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