38
3.3.1 Perancangan Propagasi Balik
Tahap ekstraksi menggunakan data gambar yang didalamnya terdapat angka dan huruf sebasgai masukkan dalam metode Propagasi Balik dalam
menentukan suatu model pada setiap angka dan huruf. Kemudian mengklasifikasikan sampel-sampel angka dan huruf ke dalam model pola yang
sesuai. Dalam proses pengenalan pola plat nomor kendaraan dan pembentukan metode Propagasi Balik ada dua tahap yang dilakukan yaitu tahap pelatihan
training dan tahap pengujian testing.
3.3.2 Pelatihan Pembentukan Model atau Training
Tahap training akan membentuk model yang mewakili masing-masing angka 0-9 dan huruf A-Z yang semuanya dalam bentuk citra RGB . Jadi data
sampel yang ada adalah sejumlah 180 buah sampel data yang setiap karakter berisi 5 sampel. kumpulan huruf tersebut didapatkan dengan menggunakan foto langsung
dari plat nomor, kemudian dilakukan pemotongan untuk setiap karekter dan angka yang ada di plat tersebut. Dalam pemotongan tersebut menggunakan secara
manual dan tanpa menggunakan metode preprocessing untuk citra. Sedangkan untuk mendapatkan jenis sampel yang lain dengan melakukan rotasi ke samping
kiri dan kanan dengan kemiringan 5 dan 10
. Teknik rotasi ini masih dilakukan secara manual dengan memanfaatkan soltware pengolahan citra. Dengan begitu
pembentukan model mencakup perhitungan perameter menggunakan sampel yang diambil dari masing-masing data angka dan huruf yang ada pada plat nomor
39
kendaraan bermotor. Pembentukan model ini menggunakan metode Jaringan Syaraf Tiruan Propagasi Balik.
Dalam melakukan pelatihan atau training, setiap karakter mempunyai dimensi foto yang berbeda. Hal ini dipengaruhi dengan telah melakukan rotasi.
Jadi setiap karekter tersebut mempunyai dimensi piksel semua dengan kurang lebih 130 x 250 piksel. Jika dalam pemotongan karakter ditemukan karakter yang
memenuhi standar dimensi yang sudah ditetapkan, maka katekter tersebut akan disamakan dimensinya sesuai dengan yang sudah ditetapkan dari awal. Untuk
menyamakan dimensi dapat dilakukan dengan secara manual yang memanfaatkan soltware pengolahan citra. Semua kumpulan citra latih tersebut kemudian akan
diterapkan dalam sistem, yang proses awal akan dilakukan dengan menggunakan proses preprocessing dan akan akan diproses menggunakan Principal Component
Analysis PCA. PCA adalah teknik reduksi dimensi yang umumnya untuk pemrosesan citra. PCA merupakan sebuah teknik linear yang digunakan untuk
memproyeksikan data yang berdimensi tinggi ke dalam subruang yang berdimensi lebih rendah, begitu juga sebaliknya.
Untuk proses pelatihan Pembentukan model Propagasi Balik dapat digambarkan dalam sebuah alur skema seperti pada gambar 3.4 berikut ini :
40
Gambar 3.3 Skema PelatihanPembentukan Propagasi Balik
Berikut ini penjelasan masing-masing proses dari skema gambar 3.3 diatas yaitu :
1. Mulai
Untuk memulai proses pelatihan training 2.
Kumpulan Huruf A-Z dan 0-9 Kumpulan huruf ini berisi 180 jumlah karakter yang terdiri 5 jenis
karakter dengan masing-masing jenis ada 36 karakter. setiap karakter
41
mempunyai dimensi piksel dengan kurang lebih 130 x 250. Sedangkan setiap karekter dihasilkan dari foto plat motor yang diambil dengan dari jarak 1,5
sampai dengan 2 meter dari arah depan dengan menggunakan kamera digital dengan ukuran dimensi 4000 x 2800 piksel.
3. Konversi ke Grayscale
Proses ini akan menjelaskan tahap awal dalam ekstraksi ciri sebuah gambar. Gambar awal yang digunakan adalah gambar RGB, tetapi gambar
tersebut akan diubah ke dalam bentuk graysacle. Hal ini digunakan untuk mempercepat proses-proses selanjutnya. Gambar yang sudah diproses akan
mengandung angka 0-255. Selanjutnya dilakukan prosesan binerisasi dengan mengubah grayscale menjadi citra biner. Selanjutnya dilakukan proses
removal noise yang ada pada citra biner yang akan memudahkan proses labelling citra.
Proses ini dilakukan agar menemukan nilai ambang sehingga citra masukkan dapat dibagi 2 bagian yaitu obyek dan latar berdasarkan nilai
ambangnya. Warna hitam digolongkan nilai 1 dan warna putih digolongkan ke dalam karakter dari plat nomor tersebut. Jika seluruh objek pada citra
telah berhasil diberikan label maka selanjutnya akan diproses dengan PCA. Untuk mendapatkan hasil grayscale dapat dilakukan dengan memanfaatkan
fungsi
rgb2gray
pada proses Matlab yang sudah ada. Dengan begitu secara otomatis semua isi matriks akan berisi dengan nilai keabu-abuan.
41
4. Proses Principal Component Analysis PCA
Proses PCA sering dikenal dengan teknik pereduksi yang digunakan untuk memecahkan suatu dimensi menjadi leature yang lebih sedikit.
