IDENTIFIKASI PLAT NOMOR DENGAN
PRINCIPAL
COMPONENT ANALYSI
S MENGGUNAKAN METODE
JARINGAN SYARAF TIRUAN PROPAGASI BALIK
IQBAL NURDIANSYAH SAID
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 Identifikasi Plat Nomor Dengan Principal Component Analysis menggunakan Metode Jaringan Syaraf Tiruan Propagasi Balik 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
IQBAL NURDIANSYAH SAID. Identifikasi Plat Nomor Dengan Principal Component Analysis Menggunakan Metode Jaringan Syaraf Tiruan Propagasi Balik. Dibimbing oleh Dr. Ir. AGUS BUONO, M.Si, M.Kom.
Seiring dengan sangat berkembangnya teknologi pengolahan citra digital (image processing) menjadikan pengenalan citra plat kendaraan bermotor menjadi salah satu teknik komputer yang banyak di kembangkan. Mengacu pada penelitian sebelumnya yang dilakukan oleh Lesmana (2012), penelitian tersebut menggunakan image centroid and zone (ICZ) untuk mengenali plat kendaraan yang dapat mereduksi plat dengan rata-rata 82,50%. Data plat yang digunakan pada penelitian ini adalah plat kendaraan bermotor yang ada pada lingkungan IPB Baranangsiang diambil menggunakan kamera handphone dengan resolusi 5 mega pixel (MP). Pada penelitian ini akurasi tebaik 40,99% lebih kecil dari pada penelitian sebelumnya. Dapat disimpulkan reduksi dengan Principal Component Analysis (PCA) tidak begitu baik untuk pengolahan citra pada plat nomor kendaraan.
Kata kunci: Jaringan Syaraf Tiruan, Propagasi Balik, Plat Nomor.
ABSTRACT
IQBAL NURDIANSYAH SAID. Identification Number Plate System Used Principal Component Analysis With Backpropagation Neural Network. Supervised by Dr. Ir. AGUS BUONO, M.Si, M.Kom.
Along with the very development of digital image processing technologies makes identification of motor vehicle plate image into one of the computer techniques which is often developed. Referring to the previous research done by Lesmana (2012), the research used the image centroid and zone (ICZ) to recognize vehicle plates that canreduce plates into the average with 82.50%. Data plate which is used in this research is plates on motor vehicles in Baranangsiang IPB taken by amobile phone camera with a resolution 5 megapixel (MP). In this research, the best accuracy is 40.99% smaller than the previous research. It can be concluded that the reduction by Principal Component Analysis (PCA) is not very good for image processing on vehicle number plates.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
IDENTIFIKASI PLAT NOMOR DENGAN
PRINCIPAL
COMPONENT ANALYSI
I MENGGUNAKAN METODE
JARINGAN SYARAF TIRUAN PROPAGASI BALIK
IQBAL NURDIANSYAH SAID
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Judul Skripsi :Identifikasi Plat Nomor Dengan Principal Component Analysis Menggunakan Metode Jaringan Syaraf Tiruan Propagasi Balik. Nama : Iqbal Nurdiansyah Said
NIM : G64076030
Disetujui oleh
Dr. Ir. Agus Buono, M.Si, M.Kom. Pembimbing
Diketahui oleh
Dr. Ir. Agus Buono, M.Si, M.Kom. Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Maret 2010 ini ialah kekeringan, dengan judul Sebaran Indeks Kekeringan Wilayah Jawa Barat.
