PERBANDINGAN DALAM PENGENALAN KARAKTER PLAT
NOMOR KENDARAAN MENGGUNAKAN
IMAGE CENTROID
AND ZONE
DENGAN KLASIFIKASI
K-NEAREST NEIGHBOUR
DAN
PROBABILISTIC NEURAL NETWORK
HAFARA FISCA LAHMURAHMA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Perbandingan dalam Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Image Centroid and Zone dengan Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
HAFARA FISCA LAHMURAHMA. Perbandingan dalam Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Image Centroid and Zone dengan Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network. Dibimbing oleh MUSHTHOFA.
Sistem pengenalan pola merupakan konsep keilmuan yang terus dikembangkan dengan berbagai metode. Salah satu contohnya adalah pengenalan karakter plat nomor kendaraan. Plat nomor memiliki nomor seri yakni susunan huruf dan angka yang dikhususkan bagi kendaraan tersebut. Penelitian ini menggunakan metode ekstraksi ciri image centroid and zone (ICZ) dengan jumlah zona 14. Selain itu penelitian ini menggunakan dua metode klasifikasi yaitu k-nearest neighbour (KNN) dan probabilistic neural network (PNN), dan bertujuan untuk membandingkan tingkat akurasi kedua metode tersebut. Data yang digunakan adalah 100 buah citra plat nomor kendaraan. Nilai k pada KNN yang digunakan meliputi 1, 3, 5, 7, dan 9, sedangkan nilai bias pada PNN yang digunakan adalah 0.1, 0.2, 0.8, 1, 2, 4, dan 8. Akurasi untuk pengenalan plat nomor menggunakan metode klasifikasi KNN mencapai 60.00%, sedangkan jika menggunakan metode klasifikasi PNN mencapai 58.46%.
Kata kunci: image centroid and zone (ICZ), k-nearest neighbour (KNN), plat nomor, probabilistic neural network (PNN)
ABSTRACT
HAFARA FISCA LAHMURAHMA. Comparison of the Vehicle’s License Plate Recognition Using Image Centroid and Zone with K-Nearest Neighbour and Probabilistic Neural Network. Supervised by MUSHTHOFA SKom, MSc.
Pattern recognition system is a scientific concept which is being developed with a variety of methods. One example is the vehicle license plate character recognition. License plate has a serial number, that is, the arrangement of letters and numbers that are specific to the vehicle. This study uses the method of image centroid and zone (ICZ) feature extraction with 14 zones. In addition, this study uses two classification methods, namely k-nearest neighbour (KNN) and probabilistic neural network (PNN), and aims to compare the accuracy of both methods. Classification are done for 100 vehicle license plate images, as the data. Values of k in KNN are 1, 3, 5, 7, and 9, while the bias values used in the PNN are 0.1, 0.2, 0.8, 1, 2, 4, and 8. The highest accuracy for vehicle’s license plate recognition using KNN classification method is 60.00%, whereas the highest accuracy for PNN classification method is 58.46%.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
PERBANDINGAN DALAM PENGENALAN KARAKTER PLAT
NOMOR KENDARAAN MENGGUNAKAN
IMAGE CENTROID
AND ZONE
DENGAN KLASIFIKASI
K-NEAREST NEIGHBOR
DAN
PROBABILISTIC NEURAL NETWORK
HAFARA FISCA LAHMURAHMA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Penguji:
1 Aziz Kustiyo, SSi MKom
Judul Skripsi : Perbandingan dalam Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Image Centroid and Zone dengan Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network
Nama : Hafara Fisca Lahmurahma
NIM : G64096027
Disetujui oleh
Mushthofa, SKom MSc Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta’ala yang telah melimpahkan rahmat sehingga penulis dapat menyelesaikan penelitian dan tulisan yang berjudul Perbandingan dalam Pengenalan Karakter Plat Nomor Kendaraan menggunakan image centroid and zone dengan Klasifikasi K-Nearest Neighbour dan Probabilistic Neural Network ini.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu terselesaikannya penelitian dan tulisan ini, yaitu:
1 Orang tua tercinta Bapak H Joko Purwadi, SPd dan Ibu Ir Hj Siti Mudrikah, serta adik tersayang Umami Khusnun Nida atas segala doa, kasih sayang, dukungan, dan semangat yang tiada henti
2 Bapak Mushthofa, SKom MSc, selaku dosen pembimbing, yang telah memberikan banyak ide, masukan, dan dukungan kepada penulis.
