Pengumpulan Data
Penelitian ini menggunakan data berupa citra. Citra diambil dari pemotretan 100 unit, sehingga dihasilkan 100 buah citra plat yang unik. Pemotretan dilakukan di halaman parkir kampus IPB Baranang Siang Bogor. Dari 100 buah citra kemudian diambil potongan karakter. Setiap karakter diambil secara unik dan acak sebanyak 50 buah. Karakter sendiri dapat berupa angka (0–9) dan huruf (A–
Z) jika dijumlahkan menjadi 36 karakter sehingga karakter yang digunakan dalam penelitian ini adalah 1 800 karakter yang nantinya akan digunakan sebagai data latih dan data uji. Selain itu citra plat nomor yang ada dapat digunakan sebagai data uji plat. Contoh data karakter yang telah dipotong dapat dilihat pada Gambar 13.
Gambar 13 Contoh data karakter
Praproses Citra
Citra yang telah didapatkan dari hasil pemotretan tidak selalu memiliki kualitas baik terkadang mengandung noise, hal ini dapat menyulitkan dalam proses deteksi citra sehingga dapat berpegaruh pada akurasi. Selain itu terdapat informasi yang tidak dibutuhkan dari citra yang dapat memperlambat proses pendeteksian. Oleh karena itu, perlu adanya proses yang harus dilakukan sehingga citra yang didapatkan memiliki kualitas yang baik untuk diproses lebih lanjut.
Awalnya citra yang didapat dengan model RGB. Model warna ini terlalu kompleks karena terdiri dari tiga layer, yaitu: red, green, dan blue. Untuk mempermudah dalam proses pendeteksian model tersebut dikonversi menjadi
18
model warna grayscale. Konversi model dilakukan dengan cara menghilangkan informasi hue dan saturation dan mempertahankan informasi luminance.
Tahapan selanjutnya adalah menghilangkan noise pada citra dengan menggunakan metode median filter. Metode ini sering digunakan untuk menghilang noise berupa salt & pepper. Salt & pepper dapat dilihat seperti bintik putih atau hitam yang terdapat pada pixel gambar. Median filter yang digunakan adalah dua dimensi dengan batas matriks 3×3. Cara kerja median filter adalah membaca nilai pixel yang akan diproses beserta pixel-pixel tetangganya, urutkan nilai-nilai pixel dari yang paling kecil hingga yang paling besar, dan pilih nilai pada bagian tengah untuk nilai yang baru bagi pixel (x,y). Banyaknya pixel yang dibandingkan tergantung dari batas matriks yang ditentukan. Ilustrasi praproses citra dapat dilihat pada Gambar 14.
Gambar 14 Gambar hasil praproses citra
Deteksi Tepi
Proses deteksi tepi yang dilakukan menggunakan metode deteksi tepiCanny dengan threshold 0.5. Nilai ini digunakan karena mendeteksi tepi secara benar sehingga menghasilkan deteksi tepi pada plat dengan hasil yang baik. Nilai threshold mempengaruhi seberapa dalam deteksi tepi yang akan dilakukan. Hal ini merupakan salah satu kelebihan metode ini. Pada proses ini dapat menghasilkan citra biner yang merepresentasikan garis tepi dari setiap objek pada citra. Garis tepi ini yang digunakan untuk memisahkan karakter yang diperlukan dengan objek lainnya. Hal ini dapat mempercepat pengolahan citra agar lebih efisien. Citra hasil deteksi tepi menggunakan metode deteksi tepi Canny pada plat dapat dilihat pada Gambar 15.
Gambar 15 Hasil deteksi tepi dengan metode deteksi tepi Canny
19 Segmentasi Citra
Pada proses ini dilakukan segmentasi citra untuk memisahkan informasi yang akan diproses pada tahap selanjutnya. Informasi yang dimaksud adalah pixel-pixel pada karakter angka dan huruf. Informasi yang didapat akan dipisahkan antara pixel yang mewakili huruf, karakter atau bukan keduanya.
