JURNAL INFORMATIKA PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN

(1)

JURNAL INFORMATIKA

No.3 , Vol. 2, September – Desember 2011 48

PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN

Decy Nataliana^[1], Sabat Anwari^[2], Arief Hermawan^[3]

Jurusan Teknik Elektro Institut Teknologi Nasional Bandung

ABSTRAK

Pengenalan pola merupakan bidang dalam pembelajaran mesin, salah satu aplikasinya adalah pengenalan pola angka dan huruf dari sebuah citra menggunakan jaringan saraf tiruan. Jaringan saraf tiruan sendiri merupakan sistem pemroses informasi yang memiliki karakteristik seperti jaringan saraf biologis. Jaringan saraf tiruan ini sebelum digunakan harus dilatih terlebih dahulu agar nantinya dapat digunakan untuk mengenali suatu pola yang menyerupai pola yang sudah dilatih. Jaringan saraf tiruan yang digunakan adalah JST backpropagation

Program yang dibuat akan menampilkan citra input kemudian mencari dan mengekstrak plat nomor kendaraan, kemudian melakukan segmentasi citra plat nomor menjadi citra karakter. Langkah terakhir yang dilakukan adalah mengenali tiap citra karakter hasil segmentasi dengan menggunakan jaringan saraf tiruan backpropagation.

program yang digunakan dalam pembuatan program pengenalan karakter ini adalah Matlab.

Pembuatan program ini dibagi menjadi dua tahap yanitu pembuatan GUI dan pembuatan subprogram yang bersesuaian dengan GUI yang telah dibuat. Hasil pengenalan plat nomor kendaraan dengan menggunakan JST memiliki tingkat keberhasilan 46,32%

dengan waktu rata – rata yang dibutuhkan untuk mengenali tiap plat nomor adalah 1,76 detik, sedangkan metoda pembandingnya adalah metoda template matching yang memiliki tingkat keberhasilan 72,37% dengan waktu rata – rata yang dibutuhkan untuk mengenali tiap plat nomor adalah 21,14 detik.

Kata kunci: Pengenalan Pola, Plat Nomor Kendaraan, Jaringan Saraf Tiruan, Matlab

(2)

JURNAL INFORMATIKA

ABSTRACT

Pattern recognition is a field on machine learning, ones of application is number and latter pattern recognition from an image using artificial neural network. Artificial neural network is informational system processing that having characteristic like biological neural network. This artificial neural network have to be trained before it can be used to recognition a pattern that is like the pattern that have been trained. The artificial neural network that have been used is backpropagation ANN.

This program will showing input image then the program will search and extract license plat number and then doing segmentation plat number image to become character image. The last step is recognition each of image character from the segmentation process using backpropagation artificial neural network. This character recognition program is made using Matlab.

The making of this program divided by two step : the making of GUI and the making od subprogram that have correlation with GUI. the result of the license plat number recognition by using ANN have success rate 46,23% with average time to recognition license plat number is 1,76 second, meanwhile the other method, template matching, have success rate 72,73%

with average time to recognition license plate number is 21,14 second.

Keywords : Pattern Recognition, License Plate Number, Artificial Neural Network, Matlab

I. Pendahuluan 1.1. Latar Belakang

Pengenalan pola merupakan bidang dalam pembelajaran mesin. Pengenalan pola dapat diartikan sebagai sebuah tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data.

Salah satu aplikasinya adalah pengenalan pola angka dan huruf dari sebuah citra menggunakan jaringan saraf tiruan.

Jaringan saraf tiruan sendiri merupakan sistem promroses informasi yang memiliki karakteristik seperti jaringan saraf biologis. Jaringan saraf tiruan ini sebelum digunakan harus dilatih terlebih dahulu agar nantinya dapat digunakan untuk mengenali suatu pola yang menyerupai pola yang sudah dilatih. Disini jaringan saraf tiruan digunakan untuk mengenali pola karakter dari sebuah citra plat nomor kendaraan

1.2. Tujuan

Tujuan dari pembuatan program ini adalah program dapat mengenali karakter dari plat nomor kendaraan dalam sebuah citra.

1.3. Batasan Masalah

Dalam pembuatan program untuk tugas akhir ini terdapat beberapa batasan masalah agar tidak meluas :

• Program hanya dapat mendeteksi sebuah plat nomor yang berwarna hitam dalam sebuah citra.

