pengenalan huruf plat nomor kendaraan bermotor...

i

TUGAS AKHIR

PENGENALAN HURUF PLAT NOMOR KENDARAAN

BERMOTOR RODA DUA SECARA REAL TIME

MENGGUNAKAN METODE EKSTRASI CIRI

PENGABURAN DAN PERATAAN BLOK

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Oleh :

BERNARDUS ASTO WICAKSONO

NIM : 095114002

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2014

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

LETTER RECOGNITION OF MOTORCYCLE LICENSE

PLATE IN REAL TIME USING BLURRING AND BLOCK

AVERAGING FEATURE EXTRACTION METHOD

Presented as Partial Fullfillment of The Requirements

To Obtain Sarjana Teknik Degree

In Electrical Engineering Study Program

By :


Student’s Number : 095114002

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2014


iii

HALAMAN PERSETUJUAN

TUGAS AKHIR


BERMOTOR RODA DUA SECARA REAL TIME

MENGGUNAKAN METODE EKSTRASI CIRI


( LETTER RECOGNITION OF MOTORCYCLE LICENSE

PLATE IN REAL TIME USING BLURRING AND BLOCK

AVERAGING FEATURE EXTRACTION METHOD )

Oleh:


NIM : 095114002

telah disetujui oleh :


iv


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya

orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka

sebagaimana layaknya karya ilmiah.


vi

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO :

karena KETERBATASAN aku BERJUANG

Skripsi ini kupersembahkan untuk….

Yesus Kristus Pembimbingku yang setia

Bapak dan Ibu tercinta


vii

LEMBAR PERNYATAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Bernardus Asto Wicaksono

Nomor Mahasiswa : 095114002

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :


BERMOTOR RODA DUA SECARA REAL

TIMEMENGGUNAKAN METODE EKSTRASI CIRI


beserta perangkat yang diperlukan ( bila ada ). Dengan demikian saya memberikan kepada

Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam

bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara

terbatas dan mempublikasikannya di internet atau media lain untuk kepentingan akademis

tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama

tetapmencatumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.


viii

INTISARI

Sistem identifikasi atau pengecekan kendaraan bermotor roda dua di tempat parkir

masih bersifat konvensional dan bergantung pada manusia. Sistem konvensional yang

masih diterapkan adalah dengan mencatat nomor plat kendaraan secara manual atau ditulis

tangan. Sistem tersebut masih bergantung pada manusia saat pengecekan kendaraan masuk

dan keluar dari tempat parkir.

Sistem pengenalan plat nomor pada saat pengecekan kendaraan masuk dan keluar

dari tempat parkir dapat menjadi salah satu solusinya.Sistem pengenalan yang dilakukan

adalah dengan mengenali karakter huruf plat nomor. Citra kepingan huruf plat nomor yang

telah dicapture kemudian diolah dengan menggunakan preprocessing, ektrasi ciri

pengaburan dan perataan blok, jarak Euclidean dan kemudian program akan menampilkan

hasil pengenalan.

Sistem pengenalan kepingan huruf plat nomor bermotor roda dua menggunakan

ekstrasi ciri pengaburan dan perataan blok sudah berjalan sesuai dengan perancangan.

Rata–rata tingkat pengenalan dengan menggunakan ekstrasi ciri pengaburan dan perataan

blok adalah sebesar 86.84%. Semakin kecil ukuran tapis dan standar deviasinya maka

tingkat pengenalannya akan semakin tinggi. Semakin besar ukuran tapis dan standar

deviasinya maka tingkat pengenalannya akan semakin rendah.

Kata kunci : Pengenalan huruf, plat nomor, ekstrasi ciri pengaburan dan perataanblok,

fungsi jarak Euclidean.


ix

ABSTRACT

Identification system of the parking lot is conventional and dependent on human. It

is still applied by write the vehicle number license plate manually or hand written. It is still

dependent on human when vehicle check in and out of the parking lot.

System of letter recognition when vehicle check in and out can be solution.The

letter fragment license plate’s of image has been captured, been image processed using

preprocessing, Blurring and Block Averaging feature extraction, Euclidean distance and

recognition program will show result recognition.

The real time system of letter fragment license plate recognition has been succeed.

Average of rate recognition using blurring and block averaging feature extraction is

86.84%. The smaller filter size and standart deviation produces higher rate recognition.

The higher filter size and standart deviation produces smaller rate recognition. Recognition

program only recognizes one character letters, it can be developed with more than one

character letter’s recognition.

Keyword :Letter Recognition, License Plate, Blurring and Averaging Block Feature

Extraction, Euclidean Distance.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena telah

memberikan rahmat-Nya sehingga penulis dapat menyelesaikan laporan tugas akhir ini

dengan baik.Laporan tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar

sarjana.

Selama pembuatan tugas akhir ini penulis menyadari bahwa ada begitu banyak

pihak yang telah memberikan bantuan baik bantuan materi, moral maupun dukungan. Oleh

karena itu penulis ingin mengucapkan terimakasih kepada :

1. Drs. Johanes Eka Priyatma, M.Sc., Ph.D, Rektor Universitas Sanata Dharma

2. Paulina Heruningsih Prima Rosa, S.si., M.Sc, Dekan Fakultas Sains dan

Teknologi

3. Petrus Setyo Prabowo, S.T., M.T., Ketua Program Studi Teknik Elektro

Universitas Sanata Dharma.

4. Dr. Linggo Sumarno, dosen pembimbing yang dengan penuh setia, kesabaran dan

pengertian untuk membimbing dalam menyelesaikan Tugas Akhir ini.

5. Wiwien Widyastuti, S.T., M.T. dan Dr. Iswanjono selaku dosen penguji yang

telah memberi masukkan, kritik dan saran serta merevisi penulisan tugas akhir ini.

6. Bapak dan Ibu dosen yang telah mengajarkan banyak ilmu yang bermanfaat

selama menempuh pendidikan di Universitas Sanata Dharma.

7. Kedua orang tua penulis yang telah banyak memberikan dukungan doa, kasih

sayang dan motivasi selama menempuh pendidikan di Universitas Sanata Dharma.

8. Teman–teman seperjuangan Teknik Elektro 2009 yang telah menemani pada saat

menempuh pendidikan di Universitas Sanata Dhama.

9. Teman–teman SMA yang telah memberikan dukungan semangat dan motivasi

selama menempuh pendidikan di Universitas Sanata Dharma.

10. Teman–teman mudika St.Michael Cangkringan yang telah memberikan semangat

rohani dan hiburan selama penulisan tugas akhir ini.

11. Semua pihak yang tidak bisa disebutkan satu persatu yang telah banyak

memberikan banyak bantuan dan dukungan dalam menyelesaikan tugas akhir ini.


xi

Penulis menyadari bahwa dalam penyusunan laporan tugas akhir masih

mengalami kesulitan dan tidak lepas dari kesalahan.Oleh karena itu, penulis mengharapkan

masukan, kritik dan saran yang membangun agar skripsi ini menjadi lebih baik.Dan

semoga skripsi ini dapat bermanfaat sebagaimana mestinya.

Penulis,


xii

DAFTAR ISI

HALAMAN JUDUL ........................................................................................................... i

HALAMAN PERSETUJUAN ............................................................................................ iii

HALAMAN PENGESAHAN ............................................................................................. iv

PERNYATAAN KEASLIAN KARYA .............................................................................. v

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP .................................................... vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS ............................................................ vii

INTISARI ............................................................................................................................ viii

ABSTRACT ........................................................................................................................ ix

KATA PENGANTAR ......................................................................................................... x

DAFTAR ISI ....................................................................................................................... xii

DAFTAR GAMBAR ........................................................................................................... xiv

DAFTAR TABEL ............................................................................................................... xvi

BAB I PENDAHULUAN ................................................................................................... 1

1.1. Latar Belakang ............................................................................................................. 1

1.2. Tujuan dan Manfaat Penelitian ..................................................................................... 2

1.3. Batasan Masalah ........................................................................................................... 2

1.4. Metodologi Penelitian .................................................................................................. 3

BAB II DASAR TEORI ...................................................................................................... 4

2.1. Plat Nomor Kendaraan di Republik Indonesia ............................................................. 4

2.2. Pengolahan Citra .......................................................................................................... 5

2.2.1 Definisi ................................................................................................................ 5

2.2.2 Model RGB ......................................................................................................... 6

2.3. Pemrosesan Citra ......................................................................................................... 7

2.4. Pengenalan Pola .......................................................................................................... 8

2.5. Ektrasi Ciri Pengaburan dan Perataan Blok ................................................................ 9

2.6. Jarak Euclidean ............................................................................................................ 11

2.7. Webcam ....................................................................................................................... 11

2.8. Pemrograman Matlab .................................................................................................. 12

BAB III RANCANGAN PENELITIAN ............................................................................. 14


xiii

3.1.Gambaran Sistem ......................................................................................................... 14

3.1.1 Fixture .................................................................................................................. 14

3.1.2 Kepingan Plat ...................................................................................................... 15

3.1.3 Webcam ............................................................................................................... 15

3.1.4 Rancangan software pengenalan huruf ................................................................ 16

3.2. Huruf Uji ...................................................................................................................... 25

3.3. Perancangan Tampilan GUI ......................................................................................... 25

BAB IV ANALISIS DAN PEMBAHASAN ...................................................................... 28

4.1. Pengujian Program Pengenalan Kepingan Huruf Plat Nomor Kendaraan Bermotor

Roda Dua ...................................................................................................................... 28

4.1.1 Home ................................................................................................................... 28

4.1.2 Pengenalan ........................................................................................................... 29

4.1.3 Bantuan ................................................................................................................ 37

4.1.4 Tentang ................................................................................................................ 37

4.1.5 Menu Editor ........................................................................................................ 38

4.2. Hasil Pengujian Program Pengenalan Terhadap Tingkat Pengenalan Citra Kepingan

Plat huruf ...................................................................................................................... 38

4.2.1. Pengujian Parameter Pengaturan Pengenalan Citra Kepingan Plat .................. 38

4.2.2. Pengujian Untuk Menentukan Batasan Nilai Jarak Optimal ........................... 43

4.2.3. Pengujian Karakter Angka ............................................................................... 43

BAB V KESIMPULAN DAN SARAN .............................................................................. 45

5.1. Kesimpulan ................................................................................................................... 45

5.2. Saran ............................................................................................................................. 45

DAFTAR PUSTAKA .......................................................................................................... 46

LAMPIRAN


xiv

DAFTAR GAMBAR

Gambar 2.1 Contoh Plat Nomer Republik Indonesia .......................................................... 5

Gambar 2.2 Skema warna RGB dalam kubus ..................................................................... 6

Gambar 2.3 Kubus berwarna RGB 24 bit............................................................................ 7

Gambar 2.4 Transformasi Spasial ....................................................................................... 8

Gambar 2.5 Contoh pengaburan dan perataan blok ............................................................ 10

Gambar 2.6 Diagram jarak antara 2 titik ............................................................................. 11

Gambar 2.7 Contoh webcam ............................................................................................... 12

Gambar 3.1 Gambaran sistem keseluruhan ......................................................................... 14

Gambar 3.2 Kepingan plat yang digunakan ........................................................................ 15

Gambar 3.3 Diagram Alir Pembentukan Database ............................................................ 16

Gambar 3.4 Diagram alir proses pengenalan....................................................................... 17

Gambar 3.5 Diagram alir pengambilan citra ...................................................................... 19

Gambar 3.6 Contoh hasil citra proses grayscale ................................................................. 19

