Pengumpulan Data Citra
Citra plat nomor kendaraan adalah data utama dalam penelitian ini. Data tersebut didapat dengan melakukan pemotretan sebanyak 100 unit mobil dan dihasilkan pula 100 buah citra plat nomor yang berbeda.
Dari 100 buah citra yang ada kemudian diambil potongan karakter yang mewakili angka dan huruf pada plat nomor. Masing-masing karakter diambil secara unik dan acak sebanyak 50 buah. Sehingga didapat 36 × 50 karakter, atau sebanyak 1 800 karakter. Dari 1 800 karakter tersebut akan dibagi menjadi data latih dan data uji dengan perbandingan 4:1 untuk setiap karakter. Selain itu sebagian dari citra plat nomor yang ada juga akan dijadikan sebagai data uji. Contoh data sampel dapat dilihat pada Gambar 9.
Gambar 9 Contoh data sampel
Praproses Data
Data citra yang telah dikumpulkan masih memiliki resolusi yang tinggi dan memungkinkan terdapat noise yang dapat menghilangkan informasi yang diperlukan serta dapat memperlambat proses deteksi. Oleh karena itu, perlu dilakukan optimalisasi sehingga data yang ada siap diproses.
Pertama, data tersebut harus diubah dari format warna RGB ke dalam format grayscale agar lebih efisien. Sehingga dapat mempercepat komputasi pada tahap berikutnya. Berikutnya adalah membersihkan noise menggunakan median
12
filter dengan matriks 3 × 3. Metode ini sangat cocok untuk menghilangkan noise berupa salt and pepper. Tahapan dari praproses citra itu sendiri diilustrasikan pada Gambar 10.
grayscale
median filter
3 × 3
Gambar 10 Tahapan praproses citra
Deteksi Tepi
Proses deteksi pada penelitian ini menggunakan metode Canny edge detection dengan nilai threshold 0.5. Tahapan ini akan menghasilkan citra biner yang merepresentasikan garis tepi dari setiap objek pada citra. Garis tepi inilah yang nantiya akan digunakan untuk memisahkan karakter yang diperlukan dengan objek lainnya. Dengan didapatnya garis tepi disetiap objek, maka akan mempercepat pemrosesan citra dan lebih efisien.
Untuk menyatukan garis-garis dari karakter yang mungkin terputus karena proses deteksi yang kurang sempurna, maka hasil dari deteksi tepi akan dilakukan proses dilasi dengan structuring element berbentuk matriks 3 × 3 yang bernilai 1 untuk semua elementnya. Proses ini akan mengubah gambar karakter menjadi lebih tebal. Proses deteksi tepi pada citra plat nomor terlihat pada Gambar 11.
Canny
dilasi
13
Segmentasi Citra
Segmentasi citra merupakan proses analisa citra yang akan membagi citra menjadi beberapa daerah terpisah. Daerah yang terpisah biasanya merupakan object-object yang berbeda. Dan setiap object tersebut memiliki informasi yang berbeda pula. Pada penelitian ini informasi yang akan diproses adalah pixel-pixel yang mewakili angka dan huruf. Perlu dilakukan mana pixel yang mewakili huruf atau angka dan mana yang bukan keduanya.
Tahap pertama adalah melakukan labeling, yaitu pengelompokan pixel yang terhubung dengan memperhatikan 8 pixel tetangganya. Setiap pixel yang terhubung akan dikelompokan dan diberi label.
Setelah terbentuk kelompok pixel berdasarkan label, maka akan dihitung panjang dan lebar untuk masing-masing kelompok. Untuk mengetahui apakah kelompok pixel tersebut adalah suatu karakter angka dan huruf atau bukan, maka dilakukan seleksi kondisi berdasarkan panjang dan lebar dari kelompok pixel tersebut dengan kondisi:
Jika 40 < panjang < 105 dan 20 < lebar <100 Maka kelompok pixel = karakter
Semua label yang memenuhi kondisi tersebut dianggap sebagai karakter. Masalah akan muncul ketika terdapat label yang seharusnya merupakan satu karakter utuh, namun tidak langsung dikenali sebagai satu kesatuan karakter. Contohnya karakter A, pada saat pelabelan karakter tersebut akan memliki dua kelompok label yang berbeda, karena secara visual karakter A terdiri dari dua buah bidang yang terpisah. Ilustrasi pelabelan karakter A dapat dilihat pada Gambar 12 berikut.