Tahapan yang harus dilakukan adalah melakukan labelling dengan cara mengelompokan pixel yang terhubung langsung dan memperhatikan 8 pixel tetangganya. Setiap pixel yang terhubung akan dikelompokan dan diberi label. Sehingga dapat diketahui panjang dan lebar area untuk setiap label. Variabel tersebut akan dijadikan parameter untuk menentukan pixel yang mewakili huruf dan angka. Panjang dan lebar area label dapat diukur sebagai berikut: jika 105 pixel < P < 140 pixel dan 20 pixel < L < 100 pixel maka label merupakan karakter selainnya bukan karakter.
Label yang memenuhi syarat akan dianggap huruf atau angka. Pada beberapa kasus label yang harusnya menjadi satu karakter tetapi komputer tidak membaca label tersebut sebagai karakter yang utuh, misalnya angka 0 (nol) yang diwakili oleh dua buah elips yang berukuran besar dan didalamnya elips yang berukuran lebih kecil. Karena algoritma labelling mengecek pixel yang saling berhubungan. Sedangkan angka 0 terdiri dari dua buah elips yang terpisah dan memiliki jarak sehingga menjadi dua buah label yang berbeda. Untuk lebih jelasnya dapat dilihat pada Gambar 16.
Gambar 16 Labelling pada angka nol
Kondisi ini berlaku untuk setiap angka ataupun huruf yang memiliki kondisi seperti angka 0. Untuk mengatasi kondisi seperti ini, maka akan dilakukan pengecekan pada setiap label. Jika salah satu label berada pada area label lainya, maka label tersebut dianggap satu. Pada tahap ini sudah terkumpul label-label yang mewakili karakter pada suatu plat dapat dilihat pada Gambar 17.
Gambar 17 Proses segmentasi pada plat
Normalisasi Citra
Pada hasil segmentasi sebelumnya telah didapatkan karakter-karakter yang telah terpotong dari suatu plat, didapatkan ukuran area yang berbeda pada setiap karakter. Hal ini dapat mempersulit dalam proses ekstraksi ciri. Oleh karena itu, ukuran area setiap karakter akan dilakukan normalisasi menjadi 150×150 pixel. Setiap karakter akan dirubah menjadi ukuran tersebut walaupun hal ini
20
menyebabkan bentuk karakter akan menjadi tidak proporsional. Normalisasi sendiri dilakukan untuk semua karakter yang ada dan tidak akan mempengaruhi informasi yang diperlukan pada proses ekstraksi ciri. Untuk lebih jelasnya bentuk normalisasi dapat dilihat pada Gambar 18.
Gambar 18 Normalisasi pada karakter
Ekstraksi Ciri
Dalam penelitian ini ekstraksi ciri yan digunakan adalah image centroid and zone (ICZ). Tahapan pertama dalam ekstraksi ciri yang harus dilakukan adalah mencari nilai centroid dari setiap karakter yang telah melewati proses segmentasi. Centroid pada setiap karakter tidak selalu sama, hal ini dikarenakan jumlah pixel yang berbeda pada setiap karakter. Selanjutnya karakter akan dibagi menjadi n zona bagian yang sama. Nilai n pada penelitian ini 25 karena pada zona ini menghasilkan akurasi terbaik dari beberapa zona, yaitu: 5, 10, 14, 15, 20, dan 25. Pembagian zona dengan kelipatan 5 untuk mempermudah dalam melakukan pengujian. Pada setiap pembagian zona, jumlah baris selalu lebih banyak daripada jumlah kolom atau jumlah baris sama dengan jumlah kolom. Setiap citra akan dibagi kedalam jumlah zona yang sama. Ilustrasi dari jumlah zona untuk n yang digunakan dapat dilihat pada Gambar 19.