Terima kasih penulis ucapkan kepada Bapak Musthofa, S.Kom, M.Sc selaku pembimbing pertama yangdengan sabar membimbing, memberi saran dan masukan dalam menyelesaikan skripsi ini dan juga penulis ucapkan kepada Bapak Dr. Ir. Agus Buono, M.Si, M.Kom yang telah bersedia menjadi pembimbing pengganti dari pembimbing pertama. Di samping itu, rasa terima kasih juga penulis sampaikan kepada Ayah, Ibu, serta seluruh keluarga Rifyal Ka’ bah, Saidah Azzahrah, Abdul Basith, dan Fathiya Muslimah, atas segala doa dan kasih sayangnya. Terima kasih juga penulis sampaikan kepada seseorang yang telah mendukung dan memberikan semangat sampai selesainya skripsi ini Amelia Dwi Citra, kepada teman-teman Ekstensi Ilkom Angkatan 2 Muhammad Luthfi, Wanodya Eka Pramesti(Wanda), Imam Prasetyo Utomo, dan teman-teman yang tidak bisa semuanya disebutkan disini, terima kasih atas kebersamaannya dan bantuannya.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL ... vi
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN ... .1
Latar Belakang ... 1
Tujuan Penelitian ... 1
Manfaat Penelitian ... 1
Ruang Lingkup Penelitian ... 2
METODE ... 2
Pengumpulan Data ... 3
Praproses Citra ... 3
Restorasi dan Perbaikan Citra ... 3
Deteksi Tepi ... 3
Segmentasi Citra ... 3
Pemilihan Ciri ... 4
PCA ... 4
Klasifikasi Citra ... 4
Evaluasi dan Analisis Hasil ... 4
Lingkungan Pengembangan Sistem ... 5
HASIL DAN PEMBAHASAN ... 5
Pengumpulan Data ... 5
Praproses Citra ... 5
Deteksi Tepi ... 6
Segmentasi Citra ... 6
Normalisasi Citra ... 7
Ekstraksi Ciri ... 8
Klasifikasi Citra ... 8
Pengujian Karakter ... 9
Pengujian Plat ... 10
Kesimpulan ... 11
Saran ... 11
DAFTAR PUSTAKA ... 12
LAMPIRAN ... 13
DAFTAR GAMBAR
Skema metode penelitian ... 2
Data sampel ... 5
Hasil deteksi tepi canny ... 6
labeling pada angka nol ... 7
gambar proses segmentasi ... 7
Normalisasi karakter ... 8
Akurasi pengujian karakter ... 10
Akurasi pengujian plat ... 10
DAFTAR LAMPIRAN
Pengujian karakter dengan 30 hidden layer ... 13Pengujian karakter dengan 40 hidden layer ... 14
Pengujian karakter dengan 50 hidden layer ... 15
Hasildeteksi karakter dibawah 60% 30 hidden layer ... 16
Hasildeteksi karakter dibawah 60% 40 hidden layer ... 16
Hasil deteksi karakter dibawah 60% 30 hidden layer ... 16
Hasil deteksi plat dengan pengujian pertama ... 17
1
PENDAHULUAN Latar Belakang Masalah
Saat ini teknologi pengolahan citra digital (image processing) sangat berkembang seiring dengan kemajuan teknologi. Kendaraan juga telah menjadi aspek penting dalam kehidupan saat ini semua kendaraan harus memiliki identitas (plat). Salah satu cara untuk mengidentifikasi kendaraan bermotor adalah dengan dilihat dari plat nomornya. Plat nomor juga disebut plat registrasi kendaraan, atau di Amerika Serikat dikenal sebagai plat izin (license plate). Bentuknya berupa potongan plat logam atau plastik yang dipasang pada kendaraan bermotor sebagai identifikasi resmi yang diletakkan di depan dan belakang bagian kendaraan.
Sistem deteksi dan pengenalan plat nomor kendaraan bermotor secara otomatis telah menjadi suatu aplikasi yang sangat penting dalam bidang computer vision. Sistem ini dapat digunakan dalam berbagai aplikasi seperti koleksi data plat mobil yang melewati jalan tol, traffic surveillance, sistem keamanan parkir dan sistem lainnya yang membutuhkan pengenalan plat.