Gambar 12 Pelabelan karakter A
Setiap karakter yang memiliki karakteristik seperti huruf A, akan mengalami permasalahan yang sama. Untuk menangani permasalahan tersebut adalah dengan memeriksa posisi masing-masing label. Jika salah satu label berada di dalam area label lainnya maka label-label tersebut akan dijadikan satu. Hingga tahap ini telah dihasilkan kumpulan label berupa matriks yang mewakili setiap karakter pada plat. Contoh hasil segmentasi dari plat nomor F212AX ditunjukkan pada Gambar 13 berikut.
Gambar 13 Hasil segmentasi
Label 1 Label 2
14
Normalisasi Citra
Segmentasi citra menghasilkan masing-masing karakter yang memiliki luas area berbeda. Hal ini tentunya akan mempengaruhi konsistensi pada hasil ektraksi ciri. Oleh karena itu karakter tersebut disamakan ukurannya menjadi 150 × 150. Karakter yang ada akan dipaksa berada dalam ukuran tersebut sehingga bentuknya tidak proporsional. Namun jika hal ini dilakukan secara konsisten pada semua karakter maka tidak akan merusak informasi yang diperlukan pada tahap selanjutnya. Gambar 14 memperlihatkan hasil segmentasi plat yang sudah dinormalisasi.
Gambar 14 Hasil normalisasi
Ekstraksi Ciri
Ekstraksi ciri yang digunakan pada penelitian ini adalah pendekatan image centroid and zone (ICZ). Tahap pertama adalah mencari centroid dari setiap karakter. Tidak menutup kemungkinan letak centroid dari setiap karakter berbeda. Hal tersebut tergantung pada sebaran pixel.
Selanjutnya karakter akan dibagi menjadi beberapa zona yang sama besar. Pada penelitian ini dilakukan ekstraksi untuk 14 zona. Masing-masing zona dihitung jarak antara centroid dan pixel yang memiliki warna putih saja. Proses tersebut diulangi sampai dihasilkan jarak dari semua pixel yang pada akhirnya dihitung rata-rata jarak yang ada untuk setiap zona. Nilai inilah yang akan dijadikan input pada proses selanjutnya.
Klasifikasi Citra
Awal dari proses ini adalah tahap pelatihan. Tahap ini akan dilakukan hasil ekstraksi citra sebanyak 1 440 yaitu 40 sampel dari setiap karakter yang ada. Sedangkan sisanya sebanyak 360 akan digunakan sebagai data uji. Pembagian data uji dan data latih ini menggunakan k-fold cross validation dengan k bernilai 5. Hasilnya berupa 5 variasi data latih dan data uji, dimana pembagiannya telah dijelaskan pada Tabel 1.
Semua data latih tersebut akan diklasifikasikan menggunakan algoritma KNN dan PNN. Nilai k pada KNN yang dicobakan adalah 1, 3, 5, 7, dan 9, sedangkan nilai bias pada PNN yang dicobakan adalah 0.1, 0.2, 0.8, 1, 2, 4, dan 8. Nilai terbaik dari masing-masing metode tersebut hasilnya akan dibandingkan.
Pengujian per Karakter
Pengujian karakter dilakukan dengan KNN dan PNN. Pada KNN, nilai k yang digunakan 1, 3, 5, 7, dan 9. Pengujian menggunakan 5 variasi data uji dan data latih yang telah dihasilkan pada proses k-fold cross validation. Berikut ini adalah Tabel 2 yang menunjukkan akurasi yang didapat pada pengujian karakter menggunakan KNN dengan zona berjumlah 14.
15 Tabel 2 Akurasi pengujian karakter menggunakan KNN
Subset k=1 k=3 k=5 k=7 k=9 Fold-1 96.39% 95.83% 95.28% 94.17% 94.17% Fold-2 97.78% 95.83% 93.06% 90.83% 90.56% Fold-3 97.78% 94.72% 93.33% 91.94% 88.61% Fold-4 96.67% 91.67% 89.44% 88.33% 86.39% Fold-5 96.39% 93.61% 91.94% 91.39% 90.83% Rata-rata 97.00% 94.33% 92.61% 91.33% 90.11%
Dari tabel akurasi tersebut, terlihat bahwa k tertinggi adalah 1 yaitu dengan nilai rata-rata 97.00%. Hal tersebut dapat dilihat pada diagram pada Gambar 15. Oleh karena itu untuk selanjutnya nilai k pada KNN yang akan dibandingkan dengan PNN adalah k yang bernilai 1.
