USULAN PENELITIAN
IDENTIFIKASI KARAKTER PADA PLAT NOMOR KENDARAAN
MENGGUNAKAN EKSTRAKSI FITUR ICZ DAN ZCZ
DENGAN METODE KLASIFIKASI K-NN
oleh:
R. Putri Ayu Pramesti G64104010
Pembimbing: Mushthofa, S.Kom., M.Sc
PENDAHULUAN
Latar BelakangPlat nomor merupakan kode unik yang terdiri dari susunan huruf dan nomor. Setiap kendaraan memiliki satu plat nomor yang dijadikan sebagai kode identitas dari kendaraan itu sendiri. Karena plat nomor dari setiap kendaraan bersifat unik, maka plat nomor sering digunakan dalam setiap pencatatan identitas kendaraan untuk berbagai macam keperluan seperti pencataan di tempat parkir. Semakin meningkatnya jumlah kendaraan di Indonesia maka dibutuhkan suatu aplikasi yang bisa mendeteksi dan mengenali plat nomor kendaraan secara otomatis dan cepat sehingga dapat memudahkan dalam pencataan plat nomor kendaraan yang masuk dan keluar dari area parkir. Aplikasi ini merupakan pengenalan pola sinyal digital yang terdapat pada gambar.
Terdapat beberapa tahapan dalam proses pengenalan nomor plat kendaraan. Input citra plat nomor dirubah 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.
Sampai saat ini telah dilakukan banyak penelitian mengenai hal ini dan masih terus dikembangkan untuk mencari metode terbaik dalam memecahkan permasalahan. Salah satunya yaitu penelitian yang dilakukan oleh (Lesmana 2012) yang melakukan pengenalan plat nomor dengan input gambar digital yang diambil dari depan atau belakang kendaraan secara lurus. Gambar diekstraksi menggunakan Image Centroid and Zone
(ICZ). Kemudian diolah dan diklasifikasi menggunakan metode klasifikasi jaringan syaraf tiruan back-propagation. Akurasi yang didapat dari penelitian ini belum begitu baik yaitu 55.50% untuk deteksi terhadap 40 buah plat nomor dan 84.06% untuk pendeteksian masing-masing karakter.
Oleh karena itu penelitian ini dilakukan menggunakan metode klasifikasi K-NN. Ekstraksi ciri yang digunakan adalah ICZ, ZCZ dan gabungan dari keduanya. Seperti mengacu pada penelitian yang telah dilakukan oleh (Mulia 2012) yang melakukan pengenalan aksara sunda menggunakan metode ekstraksi ciri ICZ, dan gabungan keduanya. Pada penelitian sebelumnya juga telah dilakukan pengenalan tulisan tangan India dengan menggunakan zone based projection distance feature extraction akurasi
yang didapat yaitu 94.70 %
(Rajashekararadhya 2008). Pada penelitian ini akan dilakukan percobaan dengan menggabungkan metode ekstraksi ciri ICZ, ICZ+ZCZ dan metode klasifikasi K-NN untuk melihat keberhasilan dari kedua metode tersebut dan mendapatkan jumlah zona yang terbaik dalam pengenalan plat nomor.
Tujuan
Tujuan dilakukannya penelitian ini adalah untuk :
1. Menentukan metode ekstraksi ciri yang paling efektif di antara metode ekstraksi ciri yang digunakan dan menentukan jumlah zona yang paling baik untuk pengenalan plat nomor kendaraan.
Ruang Lingkup
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 yang dikenali adalah huruf alphabet kapital (A sampai Z) dan angka (0 sampai 9).
4. Pemotretan plat dilakukan dari depan atau belakang kendaraan secara berhadapan lurus.
5. Hanya bagian plat nomor yang akan digunakan sebagai data yang diteliti.
Manfaat
Manfaat penelitian ini adalah untuk mempermudah dan mempercepat proses pencatatan plat nomor kendaraan yang masuk ke suatu area parkir sehingga diharapkan akan mengurangi antrian dan human error dalam pengetikan.
