan di bidang pengolahan citra digital.

2. Dapat menjadi acuan untuk penelitian selanjutnya dalam pemilihan metode yang tepat dalam proses pengenalan karakter plat kendaraan pada citra kendaraan.

1.5 Ruang Lingkup Dan Batasan Masalah

Penyusunan tugas akhir ini menggunakan beberapa asumsi, agar permasalahan tidak berkembang menjadi luas akibat timbulnya permasalahan baru, maka perlu dilakukan batasan permasalahan sebagai berikut :

1. Citra yang diuji dalam sistem ini berjumlah 20 citra dimana setiap citra yang telah diambil sebelumnya oleh penulis sebagai sampel citra dengan dimensi 640 x 480pixeldan diambil secaralandscape.

2. Sample citra yang digunakan di-capturedengan jarak yang ditentukan yaitu 1,5 meter dari kendaraan.

3. Proses pengambilan gambar dilakukan pada siang hari atau dalam kondisi cahaya terang.

4. Sample plat yang diambil sebagai objek pengambilan citra adalah plat kendaraan pribadi resmi dari kepolisian tanpa dimodifikasi baik ukuran bentuk maupun warna.

5. Pengambilan citra pada objek kendaraan yang diam sehingga tidak menghasilkan efek blur atau kabur.

6. Pengambilan setiap citra yang di ambil menggunakan spesifikasi kamera yang sama.

5

8. Tidak dapat mengenali karakter yang tersisa di karenakan sample citra yang kurang

1.6 Sistematika Penulisan

Sistematika penulisan dalam penyusunan tugas akhir ini terdiri dari pokok pembahasan yang saling berkaitan antara satu dengan lainnya, yaitu :

BAB I : PENDAHULUAN

Bab ini membahas mengenai gambaran umum penelitian mulai dari latar belakang, rumusan masalah, tujuan penulisan, manfaat penelitian, batasan masalah dan sistematika penulisan.

BAB II : TINJAUAN PUSTAKA

Bab ini berisikan teori-teori dasar yang digunakan dalam pembuatan simulasi sistem pengenalan karakter plat kendaraan pada citra kendaraan, yang meliputi konsep dasar citra, pengolahan citra digital, Transformasi Hough, metode Histogram, dan deteksi karakter plat nomor kendaraan bermotor.

BAB III : METODE PERANCANGAN SISTEM

Bab ini menjelaskan mengenai lokasi dilakukan penelitian, waktu penelitian dimulai, sumber dan jenis data yang akan diolah dalam penelitian, alat-alat penunjang dalam penelitian, dan tahapan penelitian yang dimulai dari alur analisis penelitian,hingga perancangan perangkat lunak simulasi sistem pengenalan karakter plat nomor kendaraan bermotor pada citra kendaraan

BAB IV : HASIL DAN PEMBAHASAN

Bab ini menjelaskan tentang langkah-langkah pendeteksian sistem pada citra sampel, hasil simulasi dari seluruh citra sampel, dan analisis hasil dari proses pendeteksian.

6

BAB V : SIMPULAN DAN SARAN

Bab ini berisi simpulan dari penulis tentang hasil simulasi pendeteksian plat nomor kendaraan dan saran untuk kelanjutan penelitian ini.

6

BAB II

TINJAUAN PUSTAKA

Dalam bab ini akan diuraikan mengenai teori-teori penunjang yang digunakan dalam penelitian sistem pengenalan karakter plat kendaraan pada citra uji kendaraan, ringkasan dari hasil penelitian yang sudah dilakukan terkait dengan topik penelitian ini, dan perbedaan sistem yang akan dibahas dalam penelitian ini dengan penelitian sebelumnya.

2.1 Tinjauan Mutakhir

Penelitian “Analisis Sistem Pengenalan Karakter Plat Kendaraan dari Citra

Kendaraan” disusun menggunakan acuan beberapa referensi yang membahas topik

berkaitan dengan pengenalan karakter plat kendaraan. Beberapa referensi yang akan digunakan sebagai acuan pengembangan penelitian ditentukan berdasarkan topik terkait penelitian, metode yang digunakan, dan algoritma simulasi yang diterapkan dalam penelitian tersebut. Hal ini bertujuan untuk menentukan batasan-batasan masalah yang akan dibahas lebih lanjut dalam penelitian ini. Dalam hal ini penulis memilih beberapa referensi sebagai acuan penelitian serupa yang menggunakan arsitektur sistem, metode, dan alur pengembangan yang berbeda satu sama lain. Uraian singkat referensi tersebut adalah sebagai berikut.

1. PENGENALAN PLAT NOMOR POLISI KENDARAAN BERMOTOR

(Tugas akhir Ottopianus Mellolo, Program Studi Teknik Elektro Politeknik Manado Jurnal Ilmiah Sains Vol. 12. No. 1, April 2012). Dalam penelitiannya, ottopianus menggunakan merujuk pada penelitian yang dilakukan oleh Martinsky dengan judul Algoritmic and Mathematical Principle of Automatic Number Plate Recognition Systems dengan JavaANPR perangkat lunak yang digunakan untuk mengenali plat nomor polisi yang terdapat dalam citra kendaraan (plat dasar putih/terang tulisan hitam/gelap) untuk mendeksi karakter plat kendaraan. Ottorpianus

7

menggunakan Hough transform untuk mendeteksi plat dari kendaraan dan juga thresholding untuk membuat input citra tersebut menjadi hitam dan putih

2. Segmentasi Plat Nomor Kendaraan Dengan Menggunakan Metode Run-Length Smearing Algorithm (RLSA) (Tugas Akhir Liliana, Universitas Kristen Petra)

Dalam penelitian Liana, membahas tentang pengembangan aplikasi menggunakan metode run-lengths mearing untuk mencari lokasi plat nomor kendaraaan. Pada penelitian ini menggunakan warna biru pada citra uji sebagai pengganti grayscale untuk memudahkan pengenalanan pada plat nomor kendaraan di Indonesia yang cenderung berwarna gelap yang menyebabkan proses pencarian posisi tidak bisa dilakukan dengan mengenali warna plat. Penerapan proses smearing dalam penelitian Liana dilakukan sebanyak tiga kali dengan melakukan scan line secara vertikal dan horizontal secara bergantian hingga mendapatkan hasil yang maksimal. Dari penelitian yang dilakukan dengan citra uji plat kendaraan dengan jarak pengambilan gambar sejauh 2 sampai 2,5 meter , posisi plat kendaraan dapat dikenali dengan baik. Namun hasil pengenalan posisi plat nomor dalam penelitian ini dipengaruhi oleh intensitas cahaya dan warna kendaraan saat pengambilan citra uji.