3 Teman dan sahabat Ilkom angkatan 4 dan angkatan 5 atas kerjasama dan kebersamaannya selama kuliah sampai penyelesaian skripsi.
4 Rekan kerja di Badan Pelayanan Perizinan Terpadu dan Penanaman Modal Kota Bogor atas dukungan kepada penulis.
5 Pihak lain yang tidak dapat disebutkan satu per satu.
Penulis menyadari bahwa dalam penulisan tugas akhir ini masih terdapat banyak kekurangan dan kelemahan dalam berbagai hal karena keterbatasan kemampuan penulis. Penulis berharap adanya masukan berupa saran dan kritik yang bersifat membangun dari pembaca demi kesempurnaan tugas akhir ini, sehingga dapat bermanfaat.
DAFTAR ISI
DAFTAR TABEL vii
DAFTAR GAMBAR vii
DAFTAR LAMPIRAN vii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
Ruang Lingkup Penelitian 2
Manfaat Penelitian 2
TINJAUAN PUSTAKA 2
Pengolahan Citra Digital 2
Grayscale Image 3
Edge Detection 3
Image Segmentation 3
Canny Edge Detection 3
Metode Ekstraksi Zoning 4
K-Nearest Neighbour (KNN) 4
Probabilistic Neural Network (PNN) 5
METODE PENELITIAN 6
Pengumpulan Data Citra 6
Praproses Data 7
Deteksi Tepi 8
Segmentasi Citra 8
Ekstraksi Ciri 8
K-Fold Cross Validation 9
K-Nearest Neighbour (KNN) 10 Probabilistic Neural Network (PNN) 10
Analisis dan Evaluasi 10
Lingkungan Penelitian 11
HASIL DAN PEMBAHASAN 11
Praproses Data 11
Deteksi Tepi 12
Segmentasi Citra 13
Normalisasi Citra 14
Ekstraksi Ciri 14
Klasifikasi Citra 14
Pengujian per Karakter 14
Pengujian per Plat 17
SIMPULAN DAN SARAN 19
Simpulan 19
Saran 20
DAFTAR PUSTAKA 20
LAMPIRAN 22
DAFTAR TABEL
1 Pembagian fold 9
2 Akurasi pengujian karakter menggunakan KNN 15
3 Perbandingan akurasi pengenalan karakter plat nomor dengan ekstraksi
ciri ICZ dan ICZ+ZCZ (Pramesti 2013) 15
4 Perbandingan akurasi pengenalan karakter plat nomor dengan klasifikasi KNN, PNN, dan backpropagation (Lesmana 2012) 16
5 Citra plat nomor salah deteksi 18
DAFTAR GAMBAR
1 Citra RGB (kiri) dan citra grayscale (kanan) 3
2 Struktur PNN 6
3 Skema penelitian 7
4 Contoh data citra 7
5 Contoh citra grayscale 7
6 Contoh hasil deteksi tepi Canny 8
7 Contoh hasil segmentasi citra 8
8 (a) Letak koordinat centroid, (b) Pembagian zona sebanyak 4 zona, (c)
Perhitungan jarak pixel dengan centroid 9
9 Contoh data sampel 11
10 Tahapan praproses citra 12
11 Proses deteksi tepi 12
12 Pelabelan karakter A 13
13 Hasil segmentasi 13
14 Hasil normalisasi 14
15 Grafik rataan akurasi KNN 15
16 Grafik rataan akurasi PNN 16
17 Karakter 0 (nol) yang teridentifikasi sebagai karakter D (kiri) dan
contoh karakter D (kanan) 17
18 Grafik perbandingan nilai akurasi KNN dan PNN 17
19 Contoh plat yang gagal teridentifikasi 19
DAFTAR LAMPIRAN
1 Pola karakter ekstraksi ciri ICZ 22
2 Contoh karakter yang gagal teridentifikasi 25
PENDAHULUAN
Latar Belakang
Kendaraan bermotor digunakan untuk transportasi darat yang digerakkan oleh peralatan mesin. Kendaraan tersebut memiliki identifikasi resmi yang membedakan antara kendaraan satu dengan kendaraan lain yaitu nomor polisi. Nomor polisi diberikan sesuai dengan urutan pendaftaran kendaraan bermotor. Nomor tersebut tertera pada plat yang bentuknya berupa potongan plat logam atau plastik. Plat nomor memiliki nomor seri yakni susunan huruf dan angka yang dikhususkan bagi kendaraan tersebut dan biasa dipadukan dengan informasi lain mengenai kendaraan bersangkutan. Contohnya pada baris pertama menunjukkan kode wilayah (huruf), nomor polisi (angka), dan kode/seri akhir wilayah (huruf). Sedangkan pada baris kedua menunjukkan bulan dan tahun masa berlaku. Dengan adanya informasi tersebut plat digunakan untuk beberapa kebutuhan pencatatan data, contohnya dalam suatu sistem parkir.