Sebelumnya juga telah dilakukan banyak penelitian mengenai hal ini dan masih terus dikembangkan untuk mencari metode terbaik dalam memecahkan permasalahan ini.Wahyono (2009) mencoba menggunakan jaringan syaraf tiruan Learning Vector Quantization sebagai metode klasifikasi. Sedangkan metode ekstraksi fitur berdasarkan blok pada penelitian tersebut masih banyak kesalahan pada metode ekstraksi fitur, namun tingkat keberhasilan yang didapat masih cukup besar yaitu 78%. Lesmana (2012) mencoba menggunakan jaringan syaraf tiruan backpropagation sebagai metode klasifikasi dan image centroid zone (ICZ) sebagai ekstraksi ciri. Dari penelitian tersebut didapat rata-rata akurasi lebih baik 82,50%.
Sehubungan dengan itu, penelitian ini dilakukan dengan menggunakan jaringan syaraf tiruan backpropagation sebagai metode klasifikasi. Adapun principal component analysis (PCA) digunakan sebagai pemilihan ciri mengacu pada penelitian sebelumnya yang dilakukan oleh Lesmana (2012).
Oleh karena itu, pada penelitian ini dilakukan percobaan dengan menggunakan metode pemilihan ciri principal component analysis (PCA) dan jaringan syaraf tiruan backpropagation untuk dapat dikembangkan menjadi metode yang lebih baik.
Tujuan Penelitian
Tujuan dilakukannya penelitian ini adalah untuk :
1. Menerapkan metode principal component analysis (PCA) untuk melakukan pemilihan ciri pada citra plat nomor kendaraan, dan jaringan syaraf tiruan backpropagation.
2. Menguji tingkat akurasi dari metode yang digunakan.
Manfaat Penelitian
2
otomatis. Dengan itu pada akhirnya dapat menjadi solusi permasalahan pencatatan data kendaraan, khususnya di Indonesia.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini terbatas pada :
1. Plat nomor yang dikenali hanya plat nomor mobil selain militer.
2. Data yang diolah berasal dari citra dengan format JPEG dari penelitian sebelumnya yang dilakukan oleh Lesmana (2012).
3. Plat nomor yang digunakan dalam penelitian adalah plat dengan warna dasar hitam dan warna karakter putih atau kuning.
4. Karakter yang dikenali adalah huruf alfabet kapital (A sampai Z) dan angka (0 sampai 9).
5. Pemotretan plat dilakukan dari depan atau belakang kendaraan secara berhadapan lurus.
METODE
Untuk dapat melakukan penelitian yang baik, maka diperlukan sebuah metode penelitian yang baik dan terencana. Pada penelitian ini akan dilakukan identifikasi karakter pada plat nomor kendaraan bermotor. Skema metode penelitian ini dapat dilihat pada Gambar 1.
START
PRA-PROCESSING CITRA
EKSTRAKSI CIRI PCA
DATA LATIH DATA UJI
PELATIHAN
MODEL JST PENGUJIAN
HASIL
ANALISA
END
CITRA PENGUMPULAN DATA
3
Pengumpulan Data
Data yang digunakan pada penelitian ini merupakan data yang sama yang digunakan oleh Lesmana (2012), berupa citra yang diambil menggunakan kamera handphone dengan resolusi sebesar 5 MP.
Pra-proses citra
Agar citra dapat dilakukan pemilihan dan dilakukan pengenalan pola, maka perlu melalui tahap pra-proses terlebih dahulu. Data yang didapat dari proses pengumpulan sebelumnya merupakan citra dengan format warna RGB. Dalam proses identifikasi karakter pada plat nomor tidak perlu memperhatikan perbedaan warna RGB. Oleh karena itu, akan lebih efisien jika diubah ke dalam format grayscale. Proses konversi dalam format grayscale dapat menggunakan rumus:
Grayscale = 0.2989 * R + 0.5870 * G + 0.1140 * B
Dimana R, G, dan B merupakan intensitas dari masing-masing warna merah, hijau, dan biru pada citra. Dengan mengkonversi format warna ke grayscale tentu saja dapat mempercepat komputasi pada tahap berikutnya (Gonzales, et al 2003).