• Program hanya dapat mengenali nomor kendaraan, tidak beserta dengan masa berlakunya.

• Menggunakan gambar berformat bmp dan jpeg berukuran 1280 x 1024 piksel.

• Plat nomor kendaraan yang digunakan sesuai dengan standar yang berlaku dan terlihat jelas dalam citra.

• Pengenalan menggunakan jaringan saraf tiruan backpropagation

II. Dasar teori

2.1. Penglolahan Citra Digital^[1,2]

Ada beberapa pengertian tentang citra digital. Salah satunya adalah bahwa citra digital merupakan suatu matrik dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriknya menyatakan intensitas pada titik tersebut. Jika citra dinyatakan dalam

(3)

No.3 , Vol bentuk gambar b

Gambar 2.

M informas tersebut dengan c Wikipedi pengguna melakuka digital.

S citra dig menjadi d

• Outpu Peng ini mentr lain, menin meng nya le

• Outpu Pada digun komp lanjut meng 2.2. Jarin

Jaring pertama McCullo McCullo bahwa sederhan akan komputa

. 2, Septembe koordinat berikut ini

1 Citra Dalam Meskipun ci i akan teta harus diolah citra kebutuh

ia pengolaha aan algorit an pemrose ecara garis gital menur dua, yaitu : utnya citra olahan citra

berhubunga ransformasik

seperti ngkatkan k gkompres ci

ebih kecil.

utnya kompo kategori nakan untuk ponen dari c

t. Biasany genali suatu p

ngan Saraf gan saraf kali d ch dan Pi ch dan

kombinasi na menjadi s

meningkat sinya. Bobo

JU

er – Desember maka aka

Koordinat itra memilik api sering h kembali a han yang ada

an citra dig ma kompu esan citra d s besar, p rut outputn

a digital pad an dengan kan citra me

memperbai kualitas ci itra agar uk onen / atribu ini pengola k menghasil itra untuk di ya digunak

pola tertentu Tiruan^[8]

f tiruan diperkenalka itts di tah

Pitts meny beberapa sebuah syste

tkan ke ot dala jarin

URNAL IN

r 2011

an seperti

ki banyak kali citra agar sesuai

a. Menurut ital adalah uter untuk

alam citra pengolahan nya dibagi

da kategori n teknik enjadi citra

iki citra, itra, atau kuran file- ut citra

ahan citra lkan suatu

iolah lebih an untuk u dari citra

sederhana an oleh hun 1943.

yimpulkan a neuron em neural emampuan ngan yang

NFORMA

diusul untuk Fungs fungsi Ja sistem memil jaring sebeag dari ja : a. Pe

ba b. Si ne c. Pe ya me d. Un ne ya ya ke thr 2.2.1.

tiga ha a. Po

jar b. M

pe pe c. Fu 2.2.2.

keterb Kelem menam lapisa dan la lapisa memil bebera meme backp menda kemam

ATIKA

lkan oleh M melakukan si aktivasi i threshold.

aringan sara m pemrose liki karakt an saraf b gai general aringan saraf emrosesan anyak elemen inyal dikirim euron melalu enghubung ang akan

emperlemah ntuk mene euron meng ang diterapk ang diterim emudian

reshold.

Jaringan sa Jaringan sa al, yaitu : ola hubungan

ringan).

Metode untu enghubung elatihan).

ungsi aktivas JST Backpr JST dengan batasan da mahan ini

mbahkan sa an tersembun

apisan outpu an tersemb

liki keleb apa kasus, erlukan wakt Seperti a propagation

apatkan mpuan jaring

McCulloch da fungsi logik yang digun af tiruan ( esan infor teristik m biologis. JS isasi model f biologis, d informasi n sederhana mkan dianta ui penghubun

neuron me n memper

h sinyal entukan ou ggunakan fu kan pada j a. Besarnya

dibandingka

araf tiruan araf tiruan d

n antar neur uk menent (training / si

ropagation n lapis tung lam penge bisa dia atu lapisan a

nyi diantara ut. Meskipun unyi lebih bihan man akan tetapi tu yang lebih arsitektur

melatih ja keseimbang gan untuk m

4 an Pitts diatu ka sederhan nakan adala (JST) adala rmasi yan irip denga ST dibentu l matematik dengan asum

terjadi pad (neuron) ara neuron

ng

emiliki bobo rkuat ata utput, setia ungsi aktiva

jumlah inpu a output in an denga

dibentuk ole ron (arsitektu

tukan bobo / learning

ggal memilik enalan pol atasi denga

atau beberap lapisan inpu n penggunaa h dari sat nfaat untu pelatihanny h lama.

