UNIVERS ITAS BINA NUS ANTARA
_________________________________________________________________ Jurusan Teknik Informatika
Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
PERANCANGAN APLIKAS I PENGEN AL PLAT NOMOR KENDARAAN BERMOTOR DENGAN PENDEKATAN BACKPROPAGATION
Denny Christian Nathanael 0700693863
Maria Sintia Dewi 0700694090
Joandi 0700711922
Kelas/Kelompok : 07PBT / 04 Abstrak
Dilatar belakangi oleh sistem perparkiran yang ada sampai saat ini masih menggunakan tenaga manusia sehingga membutuhkan waktu pencatatan yang cukup lama dan rentan terhadap kesalahan. M aka penelitian ini bermaksud merancang suatu sistem aplikasi pengenal karakter plat nomor kendaraan bermotor dengan pendekatan metode Backpropagation yang dapat melakukan pemasukan data pada plat nomor kendaraan bermotor secara otomatis melalui gambar kendaraan yang ditangkap oleh sebuah kamera dijital dan memberikan hasil yang handal. M etode Penelitian melalui pendekatan backpropagation yang dilakukan ini mempunyai dua tahapan penting yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem yang bekerja agar dapat mengetahui setiap jenis-jenis karakter yang ada, dan proses pengenalan plat nomor kendaraan (recognize) yang digunakan untuk mengenali plat nomor yang ingin diuji. Hasil penelitian yang diperoleh : Tingkat akurasi pengenalan plat nomor pada plat mobil mencapai 80.87% (dari 115 citra plat yang diuji); Tingkat akurasi pengenalan plat nomor pada plat motor adalah 75% (dari 20 citra plat yang diuji); Tingkat kehandalan pengenalan karakter dengan bentuk dan variasi yang berbeda 90.83%; Tingkat kemampuan repeatability untuk setiap pengenalan plat nomor dengan metode backpropagation ini adalah 100%. Kesimpulan dari penelitian adalah : Pengenalan plat nomor dengan pendekatan backpropagation sangat dipengaruhi oleh proses training yang dilakukan; Derau atau distorsi menyebabkan tingkat pengenalan plat nomor menurun.
Kata Kunci : Pengenalan Karakter, Pengenalan Plat Nomor, Backpropagation, Artificial NeuralNetwork, License Plate Recognition, Image Processing.
PRAKATA
Puji syukur kami panjatkan kepada Tuhan Yang M aha Esa atas segala rahmatNya, sehingga skripsi yang berjudul “Perancangan Aplikasi Pengenal Plat Nomor Kendaran Bermotor Dengan Pendekatan Backpropagation” dapat diselesaikan dengan baik dan tepat pada waktunya. Adapun tujuan dari penulisan skripsi ini adalah untuk memenuhi persyaratan dalam menyelesaikan jenjang studi Strata-1 (S1) jurusan Teknik Informatika di Universitas Bina Nusantara.
Dalam kesempatan ini, perkenankanlah kami mengucapkan terima kasih kepada semua pihak yang telah membantu kami dalam menyelesaikan penulisan skripsi ini, yaitu kepada:
1. Prof. Dr. Gerardus Polla. M .App.Sc, selaku Rektor Universitas Bina Nusantara atas semua pendidikan yang telah kami terima selama ini di Universitas Bina Nusantara. 2. Bapak Ir. Sablin Yusuf, M .Sc.,M .Comp.Sc, selaku Dekan Fakultas Ilmu Komputer
Universitas Bina Nusantara yang telah menyediakan fasilitas-fasilitas sehingga kami dapat menyelesaikan skripsi ini sebagaimana mestinya.
3. Bapak H. M ohammad Subekti, BE.,M .Sc., selaku Ketua jurusan Teknik Informatika yang telah memberikan kepercayaan dan kesempatan bagi penulis untuk menyelesaikan skripsi ini.
4. Bapak Fredy Purnomo, S.Kom.,M .Kom., selaku Sekretaris jurusan Teknik Informatika yang telah memberikan dukungan dalam pembuatan skripsi ini.
5. Bapak Diaz D. Santika, Ir, M .Sc, selaku dosen pembimbing skripsi ini, yang telah banyak memberikan bimbingan dan nasihatnya selama penyusunan skripsi ini, sehingga skripsi ini bisa diselesaikan dengan baik.