5 Zona 10 Zona 14 Zona
15 Zona 20 Zona 25 Zona
Gambar 19 Ilustrasi pembagian zona pada ekstraksi fitur
Tahapan berikutnya yang harus dilakukan adalah menghitung jarak antara centroid pada citra dengan masing-masing pixel yang berwarna putih (bernilai 1) yang berada pada zona yang telah dipilih dengan menggunakan jarak Euclidean dan dihitung jarak rata-rata pada setiap zona. Nilai rata-rata ini adalah ciri yang merepresentasikan bentuk dari setiap karakter. Setelah dilakukan pada semua karakter, nilai rata-rata yang didapat berbeda pada setiap karakter sehingga menghasilkan pola yang berbeda pula. Pola dapat dijadikan pertimbangan pada proses klasifikasi. Setiap pola merepresentasikan ekstraksi ciri pada setiap karakter. Pada penelitian ini dicari zona yang efisien karena akan berpengaruh pada proses pendeteksian plat nomor.
21 Gambar 20 merupakan pola ekstraksi fitur 25 zona pada huruf P dengan menggunakan 50 citra. Pada Gambar 20 dapat dilihat bahwa tidak semua karakter P memiliki pola yang sama, tetapi pola yang terbentuk memiliki kemiripan pada karakter yang sama. Hal ini terjadi akibat metode ICZ menghitung nilai rata-rata jarak pada setiap zona berdasarkan hasil praproses yang dilakukan pada citra. Hasil praproses pada citra tidak selalu merepresentasikan bentuk aslinya dengan baik sehingga berpengaruh pada proses ekstraksi fitur dan akibat ini pola yag terbentuk tidak semua sama untuk suatu karakter. Pada Gambar 20 pola untuk ekstraksi fitur pada huruf P dan Gambar 21 pola untuk ekstraksi fitur pada huruf I. Pada Gambar 20 terlihat pola yang dihasilkan lebih baik dan hampir semua huruf P memiliki pola yang sama sedangkan pada Gambar 21 dapat dilihat pola yang dihasilkan oleh huruf I kurang baik sehingga pola yang dihasilkan untuk huruf I memiliki bentuk yang beragam. Hal ini pun berpengaruh pada akurasi yang dihasilkan oleh masing karakter dengan pengujian 50 citra untuk masing-masing karakter. Pada karakter P menghasilkan akurasi 100 % sedangkan pada huruf I menghasilkan akurasi 86 %.
Gambar 22 (kanan) adalah hasil dari praproses citra yang kurang baik dan Gambar 22 (kiri) merupakan hasil dari praproses citra yang baik.
Gambar 20 Pola ekstraksi fitur pada huruf P
Gambar 21 Pola ekstraksi fitur pada huruf I
Gambar 22 Hasil dari citra dengan praproses yang tidak baik (kanan) dan praproses yang baik (kiri)
Jika semakin mirip pola pada 50 karakter yang sama maka akan memperkuat ciri dari karakter tersebut sehingga dapat mempermudah dalam proses pendeteksian plat karena karakter tersebut mudah dikenali. Proses pembagian zona berpengaruh pada banyaknya pixel yang dihitung pada masing-masing zona. Semakin sedikit zona dibagi maka jumlah pixel pada setiap zona akan semakin banyak. Oleh karena itu, pembagian zona dan jumlah pixel berbanding terbalik.
22
Klasifikasi Citra
Pada tahap ini dilakukan proses pembagian data latih dan data uji pada semua citra karakter karena akan dilakukan proses pelatihan dan pengujian. Jumlah karakter yang digunakan adalah 36 karakter yang terdiri dari angka dan huruf dan masing-masing karakter terdiri dari 50 citra sehingga jumlah seluruh citra adalah 1800 citra. Pembagian jumlah data latih adalah 40 citra dan data uji adalah 10 citra untuk masing-masing karakter.
Metode yang digunakan dalam menentukan data uji dan data latih menggunakan k-fold cross validation dengn k yang bernilai 5. Sehingga didapat 5 subset atau variasi pada data latih dan data uji. Pemilihan subset ini berdasarkan persentase data yang diinginkan, yaitu: 80% untuk data latih dan 20% untuk data uji. Matriks yang terbentuk untuk data latih adalah n×1 440 dan data uji n×360. Huruf n mewakili jumlah zona yang telah ditentukan pada tahap ekstraksi ciri, 1 440 adalah banyaknya sampel karakter data latih, dan 360 banyaknya sampel karakter data uji. Jumlah kelas dari penelitian ini adalah 36 kelas sesuai dengan jumlah karakter yang digunakan.