yang lain ringan untu gan antar mengenali po

48 ur na.

ah ah ng an uk ka msi da – ot au ap asi ut ni an

eh ur ot /

ki la.

an pa ut an tu uk ya n, uk ra la

(4)

No.3 , Vol yang dig kemampu respon y yang ser selama p a. Arsit Backp unit neu Gambar arsitektur neuron bias), se terdiri p sebuah b output.

Gambar 2.2 Vij m ke unit merupaka bias di tersembu bobot da unit outp bias di keluaran b. Fase Backp yang haru fase maju dari lapi dengan aktivasi.

selisih a output ya kesalahan dirambat

. 2, Septembe gunakan se uan jaringan yang benar rupa dengan elatihan.

ektur backpr kpropagation uron dalam

berikut r backpropa input (ditam ebuah lapisa

unit neuro bias), serta

2 Arsitektur B merupakan bo

t lapisan an bobot y unit masuk unyi zj), seda ari unit lapis put yk (wk0)

lapisan t zk).

backpropag kpropagation us dilakukan u, pola inpu isan input h

mengguna Fase kedua antara outp ang diingink

n atau error tkan mundu

JU

er – Desember elama pelati n untuk m terhadap p n pola yan ropagation n memiliki

lapisan ter ini adalah agation deng mbah denga an tersembu on (ditamba m buah ne

ackpropagation obot dari un

tersembuyi yang mengh kkan ke un angkan wkj m san tersemb

merupakan ersembunyi

gation n memiliki

n. Fase perta ut dihitung m

hingga lapis akan suatu a adalah fas put jaringan kan (target) m r. Error ini ur, dimulai

URNAL IN

r 2011 ihan serta memberikan

pola input ng dipakai

beberapa rsembunyi.

h contoh gan n buah

an sebuah unyi yang ah dengan euron unit

n

nit input xi

i zj (vj0

hubungkan nit lapisan

merupakan bunyi zj ke

bobot dari ke unit

tiga fase ama adalah maju mulai san output u fungsi

e mundur, n dengan merupakan

kemudian dari yang

NFORMA

berhub lapisa Fase untuk 1. Fa Se (xi) di mengg ditentu lapisa diprop tersem mengg Demik output

Se diband dicapa output jika n toleran akan error toleran akan kesala 2. Fa Be factor untuk yk ke terhub digun berhub

De factor tersem bobot di baw semua berhub dihitu

De faktor sebag yang b di baw semua berhub masuk

ATIKA

bungan lang an output sa ketiga adal menurunkan ase I : propag elama propa ipropagasika gunakan fun ukan. Kelu an tersemb

pagasikan mbunyi

gunakan s kian seterusn t jaringan (y elanjutnya

dingkan den ai (tk). Sel

t adalah suat nilai error i

nsi yang d dihentikan.

masih le nsinya, mak dimodifika ahan yang ad ase II : propa erdasarkan r δk (k = 1,

mendistribu e semua u bung langsu

akan untuk bungan lang engan cara r δj di set mbunyi seb

yang bersa wahnya. Dem a factor δ d

bungan lang ung.

engan cara r δj di setiap ai dasar peru berasal dari wahnya. Dem a faktor δ d

bungan la kan dihitung

gsung denga ampai ke l lah memod n error yang gasi maju agasi maju, an ke lapisan

ngsi aktivas uaran dari bunyi (zj)

maju k selanjutnya suatu fung nya hingga m yk)

output ja ngan target lisih antara tu nilai kesa ni lebih kec ditentukan

Akan teta ebih besar ka bobot da

asi untuk da.

agasi mundu nilai error 2, …, m) usikan kesa unit tersem ung dengan

mengubah gsung dengan a yang sam

iap unit d bagai dasar

sal dari unit mikian seter di unit terse gsung denga a yang sam

unit di layar ubahan bobo unit tersemb mikian seter di unit terse angsung d g.

