thesis bab iii
TRANSCRIPT
BAB III
METODOLOGI PENELITIAN
Dalam penyusunan tugas akhir ini diperlukan beberapa langkah dengan
dua tahap utama yaitu, tahap pelatihan dan tahap pengenalan. Namun demikian
untuk sempurna dan lengkapnya program ini, ada beberapa tahapan tambahan
yang diperlukan agar pengenalan pola untuk nomor plat kendaraan(mobil) dapat
berjalan dengan baik dan ini sering digunakan oleh beberapa peneliti terdahulu.
3.1 Tahap Pelatihan
Pada tahap pelatihan, langkah pertamanya adalah melakukan tahap
preproses image. Ini adalah tahap yang penting sebagai akurasi pelatihan yang
bergantung pada kualitas image yang diproses melalui teknik-teknik yang
berbeda.
Pada tahap pelatihan ini juga perlu diperhatikan berapa banyaknya data
input yang diperlukan agar diperoleh error sekecil mungkin. Untuk itu pemilihan
jumlah lapisan input dan lapisan tersembunyi sangat penting, karena jika jumlah
input kecil akan menyebabkan terjadinya error dan lamanya waktu yang
diperlukan untuk melakukan pelatihan.
Gambar 3.1 Aliran Tahap Pelatihan
Tahap selanjutnya adalah segmentasi karakter-karakter dari huruf dan
angka yang akan melalui tahap perubahan ukuran dan ekstraksi fitur. Terakhir,
tahap pelatihan jaringan neural akan dilakukan dengan menggunakan sebuah
image yang terdiri dari m x n x 3, huruf dan angka yang terdiri dari 26 huruf dan
10 angka. Gambar 3.1 merupakan gambar aliran kerja tahap pelatihan.
Gambar Asli
Tahap Proses Awal
Konversi RGB ke Skala Abu-Abu
Thresholding
Konversi ke Gambar Biner
Penghalusan
Penyaringan
Segmentasi
Perubahan Ukuran
Ekstraksi Fitur
Pelatihan
29
3.1.1 Preproses
Dalam tahap preproses sebuah image, image hasil pemindaian yang
diperoleh dari alat pemindai atau image yang diperoleh dengan sebuah kamera
digital dan bisa juga gambar yang diperoleh dari sebuah kamera telepon
genggam, gambar tersebut dipanggil atau dimasukkan ke dalam linkungan
Matlab agar bisa diproses. Apabila image hasil pemindaian berwarna, maka
image tersebut akan dikonversikan terlebih dahulu menjadi warna dengan skala
abu-abu. Konversi ini dilakukan agar langkah preproses menjadi lebih efisien. Di
mana algoritma skala abu-abu yang digunakan adalah :
0.2989 * R + 0.5870 * G + 0.1140 * B (3.1)
di mana :
R=red
G=green
B=blue
Selanjutnya dilakukan proses thresholding baik lokal maupun global[7]
untuk mengonversikan image dengan warna skala abu-abu menjadi bentuk
binari. Dalam bentuk skala abu-abu, latar belakang image lebih terang dari pada
karakter yang ada. Dengan menentukan thresholding(ambang) pada suatu level,
piksel-piksel bisa ditentukan dengan nilai “1” dan “0”. Dalam image binari, “1”
mewakili piksel putih sedangkan “0” mewakili piksel hitam. Binarisasi ini
berguna untuk mengonversikan image ke format satu atau nol dalam bentuk
digital, agar komputer bisa mengenal .karakter yang ada pada image tersebut.
30
Pada proses penghalusan, gangguan yang disebabkan oleh sebuah
konversi image dihilangkan dan komponen-komponen yang terhubung
direduksi[7]. Selanjutnya digunakan metode penyaringan adaptif Wiener dan
diimplementasikan yang mana penyaringan Wiener ini lebih baik dari pada
penyaringan linear dengan edge(ujung-ujung) tetap, frekuensi tinggi dan lebih
adaptif [12] dan [13].
Skala Abu-Abu Binarisasi Penghalusan Penyaringan
Gambar 3.2 Karakter Image Setelah Diproses
Dalam tulisan ini plat nomor mobil akan disegmentasi ke dalam
karakter-karakter terpisah dengan menandai setiap karakter menggunakan
sebuah fungsi label dalam Matlab. Pelabelan ini mampu untuk mengenal berapa
banyak karakter yang ada dalam sebuah image.