Restorasi dan Perbaikan Citra
Pada dasarnya citra yang diambil menggunakan sebuah kamera terkadang memiliki noise yang dapat mengurangi kualitas citra dan menghilangkan informasi yang diperlukan dalam proses pengenalan karakter. Oleh karena itu, perlu dilakukan restorasi menggunakan filter yang ada, salah satunya adalah filter median yang cukup efisien dalam merestorasi citra dengan noise bertipe salt & pepper. Untuk lebih meningkatkan kualitas citra juga dapat dilakukan proses sharpening atau smoothing sesuai dengan kebutuhannya.
Deteksi Tepi
Jika citra sudah bersih dari noise, maka selanjutnya dilakukan proses pendeteksian tepi. Algoritma deteksi tepi Canny kuat terhadap noise dan pada saat yang sama dapat mendeteksi tepi dengan error yang kecil (Acharya & Ray 2005). 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 sesuai dengan pemilihan parameter-parameter konvolusi yang dilakukan, algoritma Canny juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai dengan yang kita inginkan.
Segmentasi Citra
4
mendeteksi apakah suatu pixel terhubung dengan pixel tetangganya menggunakan metode 8-connected.
{(x-1, y-1), (x-1,y), (x-1,y-1), (x,y-1), (x,y+1), (x+1,y-1), (x+1,y), (x+1,y+1)}
Selanjutnya akan ditentukan suatu batas yang menjadi acuan untuk menduga apakah objek tersebut merupakan karakter atau bukan berdasarkan luas areanya.
Pemilihan 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 pemilihan fitur berbasis area, yaitu Principel Component Analysis
PCA
Data yang dimasukkan pada ekstraksi ciri PCA haruslah dalam bentuk vektor. Matriks gambar harus divektorisasi dahulu sebelum dapat dipilih cirinya. Semua vektor kemudian akan digabungkan dalam satu matriks besar. Matriks baru ini selanjutnya akan dipilih cirinya menggunakan fungsi PCA yang telah ada dalam Matlab.
Pemilihan Citra
Untuk dapat mengklasifikasikan karakter pada plat nomor diperlukan suatu struktur neural network dengan output sebanyak 36 (26 huruf dan 10 angka). Input yang diperlukan akan bergantung pada banyaknya elemen vektor yang dihasilkan pada tahap pemilihan ciri di atas.
Dalam melakukan pelatihan dan pengujian data, karakter akan diambil satu per satu dari kumpulan citra plat yang ada. Setiap karakter yang akan dilatih harus dipastikan memiliki luas area (dimensi) yang sama satu sama lain.
Jaringan syaraf tiruan dengan metode backpropagation cocok diterapkan dalam penelitian ini. Walaupun dalam komputasi metode ini terbilang cukup memakan waktu yang lama, namun justru metode tersebut yang diperlukan untuk menutupi apabila terjadi kekurangan pada proses pemilihan ciri.
Evaluasi dan Analisis Hasil
Tahap ini merupakan tahap terakhir untuk mengevaluasi kekurangan dan kelebihan dari metode yang digunakan. Hal tersebut dilihat dari perbandingan hasil klasifikasi citra dengan nomor polisi aslinya. Hasil yang tidak sesuai maupun sesuai dicatat untuk menentukan seberapa besar akurasi dari metode ini. Untuk menghitung akurasi dapat menggunakan rumus:
nbenar : Jumlah citra yang dideteksi benar.
5
Lingkungan Pengembangan Sistem
Proses pengerjaan penelitian ini menggunakan perangkat keras dan perangkat lunak dengan spesifikasi perangkat keras berupa notebook sebagai berikut:
Dalam penelitian ini tentunya data yang diperlukan adalah data berupa citra. Data tersebut didapat dengan melakukan pemotretan mobil sebanyak 100 unit dan secara otomatis akan didapatkan pula 100 buah citra plat nomor yang unik. Pemotretan dilakukan di halaman parkir kampus IPB Baranangsiang, Bogor.
Dari 100 buah citra yang ada kemudian diambil potongan karakter yang mewakili angka dan huruf pada plat nomor. Untuk masing-masing karakter diambil secara unik dan acak sebanyak 50 buah. Seperti kita ketahui, jumlah angka (0-9) dan huruf (A-Z) yang ada adalah 36 karakter, berarti akan didapat 1800 karakter yang nantinya akan dijadikan sebagai data latih dan data uji. Selain itu, citra plat nomor yang ada juga akan dijadikan sebagai data uji. Contoh data sampel dapat dilihat pada Gambar 2.
