proposal penelitian pengolahan citra digital
DESCRIPTION
ini tugas uas pengolahan citraTRANSCRIPT
-
Tugas UAS Dosen Pembimbing
Pengolahan Citra Digital Febi Yanto, M.KOM
PENGENALAN NOMOR PLAT SECARA OTOMATIS PADA SISTEM
PARKIRAN MENGGUNAKAN METODE MOMENT INVARIANT DAN
JARINAGN SYARAF TIRUAN MENGGUNAKAN ALGORITMA
BACKPROGATION
DISUSUN OLEH
BOBBY SYAHRONANDA
11251103249
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGRI SULTAN SYARIF KASIM RIAU
TAHUN AJARAN 2014
-
BAB I
PENDAHULUAN
1.1 Latar Belakang
Sebuah tempat parkir yang menggunakan suatu sistem untuk mengontrol apa saja kenderaan
yang masuk dan keluar dari tempat parkir tersebut, pasti memiliki tujuan untuk memingkatkan
keamanan dari tempat parkir tersebut. Terlebih lagi pada masa sekarang, tingkat kriminalitas
sangatlah tinggi.
Meskipun sistem yang dipakai sudah menggunakan komputerisasi, tetapi hanya terbatas pada
manajemen dan pengontrolan data kenderaannya saja. Bagian yang terpenting dalam pendataan
sebuah kenderaan yang akan diparkir adalah nomor atau plat dari kenderaan tersebut. Namun
saat ini, untuk menginputkan data nomor plat kenderaan tersebut masih menggunakan cara
manual. Jika penginputan data plat nomor kenderaan dilakukan secara otomatis, maka akan
membuat kerja sistem menjadi lebih cepat.
Maka dibutuhkan sebuah metode untuk mengenali gambar plat nomor kenderaan tersebut untuk
diterjemahkan menjadi data digital. Ilmu pengolahan citra digital pada masa ini sudah banyak
membahas tentang metode pengenalan pola. Dengan bias mengenali pola dari sebuah gambar
plat kenderaan yang ditangkap oleh kamera menggunakan metode principal component
analysis . dengan menggunakan metode ini, sebuah gambar bias diambil sebuah informasi
berdasarkan pola yang sudah ditentukan.
Dengan dikenalinya pola dan didapatkannya informasi nomor kenderaan yang tertangkap oleh
kamera sistem parkir tersebut, bias memuadahkan dalam proses manajemen parkir tersebut.
Sehingga bias mempercepat pekerjaan dari petugas parkir.
Penelitian ini melanjutkan dari penelitian sebelumnya yang berjudul Sistem Pengenalan
Nomor Plat Kendaraan Berbasis Foto Dijital Dengan Metode Moment Invariant dan Jaringan
Syaraf Tiruan Menggunakan Algoritma Backpropagation.
-
1.2 Rumusan Masalah
Dari latar belakang diatas, dapat disimpulkan masalah yang terjadi. Bagaimana cara mengenali
nomor plat kenderaan dari gambar yang ditangkap kamera sistem parkiran tersebut.
1.3 Batasan Masalah
Pada penelitian ini penulis membuat batasan-batasan masalah diantaranya :
- Kenderaan yang akan dikenali adalah motor dan mobil
- Bentuk plat kenderaan harus jelas dan tidak rusak
- Penelitian ini hanya untuk tempat parkir di mal SKA pekanbaru.
1.4 Tujuan Penelitian
Penelitian ini bertujuan untuk membuat sistem yang bisa mengenali plat kenderaan yang akan
diparkir pada Mal SKA Pekanbaru secara otomatis dari gambar yang tertangkap kamera sistem
parkir. Sehingga data bisa langsung diproses oleh sistem.
1.5 Manfaat Penelitian
Denagan adanya penelitaan ini, bias mempermudah petugas parkir dalam mengontrol sistem
parkir Mal SKA Pekanbaru tersebut. Sehingga memudahkan dalam pemrosesan dan pendataan
plat kenderaan yang akan parkir di Mal SKA Pekanbaru.
-
BAB II
TINJAUAN PUSTAKA
2.1 LANDASAN TEORI
2.1.1 Pengenalan Ploa
Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat diartikan sebagai
"tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data". Dengan
demikian, ia merupakan himpunan kaidah bagi pembelajaran diselia (supervised learning).
