Pengenalan Plat Nomor Kendaraan Secara Otomatis Untuk Pelanggaran Lalu Lintas

Riza Prasetya Wicaksana

Teknik Komputer dan Telematika Jurusan Teknik Elektro

Insitut Teknologi Sepuluh Nopember Suarabaya

.

Abstrak- Nomor polisi yang tercantum pada plat nomor kendaraan bisa digunakan oleh pihak berwajib sebagai barang bukti pengendara melanggar rambu lalu lintas. Selama ini pengenalan plat nomor kendaraan dilakukan secara manual oleh petugas kepolisian, untuk memudahkan pekerjaan tersebut maka dibutuhkan sebuah sistem yang bisa mengenali plat nomor secara otomatis.

Dalam penelitian ini, dibuat sistem atau program untuk mengenali plat nomor kendaraan menggunakan metode OCR (optical character recognition). Citra kenda-raan dijadikan sebagai masukkan sistem, citra tersebut lalu di olah dengan cara mendeteksi kontur obyek yang berbentuk plat nomor pada citra untuk mendapatkan lokasi plat nomor. Pada citra plat nomor inilah proses ekstraksi obyek karakter dilakukan kemudian dikenali dengan menggunakan metode OCR (optical character recognition).

Hasil yang diperoleh setelah dilakukan pengujian pada beberapa sample menunjukan bahwa pengenalan plat nomor bisa dilakukan dengan menggunakan metode OCR (optical character recognition). Dengan adanya peneli-tian ini diharapkan bisa bermanfaat bagi pihak yang berwajib untuk menegakkan hukum bagi para pelanggar rambu lalu lintas. Sistem ini juga dikembang-kan untuk melengkapi penelitian modul Intelligent Transportation System. Kata Kunci: ANPR, OCR, intelligent transportation system

1. PENDAHULUAN eselamatan pengendara di jalan raya merupakan salah satu hal yang sangat diperhatikan oleh banyak pihak.

Tentunya banyak faktor yang mempengaruhi kecelakaan di jalan raya. Salah satunya adalah pelanggaran lalu lintas, pelanggaran ini dipicu oleh ketidakpedulian pengendara dan keteledoran aparat dalam hal menertibkan pengendara.

Untuk mempermudah kinerja aparat maka perlu dibuatnya sistem deteksi dan pengenalan plat nomor kendaraan bermotor secara otomatis. Sistem yang dibuat disini bekerja dengan beberapa tahap yaitu modul deteksi keberadaan plat dan modul pengenalan plat nomor. Hasil gambar digital yang diperoleh akan diproses untuk selanjutnya akan dikenali plat nomor sebagai identitas kendaraan tersebut.

Hasil dari pengenalan plat nomor tersebut digunakan sebagai bukti untuk menindak pengendara yang telah melanggar rambu-rambu lalu lintas. Dengan adanya tindakan berupa denda atau kurungan diharapkan ada efek jera bagi pengendara. Sehingga dikemudian hari pengendara lebih disiplin dalam mematuhi rambu-rambu lalu lintas.

2. DESAIN DAN IMPLEMENTASI SISTEM Secara umum sistem terbagi menjadi dua bagian utama pendeteksian plat nomor dan pengenalan plat nomor. Program yang dibuat dalam tugas akhir ini dijelaskan pada gambar blok diagram berikut :

Gambar 2.1. Blok Diagram Sistem Dari gambar 2.1, terdapat bagian load image yaitu menentukan masukkan untuk sistem berupa citra digital. Sedangkan di dalam garis merah putus-putus merupakan tahap pendeteksian plat nomor kendaraan dan dalam garis biru putus-putus merupakan tahap pengenalan karakter yang nantinya akan diproses menjadi keluaran dari sistem. Keluaran dari sistem adalah pengenalan plat nomor berupa nomor polisi yang bisa disimpan dan dimanfaatkan untuk kepentingan yang lainnya. 2.1. Deteksi Plat Nomor

Proses deteksi plat nomor ini berfungsi untuk menemukan lokasi plat nomor berada pada citra. Pada blok diagram di gambar 3.2 akan dijelaskan design sistem pada bagian pendeteksian plat nomor.

