penentuan threshold menggunakan algoritma self …

Jurnal Teknologi Informasi, Volume 11 Nomor 2, Oktober 2015, ISSN 1414-9999

http://research.pps.dinus.ac.id , 127

PENENTUAN THRESHOLD MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) UNTUK SEGMENTASI REGION

KARAKTER PADA PLAT NOMOR KENDARAAN

Apriyanto Alhamad1, Vincent Suhartono2, Ricardus Anggi Pramunendar3

123Pascasarjana Teknik Informatika, Universitas Dian Nuswantoro, Semarang 50131

ABSTRACT

At this time the era of information technology , the use of automation and intelligent systems are becoming more and more widespread. Transfortasi Intelligent Systems has received so much attention that many systems are being developed and applied throughout the world. In a vehicle license plate recognition system consists of several stages , namely pre-processing , license plate detection, the segmentation of characters and the vehicle license plate character recognition . In previous studies determining the threshold value using Otsu local method by dividing two variants of black and white . In a study using local methods otsu susceptible to interference in the picture . In the study proposes a method of self - organizing map in determining the threshold value . Then from the results of the threshold determination followed by segmenting the characters using the function bouding Box . From the experimental results of threshold determination method of self - organizing maps can increase the threshold value of 0.5241 and the experimental test of character segmentation as measured using the function Means Square Error of 6.93E +03 pixels , smaller than the test results of the local segmentation character Otsu method . Keywords : Threshold , Local otsu , Self - Organizing Map, Segmentation 1. PENDAHULUAN

1.1. Latar Belakang Sistem Transportasi Cerdas telah mendapat begitu banyak perhatian bahwa banyak sistem yang sedang dikembangkan dan diterapkan di seluruh dunia[1]. Sistem transportasi merupakan alat penting untuk menganalisis dan mengendalikan kendaraan bergerak di kota-kota dan jalan raya[2] dan beberapa tahun terakhir, sistem transportasi cerdas memiliki dampak yang luas dalam kehidupan masyarakat sebagai ruang lingkup mereka adalah untuk meningkatkan keselamatan transportasi dan mobilitas dan untuk meningkatkan produktivitas melalui penggunaan teknologi canggih [3]. Penggunaan sistem transportasi cerdas berkembang seiring meningkatnya pertumbuhan penduduk dan diikuti jumlah mobil tumbuh pesat, sehingga masalah lalu lintas meningkat juga, misalnya, pencurian mobil, ngebut, dan menjalankan lampu merah[4]. Dengan kondisi tersebut, sehingga menuntut kebutuhan akan berbagai sistem yang mampu menangani permasalahan-permasalahan tersebut. Seperti halnya dalam pengendalian dan pengidentifikasian kendaraan melalui pengenalan identitas dari suatu kendaraan.

Pengenalan plat nomor kendaraan ternyata menjadi isu penting penelitian[1][3][2]. Pengenalan plat nomor kendaraan memiliki banyak aplikasi dalam sistem pemantauan lalu lintas, termasuk mengontrol volume lalu lintas, tiket jalan tol, pelacakan kendaraan, kepolisian, dan keamanan[1]. Dalam sistem pengenalan nomor kendaraan dibutuhkan beberapa proses yang terdiri atas : pengambilan gambar kendaraan, penentuan posisi dari plat nomor kendaraan, segmentasi karakter dan standarisasi, dan pengenalan karakter yang terdapat pada plat nomor kendaraan kemudian informasi dimasukkan ke dalam database untuk verifikasi secara online maupun offline[5]

Penelitian tentang pengenalan plat nomor kendaraan yang telah dilakukan, pada umumnya, terdiri dari