Ada beberapa definisi lain tentang pengenalan pola, di antaranya[5]:
Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau beberapa kategori.
Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi (pengenalan)
dari suatu pengukuran.
Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi, susunan tanpa
keikutsertaan manusia secara aktif dalam proses pemutusan.
Pengenalan pola biasanya merupakan langkah perantaraan bagi proses lebih lanjut. Langkah ini
biasanya merupakan dapatan data (gambar, bunyi, teks, dll.) untuk dikelaskan, pre-pemrosesan
untuk menghilangkan gangguan atau menormalkan gambar dalam satu cara (pemrosesan
gambar (image processing), teks dll.), pengiraan ciri-ciri, pengkelasan dan akhirnya post-
pemrosesan berdasarkan kelas pengenalan dan aras keyakinan.[5]
Pengenalan pola itu sendiri khususnya berkaitan dengan langkah pengkelasan. Dalam kasus
tertentu, sebagaimana dalam jaringan syaraf (neural networks), pemilihan ciri-ciri dan
pengambilan juga boleh dilaksanakan secara semi otomatis atau otomatis sepenuhnya.[5]
Sementara terdapat banyak kaidah untuk pengkelasan, ia menyelesaikan satu dari tiga masalah
matematis berkaitan.[5]
Pertama adalah mencari peta ruang ciri (feature space) (biasanya pelbagai dimensi ruang vektor
(vector space)) bagi set label. Secara bersamaan ia membagi ruang ciri menjadi kawasan-
kawasan, kemudian meletakkan label kepada setiap kawasan. Algoritma yang demikian ini
(contohnya the nearest neighbour algorithm) biasanya belumlah menghasilkan kepercayaan
atau class probabilities, sebelum diterapkannya post-processing.[5]
-
2.1.2 Pengertian Citra
Citra (image) atau istilah lain untuk gambar sebagai salah satu komponen multimedia
yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun
sebuah citra kaya akan informasi, namun sering kali citra yang dimiliki mengalami
penurunan mutu, misalnya mengandung cacat atau noise. Tentu saja citra semacam ini
menjadi lebih sulit untuk diinterpretasikan karena informasi yang disampaikan oleh citra
tersebut menjadi berkurang .[2]
Suatu citra dapat didefinisikan sebagai fungsi f (x,y) berukuran M baris dan N kolom,
dengan x dan y adalah koordinat (x,y) dinamakan intensitas atau tingkat keabuan
dari citra pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f secara keseluruhan
berhingga (finite) dan bernilai diskrit, maka dapat dikatakan bahwa citra tersebut adalah
citra digital. suatu irisan antara baris dan kolom (pada posisi x,y ) disebut dengan picture
element, image element, pels, atau pixel. Istilah terakhir (pixel) paling sering digunakan
pada citra digital.[2]
2.1.3 Pengolahan Citra
Pengolahan citra adalah salah satu cabang dari ilmu informatika. Pengolahan citra berkutat
pada usaha untuk melakukan transformasi suatu citra/gambar menjadi citra lain dengan
menggunakan teknik tertentu. Pengolahan citra digital merupakan manipulasi dan interprestasi
digital dari citra dengan bantuan komputer. [3]
2.1.3.1 Tujuan Pengolahan Citra
memperbaiki kualitas gambar, dilihat dari aspek radiometric dan aspek geometric.
Aspek radiometric terdiri dari peningkatan kontras, restorasi citra, transformasi warna
sedangkan aspek geometric terdiri dari rotasi, skala, translasi, trnsformasi geometric).
melakukan proses penarikan informasi atau deskripsi obyek atau pengenalan obyek
yang terkandung pada citra.- melakukan pemilihan citra ciri (feature images) yang
optimal untuk tujuan analisis.
melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data,
dan waktu proses data.
-
2.1.3.2 Konsep dasar pengolahan Citra
Konsep dasar pengolahan citra dengan data masukan pokok (internal data) berupa langkah
berikut[4] :
1. Pengumpulan data yang relevan, yaitu citra digital.
2. Klasifikasi atau pengelompokan dengan cara pengkelasan.
3. Penyusunan data sesuai kelas.
4. Perhitungan dan manipulasi.
5. Pengujian ketelitian dan perhitungan.
6. Penyimpulan dan rekapitulasi hasil.
7. Informasi
2.1.3.3 Penerapan Operasi-opersi Pengolahan Citra
Operasi-operasi pada pengolahan citra diterapkan bila[4]:
a. Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas penampakan
citra/menonjolkan beberapa aspek informasi yang terkandung dalam citra (image
enhancement).
contoh : perbaikan kontras gelap/terang, perbaikan tepian objek, penajaman, pemberian
warna semu, dll.
b. Adanya cacat pada citra sehingga perlu dihilangkan/diminimumkan (image restoration).
contoh : penghilangan kesamaran (debluring), citra tampak kabur karena pengaturan
fokus lensa tidak tepat / kamera goyang, penghilangan noise.
c. Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image segmentation).