Klasifikasi yang digunakan adalah suport vector machine (SVM) dengan 3 kernel, yaitu:
1 Kernel linear
2 Kernel polynomial dengan d ( 2 dan 3 )
3 Kernel radian basis function (RBF) dengan σ( 25, 26 , 27 dan 28 )
Pengujian Per Karakter
Setelah proses ekstraksi fitur, dilakukan pengujian dan pelatihan dengan menggunakan klasifikasi SVM. SVM hanya dapat melakukan klasifikasi dua kelas. Oleh karena itu, kita harus memodifikasi fungsi SVM agar dapat melakukan klasifikasi untuk banyak kelas, fungsi yang digunakan adalah multi class SVM dengan metode one against all. Pada teknik ini dapat dibuat SVM sebanyak kelas yang ada yaitu 36 buah. Setiap SVM mewakili setiap kelas, contoh SVM 1
mewakili kelas “nol” sehingga SVM ini hanya dapat mengenali citra karakter “nol” dan “bukan nol”.
Pemodelan SVM dibangun dengan 3 fungsi kernel, yaitu: kernel linear (polynomial berderajat 1), kernel polynomial berderajat 2 dan 3, kernel RBF. Pengujian yang dilakukan menghasilkan nilai akurasi yang berbeda-beda. Nilai dari pengujian dapat dilihat pada Tabel 3.
Pada Tabel 3 hasil pengujian yang didapat terlihat bahwa karakter diklasifikasi ke dalam kelas 1. Data termasuk kelas 1 yang dipengaruhi dari nilai output dan nilai pada SVM pada pengujian karakter. Kolom nilai merupakan nilai dari sama atau tidaknya tanda antara nilai pada SVM dengan nilai output. Tanda yang dimaksud merupakan nilai positif atau nilai negatif dari nilai SVM ataupun nilai output yang dihasilkan. Jika nilai pada SVM dan nilai output, keduanya bernilai positif atau negatif maka diberikan nilai 1 sedangkan jika nilai pada SVM ataupun nilai output salah satu memiliki nilai positif atau negatif maka diberikan nilai 0.
23 Pengujian dilakukan pada karakter untuk mengetahui sama atau tidaknya tanda antara nilai pada SVM pada proses pelatihan dengan nilai output. Nilai output merupakan hasil dari pengujian pada SVM. Pada proses pengujian adanya kesamaan tanda antara nilai pada SVM 1 dengan nilai output. SVM 1 merupakan SVM yang mewakili kelas 1. Oleh karena itu, nilai yang dihasilkan pada pengujian karakter adalah kelas 1 karena hanya ada satu SVM yang memiliki kesamaan tanda antara nilai SVM dengan nilai output, yaitu pada SVM 1 dengan nilai kepercayaan -2.0875 (nilai dari kelas 1 adalah negatif) sedangkan pada SVM 2 sampai SVM 36 (nilai dari kelas 2 sampai dengan kelas 36 adalah positif). Proses pengujian ini dilakukan pada semua data uji. Contoh beberapa data pada pengujian karakter dapat dilihat pada Lampiran 1.
Tabel 3 Nilai pengujian per karakter SVM Pengujian karakter
Nilai Nilai output
SVM 1 1 -2.0875 SVM 2 0 1.1624 SVM 3 0 1.6299 SVM 4 0 2.6652 SVM 5 0 1.5579 SVM 6 0 2.9345 SVM 7 0 1.843 SVM 8 0 2.378 SVM 9 0 4.3098 SVM 10 0 3.3222 SVM 11 0 1.5081 SVM 12 0 4.5627 SVM 13 0 1.4542 SVM 14 0 1.3526 SVM 15 0 1.1944 SVM 16 0 1.2595 SVM 17 0 1.2210 SVM 18 0 1.7155 SVM 19 0 1.5505 SVM Pengujian karakter Nilai Nilai output
SVM 20 0 1.1781 SVM 21 0 1.7909 SVM 22 0 1.0857 SVM 23 0 3.3249 SVM 24 0 4.4426 SVM 25 0 4.5684 SVM 26 0 1.3854 SVM 27 0 1.0721 SVM 28 0 5.6835 SVM 29 0 5.0028 SVM 30 0 3.2227 SVM 31 0 1.1236 SVM 32 0 1.5488 SVM 33 0 4.3652 SVM 34 0 1.6746 SVM 35 0 1.4803 SVM 36 0 1.2192 Hasil Kelas 1 Kernel Linear
Hasil akurasi dengan menggunakan kernel linear menggunakan nilai C sama dengan 2-4, 2-3, 2-2, 2-1, 20, 21, dan 22 menghasilkan akurasi yang dapat dilihat pada Tabel 4. Nilai C sama dengan 23 dan 24 tidak digunakan karena pada nilai C ini tidak menemukan fungsi pemisah atau hyperplane. Akurasi yang dihasilkan pada kernel linear akan naik sesuai dengan nilai C yang semakin tinggi. Kernel linear merupakan polynomial dengan d sama dengan 1.