3. Analisis Sistem Pendeteksi Posisi Plat Kendaraan Dari Citra Kendaraan (IDewa Gede Aditya Pemayun , Jurnal Teknik Elektro Universitas Udayana) Dalam jurnal Aditya, memaparkan pendeteksian posisi plat kendaraan bermotor menggunakan teknik pengolahan citra digital dengan menggunakan metode Transformasi Hough dimana sistem akan mendeteksi garis vertikal maupun garis horizontal sebagai kandidat sisi plat, kemudian membandingkan masing masing garis dalam tahap threshoding untuk menemukan pasangan tinggi plat secara vertikal dan lebar plat secara horizontal. Sistem diharapkan mampu mendeteksi posisi plat kendaraan dan dapat membedakan objek area plat

8

horizontal menunjukkan keberhasilan 90% dengan 10% tingkat kegagalan. Simulasi skenario kedua deteksi vertikal mendapatkan tingkat keberhasilan 35% dengan persentase kegagalan yang lebih tinggi sebesar 65%. Skenario gabungan mendapatkan keberhasilan sistem dalam mendeteksi 20 citra sampel adalah 95% dengan persentase kegagalan 5%.

2.2 Tanda Nomor Kendaraan Bermotor

Tanda Nomor Kendaraan Bermotor (TNKB) merupakan salah satu bentuk identitas kendaraan yang resmi dikeluarkan oleh Kantor Bersama Samsat. Secara fisik bentuk identitas kendaraaan ini berupa potongan plat aluminium yang memiliki nomor seri yakni susunan huruf dan angka berbeda pada setiap kendaraan. Identitas ini dapat pula disebut plat nomor atau nomor polisi (nopol) yang terpasang pada bagian depan dan belakang kendaraan bermotor. Nomor ini di Indonesia dipadukan dengan informasi lain mengenai kendaraan bersangkutan, seperti warna, merk, model, tahun pembuatan, nomor identifikasi kendaraan atau VIN dan tentu saja nama dan alamat pemilikinya. Semua data ini juga tertera dalam Surat Tanda Nomor Kendaraan Bermotor (STNK) yang merupakan surat bukti bahwa nomor polisi itu memang ditetapkan bagi kendaraan tersebut. Selain itu, plat nomor juga diakui secara sah sebagai bukti bahwa kendaraan tersebut sudah memiliki izin untuk beroperasi di jalan raya umum, atau juga sebagai bukti pembayaran pajak kendaraan bermotor.

2.2.1 Spesifikasi Teknis Tanda Nomor Kendaraan Bermotor

Tanda nomor kendaraan bermotor di Indonesia berbentuk plat aluminium dengan cetakan tulisan dua baris. Baris pertama menunjukkan: kode wilayah (huruf), nomor polisi (angka), dan kode akhir wilayah (huruf) baris kedua menunjukkan bulan dan tahun masa berlaku.

Tanda Nomor Kendaraan Bermotor (TNKB) terbuat dari aluminium denganketebalan satu milimeter dan ukuran untuk kendaraan bermotor roda 2 dan roda 3 adalah 275 x110 mm,sedangkan untuk kendaraan bermotor roda 4 atau lebih

9

adalah 430 x135 mm. Terdapat lis putih di sekeliling plat yang guna memperjelas area plat kendaraan. Pada sudut kanan atas dan sudut kiri bawah terdapat tanda khusus (security mark) cetakan lambang Polisi Lalu Lintas; sedangkan pada sisi sebelah kanan dan sisi sebelah kiri ada tanda khusus cetakan "DITLANTAS POLRI"(Direktorat Lalu Lintas Kepolisian RI) yang merupakan hak paten pembuatanTNKB oleh Polri dan TNI.

Gambar 2.1Penomoran Plat kendaraan Bermotor (Sumber :Anonim. 2013)

2.2.2 Warna Tanda Nomor Kendaraan Bermotor

Warna tanda nomor kendaraan bermotor yang berlaku di Indonesia ditetapkan sebagai berikut:

1. Kendaraan bermotor bukan umum dan kendaraan bermotor sewa: warna dasar hitam dengan tulisan berwarna putih.

2. Kendaraan bermotor umum: warna dasar kuning dengan tulisan berwarna hitam.

3. Kendaraan bermotor milik pemerintah: warna dasar merah dengan tulisan berwarna putih.

4. Kendaraan bermotor korps diplomatik negara asing: warna dasar putih dengan tulisan berwarna hitam.

10

5. Kendaraan bermotor staf operasional korps diplomatik negara asing: warna dasar hitam dengan tulisan berwarna putih dan terdiri dari lima angka dankode angka negara dicetak lebih kecil dengan format sub-bagian.

6. Kendaraan bermotor untuk transportasi dealer (pengiriman dari perakitan ke dealer, atau dealer ke dealer): warna dasar putih dengan tulisan berwarna merah.

2.3 Konsep Dasar Citra

Citra (image) adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpanpada suatu media penyimpan (Sutuyo dkk, 2009).