Operasi ini berkaitan erat dengan pengenalan pola.
d. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam
pengidentifikasian objek (image analysis). Proses segementasi kadangkala diperlukan
untuk melokalisasi objek yang diinginkan dari sekelilingnya.
Contoh : pendeteksian tepi objek.
e. Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction).
contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ tubuh.
f. Citra perlu dimampatkan (image compression) contoh : suatu file citra berbentuk BMP
berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49 KB.
g. Menyembunyikan data rahasia (berupa teks/citra) pada citra sehingga keberadaan data
rahasia tersebut tidak diketahui orang (steganografi & watermarking).
-
2.1.4 Ekstrasi ciri
Ekstraksi ciri merupakan bagian dari teknik pengenalan pola (pattern recognition)
yangbertujuan untuk mengambil atau mengekstraksi nilai-nilai unik dari suatu obyek yang
membedakan dengan obyek yang lain. Sebagai contoh, untuk melakukan pengenalan suatu
obyek wajah dalam citra foto digital maka diperlukan metode ekstraksi ciri untuk mengambil
nilai-nilai yang mewakili ciri obyek tersebut.[5]
Ekstraksi ciri suatu obyek dapat dilakukan dengan berbagai metode, baik statistik maupun
sintaksis. Salah satu metode untuk mendapatkan ciri obyek, dalam hal ini untuk citra, dapat
digunakan metode Invaiant Moments. Metode ini dapat digunakan sebagai pendeskripsi bentuk
berdasarkan teori dari momen.[5]
2.1.5 Geometric invariant moments
Geometric invariant moments (GIM) pertamakali diperkenalkan oleh Hu. Teknik ini dipilih
untuk melakukan ekstraksi ciri citra sejak ciri-ciri yang diperoleh adalah Rotation Scale
Translation (RST)-invariant atau ciri yang dihasilkan oleh metode ini tidak berubah terhadap
perlakuan rotasi, penskalaan dan translasi.[5]
Berikut ini adalah detail metode GIM yang dipergunakan untuk suatu fungsi, dalam hal ini
fungsi disini dicontohkan untuk fungsi citra digital. Momen suatu fungsi banyak digunakan
dalam teori probablitas, namun beberapa properti dapat diperoleh dari moment yang juga dapat
diterapkan untuk analisis bentuk Himpunan momen suatu fungsi f(x,y) dari dua variabel
didefinisikan sebagai berikut :
Sedangkan momen dua dimensi dengan orde (p+q) dari suatu citra digital dengan ukuran MxN
didefinisikan sebagai:
-
dimana p = 0,1,2, dan q = 0,1,2, adalah integer. Selanjutnya momen pusat (central
moments) orde (p+q) didefinisikan sebagai
untuk p dan q adalah 0,1,2,, dimana
Kemudian normalized central moments, yang dinotasikan dengan hpq, didefinisikan sebagai
berikut.
dengan
untuk p+q = 2, 3, 4, . Sehingga ketujuh nilai invariant moments dapat diturunkan dari
moment kedua dan ketiga sebagai berikut.
