Anggridho Meilandanu, Susijanto Tri Rasmana, Pauladie Susanto
PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR
MENGGUNAKAN METODE DIAGONAL DISTANCE FEATURE
Anggridho Meilandanu1) Susijanto Tri Rasmana2) Pauladie Susanto3)
Program Studi/Jurusan Sistem Komputer Institut Bisnis dan Informatika Stikom Surabaya
Jl. Raya Kedung Baruk 98 Surabaya, 60298
Email: 1) [email protected] , 2) [email protected], 3) [email protected]
Abstract: Today, technological advances play an active role in everyday life. Comfortable and safety parking system would be satisfying if the used technology can make car registration easier and faster at park area. Therefore, this study intends to accelerate the process of data collection vehicle by using a camera or an image of a license plate that can be recognized as the data in clear text, so the parking attendant did not need to record the license plate characters manually. The input of this research is distance of four diagonals from each charachter measured using Diagonal Distance Feature and use Template Matching for recognition phase. Based on the results of the 30 testing plates, there are 193 characters. From these 193 characters, the segmentation step shows 100% succesfully result and only 45 charachters (23.3%) that can be recognized properly.
Keywords : Plat Nomor, Pengolahan Citra, Diagonal Distance. Tanda Nomor Kendaraan Bermotor (TNKB)
atau sering disebut plat nomor polisi (nopol) adalah plat alumunium kendaraan bermotor di Indonesia yang telah didaftarkan pada Kantor Bersama Samsat. Ukuran panjang TNKB untuk kendaraan roda 2 dan roda 3 sekarang ini 275 mm dengan lebar 110 mm, sedangkan untuk kendaraan roda 4 atau lebih memiliki ukuran panjang 430 mm dan lebar 135 mm.
Dalam penelitian ini objek yang digunakan adalah foto dari plat nomor yang nantinya dilakukan pengolahan citra pada citra plat nomor. Satuan atau bagian terkecil dari suatu citra disebut piksel (pixel atau picture element) yang berarti elemen citra. Piksel merupakan sampel dari pemandangan yang mengandung intensitas citra yang dinyatakan dalam bilangan bulat. Umumnya Citra dibentuk dari kotak-kotak persegi empat yang teratur sehingga jarak horizontal dan vertikal antar piksel adalah sama pada seluruh bagian citra ( Darma, 2010). Untuk menunjukkan lokasi suatu piksel, koordinat (0,0) digunakan untuk posisi kiri atas dalam bidang citra, dan koordinat (m-1,n-1) digunakan untuk posisi kanan bawah dalam citra berukuran mxn piksel. Untuk menunjukkan tingkat
pencahayaan suatu piksel, seringkali digunakan bilangan bulat yang besarnya 8-bit, dengan lebar selang nilai 0 – 255, di mana 0 untuk warna hitam, 255 untuk warna putih dan tingkat abu-abu berada diantara nilai-nilai 0 dan 255.
Untuk mengekstraksi ciri dari citra dilakukan dengan menggunakan metode Diagonal Distance Feature. Metode ini adalah metode ekstraksi fitur yang digunakan untuk mengenali suatu pola tulisan angka, atau symbol pada citra dengan menghitung jarak sudut diagonal hingga bertemunya piksel hitam pada citra (Das, 2006). Pada proses Diagonal Distance Feature, citra yang diperoleh dari proses cropping akan dilakukan penghitungan jarak di mulai dari sudut siku gambar dan berjalan terus secara diagonal hingga bertemu piksel hitam (Umam, 2015).
Sedangkan untuk proses pengenalannya menggunakan metode Template Matching. Pada dasarnya Template Matching adalah proses yang sederhana. Suatu citra masukan yang mengandung template tertentu dibandingkan dengan template pada basis data. Template ditempatkan pada pusat bagian citra yang dibandingkan dan dihitung seberapa banyak titik yang paling sesuai dengan JCONES Vol. 7, No. 1 (2018) 58-69
Journal of Control and Network Systems
template. Langkah ini diulangi terhadap keseluruhan citra masukan yang dibandingkan. Nilai kesesuaian titik yang paling besar antara citra masukan dan citra template menandakan bahwa template tersebut merupakan citra template yang paling sesuai dengan citra masukan (Pranadipa, dkk: 2013). Tingkat kesesuaian antara citra masukan dan citra template bisa dihitung berdasarkan nilai error terkecil dengan menggunakan persamaan.
min 𝑒 = ∑(x,y)eW(I𝑥,𝑦− T𝑥,𝑦) 2 (1)
I adalah pola pixel citra masukan yang akan dibandingkan. T adala pola pixel citra template. Template dengan nilai eror paling kecil adalah template yang paling sesuai dengan citra masukan yang dibandingkan. Ukuran objek yang beragam bisa diatasi dengan menggunakan template berbagai ukuran. Namun hal ini membutuhkan tambahan ruang penyimpanan. Penambahan template dengan berbagai ukuran membutuhkan komputasi yang besar. Jika suatu template berukuran persegi dengan ukuran m x m dan sesuai dengan citra yang berukuran N x N, dan dimisalkan pixel m2 sesuai dengan semua titik citra, maka
komputasi yang harus dilakukan adalah O (N2m2).
