vol 10.2 168-185

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999

168 http://research.pps.dinus.ac.id

PENGENALAN PLAT NOMOR KENDARAAN GANJIL GENAP

MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

BERBASIS VARIANS PROJECTION

Annahl Riadi1 dan Ricardus Anggi Pramunendar2

1,2Pascasarjana Teknik Informatika Universitas Dian Nuswantoro

Abstract

License Plate Recognition (LPR) automatically become a trend and became the topic of interest.

Character segmentation is an important part of the vehicle license plate recognition. Results of

segmentation affects the accuracy of character recognition directly. This study uses Variance Projection

for character segmentation, only nois interference will affect the value of the projection. To overcome the

problem of the projection variance caused by noise, then the pre-processing stage is proposed to use the

method otsu and apply a gaussian function to reduce the intensity of the color white and black colors

intensify the results of license plate segmentation binerisasi. Vehicle license plate recognition method that

is widely used is mathcing templates and support vector machine (SVM). The existence of a relatively

SVM still fairly young theoretically developed for binary classification problems (two-class classification).

Therefore, SVM is used for classification of both odd and even number plate with the hope of obtaining a

good accuracy value. Results of SVM classification accuracy using the confusion matrix for testing GLCM

8 features produce 93.33% for test data number default 50%, and accuracy of 90,91% to 40% the amount

of data. For GLCM 7 feature produced 86.67% for test data number default 50%, and accuracy of

90.91% to 40% the amount of test data. 5 GLCM features while producing 80.00% of the amount of test

data default 50%, and accuracy of 81.82% to 40% the amount of test data. In addition to improved

segmentation results of the character, another contribution of this research is the discovery of the vehicle

license plate recognition method is more accurate even odd.

Keywords: Variance Projection, Otsu Method, Gaussian Function, SVM

1. PENDAHULUAN

1.1. Latar Belakang Tingginya volume kendaraan itu mengakibatkan kemacetan dikota-kota besar. Untuk mengatasi

kemacetan, Gubernur DKI Jakarta Joko Widodo membuat aturan pembatasan kendaraan berdasarkan

nomor polisi ganji genap. Kebijakan pembatasan kendaraan sistem ganjil genap ini sebagai model

kebijakan radikal untuk mengatasi kemacetan khususnya di Ibu Kota[1][2].

Berdasarkan data Dinas Perhubungan, saat ini jumlah kendaraan yang melintas di jalan-jalan Jakarta

mencapai 262.313.31 unit per jam. Bila sistem ini diberlakukan, diprediksi jumlahnya akan berkurang

menjadi 121.567.28 unit. Dengan demikian, setiap satu jam jumlah kendaraan pribadi yang beredar di

jalanan Ibukota akan berkurang sebanyak 140.746.02 unit. Berkurangnya jumlah kendaraan membuat

waktu tempuh kendaraan juga makin cepat. Diperkirakan, kecepatan waktu tempuh kendaraan akan

mencapai 41,3 km per jam.Agar kebijakan pembatasan kendaraan sistem ganjil genap berjalan dengan

baik, maka diusulkan Sistem transportasi cerdas [3] yang mampu membantu dalam hal tindak pelanggaran

lalu lintas.

License Plate Recognition (LPR) atau Pengenalan Nomor Kendaraan secara otomatis menjadi

trend[4][5][6] dan menjadi topik yang menarik [7]serta menjadi salah satu hal pokok dalam sebuah sistem

yang membutuhkan data nomor kendaraan seperti sistem parkir, sistem tol bahkan untuk sistem lalu lintas

dalam hal tindak pelanggaran lalu lintas.

Dalam mendapatkan informasi data kendaraan berupa nomor plat kendaraan, dibutuhkan beberapa

proses yang harus dilakukan. Proses-proses tersebut terdiri dari empat bagian antara lain : pengambilan


http://research.pps.dinus.ac.id , 169

gambar kendaraan, penentuan posisi dari plat nomor kendaraan, segmentasi karakter dan standarisasi, dan

pengenalan karakter yang terdapat pada plat nomor kendaraan[3].

Kualitas gambar yang diperoleh merupakan faktor utama dalam keberhasilan LPR [8], Namun pada

plat kendaraan banyak terdapat gangguan-gangguan seperti pencahayaan, kotoran, debu, dan aksesoris

yang melekat pada plat [8].Segmentasi karakter merupakan bagian terpenting dalam LPR[9][7]. Hasil

segmentasi yang mempengaruhi akurasi pengenalan karakter secara langsung.[10] Semakin baik gambar

hasil segmentasi maka kemungkinan tingkat keberhasilan pengenalan karakter plat nomor kendaraan akan

semakin tinggi. Oleh karena itu proses segmentasi karakter plat nomor kendaraan membutuhkan teknik

yang tepat dalam hal penggunaan metode yang digunakan dalam segmentasi gambar plat nomor

kendaraan, atau lebih dikenal dengan istilah proses awal (pre-processing). Sampai saat ini, penelitian

tentang segmentasi karakter telah disajikan dalam literatur. Ada beberapa algoritma yang umum seperti

proyeksi, template maching dan analisis konektivitas[11][5].

Metode segmentasi karakter menggunakan varians projection kemampuannya baik dalam segmentasi

tiap karakter pada plat nomor kendaraan [12][13], karena dapat mensegmentasi karakter pada sisi vertikal

dan horizontal tiap karakter. Hanya saja metode ini sangat rentan terhadap gangguan yang terdapat

diantara karakter yang akan disegmentasi dan border pada plat nomor kendaraan [13].

Metode pengenalan karakter plat nomor kendaraan yang banyak digunakan adalah template

mathcing[9][14][15] dan support vektor machine (SVM) [12][16][5], keberadaan SVM yang relatif

terbilang masih muda secara teoritik dikembangkan untuk masalah binary classification (klasifikasi dua

kelas) [17][18].Beberapa kelebihan SVM antara lain: SVM memiliki landasan teori yang dapat dianalisa

dengan jelas dan tidak bersifat black box, serta dapat diselesaikan dengan metode sekuensial dan relatif

mudah untuk diimplementasikan.

Dalam penelitian ini, untuk mengatasi masalah pada varians projection yang diakibatkan oleh noise,

maka pada tahap pre-processing diusulkan untuk menggunakan metode otsuuntuk mengurangi gangguan

noise pada gambar plat serta menerapkan fungsi gaussian untuk menurunkan intensitas warna putih dan

meningkatkan intensitas warna hitam pada hasil binerisasi segmentasi plat nomor kendaraan[19]dan

menggunakan Suppor Vector Machine (SVM) untuk mengklasifikasi hasil dari segmentasi karakter dalam

pengenalan plat nomor kendaraan ganjil genap.