4 an unit – un apisan inpu difikasi bobo

g ada.

sinyal inpu n tersembuny i yang suda

setiap un selanjutny ke lapisa a denga gsi aktivas menghasilka aringan (y t yang haru a target da alahan (error cil dari bata

maka itera api jika nil dari bata alam jaringa

mengurang ur

, dihitungla yang dipak alahan di un mbunyi yan yk. δk jug h bobot yan n unit output ma, dihitun alam lapisa r perubaha t tersembuny rusnya hingg embunyi yan an unit inpu ma, dihitun

r tersembuny ot semua gar

bunyi di laya rusnya hingg embunyi yan dengan un

48 nit ut.

ot

ut yi ah nit ya an an si.

an yk) us an r), as asi ai as an gi

ah kai nit ng ga ng t.

ng an an yi ga ng ut ng yi ris ar ga ng nit

(5)

JURNAL INFORMATIKA

3. Fase III : perubahan bobot

Setelah semua faktor δ dihitung, semua bobot juga dimodifikasi secara bersamaan.

Perubahan suatu bobot didasarkan atas factor δ neuron lapisan di atasnya, sebagai contoh perubahan bobot pada lapisan output didasarkan atas δk yang ada di unit output.

Ketiga fase tersebut diulang – ulang terus hingga kondisi penghentian terpenuhi. Umumnya kondisi penghentian yang sering digunakan adalah jumlah iterasi atau nilai error. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah iterasi maksimum yang ditentukan, atau jika nilai error sudah lebih kecil dari batas toleransi yang ditetapkan.

c. Algoritma backpropagation

Berikut ini adalah algoritma backpropagation yang umum digunakan : 1. Inisialisasi bobot (ambil bobot awal

dengan nilai random yang cukup kecil).

2. Kerjakan langkah – langkah berikut selama kondisi berhenti bernilai salah.

3. Untuk tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan :

 Feedforward

a. Tiap – tiap unit input (xi, i = 1, 2, …, n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).

b. Tiap – tiap unit pada suatu lapisan tersembunyi (zj, j = 1, 2, …, p) menjumlahkan sinyal – sinyal input terbobot

_ 1

gunakan fungsi aktivasi untuk menghitung sinyal output

_

dan kirimkan sinyal tersebut ke semua unit tersembunyi di lapisan atasnya (unit – unit output)

c. Tiap – tiap unit output (Yk, k = 1, 2,

…, m) menjumlahkan sinyal – sinyal input terbobot.

_ 2

gunakan fungsi aktivasi untuk

menghitung sinyal output _

Dan kirimkan sinyal tersebut ke semua unit tersembunyi di lapisan atasnya (unit – unit output). Langkah ini dilakukan sebanyak jumlah lapisan tersembunyi

 Backpropagation

a. Tiap – tiap unit output (Yk, k = 1, 2,

…, m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi error- nya :

2 _

2

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk) :

∆ 2

Hitung koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2k) :

∆ 2 2

Langkah ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.

b. Tiap – tiap unit tersembunyi (zj, j =1, 2, …, p) menjumlahkan delta input (dari unit – unit yang berada di lapisan atasnya) :

∑

=

= ^m

k

jk k

j w

in

1

2

_ δ

δ

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error :

1 _ _

1 1

(6)

No.3 , Vol Kemu nantin memp Hitun nantin memp c. Tiap

…, m (j = 0 wjk (b b2k (b tiap –

…, p (i = 0 vij (ba b1j (b 4. Tes k 2.3. Mat

Matla dapat dig pengenal dalam M memudah saraf ti Toolbox.

Dalam terdapat macam pengatura dibutuhk fungsi ak

Selain fitur yang GUI prog Fitur ini program didapatka hanya de III. Pera S seperti bl

. 2, Septembe udian hitung nya akan pebaiki bilai ng juga k

nya akan perbaiki b1j)