Gambar 3.7 Proses cropping pada citra kepingan plat ........................................................ 20

Gambar 3.8 Hasil resizing .................................................................................................. 21

Gambar 3.9 Diagram alir pemrosesan citra ......................................................................... 22

Gambar 3.10 Diagram alir ekstrasi ciri ............................................................................... 23

Gambar 3. 11 Diagram alir menghitung jarak Euclidean .................................................... 24

Gambar 3. 12 Diagram alir menghitung penentuan keluaran ............................................. 25

Gambar 3.13 Jendela home .................................................................................................. 26

Gambar 3.14 Jendela pengenalan ........................................................................................ 26

Gambar 3.15 Jendela bantuan .............................................................................................. 27

Gambar 3.16 Jendela tentang............................................................................................... 27

Gambar 4.1 Tampilan home ................................................................................................ 28

Gambar 4.2 Tampilan pengenalan ....................................................................................... 29

Gambar 4.3 Tampilan bantuan ............................................................................................ 37

Gambar 4.4 Tampilan tentang ............................................................................................. 37

Gambar 4.5 Tampilan menu editor ...................................................................................... 38

Gambar 4.6 Grafik persentase tingkat pengenalan terhadap ukuran tapis .......................... 40

Gambar 4.7 Grafik persentase tingkat pengenalan terhadap standar deviasi ...................... 40


xv

Gambar 4.8 Contoh citra dengan ukuran tapis bervariasi dan standar deviasi tetap ........... 41

Gambar 4.9 Contoh citra dengan ukuran tapis tetap dan standar deviasi bervariasi ........... 42


xvi

DAFTAR TABEL

Tabel 2.1 Jenis-jenis transformasi Affine ............................................................................ 8

Tabel 3.1 Spesifikasi webcam Logitech c 270h .................................................................. 16

Tabel 4.1 Hasil persentase tingkat pengenalan .................................................................... 39

Tabel 4.2 Jarak Euclidean setiap karakter huruf.................................................................. 43

Tabel 4.3 Jarak Euclidean karakter angka ........................................................................... 43


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Di tengah perkembangan jaman yang semakin maju dan modern, banyak

masyarakat yang dapat membeli kendaraan bermotor. Meningkatnya pertumbuhan

kepemilikan kendaraan bermotor tidak diimbangi dengan teknologi yang canggih dalam

sistem identifikasi atau pengecekan kendaraaan bermotor roda dua di tempat parkir. Sistem

identifikasi atau pengecekan kendaraan bermotor roda dua di tempat parkir masih bersifat

konvensional dan bergantung pada manusia. Sistem konvensional yang masih diterapkan

adalah dengan mencatat nomor plat kendaraan secara manual atau ditulis tangan. Sistem

tersebut masih bergantung pada manusia. Pada pengecekan, manusia sering lalai karena

lelah dan tidak mengecek dengan benar nomor plat yang tertera di karcis dengan yang

tertera di plat nomor kendaraan.

Untuk mengatasi sistem identifikasi atau pengecekan yang masih bergantung pada

manusia maka harus diimbangi dengan teknologi yang dapat diterapkan di tempat parkir.

Berdasarkan hal tersebut, penulis membuat suatu sistem yang dapat mencuplik plat nomor

kendaraan dengan menggunakan webcam, khususnya pada kendaraan bermotor. Sistem

yang dibuat meliputi beberapa bidang yaitu computer vision, pengolahan citra (image

processing) dan pengenalan pola (pattern recognition). Sistem tersebut secara garis besar

dapat di definisikan sebagai sistem yang dapat mencuplik objek, memperbaiki kualitas

citra objek yang telah dicuplik dan mengekstrasi ciri dengan menggunakan pengenalan

pola[1].

Sistem yang dibuat dapat mengenali karakter huruf pada kepingan plat secara real

time menggunakan webcam. Penulis menemukan penelitian – penelitian sebelumnya yang

berkaitan dengan pengenalan karakter huruf, diantaranya pernah diteliti oleh Haryono [2]

tentang pengenalan huruf besar pada font secara offline dengan menggunakan metode

Jaringan Saraf Tiruan Radial Basis Function dengan Randomize Cluster Decision. Selain

itu, penulis juga menemukan penelitian lain oleh Sumarno [3] yang meneliti tentang

karakter huruf pada tulisan tangan secara offline dengan menggunakan metode

Pengaburan dan Perataan Blok dengan Tapis Gaussian 2D. Sistem yang akan dibuat adalah

sistem yang secara real time dengan menggunakan webcam. Sistem ini akan


2

membandingkan citra karakter 26 huruf, yaitu dari A sampai Z dengan citra plat yang telah

dicapture oleh user melalui webcam sehingga akan dihasilkan perbandingan jarak terkecil.

Karakter dari A sampai Z diproses dahulu melalui preprocessing. Setelah itu kemudian

diproses menggunakan metode ekstrasi ciri pengaburan dan perataan blok (Blurring and

Averaging Block Feature Extraction) untuk kemudian digunakan sebagai database huruf.

Karakter yang telah dicapture dibandingkan dengan database huruf dengan menggunakan

fungsi jarak Euclidean dan hasil perbandingan jarak yang terkecil merupakan karakter

yang telah dicapture. Semua proses tersebut menggunakan software Matlab 7.04, baik

dalam pemrogramannya maupun visualisasi pengambilan gambarnya. Jika proses

pengambilan gambar telah sesuai dengan database huruf, maka sistem ini akan memberi

peringatan kepada user bahwa pengenalan huruf sudah selesai. User dapat melihat hasil

dari karakter yang telah dicapture melalui tampilan layar monitor.

1.2. Tujuan dan Manfaat Penelitian

Tujuan dari penulisan tugas akhir ini adalah menerapkan metode sistem pengenalan

kepingan plat huruf dengan menggunakan ekstrasi ciri pengaburan dan perataan blok.

Manfaat penulisan tugas akhir ini adalah sebagai penelitian awal dari otomatisasi sistem

identifikasi atau pengecekan plat nomor kendaraan roda dua di tempat parkir.

1.3. Batasan Masalah

Sistem otomatisasi pengenalan huruf pada plat nomer terdiri dari hardware dan

software (computer). Hardware berupa webcam dan fixture. Software yang digunakan

adalah matlab. Matlab berfungsi untuk mengatur seluruh proses pengolahan data .

Pada perancangan sistem ini, penulis fokus pada pembuatan software komputer

untuk memproses pengenalan huruf pada plat nomer sedangkan untuk hardware berupa

webcam yang sudah tersedia di pasaran dan fixture yang didesain sendiri. Penulis

menetapkan beberapa batasan masalah pada perancangan ini, yaitu sebagai berikut :

a. Pengenalan huruf yang akan dikenali adalah kepingan huruf plat nomor yang

dikeluarkan oleh kepolisian yang terbaru. Ukuran kepingan plat yang digunakan

adalah berukuran 6×5 cm.

b. Pengenalan huruf yang digunakan hanya satu jenis font yaitu font yang digunakan

pada plat nomor resmi untuk kendaraan bermotor roda dua dengan warna

background hitam dan warna karakter putih.

c. Pada fixture sudah disediakan letak posisi kepingan plat.


3

d. Posisi webcam tegak lurus diatas plat.

e. Pengambilan (capture) citra menggunakan webcam.

f. Nilai–nilai yang akan dievaluasi adalah ukuran tapis dan standar deviasi tapis

Gaussian 2D.

g. Tidak dapat mengenali karakter lain selain huruf.

h. Metode yang digunakan untuk mengenali huruf adalah menggunakan metode

perbandingan dengan mengukur jarak Euclidean.

i. Pengenalan huruf pada plat nomor ini dibuat dengan menggunakan software

pemrograman Matlab.

j. Keluaran yang dihasilkan berupa teks di layar monitor.

1.4. Metodologi penelitian

Langkah langkah dalam pengerjaan tugas akhir :

a. Pengumpulan bahan–bahan referensi berupa buku–buku, jurnal–jurnal dan

literatur dari internet mengenai blurring and averaging block feature

extraction, image processing, pemrograman matlab dan jarak Euclidean.

b. Perancangan subsistem software

Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang

akan dibuat dengan mempertimbangkan berbagai faktor–faktor permasalahan

dan kebutuhan yang ditentukan.

c. Pembuatan subsistem software

Sistem akan mengolah interupsi yang diterima dari push button dan memulai

proses menampilkan video sampai user kembali memberikan perintah untuk

melakukan pengambilan (capture) gambar. Setelah itu, user memberikan

interupsi untuk memulai pengenalan huruf. Kemudian, Matlab akan mengolah

huruf dan menyajikan sebagai sebuah informasi.

d. Analisa dan menyimpulkan hasil percobaan

Analisa data dilakukan dengan menyelidiki pengaruh variasi ukuran tapis dan

standar deviasi dengan 832 kali percobaan (26 karakter×2 set×16 variasi)

terhadap tingkat pengenalan. Penyimpulan hasil percobaan dilakukan dengan

mencari ukuran tapis dan standar deviasi yang menghasilkan tingkat

pengenalan yang tertinggi.


4

BAB II

DASAR TEORI

Penyusunan tugas akhir ini membutuhkan beberapa landasan teori yang digunakan

sebagai acuan dalam memahami dan mengimplementasikan pengenalan huruf pada plat

nomor secara real time, antara lain : Plat nomor kendaraan, Pengolahan Citra, Pengenalan

Pola, Ekstrasi Ciri Pengaburan dan Perataan Blok, Template Matching, jarak Euclidean,

Webcam dan pemrograman Matlab.

2.1. Plat Nomor Kendaraan di Republik Indonesia[4]

Plat nomor adalah salah satu jenis identifikasi kendaraan bermotor. Plat nomor

disebut plat registrasi kendaraan. Bentuknya berupa potongan plat logam atau plastik yang

dipasang pada kendaraan bermotor sebagai identifikasi resmi. Plat nomor jumlahnya

sepasang, untuk dipasang di depan dan belakang kendaraan. Terdapat peraturan tertentu

atau jenis kendaraan tertentu yang hanya membutuhkan satu plat nomor, biasanya untuk

dipasang di bagian belakang. Plat nomor memiliki nomor seri yaitu susunan huruf dan

angka yang dikhususkan bagi kendaraan tersebut. Nomor ini di Indonesia disebut nomor

polisi, dan biasa dipadukan dengan informasi lain mengenai kendaraan bersangkutan,

seperti warna, merk, model, tahun pembuatan, nomor identifikasi kendaraan dan tentu saja

nama dan alamat pemiliknya. Semua data ini juga tertera dalam Surat Tanda Nomor

Kendaraan Bermotor atau STNK yang merupakan surat bukti bahwa nomor polisi itu

memang ditetapkan bagi kendaraan tersebut [4].

Sebuah plat nomor pribadi memiliki warna dasar hitam dengan karakter berwarna

putih, sedangkan pola karakter didalamnya memiliki kesamaan dengan pola kendaraan

umum. Polanya adalah sebagai berikut :

1. KA : Kode Area mobil tersebut berupa huruf dengan 1 atau 2 digit, contoh : B

untuk Jakarta, AB untuk Jogjakarta dan N untuk Malang.

2. NP : Nomor plat kendaraan berupa angka dengan batas maksimum jumlah digit

4.


http://id.wikipedia.org/wiki/Kendaraan

http://id.wikipedia.org/wiki/Kendaraan_bermotor

http://id.wikipedia.org/w/index.php?title=Nomor_seri&action=edit&redlink=1

http://id.wikipedia.org/wiki/Nomor_polisi

http://id.wikipedia.org/wiki/Nomor_polisi

http://id.wikipedia.org/wiki/STNK

5

3. KT : Karakter tambahan yang biasa ada atau tidak (optional), berupa huruf

dengan batas maksimum 2 digit dan minimum 1 digit, seperti A, BS, dan XX.