128 http://research.pps.dinus.ac.id

4 (empat ) tahapan [2][6][7], yaitu : Pengolahan awal gambar (pre-processing), Deteksi plat, Segmentasi karakter dan Pengenalan karakter. Pada tahapan pengenalan plat nomor kenderaan pengenalan karakter dapat dilakukan dengan baik jika langkah segmentasi karakter dilakukan dengan baik. Segmentasi karakter didefinisikan sebagai wilayah biner kotak dibatasi minimal disesuaikan / mengelilingi karakter. Otomatisasi kedua binerissasi karakter dan segmentasi adalah masalah yang sangat kompleks karena berpengaruh terhadapat penurunan kualitas gambar. Selama pengambilan gambar, faktor-faktor yang mempengaruhi meliputi kondisi pencahayaan, border plat nomor, gangguan yang diakbatkan dari kotoran, dan gangguan dari bayangan sehingga dapat menurunkan gambar[6]. Oleh karena itu proses segmentasi karakter plat nomor kendaraan membutuhkan teknik yang tepat dalam hal penggunaan metode yang digunakan dalam segmentasi gambar plat nomor kendaraan, atau lebih dikenal dengan istilah proses awal (pre-processing). Proses ini biasanya dilakukan sebelum proses segmentasi itu sendiri, dimana gambar plat nomor kendaraan tersebut diolah sedemikain sehingga didapatkan data input proses segmentasi karakter yang terbaik bagi metode yang digunakan, proses tersebut meliputi proses normalisasi gambar, penghapusan gangguan (noise removal), binerisasi gambar dan lain-lain yang bertujuan untuk membersihkan faktor-faktor yang dapat mempengaruhi kualitas gambar plat nomor kendaraan sehingga dapat memberikan efek negatif pada hasil proses segmentasi karakter[8]. Efek-efek negatif tersebut biasanya disebabkan oleh noise gambar, titik bekas baut plat, pengaruh cuaca dan pencahayaan pada saat pengambilan gambar

Thresholding adalah teknologi dasar yang sering digunakan untuk segmentasi gambar, metode ini mengatur nilai ambang batas yang cocok dapat secara efektif membedakan objek latar depan dari latar belakang sekitarnya dalam gambar. Operasi threshold mensegmentasikan citra menjadi dua wilayah, yaitu wilayah objek (foreground) dan wilayah latar belakang (background). [9] Untuk alasan ini, bagaimana menemukan ambang batas segmentasi merupakan tugas penting sebelum melakukan pengenalan plat kenderaa.[10]

Dalam beberapa tahun terakhir metode yang pernah diusulkan dalam penentuan nilai ambang (threshold) adalah : Neural Network [11], Local otsu [12], Fuzzy C-Means[13], K-Means Guassian[14].

Penelitian yang dilakukan oleh M. Fukumi, et all [11], melakukan penelitian tentang pengenalan karakter dan membuat simulasi hasil. Dalam menentukan nilai ambang batas peneliti menggunakan metode Neural Network. Pada tahapan simulasi penggunaan metode Neural Network dapat melakukan segmentasi dan pengenalan karakter secara baik. Pada proses pemisahan karakter dan latar belakang menghasilkan nilai akurasi 93,4 %. Namun pada gambar plat yang memiliki tingkat pencahayaan dan penelitian ini menemukan kelemahan pada metode Neural Network, karena nilai threshold yang dihasilkan menghasilkan nilai 1.

Penelitian yang dilakukan oleh Erwin Eka Putra 2012[12], mengabungkan metode Local otsu dan fungsi gaussian. Fungsi gaussian digunakan untuk mendapatkan rerata dari normalisasi histogram pada metode otsu, karena fungsi gaussian dapat memperbaiki citra seperti menghilangkan detil dan gangguan dari citra. Setelah memalukkan pre-prosessing dilanjutkan dengan segmentasi karakter plat nomor kendaraan menggunakan Connect Component Label. Dari hasil eksperimen mengunakan metode otsu dan fungsi gaussian yang diukurn menggunakan MSE, yaitu 3,E+07 piksel.

Pada penelitan di atas metode otsu dan fungsi gaussian masih terdapat beberapa kelemahan, yaitu gangguan border plat belum dapat dihilangkan karena apabila nilai threshold yang didapat terlalu tinggi maka akan mengurangi kualitas gambar karakter yang disegmentasi, kualitas gambar karakter akan berkurang beberapa piksel, baut plat, dan faktor pencahayaan pada gambar plat memiliki intensitas warna putih yang lebih lebar menyebabkan pelabelan segmentasi karakter sulit.

Penelitian yang dilakukan oleh Yasin Ariel 2013[13], untuk menentukan nilai ambang menggunakan metode Fuzzy C-Means. Metode Fuzzy C-Means dapat mengelompokan nilai piksel yang mempuyai nilai mirip kedalam masing-masing cluster. Pada eksperimen menggunakan metode Fuzzy C-Means menghasilkan nilai 0.6042 dan hasil pengukuran nilai rata-rata Mean Square Error (MSE) mencapai 8.64E+03 piksel.

Pada penelitian di atas metode Fuzzy C-Means terdapat kelemahan, yaitu masih rentan dengan



pencahayaan yang berlebih yang mengakibatkan karakter pada plat kendaraan sulit dikenali, Gangguan baut yang berada tepat di atara karakter mempengaruhi kinerja penandaan, sehingga menyulitkan pemisahan karakter. Oleh sebab itu perlu dilakukan penelitian untuk membersihkan gangguan tersebut.