Seiring dengan pesatnya perkembangan produksi kendaraan, maka dirasakan perlu suatu mekanisme pencatatan data untuk mengenali plat kendaraan dengan cepat sehingga dapat memudahkan dalam pencataan plat nomor kendaraan yang masuk dan keluar dari area parkir. Salah satu yang sedang dikembangkan saat ini adalah sistem optical character recognition (OCR). OCR merupakan aplikasi yang fungsinya melakukan konversi dari suatu input data berupa citra yang akan diproses lebih jauh secara digital sehingga dapat dilakukan tahap pengenalan menggunakan beberapa metode yang ada.
Penelitian dalam bidang ini pun terus dikembangkan dengan berbagai metode untuk mencari hasil terbaik. Mengacu pada penelitian yang telah dilakukan oleh Rajashekararadhya (2008) tentang pengenalan tulisan tangan pada karakter india, Syam (2013) pun melakukan pengenalan pola tulisan dengan aksara non-Latin yaitu menggunakan aksara Jawa sebagai objeknya.
Terdapat beberapa tahapan dalam proses pengenalan plat nomor kendaraan. Input citra plat nomor diubah dahulu menjadi citra biner, kemudian dilakukan segmentasi untuk memisahkan objek karakter dengan background. Setelah itu, tiap karakter dari plat nomor disegmentasi dan masing-masing karakter dilakukan ekstraksi ciri. Kemudian, dilakukan klasifikasi tiap karakter satu per satu dengan menggunakan metode klasifikasi tertentu.
Penelitian dengan objek plat nomor sendiri sebenarnya sudah cukup banyak dilakukan. Setiawan (2011) melakukan penelitian dengan objek plat nomor kendaraan menggunakan principle component analysis (PCA) dan Euclidean distance. Dari penelitian tersebut didapat rata-rata akurasi sebesar 84.3%. Lim et al. (2003) juga menggunakan PCA, namun metode k-nearest neighbour dipilih sebagai metode klasifikasi. Tingkat keberhasilan yang dicapai pada penelitian tersebut sebesar 82%.
2
Penelitian tersebut dilanjutkan oleh Pramesti (2013) yaitu mengidentifikasi plat nomor menggunakan ekstraksi fitur zoning gabungan ICZ dan ZCZ dengan k-nearest neighbour (KNN) sebagai classifier-nya. Akurasi pada penelitian tersebut sudah tinggi yaitu 98.17%.
Mengacu pada penelitian yang telah banyak dilakukan tersebut, penelitian ini akan menggabungkan metode ekstraksi ciri ICZ seperti yang dilakukan oleh Lesmana (2012) dengan metode klasifikasi KNN seperti pada penelitian Pramesti (2013). Selain menggunakan metode klasifikasi KNN, penelitian ini juga menggunakan metode klasifikasi probabilistic neural network (PNN) dimana hasil dari dua metode ini akan dibandingkan tingkat akurasinya.