1.2. Rumusan Masalah a. Masalah Umum

Sistem transportasi cerdas mampu membantu dalam hal tindak pelanggaran lalu litas, namun

tingginya volume kendaraan mengakibatkan sulitnya mengatasi kemacetan di kota-kota besar.

b. Masalah Spesifik

Vertical and horizontal projections(varians projection) sangat simple dan umum digunakan untuk

segmentasi karakter, namun gangguan noise akan mempersulit dan mempengaruhi nilai proyeksi pada

varians projectionserta pengurangan gangguan noise pada penelitian terdahulu yang menggunakan

pendekatan metode otsu, metode bernsen, hough transform, bernsen + gaussianmasih menunjukkan

tingkat akurasi maksimal 97,41%. Selain itu belum adanya metode pengenalan plat nomor kendaraan

untuk kelas ganjil dan genap.

1.3. Tujuan Penelitian a. Tujuan Umum

Ditemukannya metode pengenalan plat nomor kendaraan ganjil genap yang diharapkan dapat menjadi

masukan bagi pengembangan Sistem Transportasi Cerdas.

b. Tujuan Spesifik

Ditemukannya metode untuk membantu varians projection dalam mengatasi gangguan noise pada

pengenalan plat nomor kendaraan ganjil genap yang diharapkan dapat meningkatkan akurasi lebih

besar dari 97,41% dengan metode klasifikasi SVM.



1.4 Manfaat Penelitian

a. Manfaat bagi Tranportasi Darat

Dari penelitian ini diharapkan dapat menjadi masukan untuk pengambilan kebijakan pembatasan

kendaraan dan memudahkan pengelolaan lalu lintas untuk mengatasi kemacetan di kota-kota besar.

b. Manfaat bagi Ilmu Pengetahuan dan Teknologi

Penerapan metode varians projection dan SVM yang dapat mengatasi noise dan mendapatkan nilai

pengenalan plat nomor kendaraan ganjil genap yang lebih akurat dapat memperkaya pengetahuan

tentang identifikasi plat nomor kendaraan.

2. TINJAUAN PUSTAKA

2.1. Penelitian Terkait Penelitian terkait pengenalan plat nomor kendaraan banyak dilakukan oleh peneliti, rangkuman

masalah, metode dan hasil penelitian tersebut dapat dilihat pada tabel berikut ini.

Tabel 2.0.1Penelitian Terkait

Peneliti Masalah

Metode

Hasil Pre-Processing

Segmentasi

Karakter Klasifikasi

[12]

varians projection

melakukan segmentasi

karakter untuk

membagi dan

memisahkan region

karakter China dengan

region karakter yang

lainnya serta

meningkatkan akurasi

pengenalan karakter

• Membanding-

kan metode

otsu dan

metode

bernsen

• algoritma

Bernsen +

filter

gaussian

connected

componen

t labeling

+ varians

projection

SVM

Hasil akurasi pengenalan

karakter masing-masing

yaitu untuk angka 99,5%,

huruf kana 98,6%, alamat

daerah 97,8%. Akurasi

untuk keseluruhan proses

mencapai 93,54%.

[13]

menghilangkan

gangguan hasil

binerisasi

menggunakan metode

mean filter dan metode

varians projection

Metode

threshold otsu

Varians

projection

+ Mean

Filter

-

metode varians projection

yang ditingkatkan dapat

lebih baik dari segmentasi

karater plat nomor

kendaraan

[20]

Menemukan metode

Bernsen untuk

menghilangkan

gangguan akibat

kemiringan

Membandingka

n gray image,

Otsu method

dan traditional

Bernsen

method.

Varians

projection -

Hasil akurasi yang

didapatkan dari penelitian

ini 97,41% dengan

menggunakan 226 sample

gambar plat nomor

kendaraan yang berbeda

[6]

Memisahkan karakter

dan latar belakang plat

nomor kendaraan

Edge detection,

Metode Otsu

Varians

projection

,

connected

componen

t label

Template

maching

Hasil dari penelitian ini,

yaitu: pada deteksi plat

nomor kendaraan 90%,

segmentasi tiap karakter

96,87%, dan pengenalan

karakter 80,20%.



2.2. Landasan Teori

2.2.1 Metode Otsu

Metode otsu biasa disebut juga optimum threshold otsu. Metode ini disebut optimum karena kinerjanya

yang memaksimalkan varians antar kelas (between-class variance) [19]. Pendekatan varians antar kelas ini

digunakan untuk melakukan analisis diskriminan yaitu membedakan antara dua atau lebih kelompok

berdasarkan kelas yang sudah ditentukan. Variable antar kelas akan dapat memisahkan antara latar

belakang (background) dan latar depan (foreground).

Menurut Gonzales and Woods dalam [19], metode otsu didasarkan pada nilai histogramnya. Nilai

intensitas dari setiap piksel akan ditunjukkan sembarang oleh histogram pada citra 1 dimensi. Dengan

menggunakan histogram kita dapat melakukan pengelompokan terhadap piksel-piksel dalam citra. Sumbu

x merupakan level intensitas yang berbeda dan sumbu y menyatakan jumlah piksel yang memiliki nilai

intensitas tersebut. Pengelompokan level intensitas ini didasarkan pada nilai ambang atau threshold. Nilai

threshold ini akan menjadi nilai objektif dan merupakan tujuan dari metode otsu, karena dasar dari metode

otsu adalah perbedaan dari intensitas dari piksel-piksel yang dipisahkan dalam kelas-kelas tertentu.

Threshold yang dapat memisahkan intensitas pada level-level tertentu sedemikian rupa agar nilai threshold

ini dapat dinyatakan optimal. Jadi metode otsu ini merupakan segmentasi yang dilandaskan dari nilai

intensitas dari piksel-piksel citra.

2.2.2 Fungsi Gaussian

Fungsi gausian sering disebut dengan karakteristik simetrik, fungsi gaussian banyak digunakan diberbagai

bidang seperti[21] , statistik, signal prosessing, image prosessing. Fungsi gaussian secara awal

mempunyai persamaan:

........................................... (7)

Pada image prosessing fungsi gaussian mempunyai dua persamaan yaitu, persamaan 1 dimensi (1-D)

dapat dinyatakan sebagai berikut:

........................................... (8)

- σ adalah standar deviasi

- x adalah panjang nilai horizontal ke x pada gaussian

Denganσ menyatakan standar deviasi dari distribusi. Sedangkan yang kedua adalah persamaan 2

dimensi (2-D) dapat dinyatakan sebagai berikut.