6. Bapak Stanley Sentoso, selaku asisten UPT Perangkat Lunak yang telah banyak memberikan dukungan dalam peminjaman computer untuk melakukan proses pelatihan data yang ada didalam perancangan aplikasi ini.
7. Seluruh dosen Universitas Bina Nusantara yang telah memberikan bekal dan bimbingan ilmu selama masa perkuliahan dalam menyelesaikan gelar kesarjanaan ini. 8. Orang tua dan keluarga kami yang telah banyak memberikan dorongan moral dan
materi dalam penyusunan skripsi ini.
9. Teman-teman asisten yang telah banyak memberikan masukan dalam penyusunan skripsi ini.
10. Semua pihak yang tidak dapat kami sebutkan satu per satu baik yang secara langsung ataupun tidak langsung telah membantu dalam penulisan skripsi ini.
Akhir kata, kami akan sangat menghargai jika ada kritik dan saran yang membangun dari pembaca untuk penyempurnaan skripsi ini. Kami berharap semoga skripsi ini dapat memberikan manfaat dan sumbangan untuk perkembangan ilmu pengetahuan dan teknologi informasi.
Jakarta, Februari 2007
DAFTAR IS I
Halaman Judul Luar ... i
Halaman Judul Dalam ... ii
Halaman Persetujuan Hardcover... iii
Halaman Pernyataan Dewan Penguji... iv
Abstrak ... vii
Prakata ... viii
Daftar Isi ... x
Daftar Tabel ... xiv
Daftar Gambar .………... xv Daftar Lampiran ……….. xx Bab 1 PENDAHULUAN ...1 1.1 Latar Belakang...1 1.2 Rumusan M asalah...3 1.3 Ruang Lingkup ...4
1.4 Tujuan dan M anfaat...5
1.5 M etodologi Penelitian...6
1.6 Sistematika Penulisan ...7
Bab 2 LANDAS AN TEORI...9
2.1 Plat Nomor Kendaraan Bermotor ...9
2.1.1 Sejarah Plat Nomor Kendaraan Bermotor ...10
2.1.2 Nomor Polisi ...11
2.3 Pengolahan Citra (Image Processing) ...13
2.3.1 Citra Digital...13
2.3.2 Konversi Citra Abu–abu M enjadi Citra Biner (Thresholding / Binerisasi) ...14
2.3.3 Penyekalaan (Scaling)...15
2.3.4 Pemotongan (Cropping)...15
2.4 Ekstraksi Fitur...16
2.5 Pengenalan Pola (Pattern Recognition)...17
2.6 Jaringan Saraf Tiruan (Artificial Neural Network)...18
2.6.1 Jaringan Saraf M anusia...19
2.6.2 Perkembangan Artificial Neural Netwok (ANN)...20
2.6.3 Aspek-aspek dari ANN...21
2.6.4 Backpropagation...27
2.7 Unified Modelling Language (UM L) ...34
2.7.1 Use Case Diagram...34
2.7.2 Class Diagram...37
2.7.3 Sequence Diagram...42
2.8 Perancangan Program Aplikasi Komputer...44
2.9 Teori State Transition Diagram (STD) ...47
2.10 Borland Delphi...48
2.10.1 Lingkungan pengembangan ...49
2.10.2 Bahasa pemrograman ...50
2.10.3 Pro and kontra...51
Bab 3 AN ALIS IS DAN PERANCANGAN ...54 3.1 Analisis ...54 3.2 Pemrosesan Awal...55 3.2.1 Pengolahan Citra ...55 3.2.2 Segmentasi ...64 3.3 Ekstraksi Fitur...73
3.4 Proses Training dengan M etode Backpropagation...75
3.4.1 Perancangan Arsitektur Neural Network...76
3.5 Proses Pengenalan Plat Nomor Kendaraan...84
3.6 Perancangan Aplikasi ...86
3.6.1 Gambaran Umum Perancangan ...86
3.6.2 Perancangan UM L (Unified Modelling Language) ...89
3.6.3 Perancangan Layar...102
3.6.4 Perancangan Bangun...106
Bab 4 HAS IL PENELITIAN ...107
4.1 Pengujian ...107
4.1.1 Pengujian pada citra plat mobil berkualitas tinggi...108
4.1.2 Pengujian pada citra plat mobil yang berkualitas moderat. ...110
4.1.3 Pengujian pada plat mobil berkualitas rendah ...112
4.1.4 Pengujian pada citra plat motor ...114
4.2 Evaluasi...115
4.2.1 Evaluasi Pada Citra Plat M obil Berkualitas Tinggi ...115