Tujuan Penelitian
Tujuan dilakukannya penelitian ini adalah:
1 Menerapkan metode ICZ untuk melakukan ekstraksi ciri, KNN dan PNN sebagai metode klasifikasi
2 Menentukan parameter k terbaik pada KNN dan nilai bias terbaik pada PNN 3 Menghitung tingkat akurasi dari metode yang digunakan
4 Membandingkan tingkat akurasi antara nilai k terbaik dari KNN dengan nilai bias terbaik pada PNN
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini terbatas pada:
1 Plat nomor yang dikenali hanya plat nomor dengan format standar (bukan format TNI/POLRI)
2 Data yang diolah berasal dari citra dengan format JPEG
3 Karakter yg dikenali adalah huruf alphabet kapital (A − Z) dan angka (0 − 9) 4 Pemotretan plat dilakukan secara berhadapan lurus
5 Hanya bagian plat nomor yang digunakan sebagai objek penelitian
Manfaat Penelitian
Manfaat dari penelitian ini adalah dapat menentukan metode klasifikasi yang terbaik untuk pengenalan karakter plat nomor kendaraan diantara dua metode yang digunakan, yaitu KNN dan PNN.
TINJAUAN PUSTAKA
Pengolahan Citra Digital
3 Grayscale Image
Pada citra berwarna satu nilai pixel terdiri dari 3 layer yaitu red, green dan blue. Rentang nilai dari tiap layer berkisar antara 0-255. Sedangkan pada citra grayscale representasi citranya bernilai sama untuk tiap layer. Citra yang dihasilkan dari proses grayscale berupa citra abu-abu. Citra grayscale sangat berbeda dari citra biner, karena citra biner merupakan citra yang hanya memiliki dua variasi nilai yaitu gelap dengan nilai pixel 0 dan terang dengan nilai pixel 255 (Shapiro dan Stockman 2001), sedangkan citra grayscale warnanya beragam yang merupakan rentang antara putih dan hitam. Perbandingan gambar RGB dan hasil konversinya ke citra grayscale dapat dilihat pada Gambar 1.
Gambar 1 Citra RGB (kiri) dan citra grayscale (kanan) Edge Detection
Edge detection adalah operasi yang bertujuan untuk mereduksi citra dan hanya menampilkan tepi dari citra itu sendiri (Baxes 1984). Deteksi ini dilakukan dengan cara menemukan perbedaan yang signifikan antara satu pixel dengan pixel tetangganya. Deteksi ini dilakukan secara vertikal dan horizontal. Perbedaan proses antara deteksi tepi vertikal dan horizontal hanya terletak pada filter yang digunakan.
Image Segmentation
Segmentasi merupakan proses mengklaster citra menjadi beberapa bagian objek sehingga akan memudahkan untuk mengidentifikasi objek yang bermakna dari suatu citra (Deng dan Manjunath 1999). Ada dua pendekatan umum dalam melakukan segmentasi citra yaitu pendekatan discontinuity dan pendekatan similarity. Pendekatan discontinuity mempartisi citra berdasarkan perubahan intensitas cahaya secara tiba-tiba, sedangkan pendekatan similarity membagi citra berdasarkan kesamaan sifat-sifat tertentu (region based).
Canny Edge Detection
Algoritma deteksi tepi Canny dikenal sebagai algoritma yang optimal dalam melakukan pendeteksian tepi (Acharya dan Ray 2005). Ada beberapa tahapan dalam deteksi tepi Canny, yaitu :
1 Smoothing: menghilangkan noise dengan efek blurring
2 Finding gradient: menandai tepi dari gambar yang memiliki nilai magnitute yang besar
3 Non-maximum suppression: menghilangkan nilai-nilai yang tidak maksimum 4 Double thresholding: dua buah threshold dipilih untuk menentukan jalur tepi
4
Kelebihannya yaitu, Canny mampu mengurangi noise sebelum melakukan perhitungan deteksi tepi sehingga tepi-tepi yang dihasilkan lebih banyak.
