PENGENALAN POLA PLAT NOMOR KENDARAAN BERMOTOR DENGAN MENGGUNAKAN PCA DAN METODE PROPAGASI BALIK

  

PENGENALAN POLA PLAT NOMOR KENDARAAN

BERMOTOR DENGAN MENGGUNAKAN PCA DAN

METODE PROPAGASI BALIK

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana

Komputer Program Studi Teknik Informatika

  

DISUSUN OLEH :

Devi Yenni Sinaga

08 5314 091

  

Jurusan Teknik Informatika

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Yogyakarta

  

2013

  THE VEHICLE LICENSE PLATE PATTERN RECOGNITION USING PCA AND BACK PROPAGATION METHOD A THESIS Presented as Partial Fulfillment of the Requirements For the Degree of Sarjana Komputer

  In Informatics Engineering Department By :

  

Devi Yenni Sinaga

08 5314 091

INFORMATICS ENGINEERING STUDY PROGRAM

HALAMAN PERSETUJUAN

  

SKRIPSI

PENGENALAN POLA PLAT NOMOR KENDARAAN BERMOTOR

DENGAN MENGGUNAKAN

PCA DAN METODE PROPAGASI BALIK

Oleh :

  

Devi Yenni Sinaga

NIM : 08 5314 091

Telah Disetujui Oleh :

  Pembimbing

Dr. C. Kuntoro Adi, S.J., M.A., M.Sc Tanggal ... Agustus 2013

  HALAMAN PENGESAHAN

SKRIPSI

PENGENALAN POLA PLAT NOMOR KENDARAAN BERMOTOR

DENGAN MENGGUNAKAN PCA DAN METODE PROPAGASI BALIK

  

Yang dipersiapkan dan disusun oleh :

Devi Yenni Sinaga

NIM : 08 5314 091

Telah dipertahankan didepan Tim Penguji Pada tanggal 31 Juli 2013

  

Dan dinyatakan memenuhi syarat.

  

Susunan Tim Penguji

Tanda tangan

Ketua : Dr. M. Linggo Sumarno, M.T. .......................

Sekretaris : Eko Hari Parmadi, S.Si, M.Kom .......................

Anggota : Dr. C. Kuntoro Adi, SJ., M.A., M.Sc. .......................

  Yogyakarta ... Agustus 2013 Fakultas Sains dan Teknologi Universitas Sanata Dharma Dekan

  P. H. Prima Rosa, S.Si., M.Sc.

  

“ Jangan pernah mengharapkan datangnya pelangi yang indah

jika kita takut dengan hujan. Begitu pula jangan

mengharapkan kesuksesan jika kita takut dengan kegagalan ”

  

Yesaya 41:10

Janganlah takut, sebab Aku menyertai engkau, janganlah bimbang,

sebab Aku ini Allahmu; Aku akan meneguhkan, bahkan akan menolong

engkau; Aku akan memegang engkau dengan tangan kanan-Ku yang

membawa kemenangan.

  Kupersembahkan untuk : TuhankuYesus Kristus Kedua Orang Tua saya dan keluarga Sahabat Terkasih saya

PERNYATAAN KEASLIAN KARYA

  

Saya menyatakan sesungguhnya bahwa skripsi yang saya tulis ini tidak memuat

karya orang lain kecuali telah disebutkan dalam kutipan atau daftar pustaka,

sebagaimana layaknya karya ilmiah.

  Yogyakarta, 21 Agustus 2013 Penulis Devi Yenni Sinaga

  

PERNYATAAN PERSETUJUAN

PEUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Devi Yenni Sinaga NIM : 08 5314 091

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :

  

PENGENALAN POLA PLAT NOMOR KENDARAAN BERMOTOR

DENGAN MENGGUNAKAN

PCA DAN METODE PROPAGASI BALIK

Beserta perangkat yang diberikan (bila ada). Dengan demikian saya memberikan

Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan

dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data,

mendistribusikan secara terbatas dan mempublikasikan di internet atau media lain

untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun

memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai

penulis. Demikian pernyataam ini saya buat dengan sebenarnya.

  Yogyakarta, 21 Agustus 2013 Penulis, Devi Yenni Sinaga

  ABSTRAK Saat ini sistem pengenalan pola plat motor sudah banyak dilakukan di

beberapa pusat perbelanjaan, pertokoan, grdung instasi hingga universitas. Salah

satu teknologi pada sistem pengenalan pola plat motor tersebut adalah teknologi

yang menggunakan preprocessing citra dan jaringan syaraf tiruan. Penelitian ini

mengembangkan suatu metode perpaduan antara Principal Component Analysis

(PCA) dan jaringan syaraf tiruan propagasi balik.

