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