TINJAUAN PUSTAKA Pengolahan Citra Digital
Citra merupakan suatu fungsi kontinyu dari intensitas cahaya dalam bidang dua dimensi. Dengan proses sampling dan kuantisasi, fungsi kontinyu dari citra dirubah menjadi fungsi diskret. Pada aplikasi ini akan diterapkan beberapa proses pengolahan citra yaitu:
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 grayscale berupa citra abu-abu. Citra grayscale sangat berbeda dari citra biner, karena citra biner merupakan citra hanya memiliki dua variasi nilai yaitu gelap dengan nilai piksel 0 dan terang dengan nilai piksel 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 dan grayscale
Edge Detection
Edge detection adalah operasi yang bertujuan untuk mereduksi citra dan hanya menampilkan tepi dari citra itu sendiri (Baxes 1984). Deteksi ini dilaku-kan dengan cara menemukan perbedaan yang signifikan antara satu piksel dengan piksel 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 et al. 1999). Ada dua pen-dekatan umum dalam melakukan segmentasi citra yaitu pendekatan discontinuity dan pendekatan similarity. Pendekatan dis-continuity memprartisi citra berdasarkan perubahan intensitas cahaya secara tiba-tiba, sedangkan pendekatan similarity membagi citra berdasarkan kesamaan sifat-sifat tertentu (region based).
Cany Detection
Algoritma deteksi tepi ca nny dikenal sebagai algoritma yang optimal dalam melakukan pendeteksian tepi (Acharya 2005). Ada beberapa tahapan dalam deteksi tepi cany, 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: Meng-hilangkan nilai-nilai yang tidak maksimum.
Metode Ekstraksi Ciri Zoning
Sampai saat ini ada banyak metode ekstraksi ciri yang digunakan. Beberapa metode ekstraksi ciri yang sering digunakan adalah Template matching, Unitary transform Zoning.
Zoning merupakan salah satu metode ekstraksi ciri yang populer dan seberhana 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 ICZ (image centroid and zone), metode ekstraksi ciri jarak metrik ZCZ (zone centroid and zone), dan metode ekstraksi ciri gabungan (ICZ + ZCZ). Ketiga algoritma tersebut menggunakan citra digital sebagai input dan menghasilkan fitur untuk klasifikasi dan pengenalan sebagai outputnya. Berikut merupakan tahapan dalam proses ekstraksi ciri ICZ, ZCZ dan ICZ+ZCZ (Rajashekararadhya 2008) .
Algoritma 1: Image Centroid a nd Zone (ICZ) berdasarkan jarak metrik.
Tahapan
1. Hitung centroid dari citra masukkan. 2. Bagi citra masukkan kedalam n zona
yang sama
3. Hitung jarak antara centroid citra dengan masing-masing piksel yang ada dalam zona
4. Ulangi langkah ke 3 untuk setiap piksel 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
Algoritma 2 : Zone Centroid Zone (ZCZ) berdasarkan jarak metrik.
1. Bagi citra masukkan ke dalam sejumlah n bagian yang sama 2. Hitung centroid dari masing-masing
zona
3. Hitung jarak antara centroid masing-masing zona dengan piksel yang ada di zona.
4. Ulangi langkah ke 3 untuk seluruh piksel yang ada di zona
5. Hitung rata-rata jarak antara titik-titik tersebut
6. Ulangi langkah 3-7 untuk setiap zona secara berurutan
7. Hasilnya adalah n fitur yang akan digunakan dalam klasifikasi dan pengenalan
Algoritma 3 : ICZ+ZCZ berdasarkan jarak metrik.
1. Hitung centroid dari citra masukan 2. Bagi citra masukkan ke dalam
sejumlah n bagian yang sama 3. Hitung jarak antara centroid citra
dengan setiap piksel yang ada dalam zona
4. Ulangi langkah 3 untuk semua piksel yang ada dalam zona
5. Hitung jarak rata-rata antara titik-titik tersebut
6. Hitung centroid tiap zona
7. Hitung jarak antara centroid zona dengan setiap piksel yang ada dalam zona
8. Ulangi langkah 7 untuk semua pixel yang ada dalam zona
9. Hitung jarak rata-rata antara titik-titik tersebut
10. Ulangi langkah 3-9 untuk semua zona secara berurutan
11. Hasilnya akan didapatkan 2n ciri untuk klasifikasi dan pengenalan
K-Nearest Neighbor (K-NN)
K-NN merupakan algoritma supervised dalam klasifikasi dimana hasil dari kueri instance yang baru diklasifikasikan berdasarkan mayoritas kategori pada k tetangga terdekat. Secara umum ada beberapa tahap dalam proses klasifikasi K-NN. Pertama tentukan nilai k, k merupakan jumlah tetangga terdekat yang akan menentukan kueri baru masuk ke kelas mana. Kemudian cari k tetangga terdekat dengan cara menghitung jarak titik kueri dengan titik training. Setelah mengetahui jarak masing-masing titik training dengan titik kueri, kemudian lihat nilai yang paling kecil. Ambil k nilai terkecil selanjutnya lihat kelasnya. Kelas yang paling banyak merupakan kelas dari kueri baru (Kozma 2008).