Gambar 2 Data sample
Pra-proses Citra
Foto yang didapat dari proses pengumpulan data tidak semuanya memiliki kualitas yang baik. Sangat memungkinkan ditemukan noise yang dapat mengurangi akurasi dalam pendeteksian karakter. Selain itu masih banyak informasi pada citra yang tidak dibutuhkan dan dapat memperlambat proses pendeteksian. Untuk itu perlu dilakukan optimalisasi, sehingga pada akhirnya data yang ada sudah siap untuk diproses.
6
konversi tersebut dilakukan dengan menghilangkan informasi hue dan saturation, sedangkan informasi luminance pada citra dipertahankan.
Langkah berikutnya adalah membersihkan noise menggunakan media filter. Metode ini sangat cocok untuk menghilangkan noise berupa salt & pepper. Jika kita melihat dengan kasat mata salt & pepper akan terlihat seperti bintik warna hitam atau putih. Kali ini digunakan media filter dua dimensi dengan batas matriks 3x3. Nilai pixel akan dirubah dengan membandingkan pixel tujuan dengan pixel tetangga, kemudian dicari nilai tengah dari pixel tersebut. Banyaknya pixel yang dibandingkan tergantung pada ukuran matriks yang telah ditentukan sebagai batasnya.
Deteksi Tepi
Proses deteksi dilakukan menggunakan metode canny’s edge detection dengan threshold 0,5. Nilai threshold ini mempengaruhi seberapa detail proses deteksi tepi yang akan dilakukan. Hal ini merupakan salah satu kelebihan dari metode canny.
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. Hasil deteksi tepi menggunakan metode canny pada salah satu plat nomor dapat dilihat pada Gambar 3.
Gambar 3 Hasil deteksi tepi canny
Segmentasi Citra
Segmentasi citra dilakukan untuk memisahkan informasi yang akan diproses lebih lanjut. 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.
Langkah-langkah yang dilakukan dalam melakukan proses segmentasi adalah:
1. Langkah pertama dengan melakukan labeling, yaitu pengelompokan pixel yang terhubung dengan memperhatikan 8 pixel tetangganya. Setiap pixel yang terhubung akan dikelompokan dan diberi label.
7 3. Langkah berikutnya semua label yang memenuhi syarat berarti dianggap sebagai karakter. Permasalahan berikutnya yang muncul adalah adanya label yang seharusnya merupakan satu karakter utuh, namun komputer tidak langsung mengenali label tersebut sebagai satu karakter yang utuh. Sebagai contoh pada angka 0 (nol), angka tersebut secara visual diwakili oleh dua buah elips. Karena algoritma labeling yang dilakukan adalah memeriksa pixel yang terhubung, sedangkan pada angka 0 (nol) terlihat jelas bahwa dua buah elips terpisah jauh. Sehingga secara otomatis elips tersebut dianggap sebagai label yang berbeda. Ilustrasi permasalahan tersebut dapat dilihat pada Gambar 4.
Gambar 4 Ilustrasi labeling pada angka nol
Hal tersebut berlaku bagi setiap karakter yang memiliki kondisi seperti angka 0 (nol). Untuk menangani permasalahan tersebut solusinya 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. Ilustrasi proses pada segmentasi dapat dilihat pada Gambar 5.
Gambar 5 Proses segmentasi
Normalisasi Citra
8
tidak akan merusak informasi yang diperlukan pada tahapan pemilihan ciri. Gambar 6 menunjukan perubahan beberapa karakter.