K

1  

Gambar 2.2. Desain Sistem Deteksi Plat Nomor

Pada tahap deteksi plat nomor kendaraan, terdapat dua proses diantaranya garis putus biru find plate candidate dan garis putus hijau plate selection. 2.1.1 Pre-Processing

Proses pre_processing perlu dilakukan untuk menyesuaikan apa yang dibutuhkan untuk proses selanjutnya. Yang pertama sistem akan merubah obyek RGB menjadi obyek grayscale. dengan menggunakan cara :

Gray = (R + G + B)/3 Proses tersebut dilakukan pada setiap piksel pada citra,

dengan cara ini maka setiap piksel memiliki satu jenis warna dengan intensitas yang berbeda-beda. Setelah proses ini dilakukan proses selanjutnya adalah proses thresholding. Thresholding adalah operasi non-linier yang merubah gambar grayscale atau citra berderajat keabuan menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan background dari citra secara jelas.

2  

Di dalam tahap thresholding terdapat dua ambang batas, yang pertama ambang batas atas yang nantinya dirubah menjadi warna putih dan amabang batas bawah yang nantinya dirubah menjadi warna hitam. Sehingga nantinya bisa menghasilkan citra biner atau gambar yang berkomposisikan warna hitam dan putih. Untuk menentukan amabang batas ini maka perlu dilakukan pendekatan dan percobaan untuk menentukan ambang batas yang cocok.

(a) (b)

(c) Gambar 2.3. (a) citra RGB (b) citra grayscale (c) citra

biner

2.1.2 Deteksi Garis Dengan memanfaatkan ciri khusus dari plat nomor

yaitu kotak. Maka langkah selanjutnya adalah proses pendeteksian tepi yang bertujuan untuk menemukan garis pada citra.

Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra. Tepi-tepi ini akan menandai bagian detail citra. Tepi-tepi pada gambar tersebut terletak pada titik-titik yang memiliki perbedaan tinggi. Dengan perbedaan tinggi tersebut tercipta suatu pola atau guratan yang membentuk suatu objek dapat diperoleh menggunakan High Pass Filter (HPF)

Keberadaan tepi unsur ditandai dengan tingginya perubahan nilai piksel atau kontras. Tepi unsur pada citra dideteksi dengan operator deteksi (detektor) tepi diantaranya berupa matriks template berukuran tertentu.

(a) (b)

(c) Gambar 2.4. (a) Matriks Template vertikal Mx; (b) Matriks

Template horizontal My; (c) Proses Konvolusi Dalam mendeteksi tepi, dilakukan perkalian elementer

antara matriks template pada Gambar 2.4 di atas dengan kelompok piksel pada citra input. Pada hasil perkalian yang diperoleh, nilai setiap elemen dijumlahkan dan dijadikan nilai dari elemen matriks hasil konvolusi.

(a) (b) Gambar 2.5. (a) Citra masukkan (b) Hasil Deteksi garis

2.1

gardar

 

G

kanbebsel

2.1

meper

batBa

2.2 untberpladet

1.3 Deteksi KPada pros

ris pada prosesri kotak adalah

(a) Gambar 2.6. (a

Hasil de

ndidat kotak yberapa kandidlanjutnya yaitu

1.4 Seleksi Ko

Pada prosenyeleksi setiarbandingan rat

Ratio = pa Setelah m

tasan untuk matasan ditentuka

2. Pengenala

Pada desatuk mengenalrupa nomor poat nomor. Padtail menegenai

Gamba

Kotak ses deteksi kots sebelumnya dh kumpulan dar

a) Hasil deteks

eteksi kotak yang akan dipdat ini sebag

u proses seleksi

otak ses seleksi ko

ap kandidat koio dengan rum

anjang kotak /

melakukan promenentukan man sesuai deng

an Plat Nomor ain sistem penli plat nomorolisi. Input yangda gambar 2.3 i desain sistem

ar 2.7. Desain S

tak ini bergantudeteksi garis. Kri garis.