Baris Minimum
Kolom Minimum
Baris Maksimum
Kolom Maksimum
Gambar 3.3 Pelabelan Karakter
31
Untuk masing-masing karakter yang sudah diberi label, baris maksimum
dan minimum yang berhubungan dengan kolom digunakan untuk menentukan
piksel karakter awal. Nilai-nilai ini ditandai sebagai vektor [“kolom baris” “lebar
tinggi”]. Bentuk ini akan merubah ukuran huruf menjadi ukuran yang seragam
dengan fungsi imresize 90 x 60 piksel agar pengenalan pola lebih efektif.
Perubahan ukuran ini dapat dilihat pada gambar 3.4a dan 3.4b.
Gambar 3.4a dan 3.4b Sebelum dan Sesudah Perubahan Ukuran
3.1.2 Ekstraksi Fitur
Proses ekstraksi fitur karakter merupakan proses yang paling relevan
untuk mengklasifikasikan karakter pada tahap pengenalan. Ini merupakan suatu
tahap penting yang bisa membantu menghindari kesalahan klasifikasi
32
Dalam [2], [14] dan [15] proses ekstraksi dilakukan untuk mengubah
ukuran image huruf maupun angka yang ada pada plat nomor kendaraan tersebut
di mana setelah dilakukan perubahan ukuran huruf, image yang mempunyai nilai
“1” akan dijumlahkan dan dirata-ratakan. Selanjutnya nilai image ini akan
dimasukkan ke dalam sebuah matrik yang berukuran m x n, kemudian siap untuk
diproses dengan jaringan propagasi balik sebagai pengenalan pola. Ukuran huruf
setelah diubah dengan fungsi imresize adalah 90 x 60 piksel. Kemudian huruf ini
akan ditempatkan pada area piksel dengan ukuran 10 x 10 yang selanjutnya
dimasukkan ke dalam sebuah matriks berukuran 9 x 6 sebagai input yang
diperlukan untuk pelatihan ini.
3.1.3 Pelatihan Jaringan Propagasi Balik
Dalam [2], [4], [5], [7], [8], [9] dan [15], jaringan propagasi balik adalah
salah satu jaringan neural yang paling luas digunakan baik menggunakan
supervisi maupun tanpa supervisi yang mana metode ini sederhana dan efektif.
Aplikasi yang menggunakan jenis jaringan ini, terutama untuk proses
citra/image, yaitu pengenalan pola karakter.
Setelah dilakukan pemrosesan dan penangkapan fitur sebuah image
karakter , tahapan selanjutnya adalah melatih jaringan menggunakan propagasi
balik feedforward dengan 2 lapis tersembunyi dengan jumlah node output 36 dan
33
node input sebanyak 69 yang dihitung dengan menjumlahkan ukuran matriks 6 x
9 dengan total jumlah individu baris dan kolom matriks yaitu (6x9 + 6+9).
Parameter pelatihan jaringan ditentukan sebagai berikut :
Jumlah node input = 69
Jumlah node tersembunyi 1 = 324
Jumlah node tersembunyi 2 = 324
Jumlah node output = 36
Algoritma pelatihan = Gradien menurun dengan momentum pelatihan
traingdx dan tingkat pembelajaran adaptif
Kinerja fungsi = MSE
Tujuan pelatihan = 0.00001
Epochs pelatihan= 1000000
Konstanta momentum pelatihan = 0.9
3.2 Tahap Pengenalan
Nilai-nilai bobot yang berasal dari tahap pelatihan akan digunakan dalam
tahap pengenalan pola, menghubungkan image masukkan yang sudah diproses
untuk membangkitkan sejumlah individu yang terdiri dari 36 karakter. Karakter-
karakter ini akan dicocokkan dengan nilai-nilai ASCII yang berhubungan untuk
mendapatkan karakter-karakter yang dikenal.
34
Selama tahap pelatihan, data diinputkan ke dalam sistem yang terdiri dari
22 kolom dan 36 baris karakter yaitu (“A-Z” dan “0-9”). Ini memenuhi
kebutuhan lingkungan Matlab untuk memindai objek kolom demi kolom.
Bagaimanapun juga dalam tahap pengenalan ini input merupakan suatu bentuk
susunan huruf dan angka.
35