– tiap unit m) memperba 0, 1, …, p) :

baru) = wjk ( baru) = b2k ( – tiap unit te p) memperba 0, 1, …, n) :

aru) = vij (la baru) = b1j (l kondisi berhe

lab^[2,4]

ab adalah sa gunakan unt lan plat no Matlab sudah

hkan pembu iruan, yait m Neural fungsi untu

jaringan an paramet kan, seperti ktivasi dan la n itu Matlab g dapat digu gram yang m i memudah

dengan GU an bisa lebih engan mengg ancangan Pr ecara umum lok diagram

JU

er – Desember g koreksi bo

digunaka i vij) : koreksi bi

digunaka ) :

ourput (Yk, aiki bias dan (lama) + Δwj

(lama) + Δb2 ersembunyi ( aiki bias dan

ma) + Δvij

lama) + Δb1 enti

alah satu soft tuk membua omor kend terdapat too uatan program

tu Neural Network uk membua saraf tiru er – param i metode ainnya.

b juga dapat unakan untuk menarik, yait hkan dalam UI sehingga

h maksimal gunakan m-fi

rogram m sistem aka

berikut :

URNAL IN

r 2011 obot (yang an untuk

ias (yang an untuk

, k = 1, 2, n bobotnya

jk

2k

(zj, j =1, 2, n bobotnya

1j

tware yang at program daraan. Di

olbox yang m jaringan Network Toolbox at berbagai

an, serta meter yang

pelatihan, t memiliki k membuat tu GUIDE.

membuat hasil yang

dibanding file saja.

an berkerja

NFORMA

Gamba

kemud sudah plat Setela segme dapat penge backp melalu digun untuk menja GUI d 3.1. P

Pe GUID dapat mudah beriku untuk nomor

Gamba

ATIKA

ar 3.1 Blok Dia Citra di dian ditamp h disediakan

nomor dite ah diekstr

entasi karak dipisahkan.

Proses enalan karak propagation

ui GUI.

akan meto mengenali k

Perancang adi dua ba dan perancan Perancangan erancangan DE Matlab

dilakukan h. Gambar ut ini adalah pelatihan J r kendaraan

ar 3.2 Pelatihan

agram Pengena igital dijad pilkan melal

, lalu citra emukan lal

ak dilaku kter agar t

selanjutny kter dengan

dan hasilnya Sebagai oda templa

karakter plat gan program agian yaitu ngan subprog n GUI

GUI m sehingga n dengan

3.2 serta rancangan t JST dan pen

n JST

4 alan Karakter

dikan inpu lui GUI yan

diproses aga lu diekstrak ukan prose tiap karakte ya adala

metoda JS a ditampilka pembandin te matchin t nomor.

m ini dibag perancanga gram.

menggunaka perancanga relatif lebi gambar 3 tampilan GU ngenalan pl

48 ut ng ar k.

es er ah ST an ng ng gi an

an an ih .3 UI at

(7)

JURNAL INFORMATIKA

Gambar 3.3 Pengenalan Plat Nomor 3.2. Perancangan Subprogram

Perancangan subprogram untuk program pengenalan plat nomor kendaraan terdiri dari beberapa program

a. Pelatihan JST

Dalam subprogram pelatihan JST ini arsitektur yang digunakan adalah backpropagation dengan tiga lapisan, lapisan input, hidden dan output. Metode pelatihan yang digunakan adalah trainlm.

Gambar 3.4 berikut ini adalah flowchart subprogram pelatihan JST

Gambar 3.4 Pelatihan JST

b. Menampilkan Citra

Dalam subprogram ini akan menampilkan citra yang dipilih melalui GUI, subprogram ini dihubungkan dengan tombol Citra Kendaraan. Setelah ditampilkan citra dirubah ke format grayscale untuk pemrosesan lebih lanjut.

Gambar 3.5 adalah flowchart untuk subprogram yang digunakan

Gambar 3.5 Menampilkan Citra c. Mencari Kandidat Plat Nomor

Subprogram ini akan membagi citra input menjadi enam bagian kemudian program akan mencari plat nomor di tiap bagian. Gambar 3.6 adalah flowchart untuk subprogram ini

(8)

JURNAL INFORMATIKA

Gambar 3.6 Kandidat Plat Nomor d. Ekstraksi Plat Nomor

Dalam subprogram ini program akan melakukan ekstraksi plat nomor kendaraan dari kandidat plat nomor yang sudah ditemukan. Ekstraksi disini adalah memotong batas atas bawah dan batas kiri kanan dari citra kandidat plat nomor yang berhasil didapatkan oleh subprogram sebelumnya. Gambar 3.7 adalah flowchart untuk subprogramnya