METODE
Dalam melakukan penelitian ini terdapat beberapa proses yang dikerjakan mulai dari input berupa gambar plat nomor yang masih dalam bentuk citra RGB hingga proses pengenalan karakter yang nantinya mendapatkan hasil berupa data dalam bentuk teks. Berikut blok diagram yang pada sistem yang ditunjukkan oleh gambar 1 dibawah ini:
Gambar Plat Nomor Citra Graycale Noise Filtering Citra Biner
Deteksi Tepi Morphology Filter Segmentasi citra Ekstraksi Ciri
Pengenalan Karakter Hasil Preprocessing
Gambar 1. Diagram Blok Sistem
Dalam mengerjakan Tugas Akhir ini, penulis hanya fokus pada 2 hal, yaitu yang pertama adalah proses ekstraksi fitur dengan menggunakan metode Diagonal Distance Feature dan proses pengenalan karakter menggunakan metode Template Matching.
Gambar plat nomor yang telah diambil citra kotak plat nomornya saja sebagai masukan akan diproses menjadi citra Grayscale. Selanjutnya dilakukan proses pengurangan derau atau Noise Filtering dengan menggunakan metode Gaussian Filter. Setelah proses Noise Filtering telah dilakukan, maka proses selanjutnya adalah proses Thresholding. Selanjutnya dilakukan proses deteksi tepi menggunakan metode Canny Edge Detection. Hasil dari proses deteksi tepi digunakan sebagai inputan untuk proses Morphological Operation yang menggunakan metode erosi dan dilasi untuk mengurangi citra karakter yang tidak diperlukan. Kemudian dilakukan proses segmentasi untuk mendapatkan citra karakter yang dibutuhkan untuk proses ekstraksi ciri citra dan proses pengenalan karakter.
A.
Preprocessing Citra Plat Nomor
Gambar plat nomor yang digunakan adalah gambar plat nomor yang sudah di potong bagian kotak plat nomornya saja. Seperti gambar 2 dibawah ini:
Gambar 2. Contoh plat nomor yang di proses Proses preprocessing citra plat nomor terdiri dari proses Grayscale, Noise Filtering, Thresholding, Edge Detection, dan Morphology Filter. Gambar masukan yang berupa gambar plat nomor yang masih memiliki citra RGB akan di proses menjadi citra Grayscale untuk mendapatkan derajat keabuan dari sebuah citra. Setelah itu dilakukan proses Noise Filtering dengan menggunakan metode Gaussian Filter, metode ini digunakan karena sangat cocok untuk menghilangkan noise yang dihasilkan oleh kamera. Berikut contoh citra Grayscale pada gambar 3 dan citra Gaussian Filter pada gambar 4.
Gambar 3. Citra Grayscale
Gambar 4. Noise Filtering menggunakan Gaussian Filter
Hasil dari Gaussian filter akan dijadikan inputan untuk proses Thresholding. Cara kerja proses Thresholding adalah dengan mengubah citra Grayscale yang telah dilakukan Noise Filtering menjadi citra biner yang hanya memiliki
nilai piksel 1 dan 0. Nilai piksel yang mempunyai derajat keabuan yang nilainya lebih kecil dari batas akan bernilai 0 dan yang lebih besar akan di beri nilai 1. Metode Thresholding yang digunakan adalah Otsu Thresholding tujuannya adalah untuk mendapatkan citra biner yang lebih baik, seperti contoh pada gambar 5.
Gambar 5. Metode Otsu Thresholding Proses Deteksi tepi citra dilakukan untuk mempermudah menemukan tepi atau kontur dari sebuah citra. Pada proses deteksi tepi ini, penulis menggunakan metode Canny Edge Detection. Hasil dari deteksi tepi di gunakan untuk proses Morphological Operation. Proses ini menggunakan metode Erotion dan Dilation yang digunakan untuk menyeleksi gambar yang tidak diperlukan. Gambar 6 merupakan contoh gambar hasil proses dilasi dan adapun Flowchart dari proses preprocessing ditunjukkan oleh gambar 7.
Gambar 6. Metode Dilation
start Gambar Plat Nomor Greyscale Noise Filtering Ubah ke Citra Biner Deteksi tepi Citra Proses Erosi dan Dilasi A
Gambar 7. Flowchart Preprocessing Citra
B.