2.3.1 Citra Analog

Citra analog adalah citra yang bersifat kontinu, seperti gambar pada layar televisi, foto sinar-X, foto yang tercetak di kertas foto, lukisan, pemandangan alam, hasil CT scan, gambar-gambar yang terekam pada pita kaset, dan lain sebagainya. Citra analog tidak dapat direpresentasikan dalam komputer sehingga tidak bisa diproses di komputer secara langsung. Oleh sebab itu, agar citra ini dapat diproses di komputer, proses konversi analog ke digital harus dilakukan terlebih dahulu. Citra analog dihasilkan dari alat-alat analog, seperti : video kamera analog, kamera foto analog, WebCam, CT scan, sensor rontgen untuk foto thorax, sensor gelombang pendek pada sistem radar, sensorultrasoundpada sistem USG, dan lain-lain.

2.3.2 CitraDigital

Citra digital adalah gambar dua dimensi yang dapat ditampilkan pada layar monitor komputer sebagai himpunan berhingga (diskrit) nilai digital yang disebut

pixel (picture elements). Pixel adalah elemen citra yang memiliki nilai yang menunjukkan intensitas warna. Citra digital (diskrit) dihasilkan dari citra analog

11

(kontinu) melalui digitalisasi. Digitalisasi citra analog terdiri atas penerokan (sampling) dan kuantisasi (quantization). Penerokan adalah pembagian citra ke dalam elemen-elemen diskrit (pixel), sedangkan kuantisasi adalah pemberian nilai intensitas warna pada setiappixeldengan nilai yang berupabilangan bulat (Awcock, 1996).

Banyaknya nilai yang dapat digunakandalam kuantisasi citra bergantung pada kedalaman pixel, yaitu banyaknya bit yang digunakan untuk merepresentasikan intensitas warna pixel. Kedalaman pixel sering disebut juga kedalaman warna. Citra digital yang memiliki kedalaman pixeln-bit disebut juga citra n-bit. Berdasarkan jenisnya, citra digital dapat dibagi menjadi 3 sebagai berikut (T. Sutuyo dkk, 2009). 1. Citra Biner (Monokrom)

Jenis citra yang paling sederhana yang biasa digunakan dalam digital image processing adalah binaryimage atau citra biner. Binaryimage merupakan citra yang hanya dapat menampung 2 buah nilai (1 bit) untuk mewakili warna hitam dan putih dalam setiappixel-nya.

Gambar 2.2Citra Biner

(Sumber :http://digilib.ittelkom.ac.id,2015)

Tiap-tiap pixel dalam citra biner hanya bernilai 0 atau 1 sehingga citra jenis biner hanya mempunyai 2 warna yaitu hitam dan putih. Jenis citra ini biasanya digunakan untuk gambar grafik, proses encoding, transmisi fax dan biasa digunakan

12

2. CitraGrayscale(skala keabuan)

Citra grayscale merupakan citra 1 channel yang nilai setiap pikselnya merepresentasikan derajat keabuan , intensitas warna putih atau tingkat intensitas cahaya pada citra tersebut. Nilai intensitas paling rendah merepresentasikan warna hitam dan nilai intensitas paling tinggi merepresentasikan warna putih. Oleh karena itu, citra grayscale juga dikenal dengan istilah intensity image. Nilai pixel pada citra grayscale umumnya memiliki kedalaman pixel 1byte atau 8 bit yang berada pada rentang nilai 0-255 (256 derajat keabuan) untuk mewakili intensitas cahaya. Citra grayscale mempunyai beberapa rentang bit yang dijelaskan pada tabel berikut.

Tabel 2.1Rentang bit citra grayscale Jumlah

Channel Jumlah Bit atau Pixel Range

1 1 0…1

1 8 0…255

1 12 0…4095

1 14 0…16383

1 16 0…65535

(Sumber : http://digilib.ittelkom.ac.id,2015)

3. Citra Berwarna (color image)

Citra berwarna merupakan jenis citra yang digunakan untuk gambar berwarna. Jenis gambar berwarna yang biasa digunakan adalah jenis citra RGB yang terdiri dari 3 warna yaitu (red, green, blue) yang dikombinasikan dengan masing-masing intensitas berbeda untuk mengisi 1 warna pada setiap pixel-nya. Setiap warna pada citra RGB adalah warna dasar yang akan menghasilkan warna putih jika ketiga warna

13

tersebut dicampur dengan intensitas maksimum. Citra berwarna direpresentasikan dalam beberapa kanal (channel) yang menyatakan komponen-komponen warna penyusunnya. Banyaknya kanal yang digunakan bergantung pada model warna yang digunakan pada citra tersebut. Umumnya sebuah pixel pada citra RGB terdiri dari 3 channel dimana masing-masing channel akan berisi sebuah warna dengan intensitasnya masing-masing. Untuk memetakan 1 buah channel atau warna pada suatu pixel, biasanya diperlukan minimal 8 bit. Oleh karena itu sebuah citra RGB akan memerlukan minimal 24 bit untuk setiappixelyang digunakan.