Gambar 6 Normalisasi karakter
Pemilihan Ciri
Sesuai dengan metode penelitian pemilihan ciri yang digunakan adalah pendekatan principal component analysis (PCA). Tahap pertama yang dilakukan ialah dengan menggunakan fungsi Matlab processpca(), sebelum menggunakan PCA image yang telah dinormalisasi diubah menjadi satu kumpulan vektor 1440 x 2200, dimana nilai variabel berjumlah1440 dan nilai observasi berjumlah 2200. Menggunakan maximum fraction of variance (maxfrac) 0.1 dan 0.2, maxfrac adalah nilai maksimal dari sebuah varian yang diambil dalam sebuah observasi.
Kemudian setelah dilakukan proses PCA menggunakan maxfrac 0.1 (10%) membuang nilai observasi di atas 10% yang tidak mewakili dari citra sehingga menghasilkan sebuah matriks berukuran 12 x 1440 dan menggunakan PCA 0.2 (20%) dengan membuang nilai observasi di atas 20% yang tidak mewakili citra menghasilkan sebuah matriks berukuran 4 x 1440. Dengan demikian yang akan menjadi input layer pengklasifikasi adalah 12 dan 4.
Klasifikasi Citra
Pada proses ini dilakukan tahap pelatihan data dan tahap pengujian. Untuk tahap pelatihan dilakukan terhadap hasil pemilihan 1440 citra yang terdiri dari 36 karakter dan untuk setiap karakter diambil 40 sampel. Tersisa masing-masing 10 sampel untuk semua karakter.
Penentuan data uji dan data latih ini dengan membagi data uji dan data latih, dengan komposisi 10% dari data untuk data uji dan 90% dari data untuk data latih. Untuk setiap subset data latih akan dibentuk menjadi matriks data latih dengan ukuran 36 x 1440, dimana angka 36 mewakili jumlah angka dan huruf pada proses ekstraksi ciri dan 1440 adalah banyaknya sampel karakter. Matriks data latih ini akan dipasangkan dengan matriks target dengan ukuran 1440 x 36, dimana 1440 merupakan target dari masing-masing angka dan huruf yang diambil dan 36 data yang mewakili angka dan huruf.
9 yang telah dibentuk, maka didapat jaringan syaraf tiruan yang digunakan untuk melakukan proses pengujian data. Pengujian dilakukan terhadap masing-masing karakter dan juga pada plat nomor secara utuh.
Pengujian Karakter
Hasil akurasi dari pengujian ini tentunya akan berbeda-beda bergantung terhadap performa disetiap proses pelatihan. Bahkan dalam mendeteksi karakter, masing-masing JST memiliki akurasi yang berbeda-beda dan hanya untuk beberapa karakter tertentu memiliki hasil yang baik. Tertera pada Lampiran 1, 2 dan 3 yang merupakan gabungan dari tiga subset untuk masing-masing JST.
Setiap karakter diuji sebanyak 10 kali, namun dari semua pengujian tersebut masih ada beberapa karakter yang akurasinya terbilang rendah. Hasil deteksi dari JST dengan hidden layer sebanyak 40 unit yang diacu pada Lampiran 4 akan dijadikan sebagai contoh kasus untuk menganalisa permasalahan akurasi yang rendah tersebut, yaitu masih dibawah 60%.
Pada Lampiran 2 merupakan data hasil pengujian dengan 40 hidden layer, terlihat ada karakter yang salah dalam pengujiannya. Karakter yang tidak tepat dalam pengujiannya yaitu 0, 1, 2, 3, 5, 8 dan G. Lampiran 4 menunjukan hasil deteksi dari ketujuh karakter tersebut. Kesalahan deteksi pada Lampiran 4 dikarenakan data latih yang kurang baik. Dapat kita lihat juga hasil deteksi dari masing-masing hidden layer pada Lampiran 4.
Hasil praproses yang kurang baik dapat mempengaruhi hasil ekstraksi dan tentu saja pola yang didapat pun tidak akan mirip, terlihat pada Gambar 7.
Gambar 7 Hasil praproses yang kurang baik.