4.2.3 Evaluasi Pada Citra Plat M obil Berkualitas Rendah...118
4.2.4 Evaluasi Pada Citra Plat M otor...120
4.3 Pengujian Kehandalan M etode...121
4.4 Pengujian Kemampuan M engenali Plat Nomor Berulang-ulang (Repeat Ability) ...123
4.5 Implementasi Rancangan...124
4.5.1 Layar Login...124
4.5.2 Layar Recognize License Plate User...125
4.5.3 Layar Recognize License Plate Admin...126
4.5.4 Layar Training Process...127
4.5.5 Layar Recognizing Single Character...128
Bab 5 S IMPULAN DAN S ARAN ...129
5.1 Simpulan ...129
5.2 Saran ...130
DAFTAR PUS TAKA ...132
DAFTAR RIWAYAT HID UP ...135
DAFTAR TABEL
Tabel 3.1 Tabel nilai input disetiap kotak untuk karakter A diatas...74
Tabel 3.3 Tabel nilai input dari karakter A ...84
Tabel 3.4 Tabel nilai output...85
Tabel 3.5 Use Case DMJ Recognizer...90
Tabel 3.6 Use Case Description Dari Use Case Login...90
Tabel 3.7 Use Case Description Dari Use Case Recognize License Plat-Simple Model..91
Tabel 3.8 Use Case Description Dari Use Case Recognize License Plat -Advanced Model ...92
Tabel 3.9 Use Case Description Dari Use Case Training...93
Tabel 3.10 Use Case Description Dari Use Case Recognize Character...94
Tabel 4.1 Tabel pengujian terhadap 25 citra plat berkualitas tinggi ...108
Tabel 4.2 Tabel pengujian terhadap 60 citra plat berkualitas moderat ...111
Tabel 4.3 Tabel pengujian terhadap 30 citra plat berkualitas rendah ...113
Tabel 4.4 Tabel pengujian terhadap 20 citra plat motor...114
Tabel 4.5 Tabel pengujian kehandalan untuk setiap karakter...122
DAFTAR GAMBAR
Gambar 2.1 Tahapan dalam pengenalan pola ...17
Gambar 2.2 Sistem Saraf Otak M anusia...20
Gambar 2.3 Contoh Neuron...22
Gambar 2.4 M odel Umum Unit Pemroses...23
Gambar 2.5 Fungsi Keluaran / Aktivasi...24
Gambar 2.6 FeedForward (a) dan Feedback (b) Network...25
Gambar 2.7 Bentuk dasar neuron...28
Gambar 2.8 Arsitektur dasar Backpropagation...29
Gambar 2.9 Single-Layer Neural Netwok...30
Gambar 2.10 Multilayer Perceptron Neural Network...31
Gambar 2.11 Recurrent Neural Networks...31
Gambar 2.12 Notasi Use Case...35
Gambar 2.13 Notasi Actor...36
Gambar 2.14 Notasi System Boundary...37
Gambar 2.15 Contoh Use Case Diagram...37
Gambar 2.16 Notasi Class...38
Gambar 2.17 Notasi Multiplicity pada Class...39
Gambar 2.18 Notasi Association...39
Gambar 2.19 Notasi Generalization...40
Gambar 2.20 Notasi Aggregation...40
Gambar 2.21 Notasi Composition...41
Gambar 2.23 Class Diagram Dengan Hubungan Aggregation...41
Gambar 2.24 Class Diagram Dengan Hubungan Association...42
Gambar 2.25 Contoh Class Diagram...42
Gambar 2.26 Notasi Obejct Lifeline dan Activation...43
Gambar 2.27 Contoh Sequence Diagram...43
Gambar 2.31 Daur hidup rekayasa software (Waterfall Model) ...45
Gambar 2.32 Notasi State...47
Gambar 2.33 Notasi Arrow...47
Gambar 2.34 Notasi Condition dan Action...48
Gambar 3.1 Diagram Proses Secara Umum...54
Gambar 3.2 (a). Plat awal. (b). Binerisasi dengan nilai ambang = 127 (c). Binerisasi dengan nilai ambang rata-rata ...59
Gambar 3.3 (a). Plat awal. (b). Binerisasi dengan nilai = 127 (c). Binerisasi dengan nilai rata-rata ...60
Gambar 3.4 (a). Plat awal. (b). Binerisasi nilai rata-rata = 102 (c). Binerisasi nilai rata-rata +15 (d). Binerisasi nilai rata-rata +25 (e). Binerisasi nilai rata-rata +30 (f). Binerisasi nilai rata-rata +40...63 Gambar 3.5 (a). Plat awal.