Gambar 2.3Citra RGB (Sumber : https://www.cs.cmu.edu)

2.4 Pra Pemrosesan Citra Digital 2.4.1 Grayscale

Mengubah citra berwarna menjadi citra grayscale adalah proses awal yang banyak dilakukan dalam image processing, hal ini dilakukan bertujuan untuk menyederhanakan model citra. Pada awalnya citra RGB umumnya terdiri dari 3 layer

matrik yaitu R-layer, G disetiap proses-proses se dilakukan menggunakan Sehingga konsep itu diu

grayscale dan hasilnya warna seperti citra sebelu

Untuk mengubah r, g dan b menjadi citra dengan mengambil

rata-= + +₃

Dimana :

s = Nilai derajat ke r = NilaiRedpada s g = NilaiGreenpa

, G-layer dan B-layer. Tiga layer ini akan tetap selanjutnya pada citra tersebut. Bila setiap prose kan tiga layer, berarti dilakukan tiga perhitunga diubah dengan mengubah 3layerdi atas menjadi 1

a adalah citra grayscale. Citra ini tidak mempuny belum diubah, melainkan mempunyai derajat keabua

Gambar 2.4Citra Grayscale (Sumber : http://www.ece.rice.edu)

h citra berwarna yang mempunyai nilai matrik m itra grayscale dengan nilai s, maka konversi da

a-rata dari nilai r, g dan b sehingga dapat dituliska

= + +₃

keabuan

da suatu nilai RGB pada suatu nilai RGB

14

tap diperhatikan oses perhitungan ungan yang sama. di 1layermatrik punyai elemen buan.

k masing-masing dapat dilakukan

kan menjadi:

15

b = NilaiBluepada suatu nilai RGB

Sesuai dengan paparan diatas, pengubahan citra berwarna menjadi grayscale

dilakukan dengan menggunakan rata-rata nilai grayscale dari setiap layer R, G, dan B. Dalam penggunaan rata-rata nilai setiap layer dinilai masih belum optimal untuk menunujukkan citra grayscale sehingga dilakukan pengubahan komposisi sebagai berikut:

= +_{+ +}+

Dengan nilai =0.35, =0.25 dan =0.4 sehingga nilai + + = 1 Fungsi dari format warna gray ini adalah untuk memudahkan proses selanjutnya. Dengan format warnagrayini maka dihasilkan nilai R=G=B. ( Sutoyo, T. )

2.4.2 Low Pass Filter

Low pass filter merupakan metode dasar yang banyak digunakan dalam pengolahan citra digital. Low pass filter digunakan dalam pengolahan citra digital untuk menghaluskan citra. Suatu citra umumnya mengandung gangguan (derau /noise) yang mengganggu kualitas citra. Derau dapat ditimbulkan dari proses pengolahan yang tidak sesuai maupun dari gangguan fisis (optik) pada alat yang memberikan konribusi derau pada citra. Derau dapat dikurangi dengan menggunakan

low pass filtersehingga citra menjadi lebih halus. ( Pitas, Loannis )

Low pass filter juga biasa disebut dengan filter blurring atau

filtersmoothingdengan menghitung nilai rata-rata perubahan yang mencolok pada suatu piksel dengan 8 piksel tetangganya. Nilai rata-rata yang didapatkan akan menggantikan nilai piksel sebelumnya. Citra yang telah melewati low pass filterakan terlihat lebihblurdibandingkan sebelumlow pass filter.

16

2.4.3 Edge Detection

Tepian sebuah citra memuat informasi penting dari citra dan dapat merepresentasikan objek-objek yang terdapat dalam citra, baik informasi bentuk objek, ukuran objek, bahkan dapat merepresntasikan tekstur objek dalam citra. Tepian citra adalah posisi dimana intensitas piksel dari citra berubah dari nilai rendah ke nilai tinggi atau sebaliknya (Putra, 2010). Deteksi tepi (Edge detection) adalah operasi yang dijalankan untuk mendeteksi garistepi (edges) yang membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda (Pitas, 1993). Deteksi tepi digunakan untuk mendeteksi seluruh edge atau garis-garis dalam citra yang membentuk objek gambar. Deteksi tepi dapat mendeteksi bagian bagian garis tersebut sehingga garis akan terlihat lebih jelas. Pengenalanan tepi penting digunakan dalam pengolahan citra digital guna meningkatkan garis batas suatu daerah atau obyek atau menghasilkan tepi-tepi dari obyek-obyek citra yang bertujuan untuk menandai bagian tertentu pada citra dan untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dariproses akuisisi citra. Pelacakan tepi merupakan operasi untuk menemukan perubahan intensitas lokal yang berbeda dalam sebuah citra (Prasetyo, 2011, Gonzales, 2002). Gradien adalah hasil pengukuran perubahan dalam sebuah fungsi intensitas, dan sebuah citra dapat dipandang sebagai kumpulan beberapa fungsi intensitas kontinyu sebuah citra. Perubahan mendadak pada nilai intensitas dalam suatu citra dapat dilacak menggunakan perkiraan diskrit pada gradien. Gradien disini adalah kesamaan dua dimensi dari turunan pertama dan didefinisikan sebagai vektor (Gonzales, 2002). Seperti yang di tunjukan pada gambar 2.5 berikut :

17

Gambar 2.5Proses Deteksi Tepi

Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangganya. Tepi merupakan perubahan nilai intensitas derajat keabuan yang tinggi dalam jarak yang singkat. Ada beberapa operator deteksi tepi yang umum digunakan yaitu:

1. Operator Robert

Operator Roberts merupakan operator deteksi tepi awal yang sederhana dan memiliki tingkat komputasi yang cepat. Operator Roberts menggunakan turunan order pertama yang umumnya digunakan untuk citra grayscale. Operator ini dapat digambarkan dengan dua bentuk matriks ukuran 2x2 yang memiliki nilai berkebalikan sepanjang arah sumbu seperti berikut ini. (Darma Putra, 2010)

Differensial Arah Vertikal

Differensial Arah Horizontal Citra Awal

+

18

= 1 0_{0 1} = 0 1_{1 0}

Gambar 2.6Deteksi tepi Roberts

(a) Citra asli, (b) Operator Roberts Gx T=0.05, (c) Operator Roberts GyT=0.05 (Sumber: Darma Putra, 2010)

2. Operator Prewitt

Operator Prewitt diperkenalkan oleh Prewitt pada tahun 1970. Operator ini merupakan operator yang dikembangkan guna mendapatkan nilai yang lebih stabil, dilakukan dengan cara mengkondisikan nilai rata-rata dalam operator Roberts. Operator Prewitt dikembangkan dengan nilai matriks baru dalam tiga bentuk baris atau kolom seperti berikut. (Darma Putra, 2010)