Segmentasi Citra
Pada proses segmentasi karakter dari citra plat nomor, proses yang digunakan yaitu dengan membaca nilai piksel gambar secara terus menerus dari kiri ke kanan, kemudian turun ke baris
bawahnya hingga menemukan kandidat karakter yang dibutuhkan. Dalam hal ini citra masukan dari proses segmentasi hanya mempunyai nilai 1 atau 0, karena citra masukan diambil dari proses dilasi. Apabila dalam proses pencarian kandidat karakter bertemu dengan piksel yang bernilai 1, maka akan di simpan sebagai kandidat karakter. Dengan menggunakan bantuan metode CCA (Connected Component Analisys) dan Bounding Box, proses segmentasi bisa dijalankan. Contoh dari penggunaan metode CCA dan Bounding Box ditunjukkan oleh gambar 8 dan proses segmentasi yang berhasil dapat dilihat di gambar 9 di bawah ini, gambar 10 merupakan Flowchart dari proses segmentasi.
Gambar 8. Hasil Connected Component Analisys dan Bounding Box
Gambar 9. Hasil Proses Segmentasi
Citra Hasil Dilasi
Baca nilai piksel di mulai dari pojok atas kiri lalu ke kanan.
Seleksi kandidat karakter dengan bantuan metode Connected Component Analisys
Gambar kotak di tiap nilai (x,y) awal sampai (x,y) akhir kandidat karakter menggunakan Bounding Box
A1 A Panjang kotak > 40 & Lebar kotak > 30 YA Cetak ke penampung gambar berukuran (140x240) Tidak
Gambar 10. Flowchart Segmentasi Citra
C. Ekstraksi ciri menggunakan Diagonal
Distance Feature
Pada proses ekstraksi ciri ini menggunakan metode Diagonal Distance Feature dengan mencari nilai jarak 4 diagonal yang dihitung dari
tiap pojok suatu citra hingga bertemu nilai piksel putih. Pada tahun 2015, pernah dilakukan penelitian mengenai Ekstraksi FiturAngka Jawa Menggunakan Metode Diagonal Distance dan Longest Run Feature (Umam, 2015). Citra yang sebelumnya sudah melalui proses segmentasi dan menghasilkan suatu karakter tertentu yang telah di resize menjadi ukuran (140x240) pixel kemudian di ektraksi cirinya dengan menghitung jarak pojok kiri atas dari gambar dan akan di proses secara diagonal hingga nantinya bertemu nilai piksel putih. Pencarian diagonal dilakukan dengan cara scanning atau melakukan perulangan secara terus menerus sesuai dengan diagonal dalam program hingga bertemu dengan array yang memiliki nilai lebih besar dari 0, dan kemudian dicatat koordinat diagonal dan jaraknya.
Untuk diagonal pertama dicari dengan cara memulai perulangan pada kondisi x = 0 dan y = 0. Buat program untuk menaikkan kedua nilai (x,y) sesuai dengan diagonal kotak yang berukuran (140x240) ketika perulangan menemukan nilai lebih dari 0, maka hentikan perulangan, cetak lokasi koordinat saat ini. Pencarian jarak dilakukan dengan menerapkan rumus:
𝑑1 = √(𝑥 𝑎𝑘ℎ𝑖𝑟− 𝑥𝑎𝑤𝑎𝑙 )2+ (𝑦 𝑎𝑘ℎ𝑖𝑟− 𝑦𝑎𝑤𝑎𝑙)2 (2)
𝑥 𝑎𝑘ℎ𝑖𝑟 merupakan posisi koordinat x saat di
temukan array yang memiliki nilai lebih besar dari 0, 𝑥𝑎𝑤𝑎𝑙 adalah koordinat awal saat memulai proses
dimana 𝑥𝑎𝑤𝑎𝑙 = 0. Begitu pula dengan 𝑦 𝑎𝑘ℎ𝑖𝑟 dan
𝑦𝑎𝑤𝑎𝑙.
Diagonal kedua dicari dengan cara memulai perulangan pada kondisi x = 139 dan y = 0. Buat program untuk menaikkan nilai (x) dan menurunkan nilai (y) sesuai dengan diagonal kotak yang berukuran (140x240) ketika perulangan menemukan nilai lebih dari 0, maka hentikan perulangan, cetak lokasi koordinat saat ini. . Pencarian jarak dilakukan dengan menerapkan rumus:
𝑑2 = √(𝑥𝑎𝑤𝑎𝑙− 𝑥 𝑎𝑘ℎ𝑖𝑟)2+ (𝑦 𝑎𝑘ℎ𝑖𝑟− 𝑦𝑎𝑤𝑎𝑙)2 (3)
𝑥 𝑎𝑘ℎ𝑖𝑟 merupakan posisi koordinat x saat di
temukan array yang memiliki nilai lebih besar dari 0, 𝑥𝑎𝑤𝑎𝑙 adalah koordinat awal saat memulai proses
dimana 𝑥𝑎𝑤𝑎𝑙= 139. Begitu pula dengan
𝑦 𝑎𝑘ℎ𝑖𝑟 dan 𝑦𝑎𝑤𝑎𝑙 = 0.