  Pada penelitian ini, digunakan 180 data pelatihan yang diambil dari 36

karakter untuk 5 jenis sampel. Data pelatihan tersebut kemudian digunakan untuk

menguji 30 foto plat nomor. 30 foto plat nomor tersebut diperoleh dari nomor

polisi pada Tanda Nomor Kendaraan Bermotor (TNKB) keluaran 2011. Jaringan

syaraf tiruan ini menggunakan 2 lapisan tersembunyi dengan jumlah neuron yang

berbeda-beda mulai dari 10, 15, 20, dan 25 neuron. Adapun parameter-parameter

yang digunakan dalam propagasi balik antara lain : fungsi aktivasi logsig dan

tansig, maksimum epoch adalah 50 000, nilai mean square error(mse) adalah

0,01 dengan menggunakan gradient descent sebagai algoritma pembelajaran, nilai

maksimum learning rate adalah 0,01.

  Hasil yang diperoleh pada penelitian ini menunjukkan bahwa

penggunaan metode kombinasi antara PCA dan propagasi balik menggunakan 1

lapisan tersembunyi memiliki akurasi paling baik. Nilai akurasi yang didapatkan

adalah bervariasi dari 44,725% sampai dengan 58,227%.

  ABSTRACT Nowaday, the license plate pattern recognition system has used in some

shopping centers , instantion building and even a university. One of the

technology in the system is a technology which is using an image preprocessing

and artificial neural network. This research is developing a combination method

of principal compnent analysis (PCA) and back propagation artificial neural

network. The aims of this research are to know the implementation of back

propagation neural network in a license plate pattern recognition system and its

accuracy.

  This research is using 180 training data which is obtained from 36

characters for 5 kinds of sample. Then the training data is used t to test 30 license

plate pictures. The license plate image is taken from the police number in Tanda

Nomor Kendaraan Bermotor(TNKB) that is published in 2011. The artificial

neural network in this research is using 2 hidden layer with different neuron’s

amount start from 10, 15, 20, and 25 neurons. There are some parameter which

are used in the back propagation process such as : logsig and tansig transfer

function, maximum epoch is 50.000, mean square error(mse) is 0,01 with using

gradient descent as the algorithm learning, maximum learning rate is 0,01.

  Result of this research shows that the combination method of principal

component analysis (PCA) and back propagation artificial neural network using 1

hidden layer is obtaining the best accuracy. The accuracy are variated from

KATA PENGANTAR

  

Puji syukur kepada Tuhan Yang Maha Esa yang telah memberikan segala karunia-

Nya sehingga penulis dapat menyelesaiakan skripsi dengan judul “Pengenalan

Pola Plat Nomor Kendaraan Bermotor dengan Menggunakan PCA dan

Metode Propagasi Balik”. Dalam kesempatan ini, penulis ingin menguncapkan

terima kasih yang sebesar-besarnya kepada semua pihak yang turut memberikan

dukungan, semangat dan bantuan hingga selesainya penyusunan skripsi ini:

  

1. Tuhan Yesus Kristus yang selalu memberikan hikmat dan memberkati di

setiap langkah

  

2. Dr. C. Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing, terima

kasih atas segala bimbingan, waktu, kesabaran dan saran dalam mengarahkan dan membimbing penulis dalam menyelesaikan tugas akhir ini.

  

3. Ibu P.H. Prima Rosa, S.Si., M.Sc. selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma Yogyakarta.

  

4. Ibu Ridowati Gunawan, S.Kom., M.T. selaku kaprodi Teknik Informatika

5. Sri Hartati Wijono, S.Si, M.Kom. selaku pembimbing akademik.

  

6. Dr. M. Linggo Sumarno, M.T. dan Eko Hari Parmadi, S.Si, M.Kom. selaku

dosen penguji atas saran dan kritikan yang telah diberikan.

  

7. Seluruh staff pengajar Prodi Teknik Informatika Fakultas Sains dan

Teknologi Universitas Sanata Dharma Yogyakarta.

8. Kedua orangtuaku yang tercinta, Pirden Sinaga dan Rosmedi Silalahi, S.Pd.

  untuk doa, perhatian dan semangat yang selalu diberikan serta dukungan matarial selama perkuliahan.

  

9. Kepada keluarga Silalahi, Opung, Tulang Lesly dan kakak sepupu saya

yang selalu setia memberikan dukungan lewat doa, semangat yang tak henti- hentinya diberikan.

  

10. Teman-teman seperjuangan (Linardi, Roy Syahputra, Esy, Siska, Petra,

Bebet, Ochak, Agnes, Putri, Itha, Surya, Angga, Endro, wulan, Reza, Ade, Tina, herpinto, Ina, Abud, Danang, Yunita Meme) atas semangat, motivasi dan kerelaan waktunya untuk berdiskusi. Good Luck for us!

  

11. Sahabat-sahabat Kost Putri Sari Ayu ( Sari Tambunan, Ade Mauryn,

Mariana, Melisa, Novie, Rotua, Monik, Jolina, Yoes Tenia, dan Metta) atas semangat, motivasi, dan keceriaan yang selelu diberikan dalam menyelesaikan skripsi ini.

  

12. Seluruh teman-teman Teknik Informatika angkatan 2008 dan pihak-pihak

lain yang tidak dapat disebutkan satu per satu Penulis menyadari bahwa tugas akhir ini jauh dari sempurna, oleh karna itu

kritik dan saran yang sifatnya membangun sangat penulis harapkan. Akhir kata,

penulis berharap semoga skripsi ini dapat bermafaat bagi pembaca dan pihak lain

yang membutuhkannya.