10
Gambar 8 Hasil akurasi pengujian karakter
Pengujian Plat
Gambar 8 hanya menunjukan tingkat akurasi JST bagi setiap kelas atau karakter yang ada. Pengujian juga harus dilakukan terhadap plat secara utuh. Tentunya akurasi pengujian terhadap plat ini akan lebih kecil bila dibandingkan dengan akurasi setiap karakter. Oleh karena itu, jika terjadi kesalahan deteksi pada salah satu karakter yang ada pada plat, maka pendeteksian itu dianggap salah.
Pengujian terhadap 22 plat nomor kendaraan dilakukan menggunakan 3 JST dengan maxfrac 0.1 yang sudah dibuat terlebih dahulu pada tahap pelatihan. Pengujian dilakukan dengan 2 penilaian, yaitu:
1. Plat yang diuji harus benar tanpa ada satu karakter yang salah.
11 Gambar 9 Hasil pengujian plat
Berdasarkan hasil pengujian plat dengan penilaian kedua pada Gambar 9 terlihat bahwa tingkat akurasi tertinggi terjadi pada JST menggunakan 30 hidden layer, yaitu sebesar 40,99%. Akurasi tertinggi ini berbeda ketika melakukan pengujian karakter, akurasi tertinggi pada pengujian karakter adalah dengan menggunakan 40 hidden layer. Dapat kita lihat pada Lampiran 6 pengujian plat dengan menggunakan 40 hidden layer menghasilkan akurasi 13%, hasil yang kurang baik pada pengujian plat dengan 40 hidden layer karena pada pengujian karakter dengan hidden layer 40 kurang baik dalam mendeteksi nilai angka.
Sedangkan dengan cara penilaian pertama hasil pengujian tidak lebih baik dari yang kedua karena tidak ada toleransi kesalahan. Hasil dari pengujian plat dapat kita lihat pada lampiran 5 dengan 30 hidden layer tingkat akurasi tertinggi 13.63%, 50 hidden layer mendapatkan akurasi 9.09%, dan 40 hidden layer sama sekali tidak dapat mendeteksi plat karena seluruh data tidak dapat terdeteksi.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan dapat diambil kesimpulan sebagai berikut:
1. Dengan menggunakan metode PCA tidak dapat diimplementasikan dengan baik untuk pengenalan identifikasi plat nomor
2. Klasifikasi dengan hidden layer 40 menggunakan maxfrac 0.1 menghasilkan klasifikasi citra lebih baik yaitu 70%, dibandingkan dengan hidden layer 30 dan 40 dengan maxfrac yang sama menghasilkan 63% dan 64%.
Saran
12
DAFTAR PUSTAKA
Acharya T, Ray A K.. 2005. Image Processing Principles and Applications. Canada: Willey Interscene.
Fausett L. 1994. FundamentalofNeuralNetworkArchitectures, Algorithms and Aplication. New Jersey: Prentice Hall.
Gonzales RC, Woods RE, Eddins SL. 2003. Digital Image Processing Second Edition.Prentice Hall : Upper Saddle River, NJ.
Lim R, et al. Sistem Pengenalan Plat Nomor Mobil Dengan Metode Principal Component Analysis [Skripsi]. Teknik Elektro Fakultas Teknologi Industri, Universitas Kristen Petra.
Rizki A, Nugroho A S, dkk. 2010. Connected Component Analysis Sebagai Metode Pencarian Karakter Plat Dalam Sistem Pengenalan Plat Nomor Kendaraan [Skripsi]. Surabaya: Teknik Informatika, Fakultas Sains dan Teknologi ,Universitas Al-Azhar.
Lesmana A. 2012. Identifikasi Plat Nomor dengan menggunakan image centroid zoce dengan metode Klasifikasi Propagasi Balik[Skripsi]. Bogor :Ilmu Komputer, Institut Pertanian Bogor.
Setiawan A. 2008. Sistem Pengenalan Plat Nomor Mobil Untuk Aplikasi Informasi Karcis Parkir[Skripsi]. Surabaya : Teknik Komputer, Institut Teknologi Sepuluh Nopember.
Siang J J. 2005. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta : ANDI.
13
LAMPIRAN
Lampiran 1 pengujian karakter dengan 30 hidden layer.
14
Lampiran 2 pengujian karakter dengan 40 hidden layer.