(si garis (b) Has

ini menghaspilih sebagai pgai masukkani kotak.

tak ini dilakukotak dengan ca

mus :

lebar kotak

oses pembagimana plat yangan ciri dari pla

ngenalan plat nr dan mendapg diterima sudaakan dijelaskpengenalan pl

Sistem Pengen

ung pada deteKarena penyus

(b) sil deteksi kota

silkan beberaplat nomor. Dn untuk pro

kan dengan cara menggunak

ian maka dibng akan dipilat nomor.

nomor berfungpatkan hasilnyah berupa obye

kan desain leblat nomor.

alan Plat Nomo

ksi sun

ak

apa Dari

ses

ara kan

beri lih.

3 

gsi ya ek ih

or

2.2.1 P Pgrayscatelah di Pkan obdibutuh 2.2.2 N PparameOCR (dilakukProses sehingg Epada baadalah dierosi tadi, jikhitam ta menamdigital. pixel temenjad 2.2.3 O Puntuk gambar

Lbertujuawilayahdianaliscitra ysegmen Pproses n

Pre-ProcessingProses preproale dan thresi ekstraksi padaProses pre-pro

byek plat nomhkan untuk pro

Noise FilteringProses ini dib

eter yang dibu(Optical Charakan pada tahap

ini dilakuakanga bisa digunakErosi adalah Satas antar obyemelakukan pendengan melewka memenuhi adi diubah warSedangkan di

mbahkan pixel pCara kerjany

etangga yang di 1.

OCR(Optical CPada tahap OCmenggunakan

r 2.8

Gamba

Langkah peran untuk memh latar belakasis dalam rangyang besar tntasi menjadi mProses selanjunormalisasi ini

g ocessing ini dsholding padaa proses sebeluocessing ini d

mor dengan cises yag selanju

g butuhkan untu

utuhkan untukacter Recognip ini adalah n untuk mempkan sebagai mauatu operasi ya

ek dalam suatungecekan terha

watkan mask yasemua syara

rnanya menjadilatasi adalah pada batas ant

ya adalah Dalabernilai 1 ma

Character RecCR ini proses pn metode OC

Segmentatio

Normalizatio

Feature Extraction

Recognition

Hasil

ar 2.8. Blok di

tama adalah misahkan wilayang agar objegka mengenalierdiri dari o

masing-masing utnya adalah i terdapat bebe

dilakukan kema obyek plat umnya. ilakukan untukitra biner. Citutnya.

uk memenuhik proses selanjition). Untuk proses erosi d

perbaiki obyekasukkan pada tang akan meng

u citra digital. Cadap pixel hitaang ada terhadaat dalam maskdi putih.

Suatu operastar objek dalaam binary imaaka output pix

cognition) pengenalan karCR akan dijel

on

on

n

n

iagram OCR

proses segmyah (region) oek di dalam ci objek. denga

obyek karaktekarakter. normalizationrapatahap dian

mbali proses nomor yang

k mendapat-tra biner ini

i parameter-njutnya yaitu

proses yang dan dilatasi.

k plat nomor tahap OCR. gurangi piksel Cara kerjanya am yang akan ap pixel hitam k maka pixel

si yang akan am suatu citra age, jika ada

xel akan diset

akter, proses laskan pada

mentasi ini objek dengan citra mudah an demikian er dapat di

, di dalam ntaranya :

• Scalling Scalling adalah fungsi yang mengubah ukuran

suatu gambar dimana scalling cenderung merupakan sebutan untuk perbesaran dan shrink cenderung merupakan sebutan untuk memperkecil ukuran gambar.