Gambar 3.7 Ekstraksi Plat Nomor

e. Segmentasi Karakter

Segmentasi karakter dilakukan agar tiap citra hanya memiliki satu karakter sehingga proses selanjutnya atau proses pengenalan krakter dapat berjalan dengan baik. Gambar 3.8 adalah flowchart untuk subprogram ini

(9)

JURNAL INFORMATIKA

Gambar 3.8 Segmentasi Karakter

f. Pengenalan Karakter Menggunakan JST

Pengenalan karakter hasil segmentasi dilakukan dengan menggunakan jaringan saraf tiruan backpropagation. Gambar 3.9 adalah flowchart untuk subprogram pengenalan karakter menggunakan JST

Gambar 3.9 Pengenalan Menggunakan JST

(10)

JURNAL INFORMATIKA

g. Pengenalan Karakter Menggunakan Template Matching

Metoda ini digunakan hanya sebagai pembanding, karakter hasil segmentasi dibandingkan dengan karakter yang ada di dalam data. Gambar 3.10 adalah flowchart untuk subprogram pengenalan karakter menggunakan template matching

Gambar 3.10 Pengenalan Menggunakan Template Matching

IV. Pengujian dan Analisa

Dalam pengujian program pengenalan plat nomor kendaraan ini dilakukan sesuai dengan bagian – bagian yang sudah dibuat.

1. Pengujian GUI

Pengujian GUI dilakukan untuk mengetahui apakah GUI yang dibuat bekerja dengan baik dan hasilnya GUI bekerja dengan baik karena semua komponen sudah berada pada tab – tab yang sudah ditentukan seperti ditunjukkan pada gambar 4.1 dan 4.2

Gambar 4.1 Tab Pelatihan JST

Gambar 4.2 Tab Pengenalan Karakter 2. Pengujian Pelatihan JST

Dalam pengujian pelatihan JST backpropagation, jaringan diberikan input berupa angka yang dinyatakan dalam matrik. Gambar 4.3 adalah gambar saat pelatihan dilakukan

(11)

JURNAL INFORMATIKA

Gambar 4.3 Pelatihan JST 3. Pengujian Input Citra

Saat program diberi input citra maka yang ditampilkan saat pemilihan citra adalah citra yang berformat bmp dan jpeg saja, seperti ditunjukkan pada gambar 4.4

Gambar 4.4 Memilih Citra

Setelah dipilih citra kemudian ditampilkan dalam tempat yang sudah ditentukan, seperti ditunjukkan pada gambar 4.5

Gambar 4.5 Menampilkan Citra

4. Pengujian Pencarian Kandidat Citra dan Ekstraksi Citra

Pencarian kandidat citra dan ekstraksi citra sudah dapat dilakukan, walaupun masih terdapat noise pada hasilnya, seperti yang ditunjukkan pada gambar 4.6

Gambar 4.6 Pencarian dan Ekstraksi Citra

Dari sejumlah citra yang digunakan tidak semuanya dapat menghasilkan output yang diharapkan, masih terdapat kesalahan dalam pencarian dan ekstraksi plat nomor kendaraan. Secara umum hasilnya dapat dibagi menjadi empat kelompok, yaitu : a. Plat nomor dapat ditemukan dan dapat

diekstrak dengan baik

b. Plat nomor dapat ditemukan tetapi tidak dapat diekstrak dengan baik c. Plat nomor dapat ditemukan tetapi

tidak dapat diekstrak

d. Plat nomor tidak dapat ditemukan sehingga tidak dapt diekstrak

(12)

No.3 , Vol Tabel menunjuk pencarian Table 4.1 H Plat N 1

2

3

4

5. Pengu Dari cukup disegmen tidak ter ada pula ini diseb plat nom proses tersebut 4.2 adala Table 4.2 H

6. Pengu Pengu karakter untuk me mengena Contoh gambar 4

. 2, Septembe l 4.1 adalah kkan emp n dan ekstrak Hasil Pencarian Nomor Ha

Pen

ujian Segme sejumlah cit bervariasi, ntasi dengan rsegmentasi

yang tidak b babkan adan mor hasil ek segementas dianggap se ah gambar ha Hasil segmenta

ujian Metod ujian subp

dengan m engetahui ap ali karakter hasilnya 4.7

JU

er – Desember hasil percob pat kelomp

ksi plat nom n dan Ekstraks sil

ncarian H E

entasi Citra tra yang diuj

ada ya n baik, ada dengan ba bisa disegme nya noise d kstraksi sehi si dilakuka ebagai karak asil proses se asi

da JST program p metoda JST pakah JST su r hasil se ditunjukka

URNAL IN

r 2011 baan yang pok hasil mor.