  Yogyakarta, 21 Agustus 2013

  DAFTAR ISI

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  DAFTAR GAMBAR Gambar 2.1 Contoh Plat Nomor..................................................................

Gambar 2.14 Arsitektur Propagasi Balik (JJ Siang, 2005)............................ 28 Gambar 3.1 Plat Nomor Kendaraan Bermotor............................................Gambar 3.10 Halaman Bantuan..................................................................... 58 Gambar 3.11 Tampilan antar muka Open File..............................................

  56 Gambar 3.9 Halaman Pengujian Citra......................................................... 57

Gambar 3.7 Halaman Proses Normalisasi Citra Latih................................. 55 Gambar 3.8 Halaman Proses Pelatihan Citra Latih.....................................

  52 Gambar 3.6 Tampilan halaman utama......................................................... 54

  46 Gambar 3.5 Diagram Use-Case...................................................................

Gambar 3.3 Skema Pelatihan(Pembentukan Propagasi Balik).................... 40 Gambar 3.4 Skema Pengujian (Testing Propagasi Balik)...........................

  35 Gambar 3.2 Diagram Sistem Secara Umum................................................ 37

Gambar 2.13 Sigmod Bipolar........................................................................ 26

  9 Gambar 2.2 Gambar Sel Saraf Biologi........................................................ 18

Gambar 2.12 Symetric Saturaturing Linear................................................... 26

  25 Gambar 2.11 Saturating Linear...................................................................... 25

Gambar 2.9 Symetric hard Limit................................................................. 24 Gambar 2.10 Bipolar.....................................................................................Gambar 2.8 Hard Limit................................................................................ 24

  23 Gambar 2.7 Identitas.................................................................................... 24

  23 Gambar 2.6 Logsig......................................................................................

Gambar 2.4 multilayar network................................................................... 22 Gambar 2.5 Threshold.................................................................................Gambar 2.3 single layar network................................................................. 21

  59 Gambar 4.1 Halaman Depan........................................................................ 68

Gambar 4.4 Halaman Pelatihan Citra Latih................................................. 71 Gambar 4.5 Proses Neural Network Training.............................................

  72 Gambar 4.6 NN Training Sudah Selesai...................................................... 72

Gambar 4.7 Hasil Keluaran NN Training.................................................... 73Gambar 4.8 Halaman Pengujian Citra......................................................... 74Gambar 4.9 Halaman Bantuan..................................................................... 75Gambar 4.10 Hasil Normalisasi Jenis Pertama.............................................. 77 Gambar 4.11 Hasil Normalisasi Jenis Kedua................................................

  78 Gambar 4.12 Hasil Normalisasi Jenis Ketiga................................................ 78 Gambar 4.13 Hasil Normalisasi Jenis Keempat............................................

  79 Gambar 4.14 Hasil Normalisasi Jenis Kelima............................................... 79

Gambar 4.15 Gambar Arsitektur................................................................... 117

  DAFTAR TABEL

Tabel 3.1 Data Training...................................................................... 34Tabel 4.1 Pengujian dengan 10 Neuron dan 1 Layer.......................... 80Tabel 4.2 Confusion Matrix dengan 10 Neuron dan 1 Layer.............. 83Tabel 4.3 Pengujian dengan 15 Neuron dan 1 Layer.......................... 85Tabel 4.4 Confusion Matrix dengan 15 Neuron dan 1 Layer.............. 88Tabel 4.5 Pengujian dengan 20 Neuron dan 1 Layer.......................... 90Tabel 4.6 Confusion Matrix dengan 20 Neuron dan 1 Layer.............. 93Tabel 4.7 Pengujian dengan 25 Neuron dan 1 Layer.......................... 95Tabel 4.8 Confusion Matrix dengan 25 Neuron dan 1 Layer.............. 98Tabel 4.9 Pengujian dengan 15 Neuron dan 2 Layer.......................... 100Tabel 4.10 Confusion Matrix dengan 15 Neuron dan 2 Layer.............. 103Tabel 4.11 Pengujian dengan 20 Neuron dan 2 Layer.......................... 105Tabel 4.12 Confusion Matrix dengan 20 Neuron dan 2 Layer.............. 108Tabel 4.13 Pengujian dengan 25 Neuron dan 2 Layer.......................... 110Tabel 4.14 Confusion Matrix dengan 25 Neuron dan 2 Layer.............. 113Tabel 4.15 Hasil Identifikasi 1 Layer.................................................... 115Tabel 4.16 Hasil Identifikasi 2 Layer.................................................... 116

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

  Nomor polisi kendaraan bermotor merupakan ciri atau tanda pengenal dari suatu kendaraan yang diberikan oleh kepolisian. Setiap kendaraan bermotor memiliki nomor yang berbeda-beda. Bahkan setiap daerah memiliki kode nomor polisi yang berbeda-beda. Nomor polisi setiap kendaraan biasanya dicantumkan pada sebuah plat.