Pada penelitian yang dilakukan oleh Abdul Malik 2013[14], untuk menentukan nilai ambang digunakan metode K-Means dan Fungsi Gaussian. K-Means merupakan salah satu metode data clustering nonhirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Pada eksperimen menentukan nilai ambang (threshold) metode K-Means Gaussian menghasilkan nilai 0.6042 hasil pengukuran nilai rata-rata mean square error 6,13E+18 piksel.

Penelitian ini menggunakan Metode Self-Organizing Maps (SOM) untuk menentukan nilai ambang (threshold) untuk segmentasi karakter plat nomor kendaraan. Self-Organising Map (SOM) merupakan suatu tipe Artificial Neural Networks yang di-training secara unsupervised. SOM menghasilkan map yang terdiri dari output dalam dimensi yang rendah (2 atau 3 dimensi). Map ini berusaha mencari property dari input data. Komposisi input dan output dalam SOM mirip dengan komposisi dari proses feature scaling (multidimensional scaling).[15] Jaringan SOM merupakan salah satu jaringan yang banyak dipakai, antara lain untuk membagi pola masukan ke dalam beberapa kelompok/ cluster. Dalam SOM masukan berupa vektor yang terdiri dari n komponen (tuple) yang akan dikelompokkan dalam maksimum m buah kelompok (disebut vektor contoh). Keluaran jaringan adalah kelompok yang paling dekat/ mirip dengan masukan yang diberikan. Ada beberapa ukuran kedekatan yang dapat dipakai. Ukuran yang sering dipakai adalah jarak Euclidean yang paling minimum. Vektor bobot untuk sebuah unit cluster menyediakan sebuah contoh dari pola input yang dikumpulkan dalam cluster. Selama proses self organizing, unit cluster yang mempunyai bobot dicocokkan dengan pola input yang terdekat dan dipilih sebagai pemenang. Untuk menampilkan nilai threshold diambil dari hasil pengelompokan data, yaitu dengan menjumlah masing-masing member yang didapat kemudian hasil dari pembagian masing-masing member dibagi dengan jumlah total member keseluruhan.

2. PENENTUAN THRESHOLD MENGGUNAKAN ALGORITMA SELF-ORGANIZING MAP

UNTUK SEGMENTASI REGION

Kerangka pemikiran berawal dari permasalahan pada latar belakang pada penelitian ini yang dirumuskan untuk memperoleh solusi yang baik dalam menentukan threshold sehingga untuk pengujiannya nanti bisa diperoleh nilai MSE yang lebih rendah dari penelitian sebelumnya. Masalah simpelnya adalah belum optimalnya nilai thresold akibat gangguan citra sehingga proses segmentasi tidak maksimal.

Kerangka pemikiran berawal dari penelitian sebelumnya proses pre-processing menggunakan metode local otsu yang mengalami bias dalam mendeteksi letak lembah dari histogram sebuah citra, karena nilai threshold-nya cenderung mendekat pada class variance dan class probability yang lebih besar. Sehingga di penelitian ini untuk penentuan threshold digunakan Self-Organizing Map (SOM) yang merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural Network (Unsupervised ANN).

Proses awal pengolahan data yang berasal dari gambar mobil yang diambil di parkiran in door dan out door. Kemudian plat dipisahkan dari gambar mobil menggunakan software Sofonesia picture Cropper dan normalisasi gambar plat menggunakan software Multiple Image Resizer.Net . Data berupa gambar plat nomor kendaraan kemudian proses dilanjutkan ke proses mengubah pembalikan warna dari RGB menjadi gambar abu-abu (grayscale). Untuk mengubah RGB menjadi grayscale dapat digunakan rumus sebagai berikut:

Grayscale = 0.299 R + 0.587 G + 0.114 B Thresholding dilakukan untuk menghasilkan gambar biner dari gambar grayscale, piksel objek memiliki



PERMASALAHAN

Meningkatnya produksi kendaraan berdampak penggunaan kendaraan semakin meningkat, sehingga sulitnya

Berdasarkan penelitian sebelumnya, penggunaan metode local otsu kurang baik untuk menentukan nilai ambang batas (threshold) pada pre-prosessing segmentasi region karakter pada plat nomor kendaraan. Hasil pengukuran menggunakan metode Local Otsu untuk nilai

Penentuan Nilai

APROACH

Cluster Pik l

Threshold Binerisai

Objek Gambar

Ukur

SegmentaHasil Segmenta

iBouding

B

TUJUAN

Memberikan masukkan pada tahap segmentasi untuk meningkatkan kinerja untuk melakukan monitoring k d d t t

Dengan menggunakan metode Self-Organizing Map (SOM) diharapkan dapat meningkatkan hasil pre-prossesing guna untuk meningkatkan nilai threshold dan memperkecil hasil nilai Mean Square

nilai 1 dan latar belakang memiliki nilai 0, dengan demikian objek akan muncul lebih cerah atau lebih gelap dari latar belakang

Selanjutnya menerapkan fungsi boundingbox untuk menandai piksel sebagai region karakter pada gambar masing-masing region pada gambar plat nomor kendaraan. Setelah titik sudut piksel diketahui maka fungsi boundingbox akan mencari titik tengah (centeroid) maka matriks tersebut untuk menentukan kotak penandaan. Penandaan tersebut akan diberlakukan pada gambar input grayscale untuk mendapatkan gambar karakter yang sebenarnya.