-
Nilai ketujuh moment tersebut tidak berubah terhadap translasi, perubahan skala, pencerminan
(mirroring) dan rotasi. Selanjutnya untuk penerapannya, metode ini dapat digunakan untuk
melakukan ekstraksi ciri suatu citra digital yang mampu mengenali ciri citra tersebut meskipun
citra ini dilakukan perubahan RST.[5]
2.1.6 Jaringan Saraf Tiruan
Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut
simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah
jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf
manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan
masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan
tersebut.[6]
Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat
digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola-pola pada data.[6]
-
2.1.6.1 Sejarah Jaringan Saraf Tiruan
Saat ini bidang kecerdasan buatan dalam usahanya menirukan intelegensi manusia, belum
mengadakan pendekatan dalam bentuk fisiknya melainkan dari sisi yang lain. Pertama-tama
diadakan studi mengenai teori dasar mekanisme proses terjadinya intelegensi. Bidang ini
disebut Cognitive Science. Dari teori dasar ini dibuatlah suatu model untuk disimulasikan
pada komputer, dan dalam perkembangannya yang lebih lanjut dikenal berbagai sistem
kecerdasan buatan yang salah satunya adalah jaringan saraf tiruan. Dibandingkan dengan
bidang ilmu yang lain, jaringan saraf tiruan relatif masih baru. Sejumlah literatur menganggap
bahwa konsep jaringan saraf tiruan bermula pada makalah Waffen McCulloch dan Walter Pitts
pada tahun 1943. Dalam makalah tersebut mereka mencoba untuk memformulasikan model
matematis sel-sel otak. Metode yang dikembangkan berdasarkan sistem saraf biologi ini,
merupakan suatu langkah maju dalam industri komputer.[6]
2.1.6.2 Definisi Jaringan Saraf Tiruan
Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi,
hal ini terinspirasi oleh model kerja otak biologis. Beberapa definisi tentang jaringan saraf
tiruan adalah sebagai berikut di bawah ini.[6]
Hecht-Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut:
"Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan
bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan
beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang
disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang
(fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang
sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat
merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang
berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu
keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi
dan nilai yang tersimpan dalam memori lokal".
Menurut Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan,
mendefinisikan jaringan saraf sebagai berikut:
-
Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai
kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan
membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal
yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Kekuatan
hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan
pengetahuan.
Dan menurut Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS
Publishing Company, mendefinisikan sebagai berikut:
Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat
memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman.
DARPA Neural Network Study (1988, AFCEA International Press, p. 60) mendefinisikan
jaringan syaraf buatan sebagai berikut :
Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses
sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan,
kekuatan hubungan, dan pegolahan dilakukan pada komputasi elemen atau nodes.
2.1.7 Algoritma Propagation
Metode propagasi balik merupakan metode jaringan syaraf tiruan yang sangat baik
dalam menangani masalah pengenalan pola-pola kompleks. Metode ini merupakan metode
jaringan syaraf tiruan yang populer. Beberapa contoh aplikasi yang melibatkan metode ini
adalah pengompresan data, pendekteksian virus komputer, pengidentifikasian objek, sintesis
suara dari teks, dan lain-lain.[7]
Cara kerja jaringan propagasi balik adalah sebagai berikut: Mula-mula jaringan
diinisialisasi dengan bobot yang diset dengan bilangan acak. Kemudian contoh pelatihan
dimasukkan ke dalam jaringan. Keluaran jaringan berupa sebuah vektor output target.
Selanjutnya vektor output aktual jaringan dibandingkan dengan vektor output target untuk
mengetahui apakah output jaringan sudah sesuai dengan harapan atau output aktual. [7]
-
Berikut langkah-langkah algoritma propagasi balik.
1. Inisialisasi bobot-bobot
Tentukan nilai pembelajaran ( ) .
Tentukan pula nilai toleransi error atau nilai ambang (bila menggunakan nilai ambang
sebagai kondisi berhenti); atau set makasimum epoch (bila menggunakan banyak epoch
sebagai kondisi berhenti)
2. While kondisi berhenti tidak terpenuhi
do langkah ke-3 sampai langkah ke-10
3. Untuk setiap pasangan pola pelatihan, lakukan langkah ke-4 sampai dengan langkah ke-9.
2.2 PENELITIAN SEBELUMNYA
2.2.1 Sistem Pengenalan Nomor Plat Kenderaan Berbasis Foto Dijital Dengan Metode
Moment Invariant dan Jaringan Syaraf Tiruan menggunakan Algoritma
Backpropagation
Pada penelitian ini dilakuakn analisis pada proses pengenalan nomor plat kenderaan
berbasis foto digital dengan metode moment invariant dan jaringan syaraf tiruan menggunakan
Algoritma backpropagation. Dari hasil pengenalan pola nomor plat kendaraan di atas dapat
disimpulkan bahwa Jaringan Syaraf Tiruan(JST) dengan Algoritma Backpropagation dapat
mengenal pola dengan baik.Hal ini terlihat bahwa hasil pengenalan sudah mencapai 95%.