..................................... (9)

2.2.3 Varians Projection a. Vertical Variance Projection

Dalam algoritma proyeksi tradisional, karakter yang tersegmentasi secara langsung sesuai dengan

posisi palung, namun dengan cara ini prosesnya akan lebih sensitif terhadap noise[13]. Adanya garis-

garis naik-turun baik pada layaknya histogram (tapi tidak diskret) pada garis koordinat x dan y. Pada

dasarnya teknik bekerja dengan cara yang sangat sederhana, hanya dengan menjumlahkan nilai



intensitas citra yang terlebih dulu telah dinormalisasi (dijadikan biner) baik pada tiap baris (untuk

vertikal) dan tiap kolom (untuk horisontal). Lalu yang menjadi pemisahnya adalah adanya lembah

untuk tiap bentuk isyarat. Lembah itu merupakan spasi putih yang memisahkan tiap karakter.

Penerapan varian vertikal proyeksi wilayah karakter dihitung oleh algoritma. Kemudian proyektor

minimum berhubungan dengan kesenjangan antara satu karakter yang lain, fitur dari kurva proyeksi

adalah bahwa puncak dan lembah muncul secara bergantian. Kombinasi lain pada pengetahuan

sebelumnya, satu karakter diekstraksi dengan mendeteksi puncak dan palung.

b. Keberadaan perbatasan lisensi tidak hanya membuat nilai proyeksi vertikal lebih besar dari nol, tetapi

juga membuat karakter saling menempel di plat[13]. Dalam rangka untuk menentukan titik segmentasi,

perbatasan harus dihapus.

2.2.4 Support Vector Machine Support Vector Machine (SVM) merupakan metode yang pertama kali dikembangkan oleh Vapnik pada

tahun 1995 dan telah digunakan dalam berbagai masalah termasuk pengenalan pola, bioinformatika, dan

teks kategorisasi. SVM mengklasifikasikan data dengan label kelas yang berbeda dengan menentukan

sebuah set dari support vector yang merupakan anggota himpunan dari input training yang menguraikan

sebuah hyperplane dalam ruang fitur. SVM menyediakan mekanisme generik yang sesuai untuk

permukaan hyperplane dengan data training menggunakan fungsi kernel (misalnya linier, polinominal,

atau sigmoid) untuk SVM selama proses training yang memilih support vector sepanjang permukaan

fungsi ini[22].

SVM menggunakan prinsip dari Structural Risk Minimization (SRM) dengan membangun sebuah

pemrograman kuadratik yang digunakan untuk memisahkan optimal hyperplane di ruang fitur tersembunyi

dan digunakan untuk menemukan sebuah solusi yang baik[23]. Ada tiga masalah utama yang mungkin

ditemukan ketika kita menerapkan SVM untuk kasifikasi dan regresi yaitu (1) memilih fitur yang optimal,

(2) pilihan dari kernel, dan (3) penentuan parameter kernel[24].

Ide dasar dari SVM adalah bahwa vektor input asli dipetakan kedalam ruang fitur tinggi atau tidak

terbatas oleh dimensi ruang fitur oleh sebuah pemetaan nonlinear dari fungsi h berdasarkan pada teori

Mercer, sehingga masalah klasifikasi nonlinear dan regresi dilakukan dengan klasifikasi dan regresi linier

dalam ruang fitur. SVM mengadopsi prinsip dari SRM dan generalisasi yang lebih baik.Proses

pembelajaran SVM adalah untuk memecahkan pemrograman kuadratik atau linear dan solusinya adalah

optimum global[24].

2.2.5 Mean Square Error (MSE)

Perbaikan dari sebuah kualitas gambar mempunyai sifat yang subyektif , maka parameter keberhasilan

perbaikan kuallitas gambar perlu adanya pengukuran yang subyektif pula [26].Untuk itu perlu adanya

pengukuran kuantitatif yang bisa mengukur kinerja prosedur perbaikan gambar, di mana pengukuran ini

dapat mencari nilai untuk membandingkan hasil perbaikan gambar dengan gambar target/hasil yang ingin

dicapai. Alat ukur ini adalah mean square error (MSE) yang dinyatakan dengan persamaan berikut.

............................................................... (10)

Keterangan:



adalah selisih antara nilai sumber - dengan nilai target

M dan N adalah ukuran panjang dan lebar pada gambar

MSE dengan satuan piksel

2.2.6 GLCM (Gray Level Co-occurrence Matrix)

Salah satu metode analisis tekstur yang paling banyak digunakan adalah gray level cooccurrence matrix

yang didasarkan pada fungsi statistika orde kedua. Matriks cooccurence ini diperkenalkan pertama kali

oleh Haralick untuk mengekstrak fitur-fitur yang digunakan sebagai analisis citra hasil penginderaan jauh.

Cooccurence didefinisikan sebagai distribusi gabungan dari level grayscale dua piksel yang terpisah jarak

dan arah tertentu (Δx, Δy). Gray Level Cooccurence Matrix (GLCM). Pada analisis tekstur secara statistis,

fitur tekstur dihitung berdasarkan distribusi statistik dari kombinasi intensitas piksel pada posisi tertentu

relatif terhadap lainnya dalam suatu matriks citra. Bergantung pada jumlah piksel atau titik intensitas

dalam masing-masing kombinasi, dibedakan adanya statistik orde-pertama, statistik orde-kedua dan

statistik orde-lebih- tinggi (higher-order statistics). Metode GLCM (Gray-Level Cooccurrence Matrix)

adalah salah satu cara mengekstrak fitur tekstur statistik orde-kedua.Matriks GLCM mampu menangkap

sifat tekstur tetapi tidak secara langsung dapat digunakan sebagai alat analisis, misalnya membandingkan

dua tekstur. Data ini harus disarikan lagi agar didapatkan angka-angka yang bisa digunakan untuk

mengklasifikasi tekstur. Haralick pada tahun 1973 mengusulkan 14 ukuran (atau ciri/fitur), tetapi Connors

dan Harlow pada tahun 1980-an mengkaji bahwa dari 14 fitur yang diusulkan Haralick tersebut, hanya 5

diantaranya yang biasa digunakan. Kelima fitur itu adalah: energi, entropi, korelasi, homogenitas, dan

Kontras [27].