Diagonal ketiga dicari dengan cara memulai perulangan pada kondisi x = 0 dan y = 239. Buat program untuk menaikkan nilai (y) dan menurunkan nilai (x) sesuai dengan diagonal kotak yang berukuran (140x240) ketika perulangan menemukan nilai lebih dari 0, maka hentikan perulangan, cetak lokasi koordinat saat ini. Pencarian jarak dilakukan dengan menerapkan rumus:
𝑑3 = √(𝑥 𝑎𝑘ℎ𝑖𝑟− 𝑥𝑎𝑤𝑎𝑙 )2+ (𝑦 𝑎𝑘ℎ𝑖𝑟− 𝑦𝑎𝑤𝑎𝑙)2 (4)
𝑥 𝑎𝑘ℎ𝑖𝑟 merupakan posisi koordinat x saat di
temukan array yang memiliki nilai lebih besar dari 0, 𝑥𝑎𝑤𝑎𝑙 adalah koordinat awal saat memulai proses
dimana 𝑥𝑎𝑤𝑎𝑙 = 0. Begitu pula dengan 𝑦 𝑎𝑘ℎ𝑖𝑟 dan
𝑦𝑎𝑤𝑎𝑙 = 239.
Diagonal keempat dicari dengan cara memulai perulangan pada kondisi x = 139 dan y = 239. Buat program untuk menurunkan nilai (x,y) sesuai dengan diagonal kotak yang berukuran (140x240) ketika perulangan menemukan nilai lebih dari 0, maka hentikan perulangan, cetak lokasi koordinat saat ini. Pencarian jarak dilakukan dengan menerapkan rumus:
𝑑4 = √(𝑥 𝑎𝑘ℎ𝑖𝑟− 𝑥𝑎𝑤𝑎𝑙 )2+ (𝑦 𝑎𝑘ℎ𝑖𝑟− 𝑦𝑎𝑤𝑎𝑙)2.... (4)
𝑥 𝑎𝑘ℎ𝑖𝑟 merupakan posisi koordinat x saat di
temukan array yang memiliki nilai lebih besar dari 0, 𝑥𝑎𝑤𝑎𝑙 adalah koordinat awal saat memulai proses
dimana 𝑥𝑎𝑤𝑎𝑙 = 139. Begitu pula dengan
𝑦 𝑎𝑘ℎ𝑖𝑟 dan 𝑦𝑎𝑤𝑎𝑙 = 239.
Seperti ilustrasi dari gambar 11, tiap diagonal memiliki pola perulangan yang berbeda untuk mendapatkan koordinat diagonal yang akan digunakan. Berikut Flowchart dari proses ekstraksi ciri seperti yang ditunjukkan gambar 12 di bawah ini.
Gambar 11. Ilustrasi Ekstraksi ciri menggunakan Diagonal Distance Feature
Ekstraksi ciri citra karakter menggunakan diagonal distance feature
Citra Hasil Segmentasi
A1
Tulis koordinat tiap diagonal
A2
D. Pengenalan karakter menggunakan
Template Matching
Proses pengenalan karakter menggunakan metode Template Matching menggunakan masukan berupa nilai hasil dari metode Diagonal Distance Feature. Nilai dari jarak 4 diagonal yang telah didapatkan dari tiap karakter yang telah di normalisasi, menjadi citra berukuran (140x240) piksel disimpan dalam suatu data template. Dalam data template, nilai jarak ke 4 diagonal tiap karakter di uji sebanyak 5 kali. Dari hasil 5 kali percobaan ini didapatkan nilai jarak 4 diagonal masing-masing karakter yang dijadikan masukan untuk pengenalan karakter. Hasil dari data template dibandingkan dengan data gambar plat nomor yang di proses. Nilai yang memiliki selisih terkecil merupakan citra karakter yang paling sesuai. Hal ini dilakukan secara terus menerus hingga seluruh citra karakter pada plat nomor selesai di proses. Adapun Flowchart dari proses Template Matching seperti yang di tunjukkan oleh gambar 13 di bawah ini.
Proses Template Matching Nilai Jarak diagonal
A2
Output Hasil
End
Gambar 13. Flowchart Template Matching
HASIL DAN PEMBAHASAN
pengujian berdasarkan perencanaan sistem yang telah dibuat. Ada beberapa tahap pengujian yang perlu dilakukan dari segmentasi, ekstraksi ciri hingga pengenalan karakter. Dengan pengujian ini segmentasi citra diuji tersendiri untuk Diagonal Distance Feature sendiri dan Template Matching sendiri sehingga akan diketahui seluruh kinerja dan keberhasilan sistem tersebut.
1.
Pengujian Segmentasi Citra
Pengujian yang pertama ini merupakan pengujian yang dilakukan pada citra hasil operasi dilasi yang digunakan untuk menyeleksi
karakter-karakter yang terdapat pada citra plat nomor. Berikut adalah hasil pengujian segmentasi citra:
Tabel 1. Hasil Segmentasi Citra No Kandidat
Karakter Hasil Segmentasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
No Kandidat
Karakter Hasil Segmentasi 23 24 25 26 27 28 29 30
Dari hasil segmentasi pada tabel diatas dapat diambil kesimpulan bahwa proses segmentasi karakter berjalan sesuai dengan yang diharapkan.