(1)
D(a,b) merupakan jarak antara vektor a yang merupakan titik yang telah diketahui kelasnya dan b berupa titik baru dari matriks berukuran d dimensi. Jarak antara vektor baru dengan titik-titik training dihitung dan diambil k buah vektor terdekat. Titik baru diprediksi masuk ke kelas dengan klasifikasi terbanyak dari titik-titik tersebut.
METODE PENELITIAN
Untuk dapat melakukan penelitian baik, diperlukan sebuah metode penelitian yang baik serta terencana. Skema penelitian yang akan dilakukan dapat dilihat pada Gambar 2.
Gambar 2 Skema metode penelitian
Pengumpulan Data
Citra yang digunakan merupakan hasil tangkapan kamera handphone dengan resolusi
sebesar 5 MP (Lesmana 2012). Citra yang dikumpulkan harus memperhatikan jumlah kemunculan masing-masing karakter, dimana sebaran frekuensinya merata untuk setiap karkter. Hal tersebut dilakukan agar data latih yang dimiliki dapat lebih akurat untuk setiap karakter yang ada.
Selain itu perlu citra yang dikumpulkan harus memiliki resolusi yang sama. Dengan demikian pemrosesan citra yang akan dilakukan dapat lebih cepat.
Pra-proses citra
Pra-processing dilakukan agar citra plat nomor bisa diekstraksi. Gambar plat nomor yang didapat dari hasil pengumpulan data merupakan gambar RGB. Gambar tersebut kemudian dirubah mencadi citra grayscale agar proses komputasi bisa lebih efisien. Proses perubahan citra RGB menjadi grayscale dapat menggunakan rumus :
Piksel = 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. Setelah dilakukan konversi citra RGB ke grayscale kemudian citra dibersihkan dari noise dengan menggunakan median filter.
Deteksi Tepi
Deteksi tepi dilakukan untuk mendapatkan tepi dari tiap karakter yang ada pada citra. Deteksi tepi yang digunakan dalam penelitian ini adalah deteksi tepi canny. Contoh hasil dari proses deteksi tepi pada plat nomor menggunakan canny dapat dilihat pada Gambar 3.
Gambar 3. Gambar grayscale dari plat nomor (kiri) dan hasil deteksi tepi dengan canny
(kanan)
Segmentasi Citra
Agar karakter pada cita plat nomor bisa dikenali satu per satu maka harus dilakukan segmentasi pada citra masukkan. Selain itu segmentasi dilakukan agar bisa mengeliminasi objek-objek yang tidak diperlukan. Hal ini dilakukan dengan cara mensegmentasi citra berdasarkan area. Objek yang memiliki citra yang terhubung akan dianggap sebagai satu area. Pada penelitian ini, untuk mendeteksi piksel-piksel 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 4.
Gambar 4. Hasil segmentasi citra plat nomor
Citra diatas memiliki ukuran yang sama karena dilakukan resize pada masing-masing citra hasil proses segmentasi.
Ekstrasi Ciri
Pada tahapan ini akan dilakukan proses ektraksi untuk mendapatkan fitur yang akan digunakan dalam klasifikasi dan pengenalan. Metode ektraksi ciri yang digunakan dalam penelitian ini adalah ketiga variasi algoritma metode zoning, yaitu Image Centroid and Zone (ICZ) dan gabungan dari ICZ dan Zone Centroid and Zone (ZCZ).
Sebelum proses ekstraksi dilakukan, harus dapat dipastikan bahwa dimensi dari setiap karakter berukuran sama. Untuk menghitung nilai centroid bisa menggunakan rumus sebagai berikut :
Xc=x 1.p 1 +x 2.p 2 + ... +xn.pn
p 1 +p 2 + ... +pn
Yc=y 1.p 1 +y 2.p 2 + ... +yn.pn
p 1 +p 2 + ... +pn dimana,
Xc = Centroid koordinat x Yc = Centroid koordinat y Xn = Koordinat x dari pixel ke-n Yn = Koordinat y dari pixel ke-n
pn = Nilai pixel ke-n
Citra plat nomor akan dibagi menjadi beberapa bagian sama besar. Pada penelitian ini digunakanjumlah zone sebanyak 5, 10, 15, 20 dan 25. Untuk mencari jarak antara centroid dengan koordinat pixel digunakan metode Euclidean dua dimensi. Berikut ini rumus jarak menggunakan Euclidean.