  Pengenalan plat nomor kendaraan masih banyak yang bersifat manual. Hal ini terlihat dari beberapa pusat perbelanjaan, pertokoan, gedung instansi hingga universitas yang masih menggunakan sistem manual. Semua petugas yang melakukan sistem manual itu menggunakan karcis untuk mencatat nomor kendaraan tersebut. Dengan kinerja petugas parkir yang masih manual, kemungkinan terjadi kesalahan dalam hal pencatatan sangat tinggi. Hal ini juga menjadi salah satu penyebab lamanya pelayanan parkir. Untuk mendapatkan suatu otomatisasi pada sistem pengelolaaan parkir akan dilakukan pencatatan nomor polisi sebagai subsistem dari sistem pengelolaan parkir otomatis dengan pengolahan citra digital. Dengan adanya teknologi pengolahan citra, maka data berupa gambar yang mengandung gambar suatu karakter dapat diambil informasinya dan dikonversikan ke dalam bentuk tulisan/teks.

  Proses pengolahan citra ini memanfaatkan gambar plat nomor yang berdimensi RGB. Lalu dengan begitu plat nomor dapat diubah kedalam warna hitam (background) dan warna putih (tulisan) atau yang sering disebut Black and

  

White. Hasil dari pengolahan citra diwujudkan dalam bentuk kode-kode biner, dan

  kode-kode ini akan menjadi inputan jaringan syaraf tiruan. Jaringan syaraf tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Istilah buatan digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer, yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

  Salah satu algoritma pembelajaran dalam Jaringan Syaraf Tiruan(JST) adalah propagasi balik. Algoritma pembelajaran ini merupakan algoritma pembelajaran yang terawasi di mana input dan outputnya telah diketahui sebelumnya. Pasangan data tersebut juga berfungsi sebagai pemberi informasi yang jelas tentang bagaimana sistem jaringan yang harus dibangun dan dimodifikasi sehingga nantinya diperoleh JST dengan bentuk yang terbaik.

  Pasangan data ini dipakai untuk melatih bobot-bobot input untuk mencari output aktual untuk dibandingkan dengan output target awal.

  Penelitian yang menggunakan metode Propagasi Balik telah banyak dilakukan dan hasilnya cukup maksimal. Salah satu penelitian telah menemukan tingkat keberhasilan 85% dan keberhasilan sistem dalam mengenali setiap karakter Penelitian ini melalui proses thresholding, mean filter, segmentasi dan propagasi balik, sedangkan semua citra yang diproses dengan format file *bmp. Rata-rata sistem pengenalan pola ini sudah bersifat secara otomatisasi yang langsung dapat mengenali plat nomor tersebut. Penelitian selanjutnya telah dilalukan dengan menggunakan metode principal components analysis yang menghasilkan tingkat keberhasilan 82%, dan ini menggunakan plat nomor khusus pada mobil.(Resmana

  Lim, 2003). Namun kelemahan dari sistem ini apabila pada proses segmentasi terdapat karakter yang saling berhubungan maka akan dapat terektraksi bersama.

  Hal ini tentu saja dapat menyebabkan proses pengenalan yang salah.

  Berdasarkan penelitian yang telah dilakukan oleh peneliti sebelumnya, maka penulis melakukan penelitian mengenai pengenalan pola plat nomor bermotor dengan menggunakan metode metode propagasi balik. Sehingga dengan metode ini diharapkan dapat mengenali dan menganalisa perhitungan dengan tingkat akurasi yang cukup baik yang disertai dengan pembangunan sebuah sistem pengenal pola plat nomor kendaraan bermotor dalam sistem komputer.

1.2 Rumusan Masalah

  Penelitian ini akan menyelesaikan masalah sebagai berikut : Bagaimana pendekatan propagasi balik jaringan syaraf tiruan mampu 1. mengenal pola plat nomor kendaraan bermotor secara optimal ? Seberapa akurat metode propagasi balik dalam mengenal pola plat nomor 2.

  1.3 Tujuan Penelitian

  Membuat rancangan, mengimplementasikan, menganalisa dan mengetahui kelebihan serta kekurangan metode propagasi balik dalam menangani pengenalan pola plat nomor kendaraan bermotor.

  1.4 Batasan Masalah

  Pola nomor kendaraan bermotor yang diteliti adalah pola plat nomor 1. kendaraan bermotor yang menjadi plat khusus Daerah Istimewa Yogyakarta. Plat nomor kendaraan yang akan diteliti jenis plat pribadi atau yang berwarna 2. hitam dengan karakter yang berwarna putih yang terdapat pada kendaraan bermotor pada roda dua.

  Plat nomor yang digunakan adalah Tanda Nomor Kendaraan Bermotor 3. (TNKB) keluaran April 2011 yang dikeluarkan Korps Lantas Mabes Polri. Sampel plat yang digunakan berdasarkan : 4.

  a. Citra yang diproses adalah citra bertipe JPEG(*.jpg).

  b. Pendeteksian gambar plat nomor dibatasi hanya pada gambar berformat RGB dengan ukuran gambar skala maksimal 4000 x 2800 piksel

  c. Dimensi setiap karakter setelah disegmentasi berskala 7 x 5 piksel

  d. Pengambilan foto plat motor dengan menggunakan filter CPL yang digunakan pada lensa kamera, sehingga pencahayaan yang dihasilkan tidak terlalu terang. e. Foto yang akan diolah hanya pada bagian nomor polisinya saja.

  f. Foto diambil dari jarak 1,5 sampai 2 meter dari tampak depan dengan kondisi motor tegak.