15
Lampiran 3 pengujian karakter dengan 50 hidden layer.
17 Lampiran 5 hasil deteksi plat dengan pengujian pertama
Percobaan PLAT
Hidden Layer
30 40 50
1 B457UTY D857UTY B4B7UTY BWJ7UTY
2 B1163FY D1163FY BZ763FY 81163FY
3 B1459MH D1L59MH BP4W9MH B1LU6MH
4 B1506OH B1506OH BNU96OH B16060H
5 B2228LL DERMGLL BRBROLL BC378LL
6 B2833XY WRG33NY BRRRSXY B3833XY
7 B7044UR B70NLUR B7R44UR B70KWU0
8 B8966VD BB966ND BR966VD B8866VD
9 F1034HB F103LHD FW3R4HB F103LBB
10 F1139HI F1139HI FWW99HI F1138HI
11 F1440CG F1LLGCG FW44QCG F1AA0CC
12 F1490GJ F1N906J FW49GGJ B1WS06J
13 F1504FQ F150LFQ FNGQ4FQ F1U0WF0
14 F1512BI F151PBI FWUNRBI F1W13BI
15 F1549BM F15F9DM FZ749BM F16CSBM
16 F1622NL F16KENL FW6XXNL F16ZZNL
17 F1644HG F16LLH6 FY644H6 F16WTH0
18 F1697AU F1697TU FW697AU F1607AU
19 F1761CT F1761CT FN76WCT F1761CT
20 F1834CS F1C3NCS FZ994CS F183YCS
21 F1877CU F1677CU FNG77CU F1877CU
22 G8409AP G6Q091R CR4Q9AP C8W00AV
18
Lampiran 6 hasil deteksi plat dengan pengujian kedua Percobaan PLAT
Hidden Layer
30 40 50
1 B457UTY D857UTY B4B7UTY BWJ7UTY
2 B1163FY D1163FY BZ763FY 81163FY
3 B1459MH D1L59MH BP4W9MH B1LU6MH
4 B1506OH B1506OH BNU96OH B16060H
5 B2228LL DERMGLL BRBROLL BC378LL
6 B2833XY WRG33NY BRRRSXY B3833XY
7 B7044UR B70NLUR B7R44UR B70KWU0
8 B8966VD BB966ND BR966VD B8866VD
9 F1034HB F103LHD FW3R4HB F103LBB
10 F1139HI F1139HI FWW99HI F1138HI
11 F1440CG F1LLGCG FW44QCG F1AA0CC
12 F1490GJ F1N906J FW49GGJ B1WS06J
13 F1504FQ F150LFQ FNGQ4FQ F1U0WF0
14 F1512BI F151PBI FWUNRBI F1W13BI
15 F1549BM F15F9DM FZ749BM F16CSBM
16 F1622NL F16KENL FW6XXNL F16ZZNL
17 F1644HG F16LLH6 FY644H6 F16WTH0
18 F1697AU F1697TU FW697AU F1607AU
19 F1761CT F1761CT FN76WCT F1761CT
20 F1834CS F1C3NCS FZ994CS F183YCS
21 F1877CU F1677CU FNG77CU F1877CU
22 G8409AP G6Q091R CR4Q9AP C8W00AV
19
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta, pada tanggal 05 April 1986, dari pasangan Said Badarudin dan Yuniati Amran. Penulis merupakan putra pertama dari lima bersaudara. Penulis menjalani pendidikan SD di Bekasi, pada tahun 1996 melanjutkan pendidikan di Pondok Pesantren Husnul Khotimah Kuningan Jawa Barat. Pada tahun 2001 kemudian melanjutkan pendidikan di SMU Bani Saleh Bekasi dan Lulus pada tahun 2003. Pada tahun 2006 penulis menyelesaikan pendidikan pada program studi Diploma 3 Manajemen Informatika,STMIK Bani Saleh Bekasi. Penulis kemudian bekerja di beberapa perusahaan Pariwisata dan Konsultan IT di Jakarta dan Bank Syariah Mandiri.