Metode ekstraksi ciri ICZ dan ZCZ menggunakan rumus yang sama dalam menghitung centroid. Perbedaan antara ICZ dan ZCZ terletak pada perbedaan alur dari algoritma proses ekstraksi. Pada metode ICZ perhitungan nilai centroid dari citra dilakukan sebelum citra dibagi ke dalam beberapa area yang sama besar sehingga nilai centroid pada proses ekstraksi ICZ hanya ada satu, sedangkan pada metode ektraksi ZCZ perhitungan centroid dilakukan setelah citra dibagi ke dalam beberapa daerah yang sama besar. Perhitungan centroid pada metode ekstraksi ZCZ akan menghasilkan sejumlah nilai centroid, banyak nilai centroid tergantung pada jumlah daerah pembagian citra.
Pada metode ekstraksi ICZ+ZCZ fitur yang dihasilkan sejumlah 2n. Hal ini disebabkan karena perhitungan centroid dan jarak antara tiap titik piksel dengan centroid dilakukan sebanyak dua kali yaitu sebelum citra dibagi ke dalam sejumlah daerah yang sama besar dan setelah citra dibagi ke dalam sejumlah daerah yang sama besar.
Klasifikasi menggunakan K-NN
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
: Jumlah citra yang berhasil terdekteksi
N : Jumlah data yang ada.
Lingkungan Pengembangan Sistem
Proses pengerjaan penelitian ini menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut :
Perangkat keras berupa notebook:
Processor Intel Pentium Core2Duo @1.99GHz,
RAM kapasitas 2 GB, Harddisk kapasitas 250GB,
Monitor dengan resolusi 1280x800 piksel. Perangkat lunak berupa:
Sistem operasi Microsoft Windows 7 Service Pack 1x.
Aplikasi pemrograman Matlab R200b.
HASIL DAN PEMBAHASAN Pengumpulan Data
Dalam penelitian ini data yang diperlukan adalah citra dari plat nomor kendaraan. Data yang digunakan merupakan data yang diambil dari proses pemotretan sebanyak 100 plat mobil kendaraan.
Dari 100 buah plat nomor kendaraan kemudian diambil potongan karakter yang mewakili seluruh kelas yaitu huruf sebanyak 26 dan angka sebanyak 10, jadi keseluruhan karakter ada 36. Untuk masing-masing karakter diambil sebanyak 50 citra, artinya kita akan mendapatkan citra karakter sebanyak 1800 buah. Citra tersebut nantinya akan digunakan sebagai data uji dan data latih. Contoh data karakter dapat dilihat pada Gambar 5.
Gambar 5. Data Karakter
Pra-proses Citra
Tidak semua citra yang didapat dari hasil pengumpulan data berkualitas baik, terkadang karena pencahayaan dan lain-lain kualitas citra menjadi kurang baik dan terdapat noise. Hal ini sebaiknya tidak terjadi, karena dengan adanya noise akurasi pendeteksian karakter akan berkurang. Oleh karena itu, sebelum dilakukan ekstraksi ciri, terlebih dahulu dilakukan reduksi noise dengan menggunakan median filter.
Langkah pertama yang dilakukan adalah mengubah citra RGB menjadi citra grayscale untuk mempercepat komputasi. Kemudian dilakukan reduksi noise dengan median filter. Median filter dipilih karena merupakan metode yang cocok untuk menghilangkan noise berupa salt&paper. Median filter yang digunakan dalam penelitian ini adalah matriks dua dimensi dengan batas matriks 3x3. Nilai piksel akan dirubah menjadi nilai tengah dari piksel tersebut dibandingkan dengan delapan piksel tetangganya yang telah diurutkan.
Deteksi Tepi
Proses deteksi tepi dilakukan dengan menggunakan metode canny’s edge detection. Nilai threshold yang terlalu rendah akan menyebabkan garis yang bukan tepi dari objek muncul, sedangkan nilai threshold yang terlalu tinggi akan menyebabkan sebagian dari objek menghilang, sehingga nilai 0,5 dipilih sebagai threshold untuk deteksi tepi.
Pada tahap ini citra yang dihasilkan berupa citra biner yang merepresentasikan garis tepi untuk setiap objek. Garis tepi inilah yang memisahkan objek yang diperlukan dengan objek lainnya. Contoh hasil deteksi menggunakan canny’s detection bisa dilihat pada Gambar 6.