  Pengenalan karekter dan angka dibatasi dengan berjumlah 180 yang terdiri 5 5. jenis karakter dengan masing-masing jenis ada 36 karekter yang memiliki jenis font sama.

  Ektraksi feature menggunakan warna hitam-putih, segmentasi dan Principal 6.

  Component Analysis(PCA).

  Parameter-parameter yang dilakukan dalam proses propagasi balik antara 7. lain :

  a. Fungsi aktivasi adalah Logsig dan Tansig

  b. Maksimum epoch yang digunakan adalah 50.000

  c. Learning rate yang digunakan dengan nilai maksimum 0,01

  d. Nilai Mean Square Error (MSE) yang digunakan adalah 0,01 dan menggunakan gradient descent sebagai algorima pembeljarannya.

  e. Kondisi berhenti jika epoch sudah mencapai jumlah epoch maksimal atau MSE sudah mencapai target error Dalam pengembangan Jaringan Syaraf Tiruan menggunakan dua lapisan 8. tersembunyi dengan jumlah neuron mulai dari 10, 15, 20 dan 25 neuron yang dilakukan masing-masing training.

  Proses pelatihan dan pengenalan pola dengan menggunakan fungsi yang 9.

  1.5 Luaran Penelitian

  Luaran dari penelitian ini adalah sistem automatik untuk pengenalan plat nomor kendaraan bermotor dalam mengenali setiap karakter yang ada pada plat nomor teresebut dengan hasil akurasi yang cukup tepat dan kedepannya menjadi dasar untuk sistem parkir yang hasilnya dalam bentuk teks karakter.

  1.6 Manfaat dan Kegunaan Penelitian

  Manfaat dan kegunaan penelitian ini meliputi : 1. Membantu perkembangan penelitian teknologi informasi di bidang pengenalan pola dan jaringan syaraf tiruan.

2. Membantu peneliti dalam pengenalan plat motor dengan menggunakan roda dua.

1.7 Sistematika Penulisan

BAB I PENDAHULUAN Berisi latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi penelitian, dan sistematika penulisan. BAB II LANDASAN TEORI Berisi landasan teori yang dipakai untuk pembahasan tugas akhir.

  BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini berisi analisa dan gambaran umum mengenai perancangan sistem yang

  akan dibangun, yaitu sebuah perangkat lunak yang dapat mengenali pola plat nomor kendaraan bermotor dan menerjemahkannya ke dalam sebuah informasi.

  BAB IV IMPLEMENTASI SISTEM Berisi implementasi sistem menggunakan metode propagasi balik. BAB V ANALISA HASIL DAN PEMBAHASAN Bab ini berisi analisa hasil dan pembahasan mengenai pengenalan dan pengujian pola plat nomor kendaraan bermotor. BAB VI KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dan saran yang diperoleh dari keseluruhan proses

  pembuatan tugas akhir ini, serta beberapa saran untuk pengembangan sistem lebih lanjut.

BAB II LANDASAN TEORI Dalam bab ini menguraikan tentang teori-teori yang digunakan, yaitu

  tentang plat nomor kendaraan, pengenalan pola dan berdasarkan Jaringan Syaraf Tiruan metode Propagasi Balik dimana ada algoritma serta langkah-langkah untuk proses pengenalannya dengan pelatihan standar propagasi balik.

2.1 Plat Nomor Kendaraan

  Plat nomor adalah salah satu jenis identifikasi kendaraan bermotor yang terbuat dari aluminium yang telah terdaftar di kantor S

  Manunggal Satu Atap (SAMSAT). Plat nomor memiliki nomor seri yakni

  susunan huruf dan angka yang dikhususkan bagi kendaraan tersebut. Plat nomor atau Tanda Nomor Kendaraan Bermotor (TNKB) mempunyai aturan pembuatan yang terdiri dari tulisan dua baris, antara lain,

  Baris pertama menunjukkan: kode wilayah (huruf), nomor polisi (angka), 1. dan kode/seri akhir wilayah (huruf). Baris kedua menunjukkan bulan dan tahun masa berlaku.

2. Bahan baku TNKB adalah aluminium dengan ketebalan 1 mm. Ukuran

  TNKB untuk kendaraan bermotor roda 2 dan roda 3 adalah 250x105 mm, sedangkan untuk kendaraan bermotor roda 4 atau lebih adalah 395x135 mm. dengan ruang angka masa berlaku. 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 pembuatan TNKB oleh Polri dan TNI.