Proses pengukuran terhadap eksperimen yang dilakukan dengan membandingkan dari crop huruf dan angka manual dan hasil segmentasi karakter yang mengunakan fungsi regionprops boudingbox. Hasil perbandingan dari seluruh data yang digunakan dihitung selisih nilai gagalnya atau nilai error dari kualitas gambar data uji, proses ini merupakan hasil dari perhitungan mean square error (MSE). Hasil dari keseluruhan proses yang dilakukan, dibuktikan dengan pemotongan pada masing-masing karakter. Perhitungan MSE adalah sigma dari jumlah error antara citra hasil metode dan citra asli.

Gambar 1. Kerangka Pemikiran



3. METODE PENELITIAN

3.1. Pengumpulan Data Penelitian ini menggunakan data dari penelitian sebelumnya, oleh Erwin [12]. Data awal ini merupakan gambar kendaraan yang diambil dari depan dan belakang. Dalam dataset ini gambar plat menggunakan plat nomor kendaraan roda 4 (mobil) menggunakan camera CASIO 8.1 mega pixel dengan resolusi 1600x1200 pixel, dan jarak pengambilan gambar antar camera dan kendaraan kurang lebih 2 sampai 3 meter.

Jenis pengumpulan data dari penelitian yang dilakukan oleh Erwin adalah data yang diambil dari kondisi outdoor (lapang parkir) dan indoor (parkir dalam ruangan) pada waktu pagi, siang, dan sore hari. Variasi dari gambar plat nomor kendaraan yang digunakan seperti kondisi cahaya yang tidak merata, cahaya yang merata, adanya gangguan bayangan, kondisi gambar plat nomor kotor dan terdapat beberapa variasi gambar plat nomor.

Dataset ini merupakan gambar kendaraan yang menggunakan plat nomor kendaraan tipe standar dan plat kendaraannya dalam keadaan baik. Beberapa dataset dari gambar kendaraan dapat dilihat sebagai berikut.

Gambar 2. Plat Kendaraan Lokasi Indoor

Gambar 3. Plat Kendaraan Lokasi Outdoor



3.2. Pengolahan Awal 3.2.1 Pemisahan Plat Nomor Kendaraan

Gambar 4. Diagram Pemisahan Plat Nomor Kendaraan

Setelah didapatkan dataset berupa gambar plat kendaraan roda 4 (mobil), proses selanjutnya gambar

plat dipisahkan dari mobil menggunakan tools pemotong gambar, yaitu Sofonesia picture Cropper. Dari hasil pemisahan gambar plat nomor disimpan pada folder dataset. Proses pemisahan plat nomor dari kendaraan seperti pada gambar berikut.

Gambar 5. Proses Awal Pemisahan

Gambar Mobil

Pemisahan Plat Kendaraan Plat

Nomor

Softnesian Picture Cropper

Folder Dataset



Gambar 6. Proses Pemisahan Plat

Gambar 7. Hasil Cropping (Pemisahan) Plat

3.2.2 Normalisasi Gambar Proses normalisasi gambar merupakan tahapan untuk merubah ukuran pixel gambar sesuai ukuran yang ingin kita tentukan. Proses normalisasi gambar ini bertujuan menentukan ukuran gambar atau citra. Langkah-langkah normalisasi gambar plat kendaraan seperti pada diagram arus di bawah ini.

Gambar 8. Diagran Normalisasi Gambar

Plat

Normalisasi Plat (237x82)

Plat Nomor

Multiple Image Resizer.Net

Folder Dataset



Proses ini diawali dengan menginput data plat kendaraan pada folder dataset, setelah hasil sampel data plat nomor kendaraan didapatkan selanjutnya sampel plat nomor kendaraan dinormalisasi ukuran dimensinya menjadi Width=237 dan Height=82 akan tetapi dalam penelitian untuk mengubah keseluruhan dimensi gambar-gambar tersebut akan digunakan software image prosessing yang dapat menangani multi file gambar yang bernama Multiple Image Resizer.Net.