24
Tabel 4 Akurasi pada kernel linear
k-fold Linear C=0.0625 C=0.125 C=0.25 C=0.5 C=1 C=2 C=4 1 89.72% 90.56% 91.94% 92.78% 91.94% 91.94% 91.67% 2 88.61% 89.72% 89.72% 89.72% 88.61% 88.89% 88.89% 3 83.89% 84.72% 86.39% 85.00% 86.67% 87.50% 86.94% 4 80.00% 83.06% 84.44% 86.39% 86.11% 88.33% 87.22% 5 83.61% 83.61% 86.39% 86.94% 86.67% 87.78% 86.94% Rata-rata 85.17% 86.33% 87.78% 88.17% 88.00% 88.89% 88.33% Kernel Polynomial
Pada kernel ini nilai C yang digunakan adalah C sama dengan 2-4, 2-3, 2-2, 2-1, 20, 21, 22, 23, dan 24 dan d sama dengan 2 dan 3. Akurasi yang dihasilkan dengan mengunkan kernel polynomial dengan nilai C sama dengan 2-4, 2-3, 2-2, 2-1, 20, 21, 22, 23, dan 24 dan d sama dengan 2 dan akurasi kernel polynomial dengan nilai C sama dengan 2-4, 2-3, 2-2, 2-1, 20, 21, 22, 23, dan 24 dan d sama dengan 3 dapat dilihat pada Tabel 5 dan grafiknya dapat dilihat pada Gambar 23. Akurasi terbaik dihasilkan pada Tabel 5 dengan nilai C sama dengan 0.125 dan d sma dengan 2. Pada percobaan yang telah dilakukan akurasi dengan nilai yang baik dihasilkan dengan menggunakan σ sama dengan 2 sedangkan jika d sama dengan 3 akurasi yang dihasilkan akan menurun walaupun penurunan akurasinya tidak terlalu signifikan. Sedangkan jika d sama dengan 4 akan membutuhkan waku yang lama dan akan mengalami penurunan akurasi karena dimensi yang diolah akan semain banyak. Dimensi data yang dihasilkan akan semakin banyak jika nilai d yang digunakan akan semakin tinggi dapat dilihat pada rumus dibawah ini:
� + , = + + −1 …( + 1)
!
C adalah kombinasi dari n dan d, n adalah dimensi awal dan d merupakan nilai orde dari kernel polynomial menurut Chang et al. pada tahun 2010. Sebagai contoh diketahui nilai d sama dengan 2 dan banyaknya fitur (n) adalah 1800.
� 1800 + 2,2 = 1800 + 2 ! 2! 1800! = 18002 × 18001 × 1800 2 × 1 × 1800 = 1.62 × 106
Nilai tersebut merupakan nilai dimensi fitur yang baru yang akan digunakan untuk proses pengolahan klasifikasi dengan meggunakan metode kernel polynomial. Nilai fitur yang baru sangat besar, hal ini dapat akan membantu dalam proses pengujian dan memudahkan tahapan klasifikasi sehingga menghasilkan akurasi yang tinggi. Akurasi kernel polynomial untuk semua fold dapat dilihat pada Lampiran 2.