• Thinning Thinning adalah operasi morfologi yang digunakan untuk menghapus piksel foreground yang terpilih dari gambar biner, biasanya digunakan untuk proses mencari tulang dari seuah obyek. Langkah selanjutnya adalah feature extraction,

Feature Extraction adalah suatu proses image analysis dalam mengidentifikasi sifat-sifat yang melekat dari tiap-tiap karakter atau disebut juga dengan fitur dari sebuah obyek yang terdapat dalam citra. Karakteristir ini digunakan dalam mendeskripsikan sebuah obyek atau atribut dari sebuah obyek, kemudian fitur yang dimiliki oleh karakter dapat digunakan sebagai proses recognition.

Setelah mendapatkan citra biner proses segmentasi gambar setiap karakter dilakukan dengan cara pemetaan warna, yaitu mencari komponen-komponen warna yang terhubung satu sama lain.

Dengan menyesuaikan ukuran dari gambar karakter dengan template karakter yang dimiliki oleh library tessnet2_32. Jika proses ini berhasil maka langkah selanjutnya adalah membandingkan antara gambar karakter dengan templatenya. Jika sukses maka akan didapatkan hasil berupa karater tersebut.

Gambar 2.9. proses pengenalan karakter

3. PENGUJIAN DAN ANALISA Untuk mengetahui kehandalan dari sebuah sistem dilakukan dengan beberapa metode pengujian diantaranya :

1. Pengujian deteksi lokasi plat nomor 2. Pengujian pengenalan karakter pada obyek plat

nomor 3. Pengujian sistem secara keseluruhan

3.1 Pengujian Lokasi Plat Nomor Pengujian pada aplikasi pengenalan plat nomor dilakukan dengan mengambil sample dari beberapa gambar plat menurut lokasi pengambilan gambar. Hal ini perlu dilakukan untuk mengetahui posisi yang ideal untuk pengambilan gambar kendaraan.

Gambar 3.1 pengujian lokasi plat berhasil

Gambar 3.2 pengujian lokasi plat tidak berhasil Dari hasil yang ditunjukkan pada percobaan beberapa sampel yang ada. Pada gambar 3.1 lokasi plat dapat ditemukan karena posisi pengambilan gambar lurus dan pencayahaan yang cukup. Sedangkan untuk gambar 3.2 tidak berhasil menemukan lokasi plat dikarenakan posisi kamera yang miring. 3.2 Pengujian Pengenalan Karakter pada Obyek Plat

Nomor Pengujian yang lainnya adalah pengujian karakter pada plat nomor. Pengujian ini diperlukan untuk menguji program OCR (Optical Chaacter Recognition) dapat berjalan dengan baik dan benar dalam hal mengenalai karakter pada citra.

(a) (b)

4  

(c) (d)

Gambar 3.3 Pengujian Pengenalan Karakter Pengujian ini dilakukan untuk mengetahui apa sistem dapat mendeteksi gambar karakter dengan baik. Dari percobaan juga diketahui bahwa aplikasi bisa membaca karakter “0”, “1”, “2”, “3”, “4”, “5”, “6”, “7”, “8”, “9”. Beserta beberapa karakter yang lain. 3.3 Pengujian Sistem Secara Keseluruhan

Pengujian berikutnya adalah pengujian aplikasi secara keseluruhan yang meliputi deteksi plat nomor dan pengenalan karakter plat nomor. Pengujian ini diperlukan untuk membuktikan bahwa sistem secara keseluruhan dapat berjalan dengan baik atau tidak.

5  

(a)

(b)

(c) Gambar 3.4. Pengujian Sistem Secara Keseluruhan

Pada gambar 3.4.a dan 3.4.b pengujian sistem bisa

berjalan dengan baik, dengan hasil pengenalan plat yang sesuai pada citra. Tetapi terdapat error pada bagian plate selection. Itu disebabkan karena pencahayaan pada gambar sehingga mempengaruhi proses pengenalan kotak pada objek.

Pada gambar 3.4.c pengujian sistem terdapat error diantaranya proses plate selection dan proses segmentasi karakter pada plat. Ini disebabkan karena pencahayaan yang kurang baik, sehingga terdapat kotak-kotak yang lain menyerupai plat nomor. Lalu untuk proses segmentasi terjadi error disebabkan oleh pencahayaan kurang baik. Terlalu gelap sehingga pengenalan nomor menjadi tidak sempurna.