Gambar 15 Grafik rataan akurasi KNN
Jika dibandingkan dengan hasil penelitian yang dilakukan oleh Pramesti (2013), nilai akurasi pada penelitian ini lebih kecil. Hal ini disebabkan karena pada penelitian tersebut didapatkan fitur ekstraksi ciri sejumlah 2n yang dihasilkan dari perhitungan centroid dan jarak antara tiap titik pixel dengan centroid dilakukan sebanyak dua kali. Yaitu sebelum citra dibagi ke dalam sejumlah daerah yang sama besar dan setelah dibagi ke dalam sejumlah daerah yang sama besar. Tabel 3 menunjukkan perbandingan akurasi untuk klasifikasi KNN dengan hasil penelitian Pramesti (2013) yang menggunakan ekstraksi ciri ICZ+ZCZ pada pengenalan karakter plat nomor.
Tabel 3 Perbandingan akurasi pengenalan karakter plat nomor dengan ekstraksi ciri ICZ dan ICZ+ZCZ (Pramesti 2013)
Fold Metode penelitian
ICZ ICZ+ZCZ1) Fold1 96.39% 98.06% Fold2 97.78% 98.61% Fold3 97.78% 98.33% Fold4 96.67% 98.33% Fold5 96.39% 97.50% Rata-rata 97.00% 98.17% 1) Penelitian Pramesti (2013) 97.00% 94.33% 92.61% 91.33% 90.11% 80% 85% 90% 95% 100% k=1 k=3 k=5 k=7 k=9 A kur as i
16
Setelah dilakukan pengujian karakter menggunakan metode klasifikasi KNN, penelitian ini akan diklasifikasi menggunakan metode PNN. Sama halnya seperti yang dilakukan sebelumnya, yaitu penentuan data latihnya menggunakan metode k-fold cross validation. Pada penelitian ini dilakukan 5 kali iterasi berdasarkan subset pada k-fold cross validation dengan 7 buah nilai bias. Nilai bias tersebut adalah 0.1, 0.2, 0.8, 1, 2, 4, dan 8. Hasil akurasi dari masing-masing iterasi dapat dilihat pada Gambar 16.
Gambar 16 Grafik rataan akurasi PNN
Berdasarkan grafik diatas, tingkat akurasi tertinggi ada pada nilai bias 2, yaitu 97.44%. Jika dibandingkan dengan menggunakan metode KNN, metode PNN teruji lebih baik dalam pengenalan per karakter. Kemudian pada Tabel 4 akan terlihat perbandingan akurasi untuk ekstraksi ciri ICZ dengan hasil penelitian Lesmana (2012) yang menggunakan klasifikasi backpropagation pada pengenalan karakter plat nomor.
Tabel 4 Perbandingan akurasi pengenalan karakter plat nomor dengan klasifikasi KNN, PNN, dan backpropagation (Lesmana 2012) Fold Metode penelitian
KNN PNN Backpropagation2) Fold1 96.39% 96.67% 82.77% Fold2 97.78% 98.06% 91.67% Fold3 97.78% 98.06% 85.55% Fold4 96.67% 96.93% 78.88% Fold5 96.39% 97.50% 87.77% Rata-rata 97.00% 97.44% 85.33% 2) Penelitian Lesmana (2012)
Baik pengujian menggunakan algoritma PNN maupun KNN, ada beberapa karakter yang gagal teridentifikasi dengan benar. Kesalahan identifikasi ini dimungkinan karena ciri khas dari karakter tersebut mirip dengan karakter lain, atau dapat juga karena hasil deteksi tepi yang kurang baik. Proses resize sendiri tidak berpengaruh signifikan terhadap pendeteksian, karena masing-masing karakter hasil resize tidak mengalami perubahan ciri khas dari suatu karakter Contohnya karakter 0 (nol) yang salah satunya teridentifikasi sebagai karakter D.
37.00% 61.83% 96.50% 96.94% 97.44% 97.39% 94.22% 0% 20% 40% 60% 80% 100% 0.1 0.2 0.8 1 2 4 8 A k u rasi Bias 0.1 0.2 0.8
17 Gambar 17 menunjukkan karakter 0 (nol) yang gagal teridentifikasi sebagai karakter D.
Gambar 17 Karakter 0 (nol) yang teridentifikasi sebagai karakter D (kiri) dan contoh karakter D (kanan)
Pengujian per Plat
Berbeda dengan pengujian per karakter, pengujian per plat tidak menggunakan data hasil k-fold tetapi menggunakan keseluruhan hasil dari ekstraksi ciri dengan menggunakan zona berjumlah 14. Pengujian dilakukan pada citra plat nomor kendaraan secara utuh. Pada penelitian ini telah dilakukan pengujian terhadap 65 plat nomor berbeda yang dipilih secara acak.