2.3. SVM dan Varians Projection untuk Pengenalan Plat Kendaraan Ganjil Genap

Segmentasi karakter merupakan bagian terpenting dalam pengenalan plat kendaraan. [9][7]. Hasil

segmentasi mempengaruhi akurasi pengenalan karakter secara langsung [10].

Semakin baik gambar hasil segmentasi maka kemungkinan tingkat keberhasilan pengenalan karakter

plat nomor kendaraan akan semakin tinggi. Varians projection berkemampuan baik dalam segmentasi tiap

karakter pada plat nomor kendaraan [12][13], karena dapat mensegmentasi karakter pada sisi vertikal dan

horizontal tiap karakter. Namun, gangguan noise akan mempersulit dan mempengaruhi nilai proyeksi pada

varians projection serta pengurangan gangguan noise.

Pada penelitian terdahulu yang menggunakan pendekatan metode otsu, metode bernsen, hough

transform, bernsen + gaussian, masih menunjukkan tingkat akurasi maksimal 97,41%. Proses segmentasi

karakter plat nomor kendaraan membutuhkan teknik yang tepat dalam hal penggunaan metode yang

digunakan dalam segmentasi gambar plat nomor kendaraan. Gambar plat nomor kendaraan yang

menggunakan format *.JPG akan melalui tahapan preprocessing menggunakan metode otsu-gaussian

untuk memperoleh hasil yang baik sehingga mempermudah proses segmentasi karakter menggunakan

varians projection.

Hasil dari segmentasi karakter kemudian diklasifikasikan menggunakan SVM sehingga memperoleh

hasil pengenalan plat nomor kendaraan ganjil atau genap. Metode ini diharapkan dapat mengatasi

gangguan noise dan meningkatkan akurasi pengenalan plat kendaraan ganjil genap. Metode ini diharapkan

dapat meningkatkan hasil pengenalan plat nomor kendaraan ganjil genap lebih dari 97,41 %. Untuk

mengevaluasi hasil dari metode ini Mean Square Error (MSE) dan Confusion Matrix digunakan untuk

mengukur tingkat akurasi.

Berikut ini disajikan diagram alir metode penelitian ini.



Gambar 2.1 Diagram Alir Metode Penelitian

EXPERIMENT

MASALAH Gangguan noise akan mempersulit dan mempengaruhi nilai proyeksi pada varians projection serta

pengurangan noise pada penelitian terdahulu yang menggunakan pendekatan metode otsu, metode

bernsen, hough transform, bernsen + gaussian masih menunjukkan tingkat akurasi maksimal 97,41%.

Selain itu belum adanya metode pengenalan plat nomor kendaraan untuk kelas ganjil dan genap

MEASUREMENT MSE dan Confusion Matrix

TUJUAN Ditemukannyametodeuntuk membantu varians projection dalam mengatasi gangguan noise pada

pengenalan plat nomor kendaraan ganjil genap dan diharapkan dapat meningkatkan akurasi lebih besar

dari 97,41% serta ditemukannya SVM sebagai metode klasifikasi yang terbaik untuk pengenalan plat

nomor kendaraan ganjil genap.

Input database

Metode Otsu

Pengklasifikasian SVM

Pengenalan Plat nomor Kendaraan

Data hyperplane

Varians Projection (Vertikal & Horisontal)

Fungsi gaussian



3. METODE PENELITIAN

3.1. Pengumpulan Data Pengumpulan data merupakan langkah awal pada suatu penelitian. Data yang digunakan pada penelitian

ini adalah data gambar plat kendaraan yang bersumber dari hasil penelitian terkait (Erwin Dwika Putra,

2012), dimana data tersebut berupa gambar kendaraan yang diambil dari depan kendaraan atau dari

belakang kendaraan yang memuat area plat nomor kendaraan. Data berupa gambar kendaraan jenis roda 4

(mobil). Pengambilan (acquire) gambar kendaraan menggunakan kamera pocket CASIO 8.1 Mega Pixel

dengan resolusi pada saat pengambilan 1600x1200 pixel, dengan jarak pengambilan gambar antara

kamera dan kendaraan lebih kurang 2 sampai dengan 3 meter. Gambar kendaraan yang diambil

merupakan gambar kendaraan yang menggunakan plat nomor kendaraan tipe standar dan dalam keadaan

baik. dari gambar kendaraan tersebut kemudian dilakukan proses pemotongan (cropping) sehingga

menghasilkan gambar plat kendaraan.

Gambar 3.1.1.Plat Nomor Kendaraan

3.2. Pengolahan Data

Pengolahan awal (Preprocessing) merupakan tahap untuk mempersiapkan data yang telah diperoleh dari

tahap pengumpulan data, yang akan digunakan pada tahap selanjutnya data yang diperoleh terlebih dahulu

di preprocessing dengan mengubah gambar RGB menjadi Grayscale agar mempermudah memisahkan

antara background dan foreground menggunakan metode otsu.

3.3. Segmentasi dengan Varians Projection Seperti yang telah diuraikan di latar belakang, pada penelitian ini diusulkan untuk menggunakan metode

otsu-gaussian untuk menangani masalah noise yang mempengaruhi proses segmentasi karakter dengan

menggunakan varians projection. Kemudian menggunakan SVM untuk pengenalan plat nomor kendaraan



dengan harapan nilai akurasi akan meningkat. Metode yang diusulkan yang menggunakan MATLAB

dengan tahapan sebagai berikut.

Gambar 3.2.1.Model Segmentasi Menggunakan Varians Projection

Segmentasi karakter seringkali menghasilkan ukuran yang dimensinya berbeda-beda. Oleh sebab itu

normalisasi perlu dilakukan, sehingga ukuran dimensi citra menjadi sama dan akan memudahkan dalam

memperoleh nilai tekstur. GLCM (Gray Level Co-occurrence Matrices) adalah metode analisa tekstur

yang diusulkan agar memperoleh nilai tekstur pada nomor plat kendaraan.

Contrast, Correlation, Homogenity, Entropy, dan Energy merupakan lima ciri tekstur yang didapat

kemudian dijadikan dasar perhitungan metode klasifikasi SVM. Selain 5 Fitur, peneliti juga menggunakan

7 fitur dan 8 fitur menurut penelitian [28], fitur-fitur tekstur diperoleh dari fungsi histogram serta matrik

GLCM sebagai masukan sistem pengklasifikasi yaitu antara lain : mean, entropy, standar deviasi, variance,

correlation, energy, serta homogeneity.