Metode Ekstraksi Zoning
Zoning merupakan salah satu metode ekstraksi ciri yang populer dan sederhana yang digunakan dalam ekstraksi fitur. Metode ekstraksi zoning akan membagi citra menjadi beberapa zona yang berukuran sama, untuk kemudian dari setiap zona akan diambil cirinya. Ada beberapa algoritma untuk metode ekstraksi ciri zoning, diantaranya metode ekstraksi ciri jarak metrik image centroid and zone (ICZ), metode ekstraksi ciri jarak metrik zone centroid and zone (ZCZ) dan metode ekstraksi ciri gabungan ICZ + ZCZ. Ketiga algoritma tersebut menggunakan citra digital sebagai input dan menghasilkan fitur untuk klasifikasi dan pengenalan sebagai outputnya (Rajashekararadhya dan Ranjan 2008).
Pendekatan yang digunakan pada penelitian ini adalah metode ICZ dengan langkah-langkah sebagai berikut:
1 Hitung centroid dari citra masukan
2 Bagi citra masukan kedalam n zona yang sama
3 Hitung jarak antara centroid citra dengan masing-masing pixel yang ada dalam zona
4 Ulangi langkah ke 3 untuk setiap pixel yang ada di zona 5 Hitung rata-rata jarak antara titik-titik tersebut
6 Ulangi langkah-langkah tersebut untuk keseluruhan zona
7 Hasilnya adalah n fitur yang akan digunakan dalam klasifikasi dan pengenalan. K-Nearest Neighbour (KNN)
K-Nearest Neighbour (KNN) merepresentasikan setiap data sebagai titik dalam k-ruang dimensi. Jika ada sebuah data uji maka akan dihitung kedekatan titik data lainnya pada data latih untuk diklasifikasikan berdasarkan kedekatannya yang didefinisikan dengan ukuran jarak. Fungsi jarak yang umumnya digunakan adalah jarak Euclidean yang direpresentasikan dalam Persamaan 1 (Han dan Kamber 2006).
D(p,q) merupakan jarak antara vektor p yang merupakan sebuah titik yang
telah diketahui kelasnya dan q yang merupakan titik baru yang merepresentasikan data yang akan dijadikan data uji. Jarak antara vektor dan titik dari data latih akan dihitung dan diambil k buah vektor terdekat.
Langkah-langkah dalam teknik klasifikasi dengan KNN antara lain sebagai berikut:
1 Menentukan parameter k (jumlah tetangga terdekat).
2 Menghitung jarak antara data yang masuk dan semua sampel latih yang sudah ada dengan metode Euclidean distance seperti pada Persamaan 1.
3 Tentukan k label data yang mempunyai jarak yang minimal. 4 Klasifikasikan data baru ke dalam label data yang mayoritas.
5
(2)
(3)
(4) Probabilistic Neural Network (PNN)
Probabilistic neural network (PNN) diperkenalkan pertama kali oleh Specht tahun 1990 yang digunakan untuk klasifikasi, mapping dan associative memory. Keuntungan utama menggunakan arsitektur PNN adalah proses pembelajaran mudah atau sekali lewat dan sangat cepat. Struktur PNN terdiri dari 4 lapisan yaitu lapisan masukan, lapisan pola, lapisan penjumlahan dan lapisan keputusan/keluaran. Proses-proses yang terjadi pada setiap lapisan yaitu :
1 Lapisan masukan (input layer)
Lapisan masukan merupakan objek yang terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas.
2 Lapisan pola (pattern layer)
x adalah vektor masukan dan xij adalah vektor data latih ke-j dari kelas atau
pola ke-i. Pada lapisan pola dilakukan perhitungan jarak zij antara x dengan xij,
kemudian dilakukan operasi non linear terhadap zij sebelum menjadi keluaran
yang akan digunakan sebagai masukan pada lapisan penjumlahan. Persamaan 2 adalah persamaan yang digunakan pada lapisan pola.
3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan dilakukan penjumlahan setiap node pada lapisan pola. Persamaan yang digunakan pada tahap lapisan penjumlahan ini dapat dilihat pada Persamaan 3.