5% error lebih disebakan adanya nomor plat yang terputus akibat adanya baut pemasangan
nomor plat sehingga saat dieskrak hurufnya putus. Semakin banyak jumlah node
tersembunyinya maka semakin lama proses iterasinya. Tetapi Jaringan Semakin cepat Belajar.
Sehingga pengenal akan lebih akurat. Dalam penelitian ini plat nomor yang digunakan adalah
plat nomor normal. Artnya plat nomor tidak dalam keadaan terotasi atau skew. Untuk itu
penelitian selanjutnya diharapkan untuk dapat mengenal pola nomor plat yang dalam keadaan
terotasi atau skew. Dalam penelitian ini juga menggunakan cropping manual, sehingga
diharapkan kepada penelit untuk dapat meng-cropping nomor plat secara otomatis dengan
menentukan posisi plat terlebih dahulu.
-
BAB III
METODELOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
3.1.1 Waktu Penelitian
Waktu penelitian ini dimulai pada bulan februari 2015 sampai dengan bulan Desember
2015.
3.1.2 Tempat Penelitian
Tempat penelitian ini berlokasi di Mall SKA Pekanbaru.
3.2 Metode Pengumpulan Data
Adapun teknik untuk pengumpulan data adalah sebagai berikut :
a. Wawancara (Interview)
Merupakan suatu pengumpulan data yang dilakukan dengan cara tanya jawab atau dialog
secara langsung dengan pihak-pihak yang terkait dengan penelitian yang dilakukan.
Dalam hal ini penulis melakukan tanya jawab kepada bagian pengurus Parkir dan Manager Mall
SKA Pekanbaru
b. Pengamatan (Observasi)
Yaitu metode pengumpulan data dengan cara mengadakan tinjauan secara langsung ke objek
yang diteliti. Untuk mendapatkan data yang bersifat nyata dan meyakinkan maka penulis
melakukan pengamatan langsung di tempat parkir kenderaan MAL SKA Pekanbaru.
c. Studi Pustaka
untuk mendapatkan data-data yang bersifat teoritis maka penulis melakukan pengumpulan
data dengan cara membaca dan mempelajari buku-buku, makalah ataupun referensi lain yang
berhubungan dengan masalah yang dibahas, dan bias dilihat dibagian landasan teori.
-
BAB IV
ANALISIS DAN PERANCANGAN
4.1 Analisis Sistem Yang Sedang Berjalan
Saat ini sistem yang digunakan pada parkiran mal SKA Tersebut sudah menggunakan
komputerisasi, tetapi untuk pengecekan nomor plat kenderaan masih digunakan secara manual.
Berikut adalah alur sistem yang sedang berjalan:
A. Proses masuk
1. Kenderaan memasuki tempat parkiran
2. Petugas Mencatat Plat nomor kenderaan
3. Sistem memproses tiket parkir dan memfoto kenderaan yang masuk
4. Pengendara mengambil tiket parkir
5. Palang Terbuka
6. Pengendara memasuki tempat parkir
7. Selesai
B. Proses Keluar
1. Pengendara Memberi Kertas Parkir ke Petugas
2. Petugas memeriksa dengan computer tiket parkir pengendara
3. Sistem mengeluarkan output berapa yang harus dibayar pengendara
4. Pengendara membayar uang parkir
5. Palang terbuka.
6. Selesai.
-
4.2 Analisa Kelemahan
Sesuai dengan judul penelitian ini, yaitu ingin membuat sistem parkir bias langsung
mengenali nomor plat kenderaan yang difoto oleh kamera parkir. Pada sistem yang sedang
berjalan, proses melihat nomor plat kenderaan masih dilakukan secara manual.