3.4. Klasifikasi dengan SVM Setelah mendapatkan nilai tekstur GLCM, hasil dari nilai tekstur tersebut kemudian diklasifikasikan

menggunakan Super Vector Machine (SVM). Pengklasifikasian SVM diolah menggunakan Matlab.

Pengklasifikasian SVM menggunakan Cross Validation untuk penentuan data Testing dan data Training.

Pendekatan umum yang digunakan untuk pembangunan model klasifikasi adalah sebagai berikut :

Induction

Gambar 3.3. Pendekatan Umum untuk Pembangunan Model Klasifikasi SVM

Tahap Pendekatan umum untuk penyelesaian masalah klasifikasi. Pertama, Data Training berisi

record yang mempunyai label kelas yang diketahui haruslah tersedia. Data Training digunakan untuk

membangun model klasifikasi, yang kemudian diaplikasikan ke Data Testing yang berisi record-record

dengan label kelas yang tidak diketahui. Penerapan SVM diharapkan dapat lebih meningkatkan akurasi

Data

Training

Data Testing

Learning Algoritma

Learn Model SVM Model SVM

Apply Model SVM



dan ketahanan pengenalan plat kendaraan ganjil genap. Sehingga diharapkan keakuratan dari pengenalan

plat kendaraan dapat lebih dari 97,41%.

3.5. Evaluasi dan Validasi Hasil

Mean Square Error (MSE) dan Confusion Matrix digunakan untuk menghitung tingkat akurasi yang

dihasilkan dari proposed method. Dan kemudian hasil dari akurasi tersebut, dievaluasi dengan cara

membandingkan tingkat akurasi yang dihasilkan oleh beberapa metode segmentasi karakter lainnya.

4. HASIL DAN PEMBAHASAN

4.1. Data Plat Nomor Kendaraan Penelitian ini menggunakan data gambar plat kendaraan yang bersumber dari hasil penelitian terkait

(Erwin Dwika Putra, 2012), data tersebut berupa gambar kendaraan yang diambil dari dua sisi, sisi depan

kendaraan dan/atau dari belakang kendaraan yang memuat area plat nomor kendaraan. Data berupa

gambar kendaraan jenis roda 4 (mobil). Hasil Gambar kendaraan tersebut kemudian dilakukan proses

pemotongan (cropping) sehingga menghasilkan gambar plat kendaraan. Plat hasil cropping tersebut

kemudian dinormalisasi menggunakan aplikasi Multiple Image Resizer.Net untuk menyamakan ukuran

semua plat menjadi 237 x 82.

Hasil gambar yang didapat dari proses pengumpulan data tidak semuanya memiliki kualitas yang baik.

Sehingga sangat memungkinkan ditemukan noise. Noise tersebut dapat mengurangi akurasi dalam

pengenalan karakter pada plat nomor kendaraan. Untuk mengatasi hal tersebut gambar plat nomor dengan

model warna RGB yang dinilai kompleks karena menggunakan tiga layer warna, yaitu Red, Green, dan

Blue terlebih dahulu di konversi dari warna RGB menjadi grayscale.

(a) (b)

Gambar 4.5.1Original image (a), Gray image (b)

Tahapan selanjutnya melakukan proses threshold menggunakan Metode Otsu. Metode ini adalah

metode yang paling populer di antara semua metode thresholding yang ada. Teknik Otsu ini

memaksimalkan kecocokan dari sebuah threshold sehingga dapat memisahkan objek dengan latar

belakangnya. Semua didapatkan dengan memilih nilai threshold yang memberikan pembagian kelas yang

terbaik untuk semua piksel yang ada di dalam image. Dasarnya adalah dengan menggunakan histogram

yang telah dinormalisasi, jumlah tiap poin pada setiap level dibagi dengan jumlah total poin pada image.

Untuk memperoleh hasil threshold yang baik guna mempermudah proses segmentasi, dalam penelitian

ini selain menggunakan Metode Otsu juga menambahkan fungsi gaussian sehingga dapat memperjelas

karakter pada plat nomor kendaraan dan memudahkan proses segmentasi. Pembaharuan pada metode otsu



menggunakan fungsi gaussian dilakukan dengan menggunakan nilai threshold yang dihasilkan oleh

metode otsu, dan nilai x pada fungsi gaussian untuk menginputkan nilai-nilai yang ditentukan. Penentuan

nilai x berdasarkan nilai threshold yang dihasilkan oleh original otsu. Nilai x pada fungsi gaussian

ditentukan untuk mendapatkan nilai threshold sehingga dapat meningkat nilai threshold sebelumnya. Hal

ini dilakukan dengan tujuan untuk mendapatkan kondisi warna hitam lebih dominan dan warna putih

sedikit berkurang dari setiap pikselnya. Pada penelitian tersebut ditemukan pula apabila nilai x pada fungsi

gaussian di atas 0,5 maka nilai threshold yang didapatkan akan lebih rendah dari threshold original metode

otsu, sehingga akan mendapatkan kondisi warna putih lebih dominan dan warna hitam semakin berkurang

dan menyebabkan terdapat banyaknya gangguan pada gambar plat nomor kendaraan. Gambar hasil

threshold Otsu dan Otsu + Gaussian dapat dilihat pada gambar 4.2 berikut :

(a) (b)

Gambar54.2. Hasil (a)Threshold Otsu, (b)Threshold Otsu Gaussian

Dari hasil threshold tersebut kemudian dilakukan perbandingan antara nilai threshold Otsu dan Otsu-

Gaussian seperti yang tertuang dalam tabel 4.2 berikut.

Tabel54.1.Perbandingan Nilai Threshold Otsu Gaussian

No Nomor Plat Otsu Otsu-Gaussian

1 BD 7046 AY 0,517647059 0,701820283

2 BD 1377 LV 0,4 0,675144187

3 BD 1949 AK 0,580392157 0,72334723

4 BD 9211 AB 0,474509804 0,664978441

5 BD 1781 AI 0,309803922 0,672201467

6 D 1882 LP 0,560784314 0,645881805

7 BD 1877 AH 0,560784314 0,731406203

8 BD 1 FA 0,423529412 0,63832299

9 BD 1704 AY 0,549019608 0,723131884

10 BG 1403 LH 0,454901961 0,655789202

4.2. Segmentasi dengan Varians Projection Dalam segmentasi karakter setiap karakter dari plat akan dibagi menjadi tiap-tiap bagian. Metode yang

digunakan akan memotong area plat nomor kendaraan secara vertikal dan horisontal melalui penerapan



Vertical Horizontal Projection (Varians projection). Varians projection merupakan salah satu teknik

untuk segmentasi karakter pada citra baik OCR maupun citra hasil buatan sendiri menggunakan komputer.