4 Lapisan keluaran / keputusan (output layer)
Lapisan keluaran menentukan kelas dari input yang diberikan. Input x akan masuk kelas Y jika nilai peluang masuk ke Y paling besar dibandingkan peluang masuk ke kelas lainnya. Persamaan 4 menunjukkan persamaan yang digunakan pada lapisan keluaran.
6
Secara umum arsitektur PNN dapat dilihat pada Gambar 2 berikut.
Gambar 2 Struktur PNN
METODE PENELITIAN
Suatu penelitian yang baik diperlukan perencanaan yang matang atas metode yang telah ditetapkan. Pada penelitian ini akan dilakukan pengenalan karakter plat nomor menggunakan ekstraksi ciri ICZ sedangkan sebagai klasifikasinya dipilih metode KNN dan PNN. Flowchart penelitiannya ditampilkan pada Gambar 3.
Pengumpulan Data Citra
Data pada penelitian ini didapat dari data pada penelitian sebelumnya, yaitu penelitian yang dilakukan oleh Lesmana (2012). Data tersebut diambil menggunakan kamera handphone dengan resolusi 5 MP. Agar data latih yang dimiliki dapat lebih akurat untuk setiap karakter, maka citra yang dikumpulkan sebarannya harus merata, selain itu resolusi dari masing-masing citra pun harus sama. Contoh data citra ditunjukkan pada Gambar 4.
X1
Lapisan Masukan Lapisan Pola Lapisan
7 Pengumpulan
Data Citra
Pra-Proses Citra
Ekstraksi Ciri
Data
Latih Data Uji
Klasifikasi
Evaluasi & Analisis Hasil KNN dan PNN
Gambar 3 Skema penelitian
Gambar 4 Contoh data citra
Praproses Data
Data yang telah dikumpulkan masih mempunyai resolusi yang tinggi. Oleh karena itu perlu diubah ke resolusi yang lebih kecil dengan tetap mempertahankan kualitas citra. Data citra tersebut juga masih dalam format warna RGB, oleh sebab itu perlu diubah dalam format grayscale agar lebih mudah dalam hal pemrosesan data karena citra grayscale membutuhkan sedikit informasi yang diberikan pada tiap pixel dibandingkan dengan citra format RGB. Contoh citra grayscale ditunjukkan pada Gambar 5. Proses konversi dalam format grayscale dapat menggunakan rumus:
Pixel = 0.2989 × R + 0.5870 × G + 0.1140 × B
8
Dengan R, G, dan B merupakan intensitas dari masing-masing warna merah, hijau, dan biru pada citra. Setelah dilakukan konversi citra RGB ke grayscale kemudian citra dibersihkan dari noise dengan menggunakan median filter. Dengan metode ini diharapkan dapat mengurangi noise yang timbul pada sebuah data digital, sehingga gambar yang dihasilkan dapat lebih baik.
Deteksi Tepi
Setelah dibersihkan dari noise, selanjutnya akan dilakukan deteksi tepi. Setiap objek yang ada pada citra akan dideteksi menggunakan algoritma Canny. Algoritma ini dipilih karena cukup baik dalam mendeteksi tepi. Selain memiliki kemampuan untuk meletakkan dan menandai semua tepi yang ada, algortima Canny juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai dengan yang kita inginkan. Contoh hasil deteksi tepi Canny dapat dilihat pada Gambar 6.
Gambar 6 Contoh hasil deteksi tepi Canny
Segmentasi Citra
Segmentasi pada citra masukan dilakukan agar karakter pada citra plat nomor bisa dikenali satu per satu dan mengeliminasi objek-objek yang tidak diperlukan. Hal ini dilakukan dengan cara melakukan segmentasi citra berdasarkan area. Objek yang memiliki citra yang terhubung akan dianggap sebagai satu area. Pada penelitian ini, untuk mendeteksi pixel-pixel yang terhubung digunakan metode 8-connected. Tiap area yang didapat kemudian dihitung luasnya. Kemudian luas area tersebut dibandingkan dengan batas minimum luas area. Jika luas area lebih dari batas minimum maka area tersebut akan diaggap sebagai satu karakter. Contoh hasil segmentasi citra plat nomor bisa dilihat pada Gambar 7.