Pada Tabel 5 diketahui akurasi tertinggi berada pada polynomial dengan d sama dengan 2 dan C sama dengan 0.125.
25 Tabel 5 Akurasi terbaik kernel polynomial pada setiap nilai d
k-fold Polynomial d=2 dan C=0.125 d=3 dan C=0.0625 1 98.89% 98.06% 2 95.28% 95.00% 3 95.56% 93.61% 4 94.17% 93.33% 5 93.33% 92.78% Rata-rata 95.44% 94.56%
Gambar 23 Grafik akurasi kernel polynomial
Kernel RBF
Hasil pengujian karakter dengan menggunakan kernel RBF akan menghasilkan akurasi tertinggi pada RBF dengan nilai σ sama dengan 32 dan C sama dengan 16 adalah 84.72%. Pada Tabel 6 dapat dilihat kecenderungan nilai σ,
jika semakin tinggi nilai σ maka akurasi yang dihasilkan akan semakin menurun. Akurasi terendah dihasilkan pada σ sama dengan 256. Akurasi terbaik pada setiap
σ pada kernel RBF terdapat dilihat pada Tabel 6 dan grafiknya ditampilkan pada Gambar 24. Akurasi pada setiap fold untuk masing-masing σ terdapat pada Lampiran 3.
Dari hasil pengujian dengan metode klasifikasi SVM akurasi yang didapat pada pengujian karakter hasil ekstraksi fitur dengan menggunakan 25 zona pada masing-masing kernelyang menghasilkan akurasi terbaik dapat dilihat pada Tabel 7. Ilustrasi grafik dari akurasi terbaik untuk pengujian karakter pada setiap kernel ada pada Gambar 25.
95.44% 94.56% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% d=2 dan C=0.125 d=3 dan C=0.0625 A k ur as i
26
Tabel 6 Akurasi terbaik pada RBF untuk masing-masing σ
k-fold RBF σ=32 dan C=16 σ=64 dan C=16 σ=128 dan C=16 σ=256 dan C=16 1 89.17% 85.28% 76.94% 67.78% 2 88.33% 83.06% 72.22% 65.83% 3 84.72% 81.39% 72.78% 66.39% 4 80.00% 78.61% 67.78% 64.17% 5 81.39% 80.56% 71.39% 64.72% Rata-rata 84.72% 81.78% 72.22% 65.78%
Gambar 24 Grafik akurasi pada kernel RBF
Pada Gambar 25 dapat terlihat bahwa kernel polynomial yang menghasilkan akurasi terbaik. Pada Tabel 5 dapat dilihat bahwa pengujian dengan rata-rata nilai akurasi tertinggi berada pada kernel polynomial yaitu 95.44% yang menggunakan 25 zona. Matriks konvolusi pengujian karakter terdapat pada Lampiran 4.
Selanjutnya akan dibandingkan akurasi dengan 14 zona pada penelitian Lesmana (2012) yang menggunakan klasifikasi backpropagation dan Pramesti (2013) yang menggunakan klasifikasi K-NN. Perbandingan akurasi identifikasi karakter plat nomor dengan klasifikasinya berbeda diketahui bahwa klasifikasi K-NN (Pramesti) lebih baik yaitu 97.00% daripada klasifikasi dengan metode SVM sedangkan klasifikasi dengan metode SVM akan menghasilkan akurasi yang lebih baik daripada klasifikasi menggunakan backpropagation (Lesmana 2012) adalah 85.32%. 84.72% 81.78% 72.22% 65.78% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% σ=32 σ=64 σ=128 σ=256 Akur asi
27 Tabel 7 Persentase akurasi pengujian karakter dengan kernel
k-fold Kernel Linear dengan C=2 Polynomial dengan C=0.25 dan σ=2 RBF dengan C=16 dan d=32 1 91.94% 98.89% 89.17% 2 88.89% 95.28% 88.33% 3 87.50% 95.56% 84.72% 4 88.33% 94.17% 80.00% 5 87.78% 93.33% 81.39% Rata-rata 88.89% 95.44% 84.72%
Gambar 25 Akurasi rata-rata pda setiap kernel
Pengujian Pada Plat