Teknik ini sederhana dan masih menjadi pilihan. Segmentasi wajib dilakukan ketika kita ingin mendeteksi

karakter (huruf/angka) pada citra, karena algoritma yang akan digunakan untuk ekstraksi ciri dan

pengenalan karakter hanya bisa mengolah per-karakter saja. Segmentasi bisa dilakukan sebelum atau

sesudah pre-processing pada keseluruhan citra. Varians Projection terdiri atas 2 bagian yakni horisontal

dan vertikal. Berikut adalah gambar hasil pemotongan secara vertikal :

Gambar54.3. Segmentasi Plat Nomor Kendaraan Secara Vertikal

Gambar54.4. Grafik / Plot Segmentasi Plat Nomor Kendaraan Secara Vertikal

Setelah proses segmentasi secara vertikal maka dilanjutkan dengan proses segmentasi secara

horisontal, seperti yang terlihat pada gambar 4.5 berikut

Gambar54.5. Segmentasi Plat Nomor Kendaraan Secara Horisontal

Gambar54.6. Grafik/Plot Segmentasi Plat Nomor Kendaraan Secara Horisontal

Dari gambar di atas dilihat adanya garis-garis naik-turun layaknya histogram (tapi tidak diskret) pada

garis koordinat x dan y. Pada dasarnya teknik bekerja dengan cara yang sangat sederhana, hanya dengan

menjumlahkan nilai intensitas citra yang terlebih dulu telah dinormalisasi (dijadikan biner) baik pada tiap

baris (untuk vertikal) dan tiap kolom (untuk horisontal). Lalu yang menjadi pemisahnya adalah adanya

lembah untuk tiap bentuk isyarat. Nah, lembah itu sebenarnya adalah spasi hitam yang memisahkan tiap

karakter.

Untuk memotong/memisahkan tiap-tiap karakter menggunakan projeksi vertikal dan horisontal adalah

dengan menentukan projeksi vertikalnya untuk memisahkan baris-baris yang mengandung karakterdalam

citra. Lalu dilanjutkan dengan memotong tiap baris tersebut berdasarkan titik terendah dan tertinggi dari

tiap projeksivertikal (koordinatnya). Untuk tiap baris hasil pemotongan projeksi vertikal, tiap karakter

dipotong denganmenggunakan koordinat dari tiap projeksi horisontal. Hal ini dilakukan dengan mencari



jumlah projeksi vertikal dan horisontal yang tidak nol tetapi koordinatnya tepat berada sebelum atau

sesudah nol. Karena nilai nol dianggap adalah spasi atau pemisah karakter maupun baris.

Vertical Horizontal projection melakukan segmentasi tiap karakter sehingga menghasilkan output satu

angka terakhir dari plat nomor kendaraan. Hasil segmentasi dengan bantuan threshold otsu gaussian

menghasilkan output yang lebih baik dari original otsu.

Sebelum dilakukan recognition dengan menggunakan SVM, maka dilakukan terlebih dahulu

normalisasi. Hasil dari segmentasi karakter, adakalanya ukuran dimensinya berbeda-beda. Oleh sebab itu

normalisasi perlu dilakukan, sehingga ukuran dimensi citra menjadi sama dan akan memudahkan dalam

memperoleh nilai tekstur. GLCM (Gray Level Co-occurrence Matrices) adalah metode analisa tekstur

yang digunakan Untuk memperoleh nilai tekstur pada nomor plat kendaraan. Terdapat 5ciri tekstur utama

GLCM yang digunakan sebagai dasar pencirian yaitu Contrast, Correlation, Energy,Entropy dan

Homogenity.

Tabel54.2. Tabel Nilai Tekstur GLCM Otsu-Gaussian untuk Perhitungan Klasifikasi SVM

Nomor Plat Contrast Correlation Energy Entropy Homogenity Recognition

BD 7046 AY 5,94E+15 7,28E+14 2,39E+14 2,20E+15 7,76E+14 Genap

BD 1377 LV 4,55E+15 5,72E+14 5,46E+14 1,46E+15 8,37E+14 Ganjil

BD 1949 AK 7,20E+15 6,58E+14 2,61E+14 2,09E+15 7,72E+14 Ganjil

BD 9211 AB 2,97E+15 6,42E+14 6,46E+14 1,05E+15 9,08E+14 Ganjil

BD 1781 AI 1,13E+15 5,79E+14 8,09E+14 6,74E+14 9,41E+14 Ganjil

D 1882 LP 5,40E+15 6,89E+14 3,66E+14 1,90E+15 7,97E+14 Genap

BD 1877 AH 4,28E+15 7,31E+14 4,41E+14 1,67E+15 8,36E+14 Ganjil

BD 1 FA 2,69E+15 6,59E+14 6,81E+14 9,56E+14 9,18E+14 Ganjil

BD 1704 AY 4,89E+15 6,50E+14 5,02E+14 1,46E+15 8,48E+14 Genap

BG 1403 LH 5,27E+15 4,04E+14 5,30E+14 1,56E+15 8,14E+14 Ganjil

4.3. Klasifikasi dengan SVM Dataset nilai tekstur GLCMdengan nama “Kenal Ganjil Genap.xlsx” di-import ke Script Matlab. Data

tersebut terdiri dari 30 record dan 8 atribut. Dengan jumlahRecord/data dan kelas dipisahkan, record

ditampung pada sebuah variabel, yaitu „data‟ dengan memanfaatkan fungsi xlsread() pada Matlab.

Sedangkan kelas ditampung pada sebuah variabel array, yaitu „kelas‟ dengan memanfaatkan fungsi yang

sama. Karena kelas bertipe data nominal, maka diubah ke numerik dengan memanfaatkan fungsi grp2idx()

pada Matlab. Fungsi ini memiliki output yang berisi setiap kelas dari setiap data yang diubah ke numerik.

Konversi tipe data tersebut mengikuti format yang ditunjukkan pada Tabel 4.4.

Tabel54.3. Format Konversi Tipe Data

Nominal Numerik

Genap 1

Ganjil 2

Selanjutnya, komposisi antara data latih dan data uji menggunakan teknik „holdOut‟ dengan

memanfaatkan fungsi crossvalind() pada Matlab. Outputnya terdiri dari dua, yang satu berisi index kelas

untuk data latih, sedangkan yang satunya lagi berisi index kelas untuk data uji.