Pada bagian ini terdapat suatu pengecualian, yaitu huruf pertama di bagian ini

tidak boleh “O”.

Contoh plat nomor kendaraan pribadi dengan mengikuti peraturan di atas adalah

AB 1, AB 10 XY dan AD 7897 CY. Contoh plat nomor kendaraan pribadi yang tidak

mengikuti peraturan di atas adalah B 10255 AC, BBB 1 G dan B 1 SMA.

Gambar 2.1 Contoh Plat Nomer Republik Indonesia

Gambar 2.1 memperlihatkan plat nomor pribadi yang dapat dipisahkan menjadi 2

bagian utama, yang dipisahkan oleh suatu garis lurus yaitu :

1. B 9933 QF merupakan informasi plat nomor yang mengikuti peraturan

penomoran.

2. 08.15 merupakan informasi masa berlaku plat nomor yang berisi informasi

bulan dan tahun berakhir STNK (Surat Tanda Nomor Kendaraan).

2.2. Pengolahan Citra[5]

2.2.1. Definisi

Sebuah citra dapat didefinisikan sebagai fungsi dua dimensi f(x,y), dimana x dan y

adalah koordinat spasial dan amplitude dari f pada sembarang pasangan koordinat (x,y)

disebut intensity (intensitas) atau gray level (keabuan) dari citra tersebut. Ketika x, y dan

nilai intensitas dari f adalah semua terbatas, discrete quantities, citra tersebut dapat juga

disebut digital image (citra digital) [5]. Citra digital terdiri dari sejumlah elemen tertentu,

setiap elemen mempunyai lokasi dan nilai tertentu. Elemen–elemen ini disebut picture

element, image element, pels dan pixels.

Sumber noise pada citra digital bisa terjadi sejak pengambilan atau transmisi citra.

Kinerja dari sensor citra dipengaruhi oleh banyak faktor seperti kondisi lingkungan selama


6

pengambilan citra dengan kamera webcam, level pencahayaan dan suhu sensor adalah

faktor utama yang mempengaruhi tingkat noise pada citra yang dihasilkan [5].

2.2.2. Model RGB[6]

Dalam model RGB, setiap warna memperlihatkan komponen spectral primary red,

green dan blue. Model ini didasarkan pada sistem koordinat kartesian. Sub space warna

yang dicari adalah kubus yang ditunjukkan pada Gambar 2.2. Nilai RGB pada tiga sudut

adalah cyan,magenta dan yellow. Nilai RGB pada sudut lain adalah hitam adalah origin

dan putih adalah titik yang paling jauh dari origin. Dalam model ini, grayscale (keabuan)

diperluas dari hitam ke putih di sepanjang garis gabungan dua titik. Perbedaan warna

dalam model ini adalah titik yang berada di dalam kubus dan didefinisikan oleh

penyebarannya dari faktor origin

Gambar 2.2 Skema warna RGB dalam kubus

Citra yang dipresentasikan dalam model warna RGB terdiri dari tiga komponen,

masing–masing untuk setiap warna primer (red, green and blue). Jumlah bit yang

digunakan untuk mempresentasikan setiap piksel dalam space RGB disebut pixel dept.

Jumlah bit dalam citra RGB dimana setiap citra red, green dan blue adalah citra 8 bit.

Dalam kondisi setiap warna pixel RGB mempunyai kedalaman 24 bit. Citra full color

sering digunakan untuk menyatakan citra berwarna RGB 24 bit. Total jumlah warna dalam

citra 24 bit adalah ( ) = 16,777,216.


7

Gambar 2.3 Kubus berwarna RGB 24 bit

2.3. Pemrosesan Citra

1. Citra Graysacle

Citra beraras keabuan (citra grayscale) adalah citra berwarna yang menggunakan

tingkatan warna abu-abu (gray). Citra grayscale hanya perlu menyatakan intensitas tiap

pixel sebagai nilai tunggal, berbeda dengan citra berwarna yang membutuhkan 3 nilai

intensitas untuk tiap pixel-nya [5]. Proses awal yang dilakukan dalam image processing

adalah mengubah citra berwarna menjadi citra grayscale. Citra RGB diubah ke dalam

grayscale dapat dilakukan dengan menggunakan rumus :

( ) ( ) ( ) (2.1)

Citra grayscale berbeda dengan citra biner, citra biner terdiri dari 2 warna yaitu

hitam dan putih. Citra grayscale disimpan dalam integer 8 bit untuk setiap pixel sehingga

memberikan 256 intensitas keabuan [7].

2. Cropping

Cropping citra merupakan salah satu langkah dalam pengolahan citra yang

dilakukan untuk memotong satu bagian dari citra tertentu untuk memperoleh bagian yang

diinginkan untuk diolah. Hal ini dilakukan untuk mendapatkan data yang tepat sehingga

memudahkan dalam proses pengolahan data [8].

3. Resizing

Rezising citra adalah mengubah besarnya ukuran citra dalam piksel. Tampilan citra

tidak ada yang berubah hanya ukuran pixel dan matriksnya yang dirubah.

Transformasi geometris disebut rubber-sheet transformation karena dapat

ditampilkan seperti pencetakan citra pada lembaran karet dan men-streching lembaran ini

menurut jumlah aturan yang sudah didefinisikan. Transformasi geometris ini digunakan

untuk melakukan image registration, yaitu sebuah proses yang mengambil dua citra dari

scene yang sama dan mengaturnya sehingga dapat digabung untuk visualisasi, atau

perbandingan kuantitatif [9].


8

Transformasi Geometris Spasial

Jika citra f didefinisikan pada sistem koordinat T(w,z), mengalami distorsi

geometris yang menghasilkan citra g dengan sistem koordinat (x,y) maka transformasi

dapat dinyatakan dengan (x,y) = T{(w,z)} [5]. Contoh dalam trasnformasi spasial sebagai

berikut :

Jika (x,y) =T{(w,z)} = (w/2, z/2), distrosi adalah penyusutan f dengan setengah

dimensi spasial seperti ditunjukkan pada Gambar 2.4

Gambar 2.4 Transformasi Spasial

Bentuk umum yang digunakan pada transformasi spasial adalah affine transform

(Wolberg [1990] ). T adalah matriks Affine, dalam resizing menggunakan tipe scalling.

Matriks Affine dengan menggunakan tipe scalling diperlihatkan pada tabel 2.1.

Tabel 2.1 Jenis-jenis Transformasi Affine

Matriks Affine dengan menggunakan tipe scalling tersebut kemudian dikalikan

dengan koordinat citra sehingga menghasilkan koordinat citra baru yang telah mengalami

resizing. Persamaannya adalah sebagai berikut :

[

] [ ] (2.2)

2.4. Pengenalan Pola[6]

Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan

sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu obyek.

Ciri-ciri tersebut digunakan untuk membedakan suatu pola yang lainnya. Ciri yang baik


9

adalah ciri yang memiliki daya pembeda tinggi, sehingga pengelompokan pola berdasarkan

ciri yang dimiliki dapat dilakukan dengan keakuratan tinggi. Pengenalan pola bertujuan

menentukan kelompok atau kategori pola berdasarkan ciri–ciri yang dimiliki oleh pola

tersebut [6].

2.5. Ekstrasi Ciri Pengaburan dan Perataan Blok [3]

Ekstrasi ciri dari suatu citra bertujuan untuk mendapatkan representasi yang lebih

kompak atas citra tersebut. Ekstrasi ciri tersebut harus mempunyai 2 sifat, yaitu :

1. Ekstrasi ciri tersebut harus mempunyai variasi dalam membedakan karakter

dalam setiap kelasnya, sehingga lebih membantu dalam membedakan gambar

yang berbeda dalam kelas yang berbeda pula.

2. Ekstrasi ciri harus mempunyai perbedaan variasi untuk karakter yang berbeda

dalam kelas yang sama sehingga akan membantu mengelompokkan gambar

dalam kelas yang sama.

Sebuah metode sederhana untuk mendapatkan representasi citra yang kompak

adalah dengan pengaburan dan perataan blok yang telah diidekan oleh Ethem. Sebuah low

pass filter bisa digunakan untuk mendapatkan gambar yang kabur. Salah satu jenis low

pass filter yang biasa digunakan untuk mengaburkan citra adalah dengan 2D Gaussian

filter, berikut persamaannya :

( ) (

)

, (2.3)

dengan,

( ) (2.4)

Parameter h(x,y) adalah koordinat citra yang akan dikaburkan. Lambang σ adalah standar

deviasi. Parameter s(x,y) adalah skala jarak yang akan dikaburkan.

Sedangkan,

(

) (

) (2.5)

dengan N adalah orde tapis.


10

Gambar 2.5 Contoh pengaburan dan perataan blok.(a) Citra asli 64×64 piksel; (b)

Pengaburan dengan tapis Gaussian 2D 8×8 yang deviasi standarnya 12; (c) Partisi dengan

blok partisi 8×8 piksel; (d) Hasil perataan atas setiap blok partisi menghasilkan citra 8×8

piksel.

Algoritma perataan blok adalah sebagai berikut :

1. Untuk citra p(m,n) dengan ukuran piksel (dengan k=1,2,3, …),

tentukan dahulu ukuran blok partisi s(u,v) yang ukuran 2l×2l piksel (dengan l

= 0,1,2, …, ). Parameter p(m,n) adalah koordinat ukuran citra awal.

Parameter s(u,v) koordinat ukuran citra yang akan dipartisi.

2. Partisilah citra dengan blok partisi ( ) tersebut.

3. Hitung nilai perataan di setiap blok partisi :

( )

( )

(2.6)

4. Himpunan nilai dari dari setiap blok partisi adalah ekstrasi ciri citra ( )


11

2.6. Jarak Euclidean[5]

Dalam konteks matematika, jarak Euclidean adalah jarak antara dua titik yang biasa

diukur menggunakan suatu alat, seperti misalnya penggaris. Rumus jarak Euclidean

bersumber dari teorema Phtyagoras.

Gambar 2.6 Diagram jarak antara 2 titik

Pada diagram (lihat Gambar 2.6) dapat terlihat bahwa jarak horizontal antar dua

titik data yaitu (-2,2) dan (-2,-1) adalah sebesar 4 dan jarak vertikalnya sebesar 3. Dengan

menggunakan rumus Phtyagoras, maka didapatkan bahwa jarak hypotenuse dari dua titik

tersebut adalah √ sehingga didapatkan bahwa jarak hypotenuse adalah sebesar 5.

Berdasarkan rumus pengukuran jarak tersebut maka dapat dibuat rumus jarak

dengan metode yang sama, yang disebut jarak Euclidean.

( ) ( ) √( ) ( ) ( ) (2.7)

Dengan d(p,q) adalah titik koordinat jarak Euclidean. Jika rumus jarak pada dua

titik berbentuk segitiga diukur dengan menggunakan rumus Phytagoras, maka untuk

penerapan penghitungan jarak dan kasus yang nyata digunakan rumus jarak Euclidean.

Penerapan ini digunakan karena ada banyak faktor yang menentukan „jarak yang nyata‟

seperti kecepatan dan bentuk permukaan sehingga penerapan jarak Euclidean tersebut lebih

cocok diterapkan pada berbagai kasus.