Proses ini dilakukan pada plat secara utuh. Pengujian yang dilakukan pada setiap karakter yang menggunakan k-fold sedangkan pada pengujian plat menggunakan keseluruhan hasil dari ekstraksi fitur dengan jumlah 25 zona. Plat yang digunakan pada proses klasifikasi adalah 65 citra plat kendaraan. Pada dasarnya pengujian plat ini tergantung pada pengujian karakter. Akurasi yang dihasilkan dari pengujian plat akan lebih kecil daripada akurasi pengujian karakter. Hal ini disebabkan dalam kehidupan nyata, jika terdapat 1 kesalahan dalam pembacaan plat nomor maka deteksi plat tersebut dinyatakan salah tetapi untuk beberapa kasus kesalahan pada salah satu karakter dapat ditoleransi, seperti halnya untuk kepentingan kepolisian. Oleh karena itu, pengujian plat ini dinyatakan lebih efisien akan diberikan toleransi kesalahan dalam pembacaan maksimal 1 huruf karena terkadang hal ini bermanfaat untuk kepentingan dalam
88.89% 95.44% 84.72% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Linear dengan C=2 Polynomial dengan
C=0.25 dan σ=2 RBF dengan C=16 dan d=32
Akur
28
pencarian plat. Dari pengujian yang dilakukan akurasi yang dihasilkan adalah 89.23% tanpa toleransi kesalahan dan 98.46% untuk toleransi kesalahan sama dengan 1. Akurasi tertinggi dihasilkan pada toleransi sama dengan 1. Hasil pendeteksian pada semua plat dapat dilihat pada Lampiran 5. Perbandingan akurasi plat tanpa toleransi kesalahan dan toleransi kesalahan sama dengan 1 pada penelitian Pramesthi (2013) dan Lesmana (2012) dapat dilihat pada Tabel 8 dan Gambar 26.
Tabel 8 Akurasi toleransi kesalahan pada plat nomor Klasifikasi Tanpa toleransi
kesalahan Toleransi kesalahan = 1 SVM K-NN 1) 81.54% 52.31% 90.77% 83.08% Backpropagation 2) 40.61% 69.50% 1) Sumber : Pramesti (2013) 2) Sumber : Lesmana (2012)
Gambar 26 Grafik akurasi toleransi kesalahan
Kesalahan identifikasi pada plat nomor bukan hanya dikarenakan klasifikasi yang kurang akurat tetapi ada hal lain yang menyebabkan ini gagal dikarenakan pada proses segmentasi, seperti beberapa simbol yang harus dikenali sebagai karakter tidak dapat dikenali dalam proses klasifikasi. Kesalahan identifikasi plat nomor pada penelitian ini dapat dilihat pada Tabel 9.
Pada pengujian plat nomor kendaraan F 8766 AJ terlihat terjadi kesalahan pada huruf F, huruf A, angka 8, angka 7, dan angka 6 dapat terlihat jelas bahwa citra angka kondisi plat yang kurang baik yaitu terdapat goresan sehingga menyebabkan goresan tersebut seperti warna background dari plat itu sendiri. Pendeteksian kesalahan dapat diketahui dari proses edge detection setelah itu dilakukan dilatasi pada proses tersebut ada beberapa karakter yang tidak dapat
81.54% 52.31% 40.61% 90.77% 83.08% 69.50% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% SVM K-NN Backpropagation Akur asi
29 dibaca, yaitu: huruf F, huruf A, angka 8, angka 7, dan angka 6, maka proses segmentasi akan dilakukan dari hasil proses edge detection dan dilatasi. Untuk lebih jelasnya dapat dilihat pada Gambar 27.
Tabel 9 Contoh kesalahan pada plat nomor
Plat Hasil deteksi
B1624SFP B16248FP B165K 5165K B1758LO 7Q58SBO B2907SR F29078R B8729BO BS729BO F1014GZ F101NGZ F1141BS F1141RS F1504FQ F0504FQ F1621CB P1621CB F1644HG F164BHG F1860AS FD8698K
Gambar 27 Plat nomor yang gagal teridentifikasi