  Dengan pertambahannya kerdaraan Korps Lantas Mabes Polri terhitung mulai April 2011 ini mengganti desain plat nomor kendaraan. Ukurannya lebih panjang 5 centimeter daripada plat nomor sebelumnya. Perubahan ukuran plat dilakukan karena ada penambahan menjadi tiga huruf di belakang nomor, sementara sebelumnya hanya dua huruf. Perubahan ini membuat angka dan huruf pada plat nomor berdesakan, sehingga sulit dibaca. Dengan diperpanjangnya pelat tersebut, jarak antara nomor dan huruf pada pelat lebih luas sehingga mudah terbaca. Gambar dibawah ini merupakan contoh plat nomor yang berdomisili di Jakarta, dapat dilihat pada gambar 2.1 berikut,

Gambar 2.1 Contoh Plat Nomor

2.2 Pengenalan Pola

  Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif ciri atau sifat utama dari suatu obyek. Sedangkan pola adalah suatu entitas yang terdefinisi dan dapat diidentifikasi serta diberi nama. Pengenalan pola dapat dilakukan sebagai tindakan untuk mengolah data mentah dan membuat suatu aksi berdasar kategori dari pola data tersebut.

  Pada dasarnya pengenalan pola terdiri dari 3 langkah utama yaitu pemrosesan awal, ekstraksi fitur dan klasifikasi. Pemrosesan awal merupakan langkah untuk memfokuskan obyek data yang akan dikenali dengan obyek lain yang tidak digunakan. Dalam hal ini pemrosesan awal yang dilakukan terhadap obyek adalah dengan melakukan pengubahan citra digital menjadi citra biner. Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih. Citra biner juga dsering disebut citra B&W (Black and

  Withe) atau citra monokrom. Ekstraksi fitur dilakukan untuk menyerderhanakan

  data dengan melakukan pengukuran fitur tertentu sehingga informasi dasar dari data tersebut dapat terlihat. Proses berikutnya adalah kalsifikasi yaitu tidakan untuk mengelompokkan data atau fitur menjadi beberapa pola.

2.3 Pengolahan Citra Digital

  Secara umum, pengolahan citra digital menujuk pada pemrosesan gambar 2 dimensi menggunakan komputer. Dalam konteks yang lebih luas, pengolahan citra digital mengacu pada pemrosesan setiap data 2 dimensi. Citra digital merupakan sebuah array yang berisi nilai-nilai real maupun komplek yang

  Suatu citra dapat didefinisikan sebagai fungsi f(x,y), berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x, y dan nilai amplitude f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra digital.

2.3.1 Jenis-Jenis Citra Digital

  Nilai suatu pixel memiliki nilai dalam rentang tertentu, dari nilai minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warna yang digunakan. Secara umum jangkauannya adalah 0- 255. Citra dengan penggambaran seperti ini digolongkan ke dalam citra integer.

  Berikut ini adalah jenis-jenis citra berdasarkan nilai pixelnya, yaitu : (Darma

  Putra, 2010)

  Citra Biner (Black and White) 1. Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai

  pixel, yaitu hitam dan putih. Nilai yang terkandung dalam citra biner ini hanya memuat 0 atau 1 untuk mewakili nilai setiap pixel.

  Citra Grayscale 2. Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian RED=GREEN=BLUE. yang dimiliki adalah warna hitam, keabuan, dan putih. Tingkat keabuan pada

  grayscale merupakan warna abu dengan berbagai tingkatan dari hitam

  hingga mendekati putih. Citra grayscale berikut memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan).

  Citra Warna 3. Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu: merah, hijau dan biru.

  Format citra seperti ini sering disebut sebagai citra RGB (red-green-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit), misalnya warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGBnya adalah 255 255 0. Dengan demikian setiap titik pada citra warna membutuhkan data 3 byte. Jumlah kombinasi warna yang mungkin untuk format citra ini adalah 224 atau lebih dari 16 juta warna, dengan demikian bias dianggap mencakup semua warna.

2.3.2 Konversi Citra

  Dasar dari pengolahan citra adalah pengolahan warna RGB pada posisi tertentu. Bila membaca citra RGB dengan ukuran width x height, akan menghasilkan matriks tiga dimensi dengan jumlah baris adalah height dan jumlah adalah kolom sejumlah tiga keping. Citra grayscale atau citra keabuan adalah citra yang hanya menggunakan warna pada tingkatan warna abu-abu. Warna abu-abu dan biru mempunyai intensitas yang sama. Pada citra beraras keabuan hanya perlu menyatakan nilai intensitas untuk tiap piksel sebagai nilai tunggal, sedangkan pada citra berwarna perlu tiga nilai intensitas untuk setiap pikselnya. Berbeda dengan citra biner, citra grayscale disebut juga dengan citra 8-bit karena memiliki 28(256) kemungkinan nilai pada masing-masing pikselnya. Nilai tersebut dimulai dari nol untuk warna hitam dan 255 untuk warna putih.

  Dalam melakukan konversi citra dengan mengubah nilai piksel yang semula mempunyai 3 nilai yaitu R, G, B menjadi satu nilai keabuan atau biner.