2.7. Webcam[7]

Webcam atau web camera adalah sebuah kamera video digital kecil yang

dihubungkan ke komputer melalui port USB ataupun port COM. Webcam dapat dipasang

pada bagian atas monitor komputer dan dapat menangkap video serta gambar, kemudian

langsung menyimpannya dalam hard drive komputer. Sehingga banyak digunakan untuk

mengolah image processing yang kemudian akan diolah dengan perangkat lunak untuk


12

pemrosesan berbasis pixel, RGB dan lain-lain. Sebuah web camera yang sederhana terdiri

dari sebuah lensa standar, yang dipasang di sebuah papan sirkuit untuk menangkap sinyal

gambar, casing (cover), termasuk casing depan dan casing samping untuk menutupi lensa

standar dan memiliki sebuah lubang lensa di casing depan yang berguna untuk

memasukkan gambar, kabel support, yang dibuat dari bahan yang fleksibel. Salah satu

ujung kabel dihubungkan dengan papan sirkuit dan ujung satu lagi memiliki connector,

kabel ini dikontrol untuk menyesuaikan ketinggian, arah dan sudut pandang web camera.

Contoh webcam diperlihatkan pada Gambar 2.7.

Gambar 2.7 Contoh webcam

2.8. Pemrograman Matlab[8]

MATLAB adalah sebuah bahasa dengan kemampuan tinggi untuk komputasi

teknis. Matlab menggabungkan komputasi, visualisasi, dan pemrograman dalam satu

kesatuan yang mudah digunakan di mana masalah dan penyelesaiannya diekspresikan

dalam notasi matematik yang sudah dikenal. MATLAB adalah sistem interaktif yang

mempunyai basis data array yang berkaitan dengan formulasi matriks dan vectors. Dalam

perkembangannya, MATLAB mampu mengintegrasikan beberapa software matriks

sebelumnya dalam satu software untuk komputasi matriks.

Sistem MATLAB terdiri atas lima bagian utama :

1. Development Environment

Kumpulan semua alat-alat dan fasilitas untuk membantu kita dalam menggunakan

fungsi dan file MATLAB. Bagian ini memuat desktop, command window,

command history, editor and debugger, dan browser untuk melihat help,

workspace, files

2. The MATLAB Mathematical Function Library

Koleksi semua algoritma komputasi, mulai dari fungsi sederhana seperti sum,

sine, cosine sampai fungsi lebih rumit seperti, invers matriks, nilai Eigen, fungsi

Bessel dan fast Fourier transform.


13

3. The MATLAB language

Bahasa matriks/array level tinggi dengan control flow, fungsi, struktur data,

input/output, dan fitur object programming lainnya.

4. Graphics MATLAB

Fasilitas untuk menampilkan vector dan matriks sebagai grafik. Fasilitas ini

mencakup visualisasi data dua/tiga dimensi, pemrosesan citra (image), animasi,

dan grafik animasi.

5. The MATLAB Application Program Interface (API)

Paket ini memungkinkan kita menulis bahasa C dan Fortran yang berinteraksi

dengan MATLAB.


14

BAB III

RANCANGAN PENELITIAN

3.1. Gambaran Sistem

Gambaran sistem pengenalan huruf secara real time secara keseluruhan dapat dilihat

pada Gambar 3.1

Gambar 3.1 Gambaran sistem keseluruhan

Gambar 3.1 memperlihatkan sistem keseluruhan pengenalan karakter huruf pada

kepingan plat terdiri dari software yang ada pada laptop yang berfungsi sebagai user

interface dalam proses pengenalan. Software yang dibuat dalam bentuk user interface

dengan menggunakan software Matlab 7.04 berperan sebagai pusat pengaturan semua

proses pengenalan huruf secara real time, seperti menyimpan database gambar kepingan

plat dan mengenali kepingan plat. Pengambilan gambar dilakukan menggunakan webcam

dan dihubungkan pada komputer.

3.1.1. Fixture

Fixture digunakan sebagai tempat dudukan webcam dan kepingan plat. Fixture

yang digunakan terbuat dari kayu. Posisi kepingan plat tegak lurus dengan posisi webcam

agar didapatkan hasil citra yang simetris. Jarak antara webcam dengan dengan posisi plat

±30 cm. Dalam studi awal sudah dilakukan percobaan pengambilan gambar dengan tiap

ketinggian 5 cm sampai sekitar 50 cm dan hasil pengambilan gambar yang terdekat dan

tidak kabur adalah pada ketinggian ±30 cm.

Pengenalan Huruf

+

Webcam

Kepingan plat Fixture


15

3.1.2. Kepingan Plat

Kepingan plat yang digunakan mirip dengan kepingan plat nomor resmi pada

kendaraan bermotor. Satu kepingan plat hanya memuat satu karakter huruf. Kepingan plat

yang digunakan mempunyai ukuran 6×5 cm dapat dilihat pada Gambar 3.2.

Gambar 3.2 Kepingan plat yang digunakan

3.1.3. Webcam

Webcam yang digunakan adalah webcam dengan merk Logitech seri c 270h.

Contoh webcam yang digunakan dapat dilihat pada Gambar 2.7. Webcam ini sudah

mempunyai dudukan sendiri serta mempunyai software pendukung yang bisa zoom in dan

zoom out sehingga memudahkan pengaturan dari PC. Pada proses pengambilan citra

menggunakan resolusi 640×480 piksel. Spesifikasinya bisa dilihat pada Tabel 3.1.


16

Tabel 3.1. Spesifikasi Webcam Logitech c 270h

High definition video (HD) HD 270p

Photo Quality 3 Megapixel

Video Quality Good

Focus Type Always Focused

Auto Light Correction Standart

3.1.4. Rancangan Software Pengenalan huruf

3.1.4.1. Database Huruf

Sebagai penentuan pengenalan huruf pada kepingan plat harus dibutuhkan

database huruf yang digunakan sebagai acuan dalam pengenalan. Proses pengambilan

sampel huruf merupakan abjad yang digunakan pada plat nomor yaitu dari A–Z. Fokus

webcam menggunakan fokus normal artinya adalah pengaturan default yang sudah

terpasang pada webcam. Proses pengambilan database huruf bisa dilihat pada Gambar 3.3.

Mulai

Perataan Blok =

Capturing

citra

Pemrosesan citra

Keluaran :

Basis data

referensi

LPF =

fspecial(„gaussian‟,[ukuran,ukuran],std);

Selesai

Gambar 3.3 Diagram alir pembentukan database


17

Proses pengambilan database huruf harus melalui pengambilan citra huruf,

preprocessing, ekstrasi ciri pengaburan dan perataan blok serta nilai keluaran database

citra huruf. Pengambilan sampel karakter dilakukan dengan menggunakan program Matlab

7.04.

Dalam penelitian ini, terdapat 16 set database huruf yang dibuat berdasarkan

kombinasi nilai–nilai yang akan dievaluasi. Nilai yang dievaluasi tersebut adalah sebagai

berikut :

a. Standar deviasi tapis Gaussian 2D : 2, 6, 10, 14.

b. Ukuran tapis Gaussian 2D : 4×4, 8×8, 12×12, 16×16.

3.1.4.2. Proses Pengenalan Huruf

Mengambil

(capturing citra)

Plot Foto

Pemrosesan Citra

Ekstrasi Ciri

Plot Gambar

(huruf uji)

Penghitungan Jarak

Euclidean

Mulai

Selesai

Masukan :

citra kepingan plat,

basis data referensi

Penentuan

Keluaran

Gambar 3.4 Diagram alir proses pengenalan


18

Diagram alir Gambar 3.4 menunjukan proses pengenalan huruf yaitu proses dimana

karakter huruf yang dicapture akan dikenali hurufnya. Proses ini terdiri preprocessing,

citra terkoreksi dan ekstrasi ciri (low pass filter dan perataan blok), database huruf, fungsi

jarak dan penentuan keluaran.

(a) Pengambilan Citra Huruf

Proses ini diambil menggunakan webcam, kepingan plat huruf yang dicapture oleh

webcam. Jarak pengambilan gambar antara webcam dengan kepingan plat adalah 31 cm.

Intensitas cahaya yang digunakan adalah keadaan cahaya yang terdapat pada laboratorium.

Fokus webcam menggunakan fokus normal artinya adalah pengaturan default yang sudah

terpasang pada webcam.

Sebelum webcam melakukan pengambilan citra kepingan plat, webcam harus

diinisialisasi dulu didalam program. Fungsi imaqhwinfo yang terdapat dalam Matlab untuk

mengetahui nama adaptor dan device info dalam webcam tersebut. Perintah programnya

adalah sebagai berikut :

Imaqhwinfo;

DefaultFormat: 'RGB24_640x480'

DeviceName: 'Logitech HD Webcam C270'

DeviceID: 1

ObjectConstructor: 'videoinput('winvideo',1)'

Kemudian diinisialisasi sesuai nama adaptornya yaitu „winvideo‟ dan resolusi kamera

yang digunakan yaitu 640×480. Resolusi 640×480 digunakan karena memang spesifikasi

yang terdapat pada adaptor webcamnya. Perintah program untuk mengambil gambar


imaqhwinfo;

vid=videoinput('winvideo',1,'RGB24_640x480');

gmbr= getsnapshot(vid);

Proses pengambilan citra direpresentasikan pada diagram alir Gambar 3.5

1. Masukan proses adalah sebuah citra kepingan huruf.

2. Inisialisasi webcam dalam program dengan menggunakan perintah imaqwhinfo.

3. Proses mengambil citra dengan menggunakan perintah getsnapshoot.

4. Keluaran dari proses pengambilan citra adalah citra input.


19

Kamera On = imaqhwinfo

Mengambil (Capturing) Citra = getsnapshoot

Mulai

Keluaran : Citra Input

Selesai

Gambar 3.5 Diagram alir pengambilan citra

(b) Preprocessing

Grayscale dilakukan agar citra kepingan plat yang telah diambil dapat berwarna

keabuan. Perintah program yang digunakan dalam matlab adalah dengan menggunakan

rgb2gray yang artinya adalah mengubah format gambar rgb menjadi grayscale. Hal ini

dilakukan agar dapat mempermudah pengolahan citra pada proses selanjutnya yaitu

ekstrasi ciri. Contoh citra hasil grayscale dapat dilihat pada Gambar 3.6.

I = imread('dataA.jpg');

J = rgb2gray(I);

imshow(J)

Gambar 3.6 Contoh hasil citra sebelum dan sesudah dilakukan proses grayscale

(a) Citra kepingan plat dengan RGB ; (b) Citra kepingan plat dengan grayscale


20

Cropping dilakukan untuk memotong bagian citra yang tidak diperlukan dalam

pengenalan, seperti background template. Perintah program cropping adalah dengan

imcrop (I,[x y Δx Δy]). Untuk kolom pertama dan kedua adalah koordinat pada

sumbu x dan y kiri atas ditunjukan pada Gambar 3.7 bagian a, kemudian untuk kolom

ketiga adalah selisih antara sumbu x kanan atas ditunjukan pada Gambar 3.7 bagian b

dengan sumbu x kiri atas . Setelah itu, untuk kolom ketiga selisih antara sumbu y kiri

bawah ditunjukan pada gambar 3.7 bagian c dengan sumbu y kiri atas. Pada Gambar 3.7

bagian d adalah hasil dari cropping. Untuk lebih jelasnya bisa dilihat perintah program

untuk cropping dibawah ini :

I = imread('dataT.jpg');

I2 = imcrop(I,[249 96 145 173]);

Imshow(I2)

Gambar 3.7 Proses cropping pada citra kepingan plat

Resizing dilakukan agar citra yang akan diekstrak mempunyai ukuran piksel yang

sama dengan aturan ekstrasi ciri pengaburan dan perataan blok yaitu 64×64 piksel. Contoh

citra hasil resizing diperlihatkan pada Gambar 3.8. Perintah program yang digunakan


21

dalam Matlab adalah dengan menggunakan perintah imresize. Contoh penggunaan perintah

program adalah sebagai berikut :

I = imread('dataA.jpg');

J = imresize(I,[64,64]);

Imshow(J)

Gambar 3.8 Hasil resizing

(a) Citra asli ; (b) Citra yang telah diresize dengan ukuran 64 x 64 piksel

Proses pemrosesan citra direpresentasikan pada diagram alir Gambar 3.9.