= 01 01 01

1 1 1

= 1 0 11 0 1 1 0 1

19

3. Operator Sobel

Operator Sobel merupakan operator yang lebih sensitif dengan tepian diagonal. Operator ini merupakan pengembangan dari metode Robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Kelebihan dari metode ini dapat mengurangi noise sebelum melakukan perhitungan deteksi tepi. Operator ini terbentuk dari matriks 3x3 seperti matriks (Darma Putra, 2010)

= 01 02 01

1 2 1

= 2 0 21 0 1 1 0 1

Gambar 2.7Deteksi tepi Sobel

(a) Citra asli, (b) Operator Sobel horizontal T=0.05, (c) Operator Sobel vertikal T=0.05 (Sumber: Darma Putra, 2010)

4. Operator Canny

Deteksi tepi canny merupakan salah satu deteksi tepi yang populer, kuat, dan efektif dalam rangka menghasilkan citra tepian (Marquest, 2011). Menurut Putra (2010), dalam buku Pengolahan Citra Digital ada beberapa langkah yang harus dilakukan untuk menggunakan deteksi tepi canny adalah sebagai berikut.

20

a. Langkah pertama diawali dengan menerapkan tapis Gaussian untuk menghilangkan derau yang terkandung pada citra. Proses Gaussian filter ini akan menghasilkan citra yang lebih halus dan tampak kabur dibandingkan dengan citra sebelum ditapis. Hal ini dimaksudkan untuk mendapatkan citra yang sebenarnya. Bila tidak dilakukan maka garis-garis halus juga akan terdeteksi sebagai tepian.

b. Melakukan pengenalanan tepi dengan salah satu operator deteksi tepi seperti Roberts, Prewitt, atau Sobel dengan melakukan pencarian secara horizontal (Gx) dan secara vertikal (Gy). (Darma Putra, 2010) Berikut ini salah satu contoh operator deteksi tepi (Operator Sobel):

1 0 1 2 0 2 1 0 1

1 2 1

0 0 0

1 2 1

Hasil dari kedua operator digabungkan untuk mendapatkan hasil gabungan tepi vertikal dan horizontal dengan rumus:

| | = | | +

c. Menentukan Arah tepian yang ditemukan dengan menggunakan rumus:

=

selanjutnya membagi ke dalam 4 warna sehingga garis dengan arah yang berbeda memiliki warna yang berbeda. Pembagiannya adalah derajat 0 – 22,5 dan 157,5 – 180 berwarna kuning, derajat 22,5 – 67,5 berwarna hijau, dan derajat67,5–157,5 berwarna merah.Berikut ini adalah bagan pembagian warna berdasarkan arah tepian yang dilakukan oleh Canny:

21

Gambar 2.8Derajat arah tepian warna Canny (Sumber: http://dasl.mem.drexel.edu)

d. Setelah mendapatkan derajat warna arah tepian citra, dilanjutkan dengan menerapkan nonmaximum suppression untuk memperkecil garis tepi yang muncul sehingga dapat menghasilkan garis tepian yang lebih tipis pada citra keluaran.

e. Langkah terakhir yang wajib dilakukan dalam penerapan deteksi tepi canny adalah binerisasi dengan menerapkan dua buahthresholding

Berikut ini salah satu contoh citra yang diproses menggunakan operator deteksi tepi Canny.

Gambar 2.9Deteksi tepi Canny (a) Citra asli, (b) Citra HasilT=0.05

22

2.5 Transformasi Hough

Menurut Kamus Besar Bahasa Indonesia, transformasi merupakan perubahan struktur gramatikal menjadi struktur gramatikal lain baik dari bentuk sifat maupun fungsinya dengan cara menambah, mengurangi, atau menata kembali unsur-unsurnya. Dalam hal ini transformasi menyangkut proses pengolahan citra sehingga sebuah citra yang ditransformasikan merupakan suatu proses perubahan citra. Transformasi citra bertujuan untuk mendapatkan informasi (feature extration) yang lebih jelas yang terkandung dalam suatu citra. Ada berbagai metode transformasi yang telah ditemukan dalam ilmu pengolahan citra salah satunya adalah transformasi hough.

Transformasi hough awalnya diperkenalkan oleh Paul Hough pada tahun 1962. Pada awal diperkenalkan, transformasi hough digunakan untuk mendeteksi garis lurus pada citra. Transformasi hough merupakan teknik transformasi citra yang dapat digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batas-batasnya (boundarydetection)(Putra, 2010).Gagasan dari transformasi hough adalah membuat persamaan dari suatu piksel dan mempertimbangkan semua pasangan yang memenuhi persamaan ini. Semua pasangan ditempatkan pada suatu larik akumulator, yang disebut larik transformasi (McAndrew, 2004).

Suatu proses transformasi dilakukan untuk mendapatkan suatu fitur yang lebih spesifik. Sehingga teknik yang paling umum digunakan untuk mendeteksi objek yang berbentuk kurva seperti garis, lingkaran, elips, dan parabola salah satunya adalah classical hough transform. Konsep dasar dari transformasi hough adalah menemukan garis dan kurva pada suatu citra yang tak terhitung jumlahnya melewati banyak titik dalam berbagai ukuran dan orientasi dalam citra tersebut. Keuntungan utama dari Transformasi Hough adalah dapat mendeteksi sebuah tepian dengan celah pada batas fitur dan secara relatif tidak dipengaruhi oleh derau atau noise

(Putra,2010). Transformasi hough menggunakan bentuk parametrik dan mengestimasi nilai parameter dengan menggunakan mekanisme pemungutan suara terbanyak atau voting dalam menentukan nilai parameter yang tepat. Dalam

23

transformasi hough, beberapa garis yang berpotongan pada suatu titik dalam sebuah citra bila ditransformasikan ke ruang parameter − _{, akan mendapatkan sebuah}

garis lurus yang dapat dinyatakan sebagai berikut.