  Untuk operasi konversi citra dengan menggunakan rumus (Darma Putra, 2010):

  (2.1)

  =

  3 Bisa juga dengan memberi bobot (w) pada RGB dikarenakan mata manusia lebih sensitif pada warna hijau, merah dan biru. Operasi tersebut dengan rumus (Darma Putra, 2010):

  = ( ) + ( ) + ( )

  (2.2)

2.3.3 Ekstraksi Ciri

  Ekstraksi ciri merupakan langkah pemilihan ciri yang ingin diidentifikasi dari citra angka yang menghasilkan ciri-ciri baru dari data mentah dengan menerapkan satu atau lebih transformasi. Pemilihan feature yang baik sulit untuk dilakukan karena sebuah feature yang buruk tidak akan merefleksikan keadaan sebenarnya dari data pemilihan feature yang baik. (Darma Putra, 2010)

  Dalam penelitiana ini menggunakan beberapa metode untuk ekstraksi

  feature dalam pengolahan citra yaitu :

1. Black and White

  Dengan mengubah represantasi nilai RGB (Red, Green, Blue), sebuah gambar berwarna dapat diubah menjadi gambar yang terdiri dari warna hitam dan putih yang sering disebut B&W(Black and White) Segmentasi 2.

  Segmentasi merupakan salah satu tahapan pre-processing yang digunakan untuk memotong suatu teks pada gambar yang diproses menjadi beberapa karakter. Teknik ini untuk membagi suatu citra menjadi beberapa daerah(region) dimana setiap daerah memiliki kemiripan atribut. Tujuan dari segmentasi adalah untuk menyederhanakan atau mengubah penyajian dari suatu gambar menjadi sesuatu yang lebih bermakna dan lebih mudah untuk menganalisanya. Terdapat tiga jenis segmentasi pada suatu objek yakni :

  Line Segmentation,Word Segmentation, Character Segmentation, dan Scaling.

  Line Segmentation merupakan suatu pemotongan per baris pada

  teks dengan menggunakan histogram horizontal dimana local minimal dianggap sebagai garis pembatas antara baris teks. Word segmentation digunakan untuk mensegmentasi per kata pada baris teks menggunakan histogram vertical dimana jarak spasi dianggap sebagai pemisah kata. menggunakan histogram vertical yang dimodifikasi untuk setiap kata. Sedangkan scaling adalah proses menskala gambar karakter tulisan tangan menjadi beberapa piksel (pada bagian inti karakter).

  Dalam hal ini, cara kerjanya dari segmentasi terdapat 2 jenis teknik, yaitu (Tria Adhi Wijaya, 2010) : a. Segmentasi berdasarkan intensitas warna (derajat keabuan). Berasumsi bahwa objek-objek yang akan dipisahkan cenderung memiliki intensitas warna yang berbeda-beda dan masing-masing objek memiliki warna yang hampir seragam. Salah satu teknik segmentasi berdasarkan intensitas warna adalah mean clustering. Pada mean clustering dilakukan pembagian citra denga membagi histogram citra. Kelemahan segmentasi berdasarkan intensitas warna (derajat keabuan) antara lain adalah harus tahu dengan tepat berapa jumlah objek yang ada pada citra serta citra hasil kurang bagus jika pada citra terdapat beberapa objek dengan warna pada masing-masing objeknya bervariasi atau pada setiap objek memiliki warna yang sama.

  b. Segmentasi berdasarkan karakteristik. Yaitu mengelompokkan bagian- bagian citra yang memiliki karakteristik yang sama berupa perubahan warna antara titik yang berdekatan, nilai rata-rata dari bagian citra tersebut. Untuk menghitung atau menentukan karakteristik digunakan perhitungan statistik, misalnya varian, standard deviasi, teori berdasarkan karakteristik adalah split and merge. Proses tersebut dilakukan secara rekursif karena pada setiap saat dilakukan proses yang sama tetapi dengan data yang selalu berubah

  3. Principal Component Analysis (PCA) Principal Component Analysis (PCA) atau sering disebut teknik

  pereduksi. Teknik pereduksi ini digunakan untuk memecahkan suatu dimensi menjadi feature yang lebih sedikit dari sebuah citra. Feature yang baru tersebut akan dibentuk melalui kombinasi bobot linear dalam ruang eigen. Citra akan dilatih dengan menggunakan variable yang lebih sedikit , dan ini akan lebih mudah untuk ditangani. Ketika menggunakan metode berdasarkan kenampakan, citra berukuran nxm piksel digambarkan sebagai sebuah vector

  nxm

  dalam ruang yang berdimensi nxm (R ). Dalam prakteknya, ruang dimensi

  nxm ini kadang tidak sesuai dengan piksel yang sudah ditetapkan dalam

  penelitian ini. Dengan PCA diharapkan mampu dalam memproyeksikan data yang berdimensi tinggi ke dalam subruang yang berdimensi yang lebih rendah. (Alfa Krisnadhi, 2003).