Segmentasi Citra
Setelah melalui proses deteksi tepi menggunakan canny’s edge detection, kemudian citra disegmentasi untuk memisahkan objek-objek yang akan diamati. Dalam penelitian ini objek yang diamati adalah karakter huruf dan angka yang terdapat pada plat nomor. Dalam hal ini perlu identifikasi mana simbol yang merupakan huruf, angka dan mana yang bukan merupakan keduanya.
Proses ini dilakukan dengan menggunakan metode 8-connected. Setiap piksel yang terhubung akan diberi label yang sama dengan memperhatikan 8 piksel tetangganya. Proses ini dilakukan satu per satu untuk setiap piksel yang ada pada citra hasil deteksi tepi sehingga akan terbentuk kelompok piksel dengan masing-masing label yang berbeda.
Setelah terbentuk kelompok piksel berdasarkan label, maka akan dihitung panjang dan lebar untuk masing-masing kelompok. Untuk mengetahui apakah kelompok piksel tersebut adalah suatu karakter angka dan huruf atau bukan, maka dilakukan seleksi kondisi berdasarkan panjang dan lebar dari kelompok piksel tersebut dengan kondisi :
Jika Panjang > 150 dan Panjang < 140 dan Lebar >20 dan Lebar < 100
Maka kelompok piksel =Karakter
Kelompok piksel yang memenuhi kondisi diatas akan diprediksi sebagai suatu karakter. Permasalahan yang muncul dengan melakukan pelabelan menggunakan 8-connected adalah pada saat pelabelan untuk karakter-karakter tertentu yang memiliki lebih dari satu tepian yang tidak terputus. Contohnya karakter 0 (nol), pada saat pelabelan karakter tersebut akan memuliki dua kelompok label yang berbeda, karena secara visual karakter 0(nol) terdiri dari dua buah elips yang terpisah. Bisa dilihat ilustrasinya pada Gambar 7.
Gambar 7 Pelabelan Karakter 0 (nol)
Setiap karakter yang memiliki karakteristik seperti angka 0 (nol), akan mengalami permasalahan yang sama. Untuk mengatasi hal tersebut maka dilakukan pemeriksaan posisi masing-masing label, apabila suatu label ada dalam area label yang lain, maka label tersebut akan dijadikan satu. Dengan begini maka masing-masing label akan mewakili karakter yang teridentifikasi pada citra plat kendaraan. Contoh hasil segmentasi bias dilihat pada Gambar 8.
Gambar 8 Hasil Segmentasi Citra
Citra yang telah melalui proses segmentasi telah terpisah per karakter dengan ukuran yang beragam sesuai dengan ukuran karakter-nya masing-masing.
Normalisasi Citra
Gambar citra yang dihasilkan pada proses segmentasi memiliki ukuran yang berbeda-beda, oleh karena itu diperlukan proses normalisasi agar ekstraksi ciri menjadi konsisten. Proses normalisasi ini dilakukan dengan cara menyamakan ukuran citra tiap karakter menjadi 150x150 piksel. Setiap karakter akan diubah menjadi ukuran tersebut secara paksa, sehingga bentuk dari karakter menjadi tidak proporsional, akan tetapi karena proses ini dilakukan pada setiap citra sehingga tidak akan merusak informasi yang diperlukan. Gambar hasil normalisasi terlihat pada Gambar 9.
Gambar 9 Hasil Normalisasi Citra
Ekstraksi Ciri
kemudian dihitung rata-rata piksel yang ada di zona tersebut. Hal ini dilakukan terhadap keseluruhan zona pada citra karakter tersebut. Nilai rata-rata inilah merupakan ciri dari karakter tersebut. Hasil dari perhitungan ini akan berjumlah n ciri. Pembagian jumlah yang tepat akan sangat berpengaruh terhadap proses identifikasi.
Klasifikasi Citra
Pada proses ini terlebih dahulu dilakukan pembagian data latih dan data uji terhadap seluruh citra karakter yang berjumlah 1800 citra. Masing-masing karakter yang berjumlah 36 diwakili oleh 50 citra. Data latih diambil 40 citra untuk masing-masing karakter, dan sisanya 10 citra masing-masing karakter merupakan 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.
Untuk setiap data latih akan terbentuk matriks berukuran n x 1440. Nilai n merupakan jumlah zona yang ditentukan dalam ekstraksi ciri. Sedangkan data latih akan terbentuk matriks berukuran n x 360. Jumlah kelas dalam klasifikasi citra ini berjumlah 36 sesuai dengan karakter yang ada.