Gambar 9. Multiple Image Resizer.Net

3.3. Eksperimen

Gambar 10. Diagram Eksperimen

Input Gambar

Grayscale Self-Organizing Map

Threshold

Proses Thresholding

Binnerisasi

Hasil Segmentasi

Huruf

Proses Segmentasi

Bouding Box Angka



Proses eksperimen pada penelitian ini terdiri atas 3 proses, yaitu proses pembalikan warna asli gambar RGB ke warna grayscale, proses binnerisasi gambar atau penentuan nilai ambang (threshold), dan segmentasi karakter. Tahap-tahap eksperimen dapat dilihat pada gambar berikut.

3.3.1 Pembalikan Warna Pembalikan warna dasar merupakan proses perubahan dari gambar asli yang berupa warna red, green, blue (RGB) ke warna grayscale. Fungsi pembalikan warna (grayscale) ini sangat di butuhkan untuk mempermudah pengelompokan warna dalam pixel, proses ini biasanya digunakan untuk semua penelitian tentang plat kendaraan, ini karena perbedaan yang mencolok antara warna putih dan warna hitam. Dari Proses ini dihasilkan gambar dengan dua format warna yakni hitam dan putih. Dimana warna hitam adalah warna background (warna latar) dan warna putih adalah foreground (warna huruf).

Hasil dari proses pembalikan warna plat nomor kendaraan disimpan pada folder hasil grayscale. Untuk lebih jelasnya proses pembalikan warna dapat dilihat pada diagram alur di bawah ini.

Gambar 11. Diagram Proses Pembalikan Warna

3.3.2 Thresholding Proses ini merupakan metode untuk menganalisa gambar skala abu-abu ke citra biner. Nilai piksel objek memiliki nilai 1 dan latar belakang memiliki nilai 0, dengan demikian objek akan muncul secara konsisten lebih cerah atau lebih gelap dari latar belakang. Berikut adalah gambar diagram proses thresholding gambar plat nomor kendaraan.

Input Gambar

Hasil Pembalikan

Warna Folder

Grayscale

rgb2gray

Hasil



Gambar 12. Diagram Proses Thresholding

3.3.3 Segmentasi Karakter Plat Regionprops dengan fungsi boundingbox menghitung perimeter dengan menghitung jarak antara setiap pasangan piksel yang berdekatan di sekitar perbatasan daerah. Hasil binerisasi dari pre-processing menggunakan metode Self-Organizing Map (SOM) selanjutnya akan dilakukan pemotong setiap karakter pada plat nomor kendaraan dengan menggunakan fungsi Boudingbox.

Gambar 13. Diagram Proses Segmentasi Karakter

3.4. Evaluasi Pengujian eksperimen yang dilakukan berupa pengukuran Mean Square Error (MSE) dan prosentase keberhasilan pembagian region karakter. Validasi hasil yang didapatkan adalah tabel pengukuran MSE dan grafik MSE per plat nomor kendaraan serta presentase keberhasilan pembagian region karakter. Penjelasan dari evaluasi dan validasi hasil secara rinci akan dijelaskan pada bab selanjutnya. Formulanya adalah sebagai berikut.

Input

Gambar SOM Ukuran

MAP

Thresholding

Threshold SOM

Binerisasi

Binnerisasi Bouding Box

Huruf

Angka Folder SOM

Hasil Segmentasi



……………………………………………………. 3.1 Keterangan:

y adalah gambar sumber.

x adalah gambar target.

M,N adalah dimensi gambar sumber. Data yang masukkan untuk menghitung MSE adalah gambar sumber/asli dan gambar target. Data

sumber dan data target merupakan karakter dari plat nomor kendaraan yang telah disegmentasi, dimana untuk mendapatkan karakter dari gambar asli dilakukan crop manual menggunakan tools cropping Image dan karakter gambar target didapatkan dari hasil segmentasi gambar plat nomor kendaraan. Dari data yang didapatkan kemudian dinormalisasi menjadi 30 x 50 piksel untuk memudahkan proses pengukuran. 4. HASIL DAN PEMBAHASAN

4.1. Hasil Penelitian 4.1.1 Hasil Pengumpulan Data Hasil pengumpulan data terdiri atas gambar plat nomor kendaraan yang diambil dari penelitian sebelumnya (Erwin, 2012). Hari pemotongan plat nomor kendaraan ini menggunakan software Sofonesia picture Cropper. Adapun hasil pemisahaan plat nomor kendaraan dapat ditunjukkan pada gambar plat nomor kendaraan di bawah ini.