  Problem dalam PCA dimana menemukan eigenvalue dan eigen vektor. PCA adalah transformasi orthogonal (tegak lurus) dari sistem koordinat dimana dapat mendeskripsikan data. Koodinat dipilih dimana variansi dari data mencapai maksimum yang sering kali sudah cukup menjelaskan struktur dari data aslinya. Jika data dalam dimensi asli sulit menggunakan data set yang dipersentasikan melalui rumus. Misalkan mempunyai data set yang sudah dicentering

  ∈ , = 1, . . , , ∑ =

  dengan kovarian

  ′ (2.3)

  = ∑ Maka PCA menyelesaikan problem eigenvalue sebagai berikut :

  (2.4)

  = atau, − = 0

  (2.5)

  Persamaan di atas bisa diselesaikan untuk mencari nilai A dengan menyelesaikan det( − ) = 0

  (2.6)

  Untuk eigenvalue ≥ 0 dan eigenvector ∈ /{0}, dengan solusi adalah eigenvector dan ≠ 0 adalah eigenvalue yang terletak dalam span . (Budi Santoso, 2007). , …

2.4 Jaringan Syaraf

2.4.1 Jaringan Syaraf Biologi

  Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk Masing-masing sel tersebut saling berinteraksi sehingga mendukung kemampuan kerja manusia.

Gambar 2.2 Gambar Sel Saraf BiologiGambar 2.3 menunjukkan susunan syaraf pada manusia. Setiap sel syaraf(neuron) akan memiliki satu inti, yang bertugas untuk melakukan

  pemrosesan informasi.

  Neuron pada otak merupakan sistem yang bersifat memperkirakan toleransi kesalahan dalam dua hal. Pertama, otak manusia dapat mengenali sinyal masukan yang berbeda dari yang pernah diterima sebelumnya, contohnya manusia dapat mengenali seseorang yang wajahnya agak berbeda karena sudah lama tidak berjumpa. Kedua, otak manusia tetap mampu bekerja meskipun beberapa neuronnya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain terkadang dapat dilatih untuk menggantikan fungsi sel yang rusak tersebut.

2.4.2 Jaringan Syaraf Tiruan (JST)

  Sebuah jaringan syaraf tiruan merupakan model jaringan neural yang meniru prinsip kerja dari neuron otak manusia (neuron biologis). (Kusumadewi,

  2003) JST muncul pertama kali muncul setelah model sederhana dari neuron

  buatan diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. Model sederhana berdasarkan fungsi neuron biologis yang merupakan dasar unit pensinyalan dari sistem syaraf.

  Jaringan syaraf tiruan memiliki beberapa kemampuan seperti yang dimiliki oleh manusia, yaitu : Kemampuan untuk belajar dari pengalaman 1. Kemampuan melakukan perumpamaan (generalization) terhadap input baru 2. dari pengalaman yang dimilikinya. Kemampuan memisahkan (abstraction) karateristik penting dari input yang 3. mengandung data yang tidak penting.

  Dengan kemampuan jaringan syaraf tiruan, masalah yang rumit termasuk kurangnya informasi yang tersedian dapat diatasi. Jaringan syaraf tiruan telah dimanfaatkan dalam beberapa bidang pengetahuan seperti pemrosesan sinyal (pengenalan pola, pengenalan suara, dan pengenalan gambar), kompresi, rekonstruksi data, pengumpulan data dan penyederhanaan data.

2.4.2.1 Model Neuron

  Neuron adalah unit proses informasi yang pokok dalam operasi jaringan syaraf tiruan. Model neuron terdiri dari 3 elemen dasar (Simon Haykin, 1994) yaitu:

  Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur 1. tersebut mempunyai bobot/kekuatan yang berbeda-beda. Bobot yang mempunyai nilai positif akan memperkuat sinyal dan yang bernilai negatif akan memperlemah sinyal yang dibawanya. Jumlah struktur dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan (dan juga model jaringan yang terbentuk). Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang 2. sudah dikalikan dengan bobotnya. Misalkan X

  1 , X 2 , …, X m adalah unit-unit

  input dan W j1 j2 jm

  , W , … , W adalah bobot penghubung dari unit-unit tersebut

  ke unit keluaran Y j

   , maka unit penjumlah akan memberikan keluaran sebesar 1 j1 2 j2 m m. uj = X W + X W + … +X W

  Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan 3. diteruskan ke neuron lain ataukah tidak 2.4.2.2 Arsitektur Jaringan Syaraf Tiruan.

  Arsitektur jaringan syaraf tiruan merupakan pengaturan spesifik dan hubungan antar neuron pada lapisan dalam jaringan. Neuron-neuron yang terletak neuron dalam jaringan syaraf tiruan dikelompokkan dalam lapisan masukan (input

  

layer) merupakan lapisan pertama yang menerima sinyal dari bagian luar jaringan,

  lapisan tersembunyi (hidden layer) yaitu lapisan yang menerima sinyal dari neuron pada lapisan masukan dan lapisan keluaran (output layer) yaitu lapisan yang mengekstrak ciri dari yang berkaitan atau pola dari sinyal yang diterima.

  Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain : Jaringan dengan lapisan tunggal (single layer network) 1.

  Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot – bobot saling terhubung. Jaringan ini hanya menerima input, kemudian secara langsung akan mengolahnya mejadi output tanpa harus melalui lapisan tersembunyi. Semua unit input akan dihubungkan dengan setiap unit output.

Gambar 2.3 single layar network Jaringan dengan lapisan jamak (multilayer network) 2.

  Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output. Pada umumnya, ada lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringa dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal.

Gambar 2.4 multilayar network

2.4.2.3 Fungsi Aktivasi