Reduksi dimensi dilakukan agar mempunyai fungsi target dan leature yang tidak relevan dapat dihilangkan, menurunkan varian data dengan
menghilangkan data yang tidak perlu dan memperbaiki nilai akurasinya. PCA menggunakan rotasi nilai dari eigen vector yang menguraikan matriks
kedalam sebuah score. Dengan adanya score dari matriks tersebut akan ditarik sebuah leature yang mempunyai nilai eigen tertinggi. Dapat diartikan
bahwa, satu matriks baru yang akan menjadi hasil reduksi. Kumpulan Citra latih telah yang ada sejumlah 180 5 Jenis x36
karakter. Langkah awal yang harus dikerjakan adalah dengan melakukan normalisasi terhadap citra. Citra latih yang sebelumnya telah di
preprocessing dan yang telah disimpan dalam sebuah matriks dilakukan centering atau mengurangi setiap data dengan rata-rata dari setiap atribut
yang ada. Dengan ini dapat ditransformasikan data kedalam satu kolom. Dengan hasil tersebut dapat nilai kovarian dapat dilakukan pencarian dengan
menggunakan rumus 2.3 dan membuat matriks eigen vector dengan rumus 2.4. Dengan begitu nilai pembeda eigen value dan eigen vector akan
diurutkan dengan menggunakan rumus 2.5. Berdasarkan nilai eigen terbesar akan membentuk principal component construct yang telah
direduksi ukurannya extract.
43
Dari nilai eigen vector yang telah didapat diharapkan akan mempunyai score tertinggi dan akan digunakan sebagai leature utama
dengan dimensi piksel yang maksimal 7 x 5 piksel untuk setiap karakter huruf dan angka. Dengan begitu dimensi yang berisi matriks tersebut dapat
digunakan untuk proses JST Propagasi balik. 5.
Proses Pelatihan dengan JST Proses pelatihan ini adalah proses pencarian sampelmodel yang
nantinya akan digunakan pada proses pengujian pada tahap selanjutnya. Data yang akan diuji ada 180 yang masing-masing karate berjumlah 5 jenis. Ciri-
ciri citra adalah piksel-piksel yang memiliki 1 dan 0. Piksel bernilai 1 adalah piksel berwarna hitam atau objek, sebaliknya piksel bernilai 0 adalah piksel
berwarna putih. Pada proses ini piksel-piksel yang bernilai 1 dan 0 dicek kembali, apabila piksel tersebut berwarna hitam maka diset tetap dengan
nilai 1, sebaliknya jika piksel berwarna putih 0 akan diset dengan nilai 0. Proses pelatihan dilakukan, terlebih dulu ditentukan parameter yang
dibutuhkan. Parameter yang dibutuhkan antara lain mse, max.epoch, learning rate, lapisan tersembunyi, dan fungsi aktivasi. Kemudian
perhitungan Wbobot dan Bbias. Bobot awal akan mempengaruhi apakah jaringan mencapai titik minimum lokal atau global dan seberapa cepat
konvergensinya. Bobot yang menghasilkan nilai turunan aktivasi yang kecil sedapat mungkin dihindari karena akan menyebabkan perubahan bobotnya
menjadi sangat kecil. Demikian pula nilai bobot awal tidak boleh terlalu
44
besar karena nilai turunan fungsi aktivasinya menjadi sangat kecil juga. Oleh karena itu dalam standar Propagasi Balik, bobot dan bias diisi dengan
bilangan acak kecil. Dari foto yang telah melalui preprocessing, foto tersebut akan
diolah dengan metode Propagasi Balik yang nantinya akan membentu suatu model. Model-model tersebut mewakili masing-masing angka 0-9 dan huruf
A-Z. Setiap karakter model akan menjadi dasar dalam manual testing. Untuk membentuk suatu model dalam proses training dengan Propagasi
Balik meliputi 3 langkah, yaitu : proses leedlorward dari pola masukan, proses backward untuk menghitung eror propagasi balik, dan pembaharuan
nilai bobot. Proses leedlorward dibagi menjadi 2 fase, yaitu fase leedlorward lapisan masukan ke lapisan tersembunyi ke lapisan masukan.
Untuk menghitung error aktivasi pada lapisan keluaran, diperlukan fase pembaruan bobot lapisan tersembunyi, dan pembaruan nilai bobot lapisan
keluaran diperlukan diperlukan fase pembaruan bobot lapisan keluaran. Lalu fungsi aktivasi yang digunakan antara lain logsig dan tagsig dengan learning
rate maksimal 0,01 dan maximum epoch 50000. Nilai – nilai yang digunakan dan parameter yang digunakan diperoleh dari hasil percobaan yang
dilakukan seblumnya. Pada akhir proses pembelajaran dilakukan pengujian apakah kondisi berhenti sudah terpenuhi. Kondisi berhenti ini terpenuhi jika
jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas
45
toleransi kesalahan yang ditetapkan. Target error ini sangat dipengaruhi dari nilai bobot dan biasnya. Jika kondisi ini selesai, maka metode Propagasi
Balik memiliki mencapai nilai konvergensi ketika tingkat perubahan dari mse dengan nilai mendekati nilai 0,01 untuk setiap maksimum epoch
perulangan yang telah dilakukan. 6.
Hasil model Setelah melakukan proses menggunakan Propagasi Balik dapat
menemukan sampelmodel dari setiap karakter. Model tersebutlah yang nantinya akan digunakan pada bagian proses pengujian.
7. Selesai
Proses pelatihan training atau pembentukan model JST Propagasi Balik telah selesai.
3.3.3 Proses Pengenalan Pengujian atau Testing
Kategori