Fungsi Kernel digunakan pada SVM karena data yang ada tidak dapat dipisahkan secara linear dan

merupakan high dimensional. Kernel memetakan tiap data pada input space ke ruang vektor baru (feature

space) yang berdimensi lebih tinggi sehingga memungkinkan untuk menerapkan SVM secara langsung.

Eksperimen pada penelitian ini menggunakan fungsi Kernel „polynomial‟ dengan „polyorder‟ = 3



(default value) yang ditempatkan pada parameter pelatihan SVM. Untuk mendapatkan hasil prediksi

pengujian dapat menggunakan fungsisvmclassify pada Matlab dengan menggunakan code :

predikUji = svmclassify(svmModel, data(ujiIdx,:));

4.4. Evaluasi dan Validasi Hasil

4.4.1 Mean Square Error (MSE) MSE dilakukan untuk mengukur kinerja prosedur perbaikan hasil segmentasi karakter pada plat nomor

kendaraan, di mana pengukuran ini dapat mencari nilai untuk membandingkan hasil perbaikan gambar

dengan gambar target/hasil yang ingin dicapai. Tabel 4.5 menunjukkan hasil perbandingan nilai

segmentasi dengan menggunakan data original, Otsu dan Otsu Gaussian.

Tabel54.4. Nilai MSE Hasil Segmentasi Karakter

Original –OtsuGaussian Original-Otsu

Otsu-Otsu

Gaussain

9340,591 12913,78 21970,28

7318,667 5220,957 5563,387

14051,48 9122,771 8508,217

12543,62 9655,182 6431,041

6520,086 6107,091 2159,097

7674,845 7750,02 4524,357

10219,3 21716,59 13886,1

10157,14 6839,842 5964,107

13394,31 17021,07 13215,47

10660,17 9621,612 7086,853

4.4.2 Confusion Matrix Untuk mengukur kinerja dari klasifikasi SVM, digunakan teknik confusion matrix menggunakan tool

Matlab dengan memanfaatkan fungsi confusionmat(group,grouphat)

cmat = confusionmat(g(ujiIdx),predikUji);

dari fungsi di atas menghasilkan nilai akurasi dan error rate-nya. Selain itu, nilai kompleksitas komputasi

terhadap waktu disajikan pula dengan memanfaatkan fungsi tic and toc pada Matlab. Tabel 4.6

menunjukkan evaluasi model pada dataset data uji menggunakan 8 fitur GLCM.

Tabel54.5. Nilai Data Uji Default Sebanyak 50%

Kelas 1 2

1 5 1

2 0 9

Jumlah Data Test 15.00

Hasil Benar 14.00

Hasil Salah 1.00

Training & Testing Time (Seconds) 0.8750

Akurasi 93,33%

Laju Error 6,67%



Tabel54.6. Nilai Data Uji Sebanyak 40%

Kelas 1 2

1 4 0

2 1 6

Jumlah Data Test 11.00

Hasil Benar 10.00

Hasil Salah 1.00

Training & Testing Time (Seconds) 0.7917

Akurasi 90.91%

Laju Error 9.09%

Sebagai pembanding penelitian ini melakukan reduksi dimensi, dengan mengurangi jumlah fitur pada

GLCM menjadi 7 dan 5 fitur.

Hasil segmentasi Varians Peojection dengan bantuan threshold Otsu + Gaussian dapat menghasilkan

output yang baik seperti yang terlihat pada tabel 4.10 berikut.

Tabel54.72. Perbandingan Hasil Segmentasi Varians Peojection Menggunakan Metode Otsu dan Otsu +

Gaussian

OTSU OTSU + GAUSSIAN

Hasil pengenalan plat nomor ganjil genap menggunakan SVM menunjukkan bahwa:

a. Pemilihan fungsi Kernel yang lebih tepat, karena fungsi Kernel ini akan menentukan feature space di

mana fungsi classifier (hyperplane) akan dicari. Salah satu cara yang bisa diterapkan adalah dengan

menggunakan metode cross validation



b. Model yang dihasilkan dari dataset asli lebih akurat dibandingkan dari dataset yang direduksi

dimensinya.

Tabel54.13.8Perbandingan akurasi dataset asli dan reduksi dimensi

Jumlah Data Uji 8 fitur 7 fitur 5 fitur

50% 93,33% 86.67% 80.00%

40% 90,91% 90.91% 81.82%

5. PENUTUP

5.1. Kesimpulan a. Perpaduan antara threshold Otsu dan fungsi gaussian sangat membantu dalam proses segmentasi

karakter menggunakan varians projection sehingga mencapai nilai MSE 2.83E+05 sedangkan

pengurangan gangguan noise pada penelitian terdahulu yang menggunakan pendekatan metode otsu

dan metode bernsen menunjukkan tingkat akurasi maksimal 97,41%.

b. Kelebihan dari metode varians projection adalah kemampuannya untuk mendeteksi ruang antar baris

dan kolom pada karakter sehingga kita bisa memisahkan karakter tersebut bahkan bila ukuran masing-

masing karakter baik pada baris dan kolom berbeda maka teknik ini masih bisa diandalkan.

c. Pengklasifikasian SVM sangat cocok digunakan untuk pengenalan plat nomor ganjil dan genap karna

hanya terdapat 2 kelas

d. SVM baik digunakan untuk klasifikasi plat nomor ganjil dan genap dengan harapan memperoleh nilai

akurasi yang baik.Hasil akurasi klasifikasi SVM dengan menggunakan confusion matriks untuk

pengujian menghasilkan tingkat akurasi sebagai berikut :

1) GLCM 8 fitur menghasilkan nilai akurasi 93,33% untuk jumlah data uji default 50%, dan akurasi

90,91% untuk jumlah data 40%


90,91% untuk jumlah data uji 40%.


81,82% untuk jumlah data uji 40%.

e. Reduksi dimensi mempengaruhi hasil akurasi pengenalan plat nomor kendaraan ganjil genap semakin

banyak fitur semakin tinggi nilai akurasi.

f. Selain perbaikan hasil segmentasi karakter, kontribusi lain dari penelitian ini adalah ditemukannya

metode pengenalan plat nomor kendaraan ganjil genap yang lebih akurat.