2.
Pengujian Diagonal Distance Feature
Pengujian ini merupakan pengujian yang dilakukan pada proses ekstraksi ciri citra dengan menggunakan metode diagonal distance feature. Nilai dari ekstraksi fitur ini berjumlah 4 fitur, yakni diagonal pojok kanan atas, diagonal pojok kiri atas, diagonal pojok kiri bawah, diagonal pojok kanan bawah. Nilai dari ektraksi fitur ini didapatkan dari menghitung jarak dari masing-masing pojok karakter hingga bertemu piksel putih.
Tabel 2. Hasil Template Diagonal Distance karakter 0 - 9 K ar ak te r Te mp la te ke - Jarak d 1 Jarak d 2 Jarak d 3 Jarak d 4 0 1 53,666 56,356 65,742 52,773 2 53,666 63,063 65,742 52,773 3 58,138 54,120 59,034 55,009 4 60,374 56,356 61,270 55,009 5 55,902 56,256 56,798 52,773 1 1 51,430 69,771 157,420 48,301 2 53,666 58,592 161,892 46,065 3 53,666 58,592 150,712 50,537 4 55,902 58,592 128,351 46,065 5 53,666 54,120 144,003 46,065 K ar ak te r Te mp la te ke - Jarak d 1 Jarak d 2 Jarak d 3 Jarak d 4 2 1 53,666 58,592 61,270 43,829 2 71,554 51,884 54,562 50,537 3 62,610 51,884 52,326 46,065 4 55,902 58,592 52,326 46,065 5 58,138 51,884 52,326 46,065 3 1 55,902 56,356 56,798 55,009 2 60,374 58,592 56,798 55,009 3 55,902 56,356 59,034 46,065 4 55,902 65,299 59,034 52,773 5 60,374 58,592 56,798 55,009 4 1 116,276 45,177 54,562 59,481 2 118,512 49,649 54,562 57,245 3 120,748 45,177 56,798 52,773 4 111,803 45,177 56,798 55,009 5 116,276 49,649 56,798 55,009 5 1 51,430 45,177 56,798 55,009 2 53,66 49,649 61,270 52,773 3 60,374 45,177 54,562 61,717 4 49,193 42,942 59,034 55,009 5 51,430 49,649 59,034 52,773 6 1 58,138 54,120 59,034 55,009 2 55,902 51,884 59,034 50,537 3 58,138 51,884 56,798 61,717 4 58,138 51,884 56,798 57,245 5 58,138 51,884 61,270 50,537 7 1 51,430 45,177 141,767 115,382 2 51,430 45,177 193,197 110,910 3 51,430 45,177 148,476 113,146 4 49,193 42,942 141,767 110,910 5 49,193 42,942 141,767 122,090 8 1 62,610 56,356 61,270 57,245 2 55,902 56,356 61,270 52,773 3 60,374 49,649 56,798 59,481 4 55,902 58,592 70,214 48,301 5 60,374 54,120 54,562 55,009
Tabel 3. Hasil Template Diagonal Distance Feature karakter A – Z K ar ak te r Te mp la te ke - Jarak d 1 Jarak d 2 Jarak d 3 Jarak d 4 A 1 82,735 107,728 52,326 66,189 2 98,387 89,894 52,326 46,065 3 87,207 110,018 52,326 46,065 4 `100,623 92,130 54,562 48,301 5 96,151 94,366 54,562 46,065 B 1 49,193 72,007 67,978 50,537 2 46,975 54,120 50,090 55,009 3 51,430 49,649 54,562 55,009 4 53,666 54,120 50,090 55,009 5 51,430 54,120 52,326 61,717 C 1 64,846 49,649 59,034 61,717 2 62,610 51,884 56,798 59,481 3 60,374 51,884 54,562 59,481 4 62,610 51,884 56,798 59,481 5 62,610 49,649 56,798 59,481 D 1 51,430 58,592 52,326 59,481 2 55,902 54,120 52,326 59,481 3 49,193 54,120 52,326 52,773 4 59,193 63,063 59,034 52,773 5 55,902 54,120 52,326 59,481 E 1 51,430 49,649 52,326 46,065 2 51,430 47,413 52,326 46,065 3 51,430 49,649 52,326 46,065 4 51,430 47,413 52,326 46,065 5 51,430 47,413 52,326 46,065 F 1 51,430 45,177 74,686 113,146 2 51,430 45,177 63,506 117,618 K ar ak te r Te mp la te ke - Jarak d 1 Jarak d 2 Jarak d 3 Jarak d 4 F 3 53,666 42,942 50,090 117,618 4 49,193 42,942 56,798 119,854 5 49,193 42,942 54,562 122,090 G 1 58,138 54,120 56,798 55,009 2 65,082 51,884 56,798 57,245 3 58,138 54,120 61,270 50,537 4 53,666 58,592 61,270 50,537 5 58,138 54,120 61,270 