Hasil akurasi yang akan didapat tentu saja akan lebih kecil dibandingkan dengan pengujian karakter. Karena pada kenyataannya apabila dalam pengujian terdapat satu saja karakter yang salah teridentifikasi, maka hasil identifikasi karakter akan dianggap salah secara keseluruhan. Gambar 18 berikut menunjukkan grafik perbandingan nilai akurasi hasil pengujian menggunakan metode KNN dan PNN.
Gambar 18 Grafik perbandingan nilai akurasi KNN dan PNN
Tidak seperti halnya pengujian per karakter, pengujian per plat menggunakan metode KNN memiliki tingkat akurasi yang lebih tinggi dibanding dengan menggunakan metode PNN yaitu 60.00%. Sedangkan untuk pengujian per plat menggunakan metode PNN akurasinya lebih rendah yaitu 58.46%. Nilai akurasi tersebut untuk toleransi=0. Artinya tidak ada toleransi kesalahan. Padahal pada kenyataannya terkadang untuk kepentingan tertentu kesalahan satu buah karakter bisa ditoleransi, seperti halnya untuk kepentingan kepolisian. Oleh karena itu, maka diperhitungkan pula akurasi pengujian plat yang kesalahannya kurang dari atau sama dengan satu.
97.00% 60.00% 75.38% 97.44% 58.46% 75.38% 50% 60% 70% 80% 90% 100%
Karakter Plat (t=0) Plat (t<2)
A
k
u
rasi KNN (k=1)
18
Untuk pengujian plat menggunakan metode PNN dan KNN dengan toleransi kesalahan < 2, tingkat akurasinya menunjuk pada nilai yang sama yaitu 75,38%. Meskipun nilai akurasinya sama, tetapi pada beberapa plat letak kesalahan deteksinya berbeda.
Kesalahan pada identifikasi plat nomor bukan saja karena klasifikasi yang tidak akurat akan tetapi juga karena gagal pada saat proses segmentasi, sehingga beberapa simbol yang seharusnya dikenali sebagai karakter tidak masuk ke dalam proses klasifikasi. Meskipun demikian kedua metode ini dapat mengidentifikasi plat nomor kendaraan pribadi (background hitam) dan kendaraan dinas (background merah) yang karakternya memiliki warna putih, serta kendaraan umum yang kondisi grayscalenya terbalik, yaitu kuning pada bagian background dan hitam pada karakternya.
Dari 65 citra plat nomor yang diujikan, terdapat 27 plat yang salah atau bahkan tidak dapat terdeteksi dengan baik. Tabel 5 berikut ini menunjukkan daftar plat dan hasil deteksi salah.
Tabel 5 Citra plat nomor salah deteksi
No Plat KNN (k=1) PNN (bias=2)
1 B1003WFB B1DD9 B1DD9
2 B1063KEO B063KEO B063KEO
3 B1192POT 81192P0T 81192P0T
4 B1459MH B1459MN B1459MN
5 B1559QB O45DG8 O05DG8
6 B1591BFS 1Q8Y8FS 108Y8FS
7 B1664ZR 8664XR 8664XR
8 B1710RFY 81710RY 81710RY
9 B1880KKO B188DKKO B188DKKO
10 B8375NW O375NW O375NW
11 B8756UU O8756UU O8756UU
12 DK298AY 0298AY 0298AY
13 F1090DI F10908I F10908I
14 F1139HI F1139HI F1039HI
15 F1225HV F122VBV F122VBV
16 F1235DE F7235DE F7235DE
17 F1320CZ F732GC F732GC
18 F1337GS F133788 F133788
19 F1504CE F15004CE F15004CE
20 F1589KM 1589KM 1589KM
21 F1697AU F3697AU F3697AU
22 F1760BW P17608W P07608W
23 F1804CN F804CN F804CN
24 F1806A F1806R F1806R
25 F8766AJ 7WJ 7WJ
26 G8409AP G8408AP G8408AP
19 Berdasarkan Tabel 5 diatas, terdapat beberapa plat nomor yang kesalahannya cukup signifikan. Salah satu contoh adalah plat bernomor B1003WFB. Plat tersebut dari hasil pada proses segmentasi hanya teridentifikasi 5 karakter saja yaitu B1DD9, padahal seharusnya teridentifikasi sebanyak 8 karakter yang terdiri dari 4 huruf dan 4 angka. Hal ini disebabkan oleh pencahayaan pada saat pengambilan gambar dan karakter pada plat itu sendiri yang terlalu menempel. Proses segmentasi plat tersebut dapat dilihat pada Gambar 19.