= +

Sebaliknya jika garis lurus dalam cebuah citra ditransformasikan ke ruang parameter − _{, akan diperoleh beberapa garis yang berpotongan dalam suatu titik}

dalam ruang parameter − _{. Namun, seiring dengan berkembangnya pengolahan}

citra dengan menggunakan transformasi hough, apabila ditemui sebuah garis vertikal, maka akan terjadi masalah dalam penghitungannya dikarenakan garis vertikal mempunyai nilai gradien kemiringan yang besarnya tak berhingga ∞. Sehingga

digunakan beberapa rumus yang dapat diterapkan dalam Transformasi Hough sesuai dengan bentuk objek yang di analisis seperti objek garis, lingkaran, elips, dan lain sebagainya.

Gambar 2.10Transformasi domain citra ke domain hough (Sumber:http://northstar-www.dartmouth.edu)

Penerapan transformasi hough untuk mencari objek garis dapat didefinisikan untuk fungsi A(x,y) dengan A(x,y), setiap titik (x,y) dalam gambar asli, A, dapat di rumuskan menjadi:

24

dimana adalah jarak tegak lurus dari asal garis pada sudut yang akan dibatasi untuk 0< <π yang dapat menghasilkan nilai negatif.

Dalam transformasi hough titik-titik yang terletak pada satu baris atau garis yang sama dalam citra akan menghasilkan garis sinusoid yang berpotongan di satu titik pada domain hough. Begitu juga sebaliknya untuk invers transformasi (back projection) setiap titik dalam domain hough akan berubah menjadi garis lurus pada domain citra.

2.6 Metode Histogram

Histogram citra merupakan salah satu bentuk representasi grafis karakteristik spektral citra yang bersangkutan. Dengan histogram analisis citra dapat memahami citra yang dipelajari misalnya aspek kecerahan dan ketajamannya. Dari histogram juga kadang-kadang dapat diduga jenis saluran spektral citra yang digunakan. Perubahan atas distribusi nilai pada citra secara langsung berakibat pada perubahan tampilan histogram. Sebaliknya, dengan memainkan bentuk histogramnya banyak program pengolah citra secara interaktif mampu mengubah tampilan citranya. Dengan kata lain, perangkat lunak pengolah citra kadang-kadang menggunakan histogram sebagai jembatan komunikasi antara pengguna dengan data citra. (Projo, 2002).

Histogram citra dipresentasikan dengan dua bentuk: pertama tabel yang memuat kolom-kolom nilai piksel jumlah absolut setiap nilai piksel, jumlah komulatif piksel, presentase absolut setiap nilai, dan presentase komulatifnya; kedua, gambaran grafis yang menunjukkan nilai piksel pada sumbu x dan frekuensi kemunculan pada sumbu y. Melalui gambaran grafis histogram ini, secara umum dapat diketahui sifat-sifat citra yang diwakilinya. Misalnya citra yang direkam dengan spectrum

gelombang relatif pendek akan menghasilkan “ bukit tunggal “ histogram yang sempit (unimodal) wilayah yang memuat tubuh air agak luas akan menghasilkan kenampakan histogram dengan dua puncak, apabila direkam pada spektrum

25

inframerah dekat (bi-modal). Histogram unimodal yang sempit biasanya kurang mampu menyajikan kenampakan obyek secara tajam, sedangkan histogram yang gemuk (lebar) relatif lebih tajam dibandingkan yang sempit.

Penajaman kontras citra melalui histogram dapat dilakukan dengan dua macam cara yaitu perentangan kontras dan ekualisasi histogram. Perentangan kontras merupakan upaya mempertajam kenampakan citra dengan merentang nilai maksimmum dan nilai minimum citra. Kompresi citra justru sebaliknya dilakukan dengan memampatkan histogram yaitu menggeser nilai minimum ke nilai minimum baru yang lebih tinggi dan menggeser nilai maksimum ke nilai maksimum baru yang

lebih rendah sehingga histogramnya menjadi lebih “langsing”. Berbeda halnya

dengan perentangan kontras yang bersifat linier, ekualisasi histogram merupakan upaya penajaman secara non- linier yang menata kembali distribusi nilai piksel citra dalam bentuk histogram ke bentuk histogram yang baru, dimana dapat terjadi penggabungan beberapa nilai menjadi nilai baru dengan frekuensi kemunculan yang baru pula. Untuk penajaman citra sendiri meliputi semua operasi yang menghasilkan citra baru dengan kenampakan visual dan karakteristik visual yang berbeda (Projo, 1996). Citra baru disini maksudnya adalah citra dengan kenampakan yang lebih bagus dibanding dengan citra aslinya.

2.7 Metode Euclidean Distance

Euclidean distanceadalah perhitungan jarak dari 2 buah titik dalam Euclidean space. Euclidean space diperkenalkan oleh Euclid, seorang matematikawan dari Yunani sekitar tahun 300 B.C.E. untuk mempelajari hubungan antara sudut dan jarak. Euclidean ini berkaitan dengan Teorema Phytagoras dan biasanya diterapkan pada 1, 2 dan 3 dimensi. Tapi juga sederhana jika diterapkan pada dimensi yang lebih tinggi. ( anugraha, 2013 )

26

Semisal ingin menghitung jarak Euclidean 1 dimensi. Titik pertama adalah 4, titik kedua adalah -10. Caranya adalah kurangkan -10 dengan 4. sehingga menghasilkan -14. Cari nilai absolut dari nilai -14 dengan cara mempangkatkannya sehingga mendapat nilai 196. Kemudian diakarkan sehingga mendapatkan nilai 14. Sehingga jarak euclidean dari 2 titik tersebut adalah 14. ( Anugraha, 2013 )