5.2 Saran

a. Untuk penelitian selanjutnya, perlu diketahui bahwa varians projection baik untuk karakter yang

saling terpisah, namun bila ada karakter yang terhubung, maka teknik ini bisa digunakan dengan

sedikit tambahan algoritma lain.

b. Untuk pengembangan penelitian selanjutnya, sebaiknya mencari solusiperbaikan untuk segmentasi

angka “1”agar dapat tersegmentasi sama seperti karakter yang lainnya.

PERNYATAAN ORIGINALITAS

“Saya menyatakan dan bertanggung jawab dengan sebenarnya bahwa Artikel ini adalah hasil karya saya

sendiri kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya” ANNAHL

RIADI-P31.2011.01147

DAFTAR PUSTAKA

[1] “http://www.tempo.co/read/news/2012/12/11/083447291,” p. 2013, 2013.



[2] “http://jakarta.okezone.com/read/2012/12/26/500/737463/aturan-plat-ganjil-genap-langkah-

radikal-jokowi,” p. 737463, 2012.

[3] Y. Wen et al., “An Algorithm for License Plate Recognition Applied to Intelligent Transportation

System,” vol. 12, no. 3, pp. 830-845, 2011.

[4] P. Anishiya and P. S. M. Joans, “Number Plate Recognition for Indian Cars Using Morphological

Dilation and Erosion with the Aid Of Ocrs,” vol. 4, pp. 115-119, 2011.

[5] H. Guanglin and G. Yali, “A Simple and Fast Method of Recognizing License Plate Number,”

2010 International Forum on Information Technology and Applications, pp. 23-26, Jul. 2010.

[6] S. Saha, S. Basu, and M. Nasipuri, “Automatic Localization and Recognition of License Plate

Characters for Indian Vehicles,” no. 4, pp. 520-533, 2011.

[7] H. Xia and D. Liao, “The study of license plate character segmentation algorithm based on vetical

projection,” 2011 International Conference on Consumer Electronics, Communications and

Networks (CECNet), pp. 4583-4586, Apr. 2011.

[8] S. Du, M. Ibrahim, M. Shehata, and S. Member, “Automatic License Plate Recognition ( ALPR ):

A State-of-the-Art Review,” vol. 23, no. 2, 2013.

[9] J. Quan, S. Quan, Y. Shi, and Z. Xue, “A Fast License Plate Segmentation and Recognition

Method Based on the Modified Template Matching,” 2009 2nd International Congress on Image

and Signal Processing, pp. 1-6, Oct. 2009.

[10] X. Li, F. Ling, X. Lv, Y. Li, and J. XU, “Research on character segmentation in license plate

recognition,” pp. 345-348, 2010.

[11] Y. Ma, J. Chi, R. Hu, and G. Yang, “A new algorithm for characters segmentation of license plate

based on variance projection and mean filter,” 2011 IEEE 5th International Conference on

Cybernetics and Intelligent Systems (CIS), pp. 132-135, Sep. 2011.

[12] Y. Wen et al., “An Algorithm for License Plate Recognition Applied to Intelligent Transportation

System,” vol. 12, no. 3, pp. 830-845, 2011.

[13] Y. Ma, J. Chi, R. Hu, and G. Yang, “A new algorithm for characters segmentation of license plate

based on variance projection and mean filter,” 2011 IEEE 5th International Conference on

Cybernetics and Intelligent Systems (CIS), pp. 132-135, Sep. 2011.

[14] N. F. Gazcón, C. I. Chesñevar, and S. M. Castro, “Automatic vehicle identification for Argentinean

license plates using intelligent template matching,” Pattern Recognition Letters, vol. 33, no. 9, pp.

1066-1074, Jul. 2012.

[15] M. I. Khalil, “Car Plate Recognition Using the Template Matching Method,” vol. 2, no. 5, pp. 3-7,

2010.

[16] J. Yan, J. Li, and X. Gao, “Chinese text location under complex background using Gabor filter and

SVM,” Neurocomputing, vol. 74, no. 17, pp. 2998-3008, Oct. 2011.

[17] C.-W. H. and C.-J. Lin, “Machines, A Comparison of Methods for Multi-class Support Vector,”

2012.

[18] X. He, Z. Wang, C. Jin, Y. Zheng, and X. Xue, “A simplified multi-class support vector machine

with reduced dual optimization,” Pattern Recognition Letters, vol. 33, no. 1, pp. 71-82, 2012.

[19] E. Dwika Putra, “PENINGKATAN SEGMENTASI PADA INDENTIFIKASI PLAT NOMOR

KENDARAAN INDONESIA MENGGUNAKAN METODE OTSU DENGAN GAUSSIAN,”

2012.

[20] S. Qiao, Y. Zhu, X. Li, T. Liu, B. Zhang, and F. Mechanics, “Research on improving the accuracy

of license plate character segmentatio,” pp. 489-493, 2010.

[21] H. Guo, “A Simple Algorithm for Fitting a Gaussian Function [DSP Tips and Tricks],” vol. 28, no.

5, p. 2011, 2011.

[22] C.-L. Huang and C.-J. Wang, “A GA-based feature selection and parameters optimizationfor

support vector machines,” Expert Systems with Applications, vol. 31, no. 2, pp. 231-240, Aug.

2006.



[23] Q. Wu, “The hybrid forecasting model based on chaotic mapping, genetic algorithm and support

vector machine,” Expert Systems with Applications, vol. 37, no. 2, pp. 1776-1783, Mar. 2010.

[24] W. Chen, C. Ma, and L. Ma, “Mining the customer credit using hybrid support vector machine

technique,” Expert Systems with Applications, vol. 36, no. 4, pp. 7611-7616, May 2009.

[25] A. S. Nugroho, “SUPPORT VECTOR MACHINE : PARADIGMA BARU DALAM,” pp. 92-99,

2008.

[26] O. D. W. M. K. Sutoyo S.Si M.Kom, T, Mulyanto S.Si M.Kom, Edy, Suhartono, Dr Vincent,

Nurhayati MT, “Teori Pengolahan Citra Digital. Andi Yogyakarta dan Udinus Semarang,” vol.

113, p. 2009, 2009.

[27] E. Kulak, “Analysis of Textural Image Features for Content-Based Retrieval,” p. 2002, 2002.

[28] C. V. Angkoso, I. Nurtanio, I. K. E. Purnama, H. Purnomo, and M. B. Othmen, “Analisa Tekstur

Untuk Membedakan Kista Dan Tumor Pada Citra Panoramik Rahang Gigi Manusia,” pp. 0-4,

2011.

vol 10.2 168-185

Documents