Gambar 19 Contoh plat yang gagal teridentifikasi
SIMPULAN DAN SARAN
Simpulan
Dari penelitian yang telah dilakukan dalam pengenalan plat nomor kendaraan ini dapat diambil beberapa kesimpulan sebagai berikut:
1 Metode ICZ dengan KNN dan PNN sebagai classifier dapat diimplementasikan dalam pengenalan plat nomor kendaraan.
2 Klasifikasi KNN dengan nilai k = 1 memiliki rata-rata hasil pengenalan karakter yang lebih baik dibandingkan dengan k yang bernilai 1, 3, 5, 7, dan 9 dengan nilai akurasi sebesar 97.00%
3 Klasifikasi PNN dengan nilai bias = 2 memiliki rata-rata hasil pengenalan karakter yang lebih baik dibandingkan dengan bias yang bernilai 0.1, 0.2, 0.8, 1, 2, 4, dan 8 dengan nilai akurasi sebesar 97.44%
4 Akurasi dalam pengenalan 65 plat nomor kendaraan menggunakan metode KNN mencapai 60.00% sedangkan pengenalan menggunakan metode PNN adalah 58.46%
20
5 Akurasi untuk pengenalan plat nomor kendaraan menggunakan metode KNN dan PNN dengan toleransi kesalahan sebanyak 1 mencapai nilai yang sama yaitu 75.38%
6 Metode PNN menghasilkan akurasi yang lebih tinggi dalam pengenalan per karakter, sedangkan metode KNN menghasilkan akurasi yang lebih tinggi dalam pengenalan per plat untuk tolerasi kesalahan sebanyak 0. Akan tetapi kedua metode ini menghasilkan akurasi yang sama baik untuk pengenalan per plat dengan toleransi kesalahan sebanyak 1.
Saran
Beberapa hal yang perlu dikembangkan lebih lanjut dari penelitian ini antara lain sebagai berikut:
1 Melakukan pengenalan karakter plat nomor menggunakan metode klasifikasi dan ekstraksi ciri yang lain
2 Pengambilan data citra tidak selalu tegak lurus tetapi dari berbagai kemiringan. 3 Plat nomor yang digunakan tidak hanya plat nomor dengan format standar
tetapi juga plat nomor format lain (TNI/Polri).
DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing Principles and Applications. Hoboken (US): J Wiley.
Baxes AG. 1984. Digital Image Processing. New Jersey (US): Prentice Hall. Buono A, Marimin, Putri D. 2004. Klasifikasi penutup dan penggunaan lahan
pada multispectral image dari landsat thematic mapper menggunakan probalistic neural network. Jurnal Ilmiah-Ilmu Komputer. 2(2):1-13.
Deng Y, Manjunath BS, Shin H, 1999. Color image segmentation. IEEE Computer Society Conference on Computer Vision and Pattern Recognition CVPR'99. 2:46-51.
Han J, Kamber M. 2006. Data Mining Concepts & Techniques. Illinois (US): Elsevier.
Lesmana AR. 2012. Identifikasi karakter pada plat nomor kendaraan mengunakan zone based feature extraction dengan metode klasifikasi backpropagation [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Lim R, Lukman VW, Gunadi K. 2003. Sistem pengenalan plat nomor mobil dengan metode principal component analysis. Jurnal Teknik Elektro. 3(1):31-38.
Pramesti RPA. 2013. Identifikasi karakter plat nomor kendaraan menggunakan ekstraksi fitur ICZ dan ZCZ dengan metode klasifikasi KNN [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Rajashekararadhya SV, Ranjan PV. 2008. Efficient zone based feature extraction algorithm for handwritten numeral recognition of four popular South Indian scripts. Journal of Theoretical and Applied Information Technology. 4(12):1171-1181.
Setiawan A. 2011. Sistem pengenalan plat nomor mobil untuk aplikasi informasi karcis parkir [skripsi]. Surabaya (ID): Institut Teknologi Sepuluh November.
21 Shapiro LG, Stockman GC. 2001. Computer Vision. New Jersey (US): Prentice
Hall.
Syam RM. 2013. Pengenalan Aksara Jawa tulisan tangan dengan menggunakan ekstraksi fitur zoning dan klasifikasi k-nearest neighbour [skripsi]. Bogor (ID): Institut Pertanian Bogor.
22