Gambar 2.11Koordinat jarak euclidean 2 dimensi

Pada 2 dimensi caranya hampir sama. Misalkan titik pertama mempunyai kordinat (1,2). Titik kedua ada di kordinat (5,5). Caranya adalah kurangkan setiap kordinat titik kedua dengan titik yang pertama. Yaitu, (5-1,5-2) sehingga menjadi (4,3). Kemudian pangkatkan masing-masing sehingga memperoleh (16,9). Kemudian tambahkan semuanya sehingga memperoleh nilai 16+9 = 25. Hasil ini kemudian diakarkan menjadi 5. Sehingga jarak euclideannya adalah 5. Berikut rumus dasar dari euclidean :

27

2.8 Principal Component Analysis ( PCA )

PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. PCA juga merupakan teknik yang umum digunakan untuk menarik fitur-fitur dari data pada sebuah skala berdimensi tinggi. PCA memproyeksikan data ke dalam subspace. PCA adalah transformasi linear untuk menentukan sistem koordinat yang baru dari data. Teknik PCA dapat mengurangi dimensi dari data tanpa menghilangkan informasi penting dari data tersebut.

Tujuan dari PCA adalah mencari basis yang baru untuk merepresentasikan ulang data tersebut ke dalam m variable hasil proyeksi data ke m-dimensi. Dimana m lebih kecil dari n. Dengan berkurangnya jumlah dimensi dari data input, maka proses pencocokan data akan berkurang dari n kali setiap pencocokan menjadi m kali. Banyaknya dimensi data ditentukan oleh besarnya resolusi image. Hal ini menyebabkan dimensi data menjadi sangat besar. Semakin besarnya dimensi data menyebabkan waktu pencocokan per data semakin besar juga.

2.5 Transformasi Hough

Menurut Kamus Besar Bahasa Indonesia, transformasi merupakan perubahan struktur gramatikal menjadi struktur gramatikal lain baik dari bentuk sifat maupun fungsinya dengan cara menambah, mengurangi, atau menata kembali unsur-unsurnya. Dalam hal ini transformasi menyangkut proses pengolahan citra sehingga sebuah citra yang ditransformasikan merupakan suatu proses perubahan citra. Transformasi citra bertujuan untuk mendapatkan informasi (feature extration) yang lebih jelas yang terkandung dalam suatu citra. Ada berbagai metode transformasi yang telah ditemukan dalam ilmu pengolahan citra salah satunya adalah transformasi hough.

Transformasi hough awalnya diperkenalkan oleh Paul Hough pada tahun 1962. Pada awal diperkenalkan, transformasi hough digunakan untuk mendeteksi garis lurus pada citra. Transformasi hough merupakan teknik transformasi citra yang dapat digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batas-batasnya (boundarydetection)(Putra, 2010).Gagasan dari transformasi hough adalah membuat persamaan dari suatu piksel dan mempertimbangkan semua pasangan yang memenuhi persamaan ini. Semua pasangan ditempatkan pada suatu larik akumulator, yang disebut larik transformasi (McAndrew, 2004).

Suatu proses transformasi dilakukan untuk mendapatkan suatu fitur yang lebih spesifik. Sehingga teknik yang paling umum digunakan untuk mendeteksi objek yang berbentuk kurva seperti garis, lingkaran, elips, dan parabola salah satunya adalah classical hough transform. Konsep dasar dari transformasi hough adalah menemukan garis dan kurva pada suatu citra yang tak terhitung jumlahnya melewati banyak titik dalam berbagai ukuran dan orientasi dalam citra tersebut. Keuntungan utama dari Transformasi Hough adalah dapat mendeteksi sebuah tepian dengan celah pada batas fitur dan secara relatif tidak dipengaruhi oleh derau atau noise (Putra,2010). Transformasi hough menggunakan bentuk parametrik dan mengestimasi nilai parameter dengan menggunakan mekanisme pemungutan suara terbanyak atau voting dalam menentukan nilai parameter yang tepat. Dalam

transformasi hough, beberapa garis yang berpotongan pada suatu titik dalam sebuah citra bila ditransformasikan ke ruang parameter − _{, akan mendapatkan sebuah}

garis lurus yang dapat dinyatakan sebagai berikut.

= +

Sebaliknya jika garis lurus dalam cebuah citra ditransformasikan ke ruang parameter − _{, akan diperoleh beberapa garis yang berpotongan dalam suatu titik}

dalam ruang parameter − _{. Namun, seiring dengan berkembangnya pengolahan}

citra dengan menggunakan transformasi hough, apabila ditemui sebuah garis vertikal, maka akan terjadi masalah dalam penghitungannya dikarenakan garis vertikal mempunyai nilai gradien kemiringan yang besarnya tak berhingga ∞. Sehingga digunakan beberapa rumus yang dapat diterapkan dalam Transformasi Hough sesuai dengan bentuk objek yang di analisis seperti objek garis, lingkaran, elips, dan lain sebagainya.

Gambar 2.10Transformasi domain citra ke domain hough (Sumber:http://northstar-www.dartmouth.edu)

Penerapan transformasi hough untuk mencari objek garis dapat didefinisikan untuk fungsi A(x,y) dengan A(x,y), setiap titik (x,y) dalam gambar asli, A, dapat di rumuskan menjadi:

dimana adalah jarak tegak lurus dari asal garis pada sudut yang akan dibatasi untuk 0< <π yang dapat menghasilkan nilai negatif.

Dalam transformasi hough titik-titik yang terletak pada satu baris atau garis yang sama dalam citra akan menghasilkan garis sinusoid yang berpotongan di satu titik pada domain hough. Begitu juga sebaliknya untuk invers transformasi (back projection) setiap titik dalam domain hough akan berubah menjadi garis lurus pada domain citra.