Gambar 7 Contoh hasil segmentasi citra
Ekstraksi Ciri
Tahapan ini dilakukan untuk mendapatkan fitur yang menjadi ciri dari setiap karakter pada plat nomor. Fitur tersebut nantinya akan menjadi acuan dalam proses klasifikasi dan pengenalan pola. Dalam penelitian ini pendekatan yang digunakan adalah ekstraksi fitur berbasis area yaitu ICZ.
Sebelum dilakukan tahapan pada metode ini harus dipastikan bahwa setiap karakter yang ada memiliki ukuran yang sama. Kemudian dihitung nilai centroidnya dengan rumus sebagai berikut:
9
Setelah didapatkan nilai centroid dari tiap karakter, citra karakter tersebut akan dibagi menjadi beberapa bagian sama besar. Pada penelitian ini digunakan jumlah zona 14. Kemudian dilakukan perhitungan jarak pada tiap pixel di suatu zona terhadap koordinat centroid citra karakter, selanjutnya dihitung rata-rata jaraknya. Untuk mencari jarak antara centroid dengan koordinat pixel digunakan metode Euclidean.
Hal ini dilakukan untuk keseluruhan zona yang ada pada citra, nilai rata-rata inilah yang merupakan ciri citra hasil ektraksi ICZ. Banyaknya nilai ciri dari hasil ekstraksi ICZ tersebut adalah sebanyak jumlah zona. Gambar 8 berikut adalah ilustrasi letak centroid, pembagian zona, dan perhitungan jarak pada ekstraksi ciri ICZ.
Gambar 8 (a) Letak koordinat centroid, (b) Pembagian zona sebanyak 4 zona, (c) Perhitungan jarak pixel dengan centroid
K-Fold Cross Validation
Data yang sudah melalui proses ekstraksi ciri kemudian akan dibagi menjadi data latih dan data uji dengan menggunakan k-fold cross validation. Nilai k yang digunakan adalah 5 sehingga akan diperoleh 5 buah fold, yaitu fold1, fold2, fold3, fold4 dan fold5. Pembagian fold terlihat seperti pada Tabel 1.
Tabel 1 Pembagian fold
10
K-Nearest Neighbour (KNN)
Proses klasifikasi dengan KNN dilakukan menggunakan data latih hasil ekstraksi ciri yang sebelumnya sudah dibagi menggunakan k-fold cross-validation. Dalam melakukan pelatihan dan pengujian data, karakter akan diambil satu per satu dari kumpulan citra yang ada.
Dalam proses klasifikasi sebelumnya harus ditentukan dahulu nilai k, yaitu jumlah tetangga terdekat yang akan dilihat kelasnya untuk menentukan kelas terbanyak yang merupakan kelas dari titik baru. Nilai k akan sangat berpengaruh pada akurasi hasil klasifikasi.
Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum, nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi kabur. Nilai k yang akan dicobakan pada penelitian ini adalah 1, 3, 5, 7, dan 9.
Probabilistic Neural Network (PNN)
Probabilistic neural network (PNN) merupakan JST yang dirancang menggunakan ide dari teori probabilitas klasik seperti pengklasifikasian Bayes dan penduga kepekatan peluang Parzen. PNN memperkirakan fungsi kepekatan peluang untuk masing-masing kelas yang didasarkan pada data pelatihan.
Cara kerja PNN secara sederhana dijelaskan seperti berikut. Saat input masuk, pattern layer akan menghitung jarak vektor pengujian ke vektor pelatihan dan menghasilkan vektor yang mengindikasikan seberapa dekat input ke vektor pelatihan. Pada summation layer, akan dijumlahkan kontribusi dari masing-masing kelas input untuk menghasilkan probabilitas vektor output. Terakhir pada output layer, fungsi transfer compete akan mengambil nilai maksimum dari vektor output, dan menghasilkan nilai satu untuk kelas tersebut dan nilai nol untuk kelas lainnya (Buono, et al 2004).