Gambar 14. Dataset Plat Nomor



Bentuk data berupa gambar plat nomor kendaraan yang telah dipotong (crops) dari gambar utuh kendaraan, kemudian dari hasil pemotongan (crops) gambar dinormalisasi dimensinya menjadi ukuran 237 x 58 Piksel.

4.1.2 Pembalikan Warna Proses pembalikan warna merupakan proses perubahan warna asli (RGB) plat nomor kenderaan ke Grayscale. Proses ini merubah gambar menjadi 2 (dua) warna, yakni warna hitam (background) dan putih (foreground). 4.1.3 Penentuan nilai threshold Pada tahapan ini gambar plat nomor kendaraan yang dirubah ke format grayscale, selanjutnya gambar dirubah ke format double “x=double(img);”, kemudian gambar direshape (dirubah ukuran dimensi tapi dengan ukuran sama) dengan perintah “x = reshape(x,1,size(x,1)*size(x,2))” membuat variable ukuran map dnegan ukuran default 8x8 “map=[ 8 8];”. Selanjutnya membuat variable yang menampung perkalian antara vaiable x dan map “threshold=SOMThreshold(x,map);”. Kemudian membuat variable untuk menampung nilai threshold gambar plat “imgthreshold=im2bw(img,threshold);”.

Hasil eksperimen pada tabel di atas terlihat bahwa proses pembersihan citra mengakibatkan hilangnya gangguan efek-efek yang tidak di inginkan, dalam beberapa eksperimen terlihat bahwa perubahan tidak terlalu signifikan, ini dikarenakan oleh efek-efek dari plat asli baik pencahayaan ataupun kotoran pada plat itu sendiri. Hasil eksperimen threshold pada tabel di atas, menghasilkan nilai rata-rata 0,4764. Berikut adalah hasil nilai threshold keseluruhan gambar plat nomor kendaraan menggunakan metode Self-Organizing Map. Berikut adalah grafik hasil eksperimen nilai threshold menggunakan metode Self-Organizing Map.

Gambar 15. Grafik Threshold Self-Organizing Maps

Gambar grafik di atas menunjukan hasil nilai threshold menggunakan metode local otsu. Dari hasil di atas menunjukan bahwa nilai maksimal yang dicapai yaitu 0,5852 dan nilai minimal yang dicapai yaitu 0,3325 dengan nilai rata-rata 0,4764.

Berikut adalah hasil eksperimen binerisasi plat nomor kendaraan menggunakan metode Local

Otsu.



Gambar 16. Grafik Nilai Threshold Local Otsu

Gambar grafik di atas menunjukan hasil nilai threshold menggunakan metode local otsu. Dari hasil di atas menunjukan bahwa nilai maksimal yang dicapai yaitu 0,6078 dan nilai minimal yang dicapai yaitu 0,2549 dengan nilai rata-rata 0,4106.

4.1.4 Segmentasi Karakter Segmentasi merupakan proses pembagian bagian yang diinginkan dari keseluruhan gambar tergantung dari kriteria-kriteria yang diinginkan, seperti berdasarkan warna putih, nilai dari piksel dalam gambar, atau mungkin tergantung pada fitur lain dari gambar. Dalam hal binerisasi segmentasi ditunjukkan pada perbedaan komponen latar belakang dan latar depan dimana pada segmentasi karakter merupakan latar depan dari sebuah gambar.

Hasil binerisasi dengan menggunakan im2bw tools dari MATLAB dari proses metode yang diusulkan untuk segmentasi karakter menggunakan fungsi Boudingbox. Proses penandaaan (boundingBox) region karakter, dimana boundingBox akan menandai setiap piksel dengan intensitas warna bernilai 1, dengan menentukan nilai tengah pada masing-masing karakter tersebut.

Proses segmentasi pada penelitian ini digunakan sebagai pembuktian keberhasilan suatu segmentasi karakter, dimana diharapkan segmentasi karakter dari hasil tersebut digunakan untuk menentukkan keberhasilan metode yang digunakan. Hasil binerisasi dari proses sebelumnya di segmentasi menggunakan boudingbox dan hasilnya diharapkan dapat membuktikan bahwa model yang digunakan dapat disegmentasi dengan baik.

Berikut adalah hasil ekperimen segmentasi karakter plat nomor kenderaan dari hasil binnerisasi menggunakan metode Self-Organizing Map.