50,537 H 1 53,666 49,649 52,326 46,065 2 64,846 45,177 52,326 55,009 3 51,430 47,413 56,798 46,065 4 62,610 45,177 52,326 50,537 5 60,374 42,942 50,090 55,009 I 1 107,331 107,782 112,699 46,065 2 109,567 92,130 103,755 46,065 3 105,095 116,726 105,991 46,065 4 116,276 118,962 117,171 52,773 5 116,276 99,282 117,171 46,065 J 1 205,718 45,177 54,562 50,537 2 185,594 45,177 52,326 52,773 3 185,594 45,177 52,326 52,773 4 180,606 45,177 54,562 50,537 5 185,594 45,177 54,562 52,773 K 1 51,430 45,177 54,562 46,065 2 51,430 45,177 54,562 48,301 3 51,430 42,942 54,562 48,301 4 51,430 42,942 54,562 52,773 5 51,430 45,177 54,562 48,301 L 1 51,430 183,807 65,742 43,829 2 62,610 190,515 52,326 46,065 3 51,430 188,279 59,034 46,065 4 60,374 165,919 56,798 46,065 5 59,193 194,987 59,034 43,829 M 1 53,666 42,942 50,090 52,773 2 62,610 42,942 56,798 52,773 3 60,374 42,942 56,798 52,773 4 62,610 45,177 56,798 52,773 5 62,610 42,942 56,798 52,773 K ar ak te r Te mp la te ke - Jarak d 1 Jarak d 2 Jarak d 3 Jarak d 4 9 1 55,902 56,356 59,034 50,537 2 55,902 65,299 67,978 50,537 3 53,666 69,771 67,978 50,537 4 55,902 54,120 54,562 52,773 5 58,138 54,120 59,034 52,773
K ar ak te r Te mp la te ke - Jarak d 1 Jarak d 2 Jarak d 3 Jarak d 4 N 1 69,318 47,413 52,326 52,773 2 51,430 49,649 52,326 46,065 3 51,430 54,120 56,798 46,065 4 55,902 42,942 52,326 46,065 5 51,430 47,413 56,798 46,065 O 1 60,374 56,356 56,798 63,953 2 60,374 51,884 56,798 55,009 3 62,610 54,120 54,562 59,481 4 60,374 51,884 56,798 55,009 5 60,374 54,120 56,798 55,009 P 1 51,430 54,120 61,270 117,618 2 51,430 51,884 72,450 113,146 3 51,430 58,592 59,034 117,618 4 51,430 54,120 72,450 117,618 5 51,430 58,592 59,034 117,618 Q 1 60,374 51,884 54,562 50,537 2 60,374 54,120 56,798 46,065 3 58,138 58,592 63,506 46,065 4 58,138 51,884 54,562 46,065 5 60,374 54,120 56,798 46,065 R 1 51,430 54,120 56,798 67,369 2 51,430 58,592 52,326 46,065 3 51,430 56,356 63,506 50,537 4 58,138 54,120 50,009 67,369 5 51,430 58,592 56,798 50,537 S 1 58,138 65,299 67,978 48,301 2 60,374 54,120 56,798 57,245 3 53,666 51,884 61,270 52,773 4 60,374 54,120 54,562 57,245 5 60,374 54,120 56,798 52,773 T 1 51,430 45,177 114,935 131,034 2 51,430 42,942 110,463 135,506 3 53,666 45,177 128,351 119,854 4 53,666 45,177 119,407 122,090 5 51,430 42,942 130,587 113,146 U 1 51,430 49,649 59,034 55,009 2 51,430 56,356 65,742 52,773 3 51,430 42,942 56,798 57,245 4 51,430 45,177 59,034 52,773 K ar ak te r Te mp la te ke - Jarak d 1 Jarak d 2 Jarak d 3 Jarak d 4 U 5 51,430 42,942 59,034 46,065 V 1 53,666 45,177 103,755 84,077 2 64,846 45,177 99,282 95,258 3 51,430 45,177 90,338 95,258 4 49,193 42,942 99,282 86,313 5 51,430 45,177 90,338 95,258 W 1 51,430 45,177 65,742 68,425 2 53,666 45,177 83,630 72,897 3 51,430 45,177 76,922 59,481 4 51,430 45,177 74,686 68,425 5 51,430 47,413 70,214 79,605 X 1 100,623 63,063 103,755 57,245 2 80,498 47,413 123,879 79,605 3 80,498 47,413 103,755 57,245 4 100,623 63,063 103,755 57,245 5 80,498 47,413 123,879 79,605 Y 1 51,430 45,177 128,351 108,674 2 49,193 42,942 139,531 113,146 3 49,193 42,942 130,587 105,258 4 51,430 45,177 128,351 108,674 5 49,193 42,942 139,531 113,146 Z 1 127,456 42,942 52,326 135,506 2 120,748 42,942 52,326 131,034 3 127,456 42,942 52,326 131,034 4 127,456 42,942 52,326 131,034 5 127,456 42,942 52,326 135,506
3.