4.3 Analisis Sistem yang akan diterapkan.
Bagaimana cara mengetahui secara langsung nomor kenderaan yang akan parkir di mal
SKA tersebut. Berikut adalah proses sistem yang akan diterapkan:
C. Proses masuk
1. Kenderaan memasuki tempat parkiran
2. Kamera memfoto plat kenderaan
3. Sistem memproses untuk mengenali nomor plat kenderaan
4. Sistem memproses tiket parkir kenderaan yang masuk
5. Pengendara mengambil tiket parkir
6. Palang Terbuka
7. Pengendara memasuki tempat parkir
8. Selesai
D. Proses Keluar
1. Pengendara Memberi Kertas Parkir ke Petugas
2. Petugas memeriksa dengan computer tiket parkir pengendara
3. Sistem mengeluarkan output berapa yang harus dibayar pengendara
4. Pengendara membayar uang parkir
5. Palang terbuka.
6. Selesai.
-
START
IMAGE KENDARAAN
PREPROCESSING IMAGE
SEGMENTASI KARAKTER
PENGENALAN KARAKTER
DATA PENGGUNA
END
KARAKTER DIKENALI DALAM BENTUK TEKS
4.4 Deskripsi sistem Pengenalan Pola
Sistem secara keseluruhan bekerja sebagaimana flowchart pada gambar 1. Sistem dibagi
menjadi 4 tahap, yang pertama adalah preprocessing image. Fungsi dari tahap ini adalah
melakukan perubahan dan perbaikan citra, yaitu dari citra RGB dengan noise menjadi citra
biner yang hanya terdiri dari backround putih dan foreground berupa karakter plat. Setelah
proses ini selesai, maka selanjutnya dilakukan proses Segmentasi Karakter. Adapun fungsi dari
tahap ini adalah untuk melakukan pemisahan antar objek karakter plat yang masih terhubung
menjadi karakter tunggal dan terpisah satu sama lain. Pada bagian Segmentasi Karakter ini
digunakan untuk memotong objek yang dianggap sebagai karakter pada plat nomor. Jika telah
didapatkan karakter-karakter hasil Segmentasi, maka proses selanjutnya yaitu Pengenalan
karakter menggunakan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunakan
Algoritma Backpropagation. Fungsi dari tahap ini adalah untuk mengenali karakter yang sudah
terpisah menjadi karakter dalam bentuk teks. Apabila plat nomor kendaraan telah dikenali tahap
terakhir adalah melihat data pengguna kendaraan apakah sesuai atau tidak.
-
4.5 Rancangan Jst
Ada 3 tingkat dalam merancang sebuah
sistem jaringan syaraf tiruan, yaitu tingkat node, tingkat jaringan, dan tingkat pelatihan.
a. Tingkat Node
Melihat karakteristik dari karakter huruf dan angka (alfanumerik) yang merupakan fitur
diskrit maka tipe input yang cocok adalah tipe biner. Demikian pula dengan tipe outpunya.
Fungsi transfer yang akan digunakan adalah fungsi transfer sigmoid biner dengan alasan bahwa
fungsi transfer ini yang paling umum digunakan untuk algoritma propagasi balik. Pemilihan ini
dengan memperhatikan beberapa karakteristik penting untuk jaringan propagasi balik, yaitu
kontinu, differentiable, tidak menurun secara monoton, dan turunannya mudah dihitung[8].
b. Tingkat Jaringan
Pada tingkat jaringan dilakukan penentuan banyaknya lapisan. Karena dalam tulisan
ini menggunakan jaringan propagasi balik, maka jaringan ini menggunakan banyak lapisan yang
berarti bahwa jaringan bisa mempunyai lapisan tersembunyi lebih dari 1. Dalam tulisan ini akan
digunakan 4 buah lapisan, yaitu 1 lapisan input, 2 lapisan tersembunyi dan 1 lapisan output.
c. Tingkat Pelatihan
Rancangan jumlah node pada jaringansyaraf tiruan untuk pengenalan pola nomor plat
kendaraan adalah sebagai berikut :
Lapisan input sebanyak 69 node
Lapisan tersembunyi 1 sebanyak 324 node
Lapisan tersembunyi 2 sebanyak 324 node
Lapisan output sebanyak 36 node
-
DAFTAR PUSTAKA
1. http://id.wikipedia.org/wiki/Pengenalan_pola 2. http://id.wikipedia.org/wiki/Citra 3. http://id.wikipedia.org/wiki/Pengolahan_citra 4. http://temukanpengertian.blogspot.com/2013/08/pengertian-pengolahan-citra-
digital.html
5. https://muhtadan.wordpress.com/2009/12/30/ekstraksi-ciri-dengan-geometric-invariant-moment/
6. http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan 7. Zaiful bahri, Sukanto, joko Risanto Sistem Pengenalan Nomor Plat Kendaraan Berbasis
Foto Dijital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan
Menggunakan Algoritma Backpropagation. Jurusan matematika FMIPA Universitas
Riau, 2013