1. Masukan dari proses preprocessing citra adalah citra input.

2. Proses grayscale adalah proses untuk membuat warna keabuan pada citra. Rumus

grayscale bisa dilihat pada persamaan 2.1. Dalam software matlab sudah

dituliskan fungsinya yaitu dengan menggunakan perintah rgb2gray.

3. Proses cropping adalah proses untuk memotong bagian yang tidak diperlukan.

Dalam proses ini menggunakan perintah imcrop (I,[x y Δx Δy].

4. Proses rezising adalah proses mengalikan koordinat posisi citra dengan scalling.

Proses ini menggunakan rumus resizing (lihat persamaan 2.2).

5. Keluaran dari proses pemrosesan citra adalah citra preprocessing.


22

Cropping = imcrop (I,[x y Δx Δy]

Resizing

Grayscale = 0.299R + 0.587G + 0.114B

Masukan : Citra input

Mulai

Keluaran :

Citra preprocessing

Selesai

Gambar 3.9 Diagram alir pemrosesan citra

(c) Ekstrasi Ciri

Ekstrasi ciri terdiri dari Low Pass Filter dan Perataan Blok. Low Pass Filter bertujuan

untuk mengaburkan citra. Perataan Blok bertujuan untuk membuat blok-blok partisi citra

berukuran 8×8 piksel untuk kemudian mempartisi citra 64×64 piksel yang akan diekstrasi

ciri. Proses dari ekstrasi ciri direpresentasikan pada diagram alir Gambar 3.10

1. Masukan dari proses ekstrasi ciri adalah citra preprocessing.

2. Masukan ukuran dan standar deviasi Low Pass Filter Gaussian 2D

3. Citra preprocesing mengalami pengaburan melalui Low Pass Filter Gaussian 2D.

Pengaburan yang dilakukan sesuai dengan pilihan ukuran dan standar deviasi

Gaussian 2D yang telah dipilih.

4. Citra yang telah dikaburkan kemudian dibagi ke dalam blok–blok matriks 8×8

piksel dan kemudian dicari reratanya dalam setiap blok dengan menggunakan

perintah colfilt(I,[8 8],'distinct',fmean). Proses mencari rata–rata dari

setiap blok adalah dengan menggunakan rumus pada persamaan 2.6 .


23

5. Keluaran dari proses ekstrasi ciri adalah hasil perhitungan ekstrasi ciri.

Mulai

Perataan Blok =

Keluaran :

hasil ekstrasi ciri

Masukan :

Citra preprocessing, ukuran, std

LPF = fspecial(„gaussian‟,[ukuran,ukuran],std);

Selesai

Gambar 3.10 Diagram alir ekstrasi ciri

(d) Fungsi jarak

Proses ini membandingkan karakter huruf yang dicapture dengan database huruf.

Proses penghitungan jaraknya menggunakan fungsi jarak Euclidean. Hasil dari

perbandingan adalah jarak yang kemudian akan digunakan dalam proses selanjutnya.

1. Masukan proses fungsi jarak adalah matriks hasil penghitungan ekstrasi ciri.

2. Proses membandingkan antara hasil ekstrasi ciri citra input dengan ekstrasi ciri

citra database, proses penghitungan dilakukan dari sampai . Rumus untuk

menghitung dapat dilihat pada persamaan 2.7 .

3. Keluaran dari proses ini adalah matriks hasil perhitungan dengan menggunakan

jarak Euclidean. Proses ini direpresentasikan pada diagram alir Gambar 3.11.


24

Perhitungan Jarak Euclidean

Mulai

Keluaran :

Jarak Minimum

Masukan :

hasil ekstrasi ciri,

basis data referensi

Selesai

Gambar 3.11 Diagram alir menghitung jarak Euclidean

(e) Penentuan keluaran

Proses penentuan adalah subproses terakhir dari proses pengenalan huruf. Pada proses

ini hasil pengenalan huruf ditentukan berdasarkan jarak minimum yang diperoleh setelah

proses penghitungan oleh fungsi jarak. Proses tersebut direpresentasikan pada diagram alir

Gambar 3.12 .

1. Masukan proses penentuan keluaran adalah jarak minimum dari perhitungan jarak

Euclidean.

2. Pada ukuran tapis 4×4 dan standar deviasi 2 apabila menghasilkan jarak minimum

lebih dari 0.96 maka akan menampilkan TIDAK DIKENALI dan bila kurang dari

0.96 maka akan menampilkan sesuai inisialisasi.

3. Keluaran dari proses ini adalah pemanggilan inisialisasi jarak yang paling

minimum yaitu berupa teks.


25

Mulai

(ukuran=4) &(std=2)

Masukan :

Jarak Minimum, ukuran, std

Jarak Minimum > 0.96

Selesai

YA

YA

TIDAK

TIDAK

Menampilkan hasil

pengenalan sesuai

jarak minimum yang

telah diinisialisasi

Menampilkan “TIDAK

DIKENALI”

Gambar 3. 12 Diagram alir menghitung penentuan keluaran

3.2. Huruf Uji

Huruf uji diambil setelah user menekan tombol “Capture”. Hasil capture atau sampel

diambil dengan posisi kepingan plat yang sudah diatur secara fix dan cahaya yang juga

sudah diatur tingkat intensitasnya. Proses yang berlangsung meliputi sample karakter,

preprocessing dan pengaburan dan perataan blok. Hasil proses tersebut disimpan dan

kemudian diproses kembali untuk mendapatkan hasil pengenalan huruf kepingan plat

secara real time.

3.3. Perancangan tampilan GUI (Graphical User Interface)

Dalam program yang akan dibangun untuk mengenali huruf pada kepingan plat ini,

terdapat 4 buah menu yaitu home, pengenalan, bantuan dan tentang program. Berikut ini

adalah penjelasan dari menu–menu dari setiap jendela yang ada pada program pengenalan.


26

1. Tampilan home

Gambar 3.13 memperlihatkan jendela home. Jendela home berisi pilihan untuk

memulai program “Pengenalan Huruf Secara Real Time Menggunakan Webcam Berbasis

Ekstrasi Ciri Pengaburan dan Perataan Blok”. Menu pengenalan adalah menu yang akan

menampilkan program tampilan pengenalan.

Gambar 3.13 Jendela home

2. Tampilan jendela pengenalan

Gambar 3.14 memperlihatkan menu jendela pengenalan yang berisi sistem

pengenalan huruf kepingan plat secara real time menggunakan webcam berbasis ekstrasi

ciri pengaburan dan perataan blok. Jendela ini memuat mengenai plot video, plot hasil

ekstrasi ciri, pemilihan ukuran tapis Gaussian 2D, pemilihan ukuran deviasi standar

Gaussian 2D, proses pengenalan serta output dari hasil pengenalan.

Gambar 3.14 Jendela pengenalan


27

3. Tampilan Jendela Bantuan

Gambar 3.15 memperlihatkan jendela bantuan yang berisi petunjuk atau langkah–

langkah dalam pengoperasian program pengenalan huruf. Jendela ini dimaksudkan untuk

pemberian petunjuk agar user yang mengalami kesulitan dapat dengan mudah membaca

panduan yang ada di jendela ini.

Gambar 3.15 Jendela bantuan

4. Tampilan Jendela Tentang

Gambar 3.16 memperlihatkan jendela tentang yang berisi tentang pembuat program

dan spesifikasi hardware yang dapat digunakan untuk mengoperasikan program.

Gambar 3.16 Jendela tentang


28

BAB IV

ANALISIS DAN PEMBAHASAN

4.1 Pengujian Program Pengenalan Kepingan Huruf Plat Nomor Kendaraan

Bermotor Roda Dua

4.1.1. Home

Gambar 4.1 Tampilan Home

Gambar 4.1 merupakan jendela yang muncul pertama kali saat user menjalankan

program. Tampilan home terdiri dari 2 push button dan 4 menu editor. Tombol Mulai

adalah untuk memulai program pengenalan huruf sedangkan tombol keluar adalah untuk

mengakhiri program pengenalan huruf. Menu home adalah menu yang akan menampilkan

tampilan home. Menu pengenalan adalah menu yang akan menampilkan program tampilan

pengenalan. Menu bantuan adalah menu yang akan menampilkan langkah–langkah

pengoperasian program. Menu tentang adalah menu yang menampilkan informasi tentang

pembuat program.

a. Tombol Mulai

Tombol mulai adalah tombol untuk memulai program pengenalan huruf, apabila

tombol tersebut ditekan maka akan muncul figure tampilan huruf. Jika tombol Mulai

ditekan maka akan menjalankan perintah program berikut :

delete(figure(tampilan_awal));

figure(tampilan_huruf);


29

Berdasarkan hasil pengujian tombol mulai dapat berjalan dengan baik. Tombol

dapat menghapus jendela home dan kemudian menampilkan jendela pengenalan.

b. Tombol Keluar

Tombol Keluar adalah tombol untuk mengakhiri program pengenalan huruf, apabila

tombol tersebut ditekan maka akan keluar. Jika tombol keluar ditekan maka akan

menjalankan perintah program berikut :


Berdasarkan hasil pengujian tombol keluar dapat berjalan dengan baik. Tombol

dapat mengeluarkan program dengan menghapus jendela home.

4.1.2. Pengenalan

Gambar 4.2 Tampilan Pengenalan

Gambar 4.2 menjelaskan tentang tampilan pengenalan dari program pengenalan

huruf. Tampilan pengenalan jendela yang berisi tentang proses pengenalan huruf.

Tampilan pengenalan ada sedikit perubahan minor dari perancangan awal, perubahannya

adalah penambahan tombol reset. Di dalam jendela ini yang diproses dengan menggunakan

perintah program adalah 4 push button, 2 pop–up menu, 3 axes dan 2 static text. Tombol

video on berfungsi untuk menghidupkan kamera ke axes 1. Tombol capture berfungsi

untuk mengambil citra kepingan plat yang akan diproses dan akan tertampil ke dalam axes

1 juga. Tombol pengenalan berfungsi untuk melakukan proses pengenalan, proses yang

terjadi di dalam tombol pengenalan antara lain adalah preprocessing, ekstrasi ciri, fungsi


30

jarak dan penentuan hasil pengenalan. Pop–up menu yang pertama berisi tentang berbagai

ukuran tapis Gaussian 2D yaitu 4×4, 8×8, 12×12 dan 16×16. Pop–up menu yang kedua

berisi tentang berbagai ukuran standar deviasi tapis Gaussian 2D, yaitu 2, 6, 10 dan 14.

Axes yang pertama memuat video dan cuplikan citra dari webcam. Axes yang kedua

menampilkan hasil pengaburan citra kepingan plat dan axes yang ketiga menampilkan

hasil perataan blok citra kepingan plat. Static text berfungsi untuk menampilkan output

hasil pengenalan.