2.6 Metode Histogram

Histogram citra merupakan salah satu bentuk representasi grafis karakteristik spektral citra yang bersangkutan. Dengan histogram analisis citra dapat memahami citra yang dipelajari misalnya aspek kecerahan dan ketajamannya. Dari histogram juga kadang-kadang dapat diduga jenis saluran spektral citra yang digunakan. Perubahan atas distribusi nilai pada citra secara langsung berakibat pada perubahan tampilan histogram. Sebaliknya, dengan memainkan bentuk histogramnya banyak program pengolah citra secara interaktif mampu mengubah tampilan citranya. Dengan kata lain, perangkat lunak pengolah citra kadang-kadang menggunakan histogram sebagai jembatan komunikasi antara pengguna dengan data citra. (Projo, 2002).

Histogram citra dipresentasikan dengan dua bentuk: pertama tabel yang memuat kolom-kolom nilai piksel jumlah absolut setiap nilai piksel, jumlah komulatif piksel, presentase absolut setiap nilai, dan presentase komulatifnya; kedua, gambaran grafis yang menunjukkan nilai piksel pada sumbu x dan frekuensi kemunculan pada sumbu y. Melalui gambaran grafis histogram ini, secara umum dapat diketahui sifat-sifat citra yang diwakilinya. Misalnya citra yang direkam dengan spectrum gelombang relatif pendek akan menghasilkan “ bukit tunggal “ histogram yang sempit (unimodal) wilayah yang memuat tubuh air agak luas akan menghasilkan kenampakan histogram dengan dua puncak, apabila direkam pada spektrum

inframerah dekat (bi-modal). Histogram unimodal yang sempit biasanya kurang mampu menyajikan kenampakan obyek secara tajam, sedangkan histogram yang gemuk (lebar) relatif lebih tajam dibandingkan yang sempit.

Penajaman kontras citra melalui histogram dapat dilakukan dengan dua macam cara yaitu perentangan kontras dan ekualisasi histogram. Perentangan kontras merupakan upaya mempertajam kenampakan citra dengan merentang nilai maksimmum dan nilai minimum citra. Kompresi citra justru sebaliknya dilakukan dengan memampatkan histogram yaitu menggeser nilai minimum ke nilai minimum baru yang lebih tinggi dan menggeser nilai maksimum ke nilai maksimum baru yang lebih rendah sehingga histogramnya menjadi lebih “langsing”. Berbeda halnya dengan perentangan kontras yang bersifat linier, ekualisasi histogram merupakan upaya penajaman secara non- linier yang menata kembali distribusi nilai piksel citra dalam bentuk histogram ke bentuk histogram yang baru, dimana dapat terjadi penggabungan beberapa nilai menjadi nilai baru dengan frekuensi kemunculan yang baru pula. Untuk penajaman citra sendiri meliputi semua operasi yang menghasilkan citra baru dengan kenampakan visual dan karakteristik visual yang berbeda (Projo, 1996). Citra baru disini maksudnya adalah citra dengan kenampakan yang lebih bagus dibanding dengan citra aslinya.

2.7 Metode Euclidean Distance

Euclidean distanceadalah perhitungan jarak dari 2 buah titik dalam Euclidean space. Euclidean space diperkenalkan oleh Euclid, seorang matematikawan dari Yunani sekitar tahun 300 B.C.E. untuk mempelajari hubungan antara sudut dan jarak. Euclidean ini berkaitan dengan Teorema Phytagoras dan biasanya diterapkan pada 1, 2 dan 3 dimensi. Tapi juga sederhana jika diterapkan pada dimensi yang lebih tinggi. ( anugraha, 2013 )

Semisal ingin menghitung jarak Euclidean 1 dimensi. Titik pertama adalah 4, titik kedua adalah -10. Caranya adalah kurangkan -10 dengan 4. sehingga menghasilkan -14. Cari nilai absolut dari nilai -14 dengan cara mempangkatkannya sehingga mendapat nilai 196. Kemudian diakarkan sehingga mendapatkan nilai 14. Sehingga jarak euclidean dari 2 titik tersebut adalah 14. ( Anugraha, 2013 )

Gambar 2.11Koordinat jarak euclidean 2 dimensi

Pada 2 dimensi caranya hampir sama. Misalkan titik pertama mempunyai kordinat (1,2). Titik kedua ada di kordinat (5,5). Caranya adalah kurangkan setiap kordinat titik kedua dengan titik yang pertama. Yaitu, (5-1,5-2) sehingga menjadi (4,3). Kemudian pangkatkan masing-masing sehingga memperoleh (16,9). Kemudian tambahkan semuanya sehingga memperoleh nilai 16+9 = 25. Hasil ini kemudian diakarkan menjadi 5. Sehingga jarak euclideannya adalah 5. Berikut rumus dasar dari euclidean :

2.8 Principal Component Analysis ( PCA )

PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. PCA juga merupakan teknik yang umum digunakan untuk menarik fitur-fitur dari data pada sebuah skala berdimensi tinggi. PCA memproyeksikan data ke dalam subspace. PCA adalah transformasi linear untuk menentukan sistem koordinat yang baru dari data. Teknik PCA dapat mengurangi dimensi dari data tanpa menghilangkan informasi penting dari data tersebut.

Tujuan dari PCA adalah mencari basis yang baru untuk merepresentasikan ulang data tersebut ke dalam m variable hasil proyeksi data ke m-dimensi. Dimana m lebih kecil dari n. Dengan berkurangnya jumlah dimensi dari data input, maka proses pencocokan data akan berkurang dari n kali setiap pencocokan menjadi m kali. Banyaknya dimensi data ditentukan oleh besarnya resolusi image. Hal ini menyebabkan dimensi data menjadi sangat besar. Semakin besarnya dimensi data menyebabkan waktu pencocokan per data semakin besar juga.