Hasil segementasi di atas merupakan plat nomor kenderaan yang di proses menggunakan metode Self-Organizing Map yang kemudian disegmentasi menggunakan fungsi Boudingbox. Dari hasil segmentasi karakter plat nomor kendaraan di atas rata-rata dapat disegmentasi

Hasil segementasi di atas merupakan plat nomor kenderaan yang di binnerisasi menggunakan metode Local otsu yang kemudian disegmentasi menggunakan fungsi Boudingbox. Dari hasil segmentasi di atas terdapat plat yang tidak dapat dipisahkan secara secara keluruhan, dapat dilihat pada plat nomor 3, 24, dan plat nomor 29. 4.2. Pembahasan Pengukuran hasil dilakukan dengan Mean Square Error dengan inputan gambar asli dan gambar target yang telah dipisahkan per karakter dari plat nomor kendaraan. Karakter gambar asli didapatkan dengan cara crops manual menggunakan software softnesia cropper atau microsft paint.

Hasil evaluasi segmentasi menggunakan metode local otsu kemudian disegmentasi menggunakan boudingbox dan hasil crops manual plat nomor kenderaan menghasilkan nilai rata-rata mean square error sebesar 7,38E+03 piksel.



Gambar 17. Grafik MSE Local Otsu

Gambar grafik di atas menunjukan hasil rata-rata nilai menggunakan metode local otsu. Dari hasil di atas menunjukan bahwa nilai maksimal yang dicapai yaitu 1,11E+04 piksel dan nilai minimal yang dicapai yaitu 5,02E+03 piksel dengan nilai rata-rata 7,38E+03 piksel.

Berikut adalah contoh perhitungan nilai MSE untuk segmentasi menggunakan Self-Organizing Map. Hasil evaluasi segmentasi menggunakan metode Self-Organizing Map kemudian disegmentasi menggunakan boudingbox dan hasil crops manual plat nomor kenderaan menghasilkan nilai rata-rata mean square error sebesar 7,16E+03 piksel.

Gambar 18. Grafik Nilai MSE Self-Organizing Map

Gambar grafik di atas menunjukan hasil rata-rata nilai menggunakan metode local otsu. Dari hasil di

atas menunjukan bahwa nilai maksimal yang dicapai yaitu 1,07E+04 piksel dan nilai minimal yang dicapai yaitu 4,69E+03 piksel dengan nilai rata-rata 7,38E+03 piksel.



Tabel 1. Nilai rata-rata MSE

Metode MSE (Piksel)

Self-Organizing Map 7,16E+03 Local otsu 7,38E+03

Hasil perbandingan nilai evaluasi metode Self-Organizing Map dan local otsu menghasilkan nilai

selisih 2,E+02 piksel. Pada hasil eksperimen telah dijabarkan hasil penelitian dengan melakukan eksperimen terhadap

dataset yang ada. Dalam bentuk grafik perbandingan nilai evaluasi metode Self-Organizing Map dan local otsu terlihat pada grafik berikut.

Gambar 19. Grafik perbandingan nilai threshold

Dilihat dari grafik dan tabel di atas bahwa nilai threshold yang didapatkan metode Self-Organizing Map lebih rendah daripada Local otsu hampir disemua gambar sebanyak 30 (tiga puluh) dataset.

Selanjutnya setelah mendapatkan nilai threshold dari perbandingan kedua metode maka peneliti mencari perbandingan Means Square Error (MSE) dari kedua metode tersebut. Hasil dari kedua proses pre-prosessing ini akan diukur menggunakan mean square error (MSE) dengan dibandingkan dengan data gambar asli plat nomor kenderaan.



Gambar 20. Grafik Perbandingan MSE

Pada grafik ini dapat dilihat perbandingan MSE Local otsu dan Self-Organizing Map yang bisa di ambil kesimpulan bahwa lebih rendahnya MSE Self-Organizing Map daripada Local otsu, untuk tabel rata-rata hasil pengukuran MSE seluruh plat dapat kita lihat lampiran

Berdasarkan hasil eksperimen penentuan nilai threshold gambar plat nomor kendaraan metode Self-Organizing Map dapat meningkatkan nilai threshold dan memperkecil nilai mean square error, akan tetapi metode masih terdapat kelemahan seperti berikut : a. Gangguan border dari plat nomor kendaraan belum dapat dihilangkan karena apabila nilai threshold

yang didapat terlalu tinggi maka akan mengurangi kualitas segmentasi karakter b. Latar belakang plat nomor, sama halnya dengan gangguan border, warna latar belakang plat nomor

kendaraan berpengaruh pada hasil segematasi karakter, karena apabila warna latar belakang plat berwarna gray maka tidak dapat dibedakan antara warna karakter (foreground) dan latar belakang (background) sehingga karakter plat tidak dapat tersegmentasi keseluruhan bahkan gagal.

5. KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan evaluasi hasil eksperimen, maka kesimpulan dalam penelitian ini adalah : a. Berdasarkan hasil eksperimen yang dilakukan dengan metode Self-Organizing Map dalam tahap

segmentasi dapat meningkatkan kinerja monitoring kendaraan di tempat umum. Ini dibuktikan rata-rata plat nomor kendaraan yang digunakan pada penelitian dapat dipisahkan.

b. Berdasarkan hasil pengukuran nilai rata-rata threshold yang didapat 0,4764 dan rata-rata Mean Square Error didapatkan 7,16E+03 piksel, sehingga dapat disimpulkan bahwa peenggunakan metode Self-Organizing Map dapat meningkatkan nilai thresholding dan segmentasi. Ini dibuktikan dengan berhasil threshold dengan selisih 0,658 dan nilai rata-rata Mean Square Error berhasil diperkecil dengan selisih 2,0E+03 piksel.



5.2. Saran Metode Self-Organizing Map dalam menentukan nilai threshold plat nomor kendaraan terbukti meningkat nilai threshold dan memperkecil nilai rata-rata Mean Square Error (MSE) dibandingkan dengan metode local otsu, namun masih ada beberapa kelemahan yang dapat mempengaruhi tingkat keberhasilan segmentasi region karakter pada plat nomor kendaraan. Disarankan penelitian yang akan datang metode ini dapat ditingkatkan lagi terutama kelanjutan penelitian pengenalan karakter pada plat nomor kendaraan. DAFTAR PUSTAKA

[1] H. K. Sulehria, Y. Zhang, D. Irfan, and A. K. Sulehria, “Vehicle Number Plate Recognition Using Mathematical Morphology and Neural Networks,” vol. 7, no. 6, pp. 781–790, 2008.

[2] M. A. Lalimi, S. Ghofrani, and D. McLernon, “A vehicle license plate detection method using region and edge based methods,” Comput. Electr. Eng., vol. 39, no. 3, pp. 834–845, Apr. 2013.

[3] C. N. Anagnostopoulos, I. Anagnostopoulos, V. Loumos, and E. Kayafas, “A license plate recognition algorithm for Intelligent Transportation System applications,” 2005.

[4] K. Hung and C. Hsieh, “A Real-Time Mobile Vehicle License Plate Detection and Recognition,” vol. 13, no. 4, pp. 433–442, 2010.

[5] F. M. Oliveira-Neto, L. D. Han, and M. K. Jeong, “Online license plate matching procedures using license-plate recognition machines and new weighted edit distance,” Transp. Res. Part C Emerg. Technol., vol. 21, no. 1, pp. 306–320, Apr. 2012.

[6] L. Araújo, S. Pio, and D. Menotti, “Segmenting and Recognizing License Plate Characters.” [7] S. Akter, “Automatic License Plate Recognition (ALPR) for Bangladeshi Vehicles,” vol. 11, no. 21,

2011. [8] A. Sedighi and M. Vafadust, “A new and robust method for character segmentation and recognition

in license plate images,” Expert Syst. Appl., vol. 38, no. 11, pp. 13497–13504, Apr. 2011. [9] H. Guanglin and G. Yali, “A Simple and Fast Method of Recognizing License Plate Number,” 2010

Int. Forum Inf. Technol. Appl., pp. 23–26, Jul. 2010. [10] R.-M. Chao, H.-C. Wu, and Z.-C. Chen, “Image segmentation by automatic histogram

thresholding,” Proc. 2nd Int. Conf. Interact. Sci. Inf. Technol. Cult. Hum. - ICIS ’09, pp. 136–141, 2009.

[11] M. Fukumi, Y. Takeuchi, H. Fukumoto, Y. Mitsukura, and M. Khalid, “Neural Network Based Threshold Determination for Malaysia License Plate Character Recognition.”

[12] E. D. Putra, “NOMOR KENDARAAN INDONESIA MENGGUNAKAN PROGRAM PASCA SARJANA,” 2012.

[13] Y. A. Mustafa, “PENENTUAN THRESHOLD MENGGUNAKAN ALGORITMA FUZZY C-MEANS UNTUK SEGMENTASI REGION PADA PLAT NOMOR KENDARAAN OLEH : YASIN ARIL MUSTOFA PROGRAM PASCASARJANA MAGISTER TEKNIK INFORMATIKA,” 2013.

[14] A. M. I. Buna, “TESIS PENENTUAN THRESHOLD MENGGUNAKAN K-MEANS DAN GAUSSIAN UNTUK PENINGKATAN PROSES,” 2013.

[15] L. Mart and C. Cuadrado, “SOM Segmentation of Gray Scale Images for Optical Recognition,” no. October 2005.

penentuan threshold menggunakan algoritma self …

Documents