Cara mengoperasikan jendela pengenalan adalah terlebih dahulu user menekan

tombol video on sehingga didalam axes 1 akan terlihat gambar video kepingan plat.

Kemudian user menekan tombol capture untuk mengambil citra kepingan plat yang akan

dikenali. Setelah itu user harus memilih ukuran tapis Gaussian 2D dan standar tapis

Gaussian 2D. Apabila user tidak melakukan pemilihan tersebut maka program tidak dapat

melakukan pengenalan. Setelah itu user menekan tombol pengenalan untuk mengetahui

hasil pengenalan citra kepingan plat. Apabila tombol pengenalan ditekan maka pada axes 2

akan terdapat gambar pengaburan citra kepingan plat dan axes 3 akan tertampil gambar

perataan blok citra kepingan plat. Kemudian hasil pengenalan akan muncul pada static text

hasil pengenalan. Apabila user telah selesai melakukan pengenalan maka dapat ditekan

tombol selesai untuk keluar dari program pengenalan.

a. Tombol Video on

Tombol video on berisi tentang program untuk menghubungkan antara webcam

dengan Matlab dan kemudian ditampilkan ke dalam program pengenalan. Perintah

program pada tombol video on sebagai berikut :

I=imaqhwinfo;

handles.vid=videoinput('winvideo');

vid=videoinput('winvideo',1 ,'RGB24_640x480');

vidRes = get(vid, 'VideoResolution');

imWidth = 640 ;

imHeight = 480;

nBands = get(vid, 'NumberOfBands');

hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1);

Perintah program imaqhwinfo adalah perintah program untuk menampilkan

informasi yang akan disampaikan oleh webcam dan kemudian informasi tersebut akan kita

inisialisasi di dalam program agar antara webcam dengan software Matlab dapat


31

melakukan komunikasi. Informasi yang tertampil adalah adaptor camera, port webcam,

jenis warna dan resolusi piksel.

preview(vid, hImage)

Perintah program preview adalah untuk menampilkan video pada saat kamera on

dengan inisialisasi yang telah digunakan.

b. Tombol Capture

Tombol capture adalah tombol yang digunakan untuk mengambil citra kepingan plat

yang akan dikenali dalam program pengenalan. Perintah program pada tombol capture


imaqhwinfo;

info = imaqhwinfo('winvideo');

dev_info = imaqhwinfo('winvideo',1);

vid=videoinput('winvideo',1,'RGB24_640X480');

vid.FramesPerTrigger = 1 ;

vid.ReturnedColorspace = 'grayscale';

triggerconfig(vid, 'manual');

vidRes = get(vid, 'VideoResolution');

imWidth = 640;

imHeight = 480;

nBands = get(vid, 'NumberOfBands');

hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1);

Perintah program di atas adalah sama dengan perintah program pada tombol video

on tetapi ditambah perintah grayscale karena pada saat preprocessing citra input harus

mengalami proses grayscale.

start(vid);

pause(1);

trigger(vid);

stoppreview(vid);

capt1=getdata(vid);

Perintah program getdata adalah untuk capturing citra yang diambil pada saat

camera telah on.

handles.a=capt1;

guidata(hObject,handles)

axes(handles.axes1);

imshow(capt1)


32

Citra yang telah mengalami capturing maka akan diinisialisasi dengan

menggunakan handles. Handles adalah sebuah inisialisasi yang digunakan agar dapat

dipanggil dalam file figure maupun file .m .

c. Pop–up menu ukuran tapis Gaussian 2D

Pop–up menu ukuran tapis Gaussian 2D digunakan untuk memilih ukuran tapis mana

yang dipakai untuk pengaburan citra kepingan plat yang akan dikenali. Perintah program

yang digunakan adalah sebagai berikut :

indeks=get(handles.popupmenu1,'Value');

switch indeks

case 1

ukuran=4;

case 2

ukuran=8;

case 3

ukuran=12;

case 4

ukuran=16;

end

handles.ukuran=ukuran;


d. Pop–up menu standar deviasi tapis Gaussian 2D

Pop–up menu standar deviasi tapis Gaussian 2D digunakan untuk memilih standar

deviasi mana yang dipakai untuk pengaburan citra kepingan plat yang dikenali. Perintah

programnya sebagai berikut :


switch indeks

case 1

std=2;

case 2

std=6;

case 3

std=10;

case 4

std=14;

end

handles.std=std;

guidata(hObject,handles);


33

e. Tombol Pengenalan

Tombol pengenalan adalah tombol yang berfungsi untuk melakukan pengenalan

mulai dari preprocessing, ekstrasi ciri, jarak Euclidean dan hasil penentuan pengenalan.

Perintah program yang digunakan adalah sebagai berikut :

a=handles.a;

b=imcrop(a,[222 141 115 143]);

x=imresize(b,[64 64]);

Perintah program imcrop adalah untuk memotong gambar yang tidak dibutuhkan

dalam proses ekstrasi ciri. Perintah program imresize adalah untuk membuat citra input

agar berukuran piksel 64×64, hal ini dilakukan karena ekstrasi ciri pengaburan dan

perataan blok hanya bisa dilakukan dengan citra yang mempunyai ukuran piksel 64×64.

ukuran=handles.ukuran;

std=handles.std;

if (ukuran==4) &(std==2)

LPF=fspecial('gaussian',[4,4],2);

elseif (ukuran==4) &(std==6)
























34








end

Perintah program diatas adalah untuk mengeksekusi pilihan yang telah dipilih user

dalam pemilihan pop–up menu. Apabila user telah memilih 2 pop-up menu maka program

akan menjalankan fungsi low pass filter atau pengaburan sesuai pilihan user.

[o,y]=gui_eciri(x,LPF);

mo=max(o(:));

o=o/mo;

my=max(y(:));

y=y/my;

axes(handles.axes2)

imshow(o);

axes(handles.axes3)

imshow(y);

y=y(:);

Perintah program gui_eciri adalah untuk memanggil fungsi ektrasi ciri. Fungsi

ekstrasi ciri mempunyai masukan x dan LPF. X adalah citra input dan LPF adalah hasil

dari pilihan pop–up menu. Output dari fungsi gui_eciri adalah o dan y. O adalah hasil dari

pengaburan dan y adalah hasil dari perataan blok. Hasil dari fungsi gui_eciri ditampilkan

dalam imshow yang terlebih dahulu diinisialisasi melalui handles.axes .


load xciri0402;


load xciri0402;


load xciri0410;


load xciri0414;


load xciri0802;


load xciri0806;


35


load xciri0810


load xciri0814


load xciri1202


load xciri1206;


load xciri1210;


load xciri1214;


load xciri1602;


load xciri1606;


load xciri1610;


load xciri1614;

end

mz=max(z(:));

z=z/mz;

Perintah program diatas adalah untuk mengeluarkan database yang akan

dibandingkan dalam perhitungan jarak. Pengeluaran database pembanding menyesuaikan

pemilihan pop–up menu yang telah dipilih oleh user.

for n=1:26

r(n)=jarak(y,z(:,n));

end

Perintah program di atas adalah perintah untuk menghitung jarak antara citra input

dengan citra database.

mm=min(r)

Perintah program di atas adalah untuk mencari nilai minimum dari perhitungan

jarak Euclidean.


if (mm > 0.96)

y1=('TIDAK DIKENALI');

set(handles.text15,'string',y1);

else


36

b1=find(min(r)==r)

x2={'A','B','C','D','E','F','G','H','I','J','K','L','M','N','O',

'P','Q','R','S','T','U','V','W','X','Y','Z'};

y1=x2(b1);


end

else

b1=find(min(r)==r);

x2={'A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P'

,'Q','R','S','T','U','V','W','X','Y','Z'};

y1=x2(b1);


end

Perintah program di atas adalah untuk menentukan hasil pengenalan program. Hasil

pengenalan program terdiri dari 2 macam yaitu “TIDAK DIKENALI” dan mencari nilai

paling minimum dari 26 nilai yang telah diinisialisasi. Berdasarkan pengujian tombol,

tombol pengenalan dapat berjalan dengan baik dan sesuai dengan perancangan.

f. Tombol selesai

Tombol selesai adalah tombol yang digunakan apabila user ingin keluar dari program

pengenalan citra kepingan plat hruf. Perintah programnya adalah sebagai berikut :

delete(figure(tampilan_huruf));

Berdasarkan pengujian tombol, tombol pengenalan dapat berjalan dengan baik dan

sesuai diagram blok pada saat perancangan.

g. Tombol Reset

Tombol reset adalah tombol yang digunakan apabila user ingin mengembalikan ke

tampilan awal program pengenalan. Perintah programnya sebagai berikut :


figure(tampilan_huruf));

Berdasarkan pengujian tombol, tombol pengenalan dapat berjalan dengan baik.


37

4.1.3. Bantuan

Gambar 4.3 Tampilan Bantuan

Pada Gambar 4.3 tampilan bantuan menjelaskan tentang langkah–langkah dalam

mengoperasikan program agar user tidak kesulitan ketika menjalankan program

pengenalan.

Berdasarkan pengujian, tombol pada tampilan bantuan dapat berjalan dengan baik

dan sesuai perancangan.

4.1.4. Tentang

Gambar 4.4 Tampilan tentang


38

Pada Gambar 4.1 tampilan tentang menjelaskan tentang informasi pembuat

program serta spesifikasi komputer yang dapat digunakan untuk menjalankan program

pengenalan.

Berdasarkan pengujian, tombol pada tampilan tentang dapat berjalan dengan baik

dan sesuai perancangan.

4.1.5. Menu Editor

Gambar 4.5 Tampilan menu editor

Pada Gambar 4.5 menu editor menunjukkan sebuah menu yang terdapat dalam setiap

jendela yang ada di program pengenalan. Menu editor berfungsi untuk memudahkan user

agar dapat melompat ke jendela yang lain.

Kesimpulan yang dapat diambil dari hasil pengujian adalah semua fasilitas tombol

dan menu editor dalam program pengenalan dapat berjalan dengan baik dan alur program

telah sesuai dengan perancangan.

4.2 Hasil Pengujian Program Pengenalan Terhadap Tingkat Pengenalan Citra

Kepingan Plat Huruf

Dalam pengujian program pengenalan citra kepingan plat huruf ini dilakukan melalui

3 tahapan pengujian. Tahapan pengujian yang pertama adalah pengujian parameter

pengaturan pengenalan yang terdiri dari ukuran Gaussian 2D dan standar deviasi Gaussian

2D. Tujuan pengujian parameter pengaturan pengenalan adalah untuk mencari nilai dari

setiap parameter yang menghasilkan tingkat pengenalan yang terbaik. Tahapan pengujian

yang kedua adalah mencari batasan jarak optimal yang bisa digunakan oleh sistem

sehingga sistem tidak akan mengenali karakter lain selain karakter huruf. Pengujian yang

ketiga adalah dengan diuji dengan menggunakan citra kepingan plat angka agar dapat

mengetahui apakah program pengenalan mampu tidak mengenali atau tidak.

4.2.1. Pengujian Parameter Pengaturan Pengenalan Citra Kepingan Plat

Percobaan ini untuk melihat seberapa besar tingkat pengenalan yang dapat dikenali

dari setiap parameter pengenalan yang digunakan. Langkah-langkah yang percobaan yang

dilakukan :

1. Melakukan capturing citra huruf dari A sampai dengan Z sebanyak 2 kali.


39

2. Percobaan dilakukan dengan menggunakan kombinasi ukuran tapis dan standar

deviasi yang berbeda–beda yaitu :

a. Ukuran tapis Gaussian 2D (LPF) = 4×4, 8×8, 12×12, 16×16

b. Standar deviasi Gaussian 2D (σ) = 2, 4, 6, 10, 14

3. Menentukan kombinasi nilai ukuran tapis dan standar deviasi pengenalan yang

menghasilkan tingkat pengenalan yang terbaik.