Matriks yang terbentuk tersebut merupakan matriks ciri masing-masing karakter yang disatukan secara berurutan sehingga memudahkan dalam penentuan grup. Grup merupakan label kelas untuk masing-masing baris matriks dari data latih. Label ini dibutuhkan dalam proses klasifikasi dengan menggunakan K-NN. Grup yang terbentuk berupa matriks dengan ukuran 1 x 1440.
Pengujian Karakter
Pengujian karakter dilakukan dengan K-NN. Untuk pengujian pertama, akan dilakukan dengan menggunakan input hasil ekstraksi ciri dengan zona 5. Pengujian ini dilakukan dengan menggunakan nilai k atau tetangga terdekat berjumlah 3, 5 dan 7. Pengujian menggunakan 5 variasi data uji dan data latih yang telah dihasilkan pada proses K-Fold Cross Validation. Pengujian ini menghasilkan nilai akurasinya berbeda-beda. Berikut tabel akurasi yang didapat pada pengujian karakter hasil ekstraksi ciri dengan zona bernilai 5.
Tabel 1 Persentasi akurasi pengujian karakter dengan zona bernilai 5
K=3 K=5 K=7
Fold1 87.78% 85.83% 85.28%
Fold2 85.56% 81.67% 77.78%
Fold3 83.33% 80.28% 77.50%
Fold4 77.78% 75.28% 73.89%
Fold5 78.33% 74.72% 72.50%
Rata-Rata 82.56% 79.56% 77.39%
Dari Tabel 1 terlihat bahwa hasil pengujian karakter dengan 3 tetangga terdekat menghasilkan rata-rata akurasi paling tinggi yaitu 82.56%. Maka untuk percobaan selanjutnya hanya akan dilakukan dengan nilai k berjumlah 3.Selanjutnya dilakukan percobaan yang sama dengan zona yang berbeda yaitu 10, 15 20 dan 25. Rata-rata akurasi dari percobaan dengan variasi zona tersebut terlihat pada Tabel 2.
Tabel 2 Persentasi akurasi pengujian dengan variasi zona
Zona Rata-Rata Akurasi
5 82.56%
10 92.72%
15 93.78%
20 93.06%
25 93.24%
Dari hasil percobaan tersebut terlihat bahwa akurasi dengan jumlah zona 15 menghasilkan nilai tertinggi yaitu 93.78%. Maka untuk identifikasi plat nomor kendaraan akan dilakukan pengujian menggunakan hasil ektrasi ciri dengan zona 15 dan nilai 3 sebagai jumlah tetangga terdekat.
Pengujian Plat
Berbeda dengan pengujian karakter, pengujian plat menggunakan data latih tidak menggunakan data hasil K-Fold tapi menggunakan keseluruhan hasil dari ekstraksi ciri dengan menggunakan zona berjumlah 15. Pengujian dilakukan pada citra plat nomor kendaraan secara utuh. Plat yang digunakan dalam proses pengujian ini menggunakan 40 citra plat kendaraan.
pengujian karakter. Karena pada kenyataannya apabila dalam pengujian terdapat satu saja karakter yang salah teridentifikasi, maka hasil identifikasi karakter akan dianggap salah secara keseluruhan.
Pengujian pertama dilakukan dengan data latih hasil ekstraksi ciri menggunakan algoritma ICZ. Setelah dilakukan pengujian terhadap 40 citra tersebut ternyata terdapat 4 pengujian dengan hasil identifikasi yang salah. Sehingga akurasi yang didapat dalam pengujian plat nomor menggunakan ekstraksi ciri ICZ adalah 85%.
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. Kesalahan identifikasi plat nomor pada pengujian ini dapat dilihat pada Tabel 3.
Tabel 3 Kesalahan identifikasi plat nomor
B560XV
6
560XV
B1003WFB
B1
DD8
B2228LL
B22
3
8LL
B8375NW
3
375NW
F1206CS
F1
Z
06CS
F8766AJ
F
6
J
Pada pengujian plat nomor F8766AJ terlihat kesalahan dengan jelas. Pada plat nomor tersebut seharusnya teridentifikasi jumlah karakter sebanyak 7, akan tetapi pada proses segmentasi hanya dikenali 3 karakter. Hal ini terjadi karena kualitas pencahayaan yang buruk dan kondisi platnya sendiri yang kurang baik. Telihat pada Gambar 8 Contoh dari plat nomor kendaraan yang gagal teridentifikasi.
Gambar 8 Plat Yang Gagal Teridentifikasi