Pengujian
Ekstraksi
Ciri
Secara
Manual
Pengujian ini merupakan pengujian yang dilakukan secara manual menggunakan bantuan aplikasi Matlab R2013a. Hasil dari penghitungan merupakan nilai masing-masing diagonal yang benar. Dengan cara mengetik kode pada matlab seperti syntax dibawah ini:
clc Gambar=imread(‘F:\TA\Sample Gambar Parkir\.picasaoriginals\L.jpg’); grey = graythresh(I); thresh= im2bw(Gambar,grey); Imshow(thresh);
Gambar 14. Pengujian Karakter L Secara Manual
Dari pengujian secara manual karakter L didapatkan hasil :
Koordinat d1 = (23,46)
Koordinat d2 = ( 52,174)
Koordinat d3 = (22,195)
Koordinat d4 = (120,201)
Dari hasil pengujian diatas dapat diambil kesimpulan bahwa jarak d1=51.430 , jarak d2=194.987, jarak d3=50.090, dan jarak d4= 43.829.
4.
Pengujian Template Matching
Pengujian ini dilakukan dengan menggunakan masukan berupa nilai koordinat dari ke 4 diagonal. Pada saat citra karakter sedang di uji coba, program akan mencari dan membandingkan nilai jarak karakter gambar asli dengan nilai hasil Template Diagonal Distance. Data berikut ini adalah hasil pengujian pengenalan karakter menggunakan template matching dengan input-an nilai koordinat dari 4 diagonal tiap karakter. Hasil dari percobaan ini ditampilkan pada tabel dibawah ini:
Tabel 4 Data Hasil Template Matching No Karakter Plat Nomer Output Hasil
1 L Cocok 1,E Kurang 3, R Gagal 1,3,8 Gagal 1 Gagal X Gagal 3,P,K Gagal 2 L Cocok 1,3,E Kurang 6 Gagal 6 Cocok 6,C,E,J Kurang L,E Kurang E Cocok
No Karakter Plat Nomer Output Hasil
3 E Gagal 1 Cocok 6,8 Gagal 4,J Kurang 6,C,R Gagal 6,C Gagal E Gagal 4 L,E Kurang 3,Y Gagal 0,8,R Kurang 2,A Kurang 2,3 Kurang C Cocok E, U Gagal 5 L,E Kurang 1, Y Kurang 3,8,9 Kurang 9,R Kurang 1,8 Gagal E Gagal E Gagal 6 E,J,W Kurang 2 Gagal 2,4 Kurang C,E,J Kurang 6,C Gagal H,I,M,N Kurang 7 E Gagal E Gagal 9,P Gagal 8,9 Gagal 7 Cocok 1,E Kurang 8,F Gagal 8 E Gagal 6 Cocok 3,6,9 Kurang 2,E,L Kurang 6 Gagal 9 W Cocok 2 Gagal 6,9 Gagal 4,J Kurang E Gagal E Gagal
No Karakter Plat Nomer Output Hasil 10 L Cocok 1 Cocok 0,3 Kurang 9,P Kurang 1 Gagal B,P Kurang E, W Gagal 11 L Cocok 1 Cocok C Gagal 7 Cocok E Gagal 2,C,G,S Kurang J,Z Gagal 12 L Cocok 1 Cocok 4 Cocok 4,A Kurang 7,J Kurang E,F Kurang C,R Gagal 13 6, E Gagal 7 Cocok 6,8 Gagal E Gagal V Cocok 14 6,C,E Gagal 1 Cocok J Cocok E Gagal C,E,J,W Kurang 15 L Cocok 7,E Gagal 3,6,C,O Kurang 2,3,6,Q Gagal C Gagal 1,E Gagal Z Gagal 16 L Cocok 1,R Kurang 3,6,8,A Kurang 6 Gagal 0,6,8,9 Kurang B Cocok E Gagal
No Karakter Plat Nomer Output Hasil
17 E,L Kurang 9,E Kurang 3 Gagal E Gagal 1,A Kurang 1,I,V.X Kurang 18 L Cocok 7,Y Kurang 3,6,C,E Gagal 0,C Kurang 1 Cocok A,X Kurang F Cocok 19 W Cocok 1 Cocok 1 Cocok C Gagal C Gagal 2,3,6,S Kurang E Gagal 20 L Cocok 1 Cocok E,J Kurang 4 Cocok 3 Gagal 3,R Gagal V Cocok 21 6,Q Gagal 1 Cocok E Gagal 6,O Gagal P Cocok 22 3 Gagal 1 Cocok E Gagal E Gagal 3,G Kurang 23 3,C Gagal 6 Gagal E,J Gagal I Cocok 2 Gagal 24 E Cocok 3,8 Gagal 7,Y Kurang 3 Gagal
No Karakter Plat Nomer Output Hasil 24 R Cocok E,K Kurang 25 3 Gagal 1 Cocok 2,3 Gagal 1,T,Y,Z Gagal 7,J Gagal E,K Kurang E,K Kurang 6 Gagal 26 E,H Kurang 7,Y Kurang 2 Cocok 8,9 Kurang 7,Y Kurang E,U Kurang 6,G Kurang 27 3 Gagal 6,8 Kurang 6,9 Kurang 6 Gagal 6,8 Kurang Q Cocok E,Z Gagal 28 B,R Kurang 7,Y Kurang 0,2,C,Q Kurang V Cocok I Cocok E Gagal 29 3,6 Gagal 4,I Kurang 5 Cocok 7,Y Kurang 6 Gagal T,Y Kurang Y Cocok 30 U,W Kurang 1 Cocok C Gagal C Gagal 2 Gagal 2,E Gagal I Cocok
Dari hasil pengujian diatas terdapat 3 penilaian. Dikatakan “Cocok” apabila program
dapat menghasilkan data teks dengan benar sesuai dengan karakter dalam plat nomor yang di ujikan. Dikatakan “Kurang” karena program sudah dapat menghasilkan data teks sesuai dengan karakter dalam plat nomor yang di ujikan, akan tetapi masih ada beberapa karakter lain yang ikut terdeteksi, hal ini diakibatkan karena nilai masing-masing diagonal memiliki nilai yang hampir sama. Pengenalan dikatakan “Gagal” apabila dalam program tidak dapat menghasilkan data teks karakter dalam plat nomor yang di uji dengan benar.