Dari Tabel 4.1 maka dapat digambarkan grafik antara ukuran tapis Gaussian 2D

dengan tingkat pengenalan. Dari Tabel 4.1 diperoleh rata–rata tingkat pengenalan yaitu

sebesar 83.84%. Dalam grafik tersebut menunjukan bahwa semakin besar ukuran tapis

Gaussian 2D maka tingkat pengenalan yang didapatkan akan semakin rendah. Semakin

kecil ukuran tapis Gaussian 2D maka tingkat pengenalan yang didapatkan akan semakin

tinggi. Hal ini disebabkan karena semakin besar ukuran tapis Gaussian 2D maka citranya

akan semakin kabur dan tidak tajam sehingga tingkat pengenalannya juga akan semakin

rendah.

Tabel 4.1 Hasil persentase tingkat pengenalan

Persentase Tingkat Pengenalan

Standar

deviasi

Ukuran Tapis Gaussian 2D

4 x 4 8 x 8 12 x 12 16 x 16

2 100 % 100 % 96.15 % 82.3 %

6 100 % 100 % 84 % 61.54 %

10 100 % 100 % 82.69 % 53.85 %

14 100 % 100 % 82.69 % 46.15 %

Dari Tabel 4.1 maka dapat digambarkan melalui grafik Gambar 4.6 yaitu antara

ukuran tapis Gaussian 2D dengan tingkat pengenalan. Dalam grafik tersebut menunjukan

bahwa semakin kecil ukuran tapis Gaussian 2D maka tingkat pengenalan yang didapatkan

akan semakin tinggi. Semakin besar ukuran tapis Gaussian 2D maka tingkat pengenalan

yang didapatkan akan semakin rendah. Hal ini disebabkan karena semakin besar ukuran

tapis Gaussian 2D maka citranya akan semakin kabur dan tidak tajam sehingga tingkat

pengenalannya juga akan semakin rendah.


40

0

20

40

60

80

100

4 x 4 8 x 8 12 x 12 16 x 16

2

6

10

14

%

Ukuran Tapis

Standar Deviasi :

Tingkat Pengenalan

0

20

40

60

80

100

2 6 10 14

4x4

8x8

12x12

16x16

%

Standar Deviasi

Ukuran Tapis :

Tingkat Pengenalan

Gambar 4.6 Grafik persentase tingkat pengenalan terhadap ukuran tapis

Dari Tabel 4.1 dapat digambarkan melalui grafik Gambar 4.7 yaitu antara standar

deviasi ukuran tapis dan tingkat pengenalan. Dalam grafik tersebut semakin besar standar

deviasi Gaussian 2D maka tingkat pengenalannya akan semakin menurun. Semakin kecil

standar deviasi Gaussian 2D maka tingkat pengenalannya akan semakin tinggi. Hal ini

disebabkan karena semakin besar standar deviasi Gaussian 2D maka tingkat penyebaran

pengaburannya semakin besar sehingga tingkat pengenalannya juga akan semakin rendah.

Gambar 4.7 Grafik persentase tingkat pengenalan terhadap standar deviasi


41

Gambar 4.8 menunjukan contoh hasil berbagai huruf dengan berbagai macam

variasi ukuran tapis dan standar deviasi yang terbesar. Dari gambar tersebut dapat dilihat

bahwa semakin kecil ukuran tapisnya maka tingkat diskriminasi ekstrasi cirinya besar

sehingga tingkat pengenalannya juga tinggi. Semakin besar ukuran tapisnya maka tingkat

diskriminasi ekstrasi cirinya kecil sehingga tingkat pengenalannya juga akan semakin

rendah. Hal ini disebabkan karena semakin besar ukuran tapisnya maka citra yang

dihasilkan akan semakin kabur dan tidak tajam sehingga bentuk citra akan mirip dengan

bentuk huruf lain dan akan lebih susah untuk dikenali.

Gambar 4.8 Contoh citra dengan ukuran tapis bervariasi dan standar deviasi tetap.

(a) Ukuran tapis 4×4, standar deviasi 14. (b) Ukuran tapis 8×8, standar deviasi 14.

(c) Ukuran tapis 12×12, standar deviasi 14. (d) Ukuran tapis 16×16,standar deviasi 14.


42

Gambar 4.9 menunjukan contoh hasil berbagai huruf dengan berbagai macam

variasi standar deviasi dan ukuran tapis yang terbesar. Dari gambar tersebut dapat dilihat

bahwa semakin kecil standar deviasinya maka tingkat diskriminasi ekstrasi cirinya besar

sehingga tingkat pengenalannya juga tinggi. Semakin besar ekstrasi cirinya maka tingkat

diskriminasi ekstrasi cirinya kecil sehingga tingkat pengenalannya juga akan semakin

rendah. Hal ini disebabkan karena semakin besar standar deviasinya maka citra yang

dihasilkan akan semakin kabur dan tidak tajam sehingga bentuk citra akan mirip dengan

bentuk huruf lain dan akan lebih susah untuk dikenali.

Gambar 4.9 Contoh citra dengan ukuran tapis tetap dan standar deviasi bervariasi.

(a) Ukuran tapis 16×16, standar deviasi 2. (b) Ukuran tapis 16×16, standar deviasi 6.

(c) Ukuran tapis 16×16, standar deviasi 10. (d) Ukuran tapis 16×16, standar deviasi 14.


43

4.2.2. Pengujian Untuk Menentukan Batasan Nilai Jarak Yang Optimal

Percobaan ini untuk menentukan nilai batasan jarak optimal yang dapat digunakan

dalam proses pengenalan yang dilakukan dengan menggunakan ukuran tapis Gaussian 2D

(LPF) dan standar deviasi Gaussian 2D (σ) yang menghasilkan pengenalan terbaik.

Langkah percobaan yang dilakukan adalah sebagai berikut :

1. Melakukan capturing setiap huruf dengan LPF = 4×4 dan σ = 2.

2. Mencari nilai maksimum jarak Euclidean dari uji coba sebanyak 10 kali.

3. Mencari nilai maksimum jarak Euclidean untuk semua huruf.

Tabel 4.2 Jarak Euclidean setiap karakter huruf

Karakter Jarak

(pixel) Karakter

Jarak

(pixel) Karakter

Jarak

(pixel)

A 0.7860 J 0.9110 S 0.7607

B 0.6998 K 0.8256 T 0.6060

C 0.681 L 0.9023 U 0.7875

D 0.600 M 0.8910 V 0.6610

E 0.802 N 0.4779 W 0.6485

F 0.771 O 0.6890 X 0.8054

G 0.9084 P 0.7980 Y 0.5636

H 0.6340 Q 0.8046 Z 0.9650

I 0.7620 R 0.7970 - -

Berdasarkan Tabel 4.2 diatas bahwa jarak Euclidean yang paling maksimum adalah

0.9650. Nilai tersebutlah yang akan digunakan sebagai batas atas, apabila suatu citra

mempunyai jarak Euclidean lebih besar dari 0.9650 maka citra tersebut tidak akan dikenali

oleh program pengenalan.

4.2.3. Pengujian Karakter Angka

Tabel 4.3 Jarak Euclidean karakter angka

Karakter Jarak

(pixel)

1 0.7203

2 0.5950

3 0.6251

4 0.5894

5 0.8210

Tabel 4.3 adalah hasil jarak Euclidean dari pengujian karakter angka dengan

menggunakan LPF = 4×4 dan σ = 2. Pada pengujian dengan menggunakan karakter angka

hasil pengenalannya adalah salah. Hal ini disebabkan karena karakter angka yang diuji


44

mempunyai luasan putih yang hampir sama dengan karakter huruf sehingga menghasilkan

jarak Euclidean yang berada di bawah batas atas yang telah ditetapkan oleh program

pengenalan. Selain itu, database untuk karakter angka juga tidak ada dalam program

pengenalan sehingga sistem tidak dapat mengenali karakter angka.


45

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dari percobaan hasil pengenalan plat huruf bermotor roda dua dapat disimpulkan

sebagai berikut :

1. Rata–rata tingkat pengenalan kepingan plat huruf dengan menggunakan ekstrasi ciri

pengaburan dan perataan blok adalah sebesar 86.84%.

2. Ukuran tapis Gaussian 2D mempengaruhi tingkat pengenalan. Semakin kecil

ukuran tapis Gaussian 2D maka tingkat pengenalan yang dihasilkan akan semakin

tinggi. Semakin besar ukuran tapis Gaussian 2D maka tingkat pengenalan yang

dihasilkan akan semakin rendah.

3. Standar deviasi Gaussian 2D mempengaruhi tingkat pengenalan. Semakin kecil

standar deviasi Gaussian 2D maka tingkat pengenalan yang dihasilkan akan

semakin tinggi. Semakin besar standar deviasi Gaussian 2D maka tingkat

pengenalan yang dihasilkan akan semakin rendah.

5.2. Saran

Saran untuk pengembangan sistem pengenalan kepingan plat huruf bermotor roda

dua adalah sebagai berikut :

1. Pengembangan sistem dengan pengenalan lebih dari satu karakter huruf atau

kombinasi antara huruf dan angka supaya dapat mengenali satu plat nomer secara

utuh.

2. Pengembangan sistem dengan menggunakan cahaya sendiri yaitu dengan

menggunakan cahaya lampu agar tidak bergantung pada cahaya sekitar yang tidak

bisa diatur.

3. Pengembangan sistem dengan menggunakan cropping secara otomatis agar dapat

lebih mudah dalam pengoperasiannya.

4. Pengembangan sistem dengan menggunakan jarak dan posisi webcam yang dapat

berubah–ubah agar dapat lebih fleksibel dalam pengoperasiannya.


46

Daftar Pustaka

[1] Fairhurst, M.C., 1995, Visi Komputer Untuk Sistem Robotik, Universitas Indonesia,

Jakarta.

[2] Ashari H.M.E., 2005, Pengenalan Huruf Menggunakan Model Jaringan Saraf

Tiruan Radial Basis Function dengan Randomize Cluster Decision, Seminar

Nasional Aplikasi Teknologi Informasi, Universitas Islam Indonesia, Yogyakarta.

[3] Sumarno, L., 2009, On the Performance of Blurring and Block Averaging Feature

Extraction Based on 2D Gaussian Filter, Proceeding of International

Conference on Information and Communication Technology and System (ICTS),

Institut Sepuluh November, Surabaya, 261 – 266.

[4] Manurung, P., 2008, Perangkat Lunak Pengenalan Plat Mobil Menggunakan

Jaringan Kompetitif dan Jaringan Kohonen, Universitas Indonesia, Jakarta.

[5] Putra, D., 2010, Pengolahan Citra Digital, Andi Offset, Yogyakarta.

[6] Prasetyo, E., 2011, Pengolahan Citra Digital dan Aplikasinya Menggunakan

Matlab, Andi Offset, Yogyakarta.