Kelebihan algoritma PNN adalah kemudahan yang diberikan untuk memodifikasi jaringan ketika dilakukan penambahan atau pengurangan data pelatihan yang digunakan.
Analisis dan Evaluasi
Tahapan ini merupakan tahapan terakhir dalam mengevaluasi kelebihan serta kekurangan dari metode yang digunakan. Proses perhitungan akurasi hasil klasifikasi menggunakan rumus seperti berikut.
A asi dengan:
= jumlah citra yang berhasil terdekteksi
11
Lingkungan Penelitian
Lingkungan yang digunakan untuk penelitian ini memiliki spesifikasi sebagai berikut :
Perangkat keras:
1 Processor Intel Core i5 @2.40GHz, 2 RAM kapasitas 4 GB,
3 Harddisk kapasitas 500 GB, Perangkat lunak:
1 Sistem operasi Microsoft Windows 7 Ultimate Service Pack 2 32-bit 2 MATLAB R2008b.
HASIL DAN PEMBAHASAN
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.
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
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
15 Tabel 2 Akurasi pengujian karakter menggunakan KNN
Subset k=1 k=3 k=5 k=7 k=9
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)
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%
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.
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.
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
19 F1504CE F15004CE F15004CE
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%
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.
21 Shapiro LG, Stockman GC. 2001. Computer Vision. New Jersey (US): Prentice
Hall.
22
LAMPIRAN
Lampiran 1 Pola karakter ekstraksi ciri ICZ
Pola karakter 0 Pola karakter 1 Pola karakter 2
Pola karakter 3 Pola karakter 4 Pola karakter 5
Pola karakter 6 Pola karakter 7 Pola karakter 8
Pola karakter 9 Pola karakter A Pola karakter B
23 Lampiran 1 Lanjutan
Pola karakter F Pola karakter G Pola karakter H
Pola karakter I Pola karakter J Pola karakter K
Pola karakter L Pola karakter M Pola karakter N
Pola karakter O Pola karakter P Pola karakter Q
24
Lampiran 1 Lanjutan
Pola karakter U Pola karakter V Pola karakter W
25 Lampiran 2 Contoh karakter yang gagal teridentifikasi
Karakter Tetangga
terdekat
26
Lampiran 3 Hasil deteksi plat nomor
No. Plat Hasil Deteksi
7 B1192POT 81192P0T 81192P0T
8 B1202TJC B1202TJC B1202TJC
9 B1444MQ B1444MQ B1444MQ
10 B1459MH B1459MN B1459MN
11 B1506OH B1506OH B1506OH
12 B1559QB O45DG8 O05DG8
13 B1591BFS 1Q8Y8FS 108Y8FS
14 B1633ZFB B1633ZFB B1633ZFB
15 B1664ZR 8664XR 8664XR
16 B1710RFY 81710RY 81710RY
17 B1731SFR B1731SFR B1731SFR
18 B1822UKB B1822UKB B1822UKB
19 B1868BOD B1868BOD B1868BOD
20 B1880KKO B188DKKO B188DKKO
21 B1950NFN B1950NFN B1950NFN
27
43 F1504CE F15004CE F15004CE
44 F1504FQ F1504FQ F1504FQ
A. Hasil deteksi menggunakan metode KNN
Total hasil deteksi benar dengan toleransi kesalahan 0 = 39 Nilai akurasi dengan toleransi kesalahan 0 = 60.00%
Total hasil deteksi benar dengan toleransi kesalahan < 2 = 49 Nilai akurasi dengan toleransi kesalahan < 2 = 75.38% B. Hasil deteksi menggunakan metode PNN
Total hasil deteksi benar dengan toleransi kesalahan 0 = 38 Nilai akurasi dengan toleransi kesalahan 0 = 58.46%
28
RIWAYAT HIDUP
Penulis bernama lengkap Hafara Fisca Lahmurahma, lahir di Sragen pada tanggal 26 April 1988. Penulis merupakan anak pertama dari pasangan Joko Purwadi dan Siti Mudrikah.