Pengujian aplikasi telah dilakukan pada 25 sampel gambar dengan kondisi penchayaan yang cukup dan posisi dilakukan dari su ut yang tepat didapatkand :

Akurasi  =||

|| x 100 % 

= ||  || 100 % 

 %= 72  

Dari perhitungan error di atas, didapatkan bahwa tingkat akurasi untuk sampel picture yang diambil dalam kondisi tertentu adalah 72%.

4. KESIMPULAN

Pada bagian ini akan diulas tentang kesimpulan dari seluruh percobaan dan pengujian dari beberapa metode yang kami uji. Dari uji coba yang dilakukan, dapat diambil suatu kesimpulan sebagai berikut 1. Proses pengenalan nomor plat kendaraan dapat diperoleh

secara ideal ketika pengambilan gambar dengan posisi kamera tegak lurus dengan kendaraan.

2. Proses pendeteksian plat dan pengenalan nomor juga dipengaruhi oleh tingkat pencahayaan pada obyek.

3. Dari hasil tersebut, maka dapat dikatakan bahwa jumlah piksel input akan menentukan tingkat keberhasilan dan akurasi citra, semakin besar ukuran piksel citra input, maka semakin baik hasil citra output.

4. Tingkat akurasi yang diperoleh pada beberapa sample menggunakan input berupa obyek dengan jenis plat berbeda dan diambil dari posisi ideal menunjukkan hasil terbaik sebesar 72 %

DAFTAR PUSTAKA

1. Rachmawati. ESTIMATION OF GEOMETRIC OBJECT

PARAMETERS BASED ON DIGITAL IMAGE PROCESSING. IT Telkom. 2008

2. Tjokorda Agung Budi. PEMANFAATAN OPERASI MORPHOLOGI UNTUK PROSES PENDETEKSIAN SISI PADA PENGOLAHAN CITRA DIGITAL. STT Telkom. Bandung. 2006

3. Faizal Ridwan. Mengenal lebih jauh apa itu point process. http://www.Ilmukomputer.com diakses tanggal 15 juni

4. Rinaldi Munir. Aplikasi Image Thresholding Untuk Segmentasi Objek. STEI. ITB. 2006

5. Nixon dan Aguado, deteksi tepi unsur pada citra, universitas sumatera utara. 2002

6. Othman Khalifa. Malaysian Vehicle License Plate Recognition. The International Arab Journal of Information Technology, october 2007

7. Amri Mohd Yasin. Travel Time Measurement in Real-Time using Automatic Number Plate. Journal of The Eastern Asia Society for Transportation Studie, 2009.

8. Remus BRAD. License Plate Recognition System. University, Sibiu, Romania

9. Rosa Ariani, Landasan Teori Thinning. STEI. ITB. 2008 10. Munir, Rinaldi. 2004. Pengolahan Citra Digital Dengan

Pendekatan Algoritma. Bandung : Penerbit Informatika

Riza Prasetya Wicaksana dilahirkan di kota Surabaya, 25 juni 1988. Penulis memulai jenjang pendidikannya di TK Don Bosco dan SDK Santo Vincentius II Surabaya hingga lulus tahun 2000. Setelah itu penulis melanjutkan studinya di SLTPN 12 Surabaya. Tahun 2003, penulis diterima sebagai murid SMAN 2 Surabaya hingga lulus tahun 2006. Pada tahun yang sama penulis masuk

ke D3 Teknik Elektro Institut Teknologi Sepuluh Nopember Surabaya, dan mengambil program studi Computer Control hingga lulus pada tahun 2009. Kemudian penulis melanjutkan studi S1 melalui program Lintas Jalur di Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember Surabaya dengan NRP. 2209105042 dan mengambil bidang studi Teknik Komputer dan Telematika. Penulis dapat dihubungi melalui alamat email riza_ndwt@yahoo.com.

6