[7] Laksmito,B., 2010, Pengertian webcam dan jenis – jenisnya,

http://shaleholic.com/pengertian-webcam-dan-jenisnya , diakses 20 Juni 2013

[8] Saleh, I., 2013, Pengertian Matlab dan fungsi – fungsinya,

http://bisonerich-matlab.blogspot.com/2009/02/pengertian-matlab.html, diakses 28

Juni 2013

[9] Gonzalez, Rafael C.,2005, Digital Image Processing Using Matlab, Prentice Hall,

Upper Saddle River


http://shaleholic.com/pengertian-webcam-dan-jenisnya

http://bisonerich-matlab.blogspot.com/2009/02/pengertian-matlab.html

Lampiran 1

LISTING PROGRAM

Home

function varargout = tampilan_awal(varargin)

% TAMPILAN_AWAL M-file for tampilan_awal.fig

% TAMPILAN_AWAL, by itself, creates a new TAMPILAN_AWAL or raises

the existing

% singleton*.

%

% H = TAMPILAN_AWAL returns the handle to a new TAMPILAN_AWAL or the

handle to

% the existing singleton*.

%

% TAMPILAN_AWAL('CALLBACK',hObject,eventData,handles,...) calls the

local

% function named CALLBACK in TAMPILAN_AWAL.M with the given input

arguments.

%

% TAMPILAN_AWAL('Property','Value',...) creates a new TAMPILAN_AWAL

or raises the

% existing singleton*. Starting from the left, property value pairs

are

% applied to the GUI before tampilan_awal_OpeningFunction gets

called. An

% unrecognized property name or invalid value makes property

application

% stop. All inputs are passed to tampilan_awal_OpeningFcn via

varargin.

%

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only

one

% instance to run (singleton)".

%

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help tampilan_awal

% Last Modified by GUIDE v2.5 22-Nov-2005 12:19:13

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @tampilan_awal_OpeningFcn, ...

'gui_OutputFcn', @tampilan_awal_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT


Lampiran 2

% --- Executes just before tampilan_awal is made visible.

function tampilan_awal_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn.

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to tampilan_awal (see VARARGIN)

% Choose default command line output for tampilan_awal

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);

% UIWAIT makes tampilan_awal wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = tampilan_awal_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT);




% Get default command line output from handles structure

varargout{1} = handles.output;

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)









% --------------------------------------------------------------------

function Untitled_1_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_1 (see GCBO)



figure(tampilan_awal);

% --------------------------------------------------------------------






figure(Tampilan_Huruf);

% --------------------------------------------------------------------



Lampiran 3





figure(Tampilan_Bantuan);

% --------------------------------------------------------------------






figure(Tampilan_Tentang);








Pengenalan





a=handles.a;

b=imcrop(a,[237 181 111 139]);

x=imresize(b,[64 64]);

ukuran=handles.ukuran;

std=handles.std;


























Lampiran 4









end

x;

[o,y]=gui_eciri(x,LPF);

mo=max(o(:));

o=o/mo;

my=max(y(:));

y=y/my;

axes(handles.axes2)

imshow(o);

axes(handles.axes3)

imshow(y);

y=y(:);


load xciri0402;


load xciri0402;


load xciri0410;


load xciri0414;


load xciri0802;


load xciri0806;


load xciri0810


load xciri0814


load xciri1202


load xciri1206;


load xciri1210;


load xciri1214;


load xciri1602;


load xciri1606;


load xciri1610;


load xciri1614;

end


Lampiran 5

mz=max(z(:));

z=z/mz;

for n=1:26

r(n)=jarak(y,z(:,n));

end

mm=min(r)


if (mm > 0.96)

y1=('TIDAK DIKENALI');


else

b1=find(min(r)==r);

x2={'A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','

R','S','T','U','V','W','X','Y','Z'};

y1=x2(b1);


end

else

b1=find(min(r)==r);

x2={'A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','

R','S','T','U','V','W','X','Y','Z'};

y1=x2(b1);


end

function edit3_Callback(hObject, eventdata, handles)

% hObject handle to edit3 (see GCBO)



% Hints: get(hObject,'String') returns contents of edit3 as text

% str2double(get(hObject,'String')) returns contents of edit3 as a

double

% --- Executes during object creation, after setting all properties.

function edit3_CreateFcn(hObject, eventdata, handles)

% hObject handle to edit3 (see GCBO)


% handles empty - handles not created until after all CreateFcns

called

% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end





Lampiran 6



% --------------------------------------------------------------------






figure(Tampilan_Awal);

% --------------------------------------------------------------------





figure(Tampilan_huruf);

% --------------------------------------------------------------------





delete(figure(Tampilan_huruf));


% --------------------------------------------------------------------













% --- Executes on selection change in popupmenu1.

function popupmenu1_Callback(hObject, eventdata, handles)


switch indeks

case 1

ukuran=4;

case 2

ukuran=8;

case 3

ukuran=12;

case 4

ukuran=16;

end

handles.ukuran=ukuran;



function popupmenu1_CreateFcn(hObject, eventdata, handles)

% hObject handle to popupmenu1 (see GCBO)


Lampiran 7



called

% Hint: popupmenu controls usually have a white background on Windows.





end

% --- Executes on selection change in popupmenu2.

function popupmenu2_Callback(hObject, eventdata, handles)


switch indeks

case 1

std=2;

case 2

std=6;

case 3

std=10;

case 4

std=14;

end

handles.std=std;

guidata(hObject,handles);


function popupmenu2_CreateFcn(hObject, eventdata, handles)

% hObject handle to popupmenu2 (see GCBO)



called

% Hint: popupmenu controls usually have a white background on Windows.





end









Lampiran 8

Bantuan

function varargout = Tampilan_Bantuan(varargin)

% TAMPILAN_BANTUAN M-file for Tampilan_Bantuan.fig

% TAMPILAN_BANTUAN, by itself, creates a new TAMPILAN_BANTUAN or

raises the existing

% singleton*.

%

% H = TAMPILAN_BANTUAN returns the handle to a new TAMPILAN_BANTUAN

or the handle to


%

% TAMPILAN_BANTUAN('CALLBACK',hObject,eventData,handles,...) calls

the local

% function named CALLBACK in TAMPILAN_BANTUAN.M with the given input

arguments.

%

% TAMPILAN_BANTUAN('Property','Value',...) creates a new

TAMPILAN_BANTUAN or raises the


are

% applied to the GUI before Tampilan_Bantuan_OpeningFunction gets

called. An


application

% stop. All inputs are passed to Tampilan_Bantuan_OpeningFcn via

varargin.

%


one


%


% Edit the above text to modify the response to help Tampilan_Bantuan

% Last Modified by GUIDE v2.5 27-Jun-2013 05:10:48


gui_Singleton = 1;



'gui_OpeningFcn', @Tampilan_Bantuan_OpeningFcn, ...

'gui_OutputFcn', @Tampilan_Bantuan_OutputFcn, ...





end

if nargout


else


end


% --- Executes just before Tampilan_Bantuan is made visible.


Lampiran 9

function Tampilan_Bantuan_OpeningFcn(hObject, eventdata, handles,

varargin)





% varargin command line arguments to Tampilan_Bantuan (see VARARGIN)

% Choose default command line output for Tampilan_Bantuan


% Update handles structure


% UIWAIT makes Tampilan_Bantuan wait for user response (see UIRESUME)



function varargout = Tampilan_Bantuan_OutputFcn(hObject, eventdata,

handles)












delete(figure(Tampilan_Bantuan));

% --------------------------------------------------------------------







% --------------------------------------------------------------------







% --------------------------------------------------------------------







Lampiran 10

% --------------------------------------------------------------------







Tentang

function varargout = Tampilan_Tentang(varargin)

% TAMPILAN_TENTANG M-file for Tampilan_Tentang.fig

% TAMPILAN_TENTANG, by itself, creates a new TAMPILAN_TENTANG or

raises the existing

% singleton*.

%

% H = TAMPILAN_TENTANG returns the handle to a new TAMPILAN_TENTANG

or the handle to


%

% TAMPILAN_TENTANG('CALLBACK',hObject,eventData,handles,...) calls

the local

% function named CALLBACK in TAMPILAN_TENTANG.M with the given input

arguments.

%

% TAMPILAN_TENTANG('Property','Value',...) creates a new

TAMPILAN_TENTANG or raises the


are

% applied to the GUI before Tampilan_Tentang_OpeningFunction gets

called. An


application

% stop. All inputs are passed to Tampilan_Tentang_OpeningFcn via

varargin.

%


one


%


% Edit the above text to modify the response to help Tampilan_Tentang

% Last Modified by GUIDE v2.5 27-Jun-2013 05:12:42


gui_Singleton = 1;



'gui_OpeningFcn', @Tampilan_Tentang_OpeningFcn, ...

'gui_OutputFcn', @Tampilan_Tentang_OutputFcn, ...





end

if nargout


Lampiran 11


else


end


% --- Executes just before Tampilan_Tentang is made visible.

function Tampilan_Tentang_OpeningFcn(hObject, eventdata, handles,

varargin)





% varargin command line arguments to Tampilan_Tentang (see VARARGIN)

% Choose default command line output for Tampilan_Tentang


I=imread('1.jpg');

axes(handles.axes1);

imshow(I);


% UIWAIT makes Tampilan_Tentang wait for user response (see UIRESUME)



function varargout = Tampilan_Tentang_OutputFcn(hObject, eventdata,

handles)












delete(figure(Tampilan_Tentang));

% --------------------------------------------------------------------







% --------------------------------------------------------------------






Lampiran 12



% --------------------------------------------------------------------







% --------------------------------------------------------------------






dbxciri

function dbxciri

z1=[];

x=imread('A.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('B.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('C.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('D.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('E.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('F.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('G.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('H.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('I.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('J.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('K.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('L.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('M.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('N.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('O.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('P.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('Q.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('R.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('S.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('T.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('U.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('V.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('W.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('X.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('Y.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

x=imread('Z.bmp');LPF=fspecial('gaussian',[4,4],2);y=eciri(x,LPF);z1=[z1 y];

z1

z=z1;

save xciri0402 z

z2=[];












Lampiran 13

















z2

z=z2;

save xciri0406 z

z3=[];



























z3

z=z3;

save xciri0410 z

z4=[];

















Lampiran 14












z4

z=z4;

save xciri0414 z

%=========================== 8x8 ========================================

z5=[];



























z5

z=z5;

save xciri0802 z

z6=[];




















Lampiran 15









z6

z=z6;

save xciri0806 z

z7=[];



























z7

z=z7;

save xciri0810 z

z8=[];

























Lampiran 16




z8

z=z8;

save xciri0814 z

%===============================12x12======================================

z9=[];



























z9

z=z9;

save xciri1202 z

z10=[];



























z10


Lampiran 17

z=z10;

save xciri1206 z

z11=[];



























z11

z=z11;

save xciri1210 z

z12=[];



























z12

z=z12;

save xciri1214 z

%==============================16x16========================================

z13=[];


Lampiran 18



























z13

z=z13;

save xciri1602 z

z14=[];



























z14

z=z14;

save xciri1606 z

z15=[];







Lampiran 19






















z15

z=z15;

save xciri1610 z

z16=[];



























z16

z=z16;

save xciri1614 z

gui_eciri

function [img1,out]=gui_eciri(in,LPF)

% Blurring

img1=imfilter(double(in),LPF);


Lampiran 20

% Averaging

fmean8=@(x) ones(64,1)*mean(x);

out=colfilt(img1,[8 8],'distinct',fmean8);

% Downsampling

out=out(1:8:64,1:8:64);

% Keluaran kolom demi kolom

%out=out(:);

% =========================================================

Jarak

function r=jarak(p,q) r1=p-q; r2=r1.^2; r3=sum(r2); r=sqrt(r3);


pengenalan huruf plat nomor kendaraan bermotor...

Documents