SIMPULAN
Berdasarkan hasil dari pengujian yang dilakukan pada penelitian tentang pengenalan plat nomor menggunakan metode Diagonal Distance Feature ini, didapatkan beberapa poin kesimpulan, yakni sebagai berikut :
1. Hasil pengujian 30 plat nomor, dapat diketahui bahwa karakter yang berupa huruf atau angka dalam 30 plat nomor berjumlah 193 karakter. Dari pengujian ini didapatkan hasil berupa 193 karakter atau 100% dapat disegmentasi dengan baik dan 45 karakter atau 23,3% dari 193 karakter yang dapat dikenali dengan baik. 2. Ekstraksi fitur menggunakan metode Diagonal
Distance Feature dilakukan dengan mencari perhitungan jarak dari 4 diagonal dalam satu karakter. Hasil dari Diagonal Distance Feature kurang cocok apabila digunakan sebagai nilai input Template Matching pengenalan karakter plat nomor.
3. Pada penelitian ini, masih terdapat beberapa permasalahan ketika proses pengenalan karakter plat nomor. Hal ini di sebabkan oleh nilai masukan dari ektraksi ciri kurang maksimal yang hanya memiliki nilai rata-rata 5 kali percobaan dari ke 4 diagonal tiap karakter sehingga apabila ada karakter yang bentuknya hampir sama seperti karakter “0, 3, 6, 8 , 9, C , G, O, S” dan “H, I, N” serta “5, U, W” maka program akan kesulitan untuk melakukan pengenalan.
Untuk melakukan pengembangan lebih lanjut mengenai Tugas Akhir ini, maka penulis memberikan beberapa saran sebagai berikut : 1. Untuk penelitian selanjutnya menggunakan
tambahan ekstraksi ciri tidak hanya 4 nilai diagonalnya saja, tetapi juga di cari nilai tengah dari citra baik secara horizontal maupun secara vertikal sampai bertemu piksel putih yang menandakan karakter. Sehingga ekstraksi ciri mendapatkan 8 nilai masukan untuk proses pengenalan.
2. Penempatan kamera untuk pengambilan source image berada pada posisi yang lurus dengan plat nomor, misalnya apabila menggunakan sistem parkir otomatis dengan menggunakan palang parkir (barrier gate) kamera bisa di letakkan di tengah palang pintu otomatis.
DAFTAR PUSTAKA
Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta : Graha Ilmu.
Das, N., dkk., 2006. Handwritten Arabic Numeral Recognition using a Multi layer Perception. Proceeding National Conference on Recent Trends in Information Systems, hal. 200 – 203.
Id.wikipedia.org. 2016. Tanda Nomor Kendaraan
Bermotor. (Online).
https://id.wikipedia.org/wiki/Tanda_nomor _kendaraan_bermotor#Spesifikasi_teknis_b aru.htm. Diakses tanggal 9 september 2016. Putra, Darma. 2010. Pengolahan Citra Digital.
Yogyakarta : CV. ANDI OFFSET.
Pranadipa, R., dkk., 2013. Pengenalan Angka Pada Plat Nomor Dengan Metode Template Matching. Jurnal Tugas Akhir. Malang: Informatika. Universitas Brawijaya. Umam, M.M. 2015. Ekstraksi Fitur Angka Jawa
Menggunakan Diagonal Distance Feature dan Longest Run Feature. Tugas Akhir Tidak di Terbitkan. Surabaya: Prodi S1 Sistem Komputer. Institut Bisnis dan Informatika Stikom Surabaya.