(b). Binerisasi nilai rata-rata = 57
(c). Binerisasi nilai rata-rata +30...64
Gambar 3.6 (a) Plat sebelum segmentasi (b). Plat dengan kotoran-kotoran yang tertinggal. (c). Karakter-karakter hasil segmentasi. ...72
Gambar 3.7 Hasil segmentasi setelah melalui penyekalaan ulang...73
Gambar 3.8 (a). Citra Awal (b). Setelah dibagi 5 x 5 (c). Setelah dihitung nilai rata-rata input disetiap kotak...74
Gambar 3.9 Arsitektur Jaringan Neural Network yang digunakan ...76
Gambar 3.10 Grafik error dengan 15 node hidden layer dan alpha 0.1...79
Gambar 3.11 Grafik error dengan 15 node hidden layer dan alpha 0.3...80
Gambar 3.12 Grafik error dengan 15 node hidden layer dan alpha 0.5...80
Gambar 3.13 Grafik error dengan 25 node hidden layer dan alpha 0.1...81
Gambar 3.14 Grafik error dengan 25 node hidden layer dan alpha 0.3...81
Gambar 3.15 Grafik error dengan 25 node hidden layer dan alpha 0.5...82
Gambar 3.16 Grafik error dengan 35 node hidden layer dan alpha 0.1...82
Gambar 3.17 Grafik error dengan 35 node hidden layer dan alpha 0.3...83
Gambar 3.18 Grafik error dengan 35 node hidden layer dan alpha 0.5...83
Gambar 3.19 Karakter awal...84
Gambar 3.20 STD M enu Tampilan User...86
Gambar 3.21 STD M enu Recognizing License PlateUser...87
Gambar 3.23 STD M enu Recognizing License Plate Admin...88
Gambar 3.24 STD M enu Training...88
Gambar 3.25 STD M enu Recognizing Single Character...89
Gambar 3.26 Use Case DMJ Recognizer System...89
Gambar 3.27 Class Diagram...95
Gambar 3.28 Sequence Login...96
Gambar 3.29 Sequence Recognize License Plat User – Simple Mode...97
Gambar 3.30 Sequence Recognize License Plate Admin – Advanced Mode...99
Gambar 3.31 Sequence Training...100
Gambar 3.33 Rancangan Layar Login...102
Gambar 3.34 Rancangan Layar Recognizing License Plat User - Simple Mode...102
Gambar 3.35 Rancangan Layar Recognizing License Plat Admin - Advanced Mode...103
Gambar 3.36 Rancangan Layar Training Process Admin...104
Gambar 3.37 Rancangan Layar Recognizing Single Character Admin...105
Gambar 3.38 Rancang bangun pengambilan gambar citra plat nomor kendaraan. ...106
Gambar 4.1 Contoh plat yang berkualitas tinggi ...109
Gambar 4.2 Contoh plat yang berkualitas moderat...111
Gambar 4.3 Contoh plat yang berkualitas rendah...112
Gambar 4.4 (a) Citra plat dengan baut besar dan terang, serta menempel ...116
pada karakter (b). Citra hasil binerisasi dan segmentasi...116
Gambar 4.5 (a) Citra plat dengan baut berwarna gelap, serta menempel (b). Citra hasil binerisasi dan segmentasi...117
Gambar 4.6 (a) citra plat dengan pencahayaan yang kurang merata
(b). Citra hasil binerisasi dan segmentasi...117
Gambar 4.7 (a) citra plat dengan plat yang buruk (b). Citra hasil binerisasi dan segmentasi...118
Gambar 4.8 (a) citra plat dengan pencahayaan yang kurang merata (b). Citra hasil binerisasi dan segmentasi...119
Gambar 4.9 (a) citra plat dengan posisi baut yang menempel pada ...120
Gambar 4.10 (a) citra plat dengan pencahayaan yang kurang merata (b). Citra hasil binerisasi dan segmentasi...121
Gambar 4.11 Layar Login ...124
Gambar 4.12 Layar Recognize License Plate User...125
Gambar 4.13 Layar Recognize License Plate Admin...126
Gambar 4.14 Layar Training Process...127
DAFTAR LAMPIRAN