si Hasil Ekstrak

uji hasilnya ang bisa

juga yang aik bahkan

entasi. Hal dalam citra

ingga saat an noise kter. Tabel

egmentasi

pengenalan dilakukan udah dapat egmentasi.

an dalam

NFORMA

Ga Da didapa yang merup karakt Tabel 4

Da keberh 14,28%

dibutu adalah 7. Pe Pe ini terhad sebelu tabel 4

ATIKA

ambar 4.7 Hasi ari pengujia at bahwa m

salah diken pakan hasil ter mengguk 4.3 Hasil Pengu

ari tabel 4.3 hasilan yan

% sampai 8 uhkan untu h antara 1,59 engujian Me engujian me

digunakan dap metoda umnya. Has

4.4

il Metoda JST an yang sud masih terda nali oleh JS

l pengujian kaan JST

ujian JST

3 terlihat b ng didapat a

85,71% dan uk pengena 9 detik samp toda Templa etoda templ

sebagai a JST yan

ilnya ditunj

4 dah dilakuka apat karakte ST. Tabel 4 n pengenala

bahwa tingk adalah antar n waktu yan alan karakte pai 1,89 detik ate Matching late matchin pembandin ng digunaka jukkan dalam

48 an er .3 an

kat ra ng er k.

g ng ng an m

(13)

JURNAL INFORMATIKA

Tabel 4.4 Hasil Metoda Template Matching

Dari tabel terlihat bahwa tingkat keberhasilan yang didapat adalah antara 42,85% sampai 100% sedangkan waktu yang diperlukan untuk proses pengenalan karakter adalah antara 18,84 detik sampai 22,93 detik.

V. Kesimpulan dan Saran 5.1. Kesimpulan

Dari pengujian yang sudah dilakukan terhadap program pengenalan plat nomor dapat diambil kesimpulan sebagai berikut : 1. Subprogram untuk menampilkan citra

input sudah dapat digunakan untuk menampilkan citra dan secara otomatis progam hanya menampilkan citra yang memiliki format bmp dan jpeg.

2. Subprogram pencarian plat nomor kendaraan sudah dapat digunakan untuk mencari plat nomor kendaraan, walaupun hasil yang didapat masih belum sempurna.

3. Subprogram segmentasi karakter dapat melakukan segmentasi karakter dengan baik untuk citra yang memiliki noise sedikit.

4. Subprogram peltaihan JSt membutuhkan waktu yang cukup bervariasi tergantung data dan parameter pelatihan yang digunakan.

5. Subprogram pengenalan karakter metoda JST memiliki tingkat keberhasilan rata – rata 46,32% dengan waktu rata – rata yang dibutuhkan adalah 1,76 detik.

6. Subprogram pengenalan JST dengan metoda template matching memiliki tingkat keberhasilan rata – rata 72,37%

dengan waktu rata – rata yang dibutuhkan adalah 21,14 detik.

5.2. Saran

Berikut ini adalah saran yang dapat diberikan untuk meningkatkan kemampuan program :

1. Algoritma pencarian plat nomor kendaraan dan ekstraksi perlu dirubah agar program dapat menemukan plat nomor kendaraan yang posisinya tidak hanya ditengah serta dapat melakukan ekstraksi plat nomor kendaraan dengan lebih baik

2. Perlu ditambahkan algoritma untuk menghilangkan noise yang ada dalam citra plat nomor kendaraan hasil ekstraksi, agar proses segmentasi dapat bekerja dengan lebih baik.

3. Program pelatihan jaringan saraf tiruan perlu disempurnakan agar dapat melakukan pelatihan jaringan saraf tiruan selain dengan metoda pelatihan trainlm.

4. Menambahkan data untuk pelatihan jaringan saraf tiruan agar didapat hasil yang lebih baik untuk pengenalan karakter.

DAFTAR PUSTAKA

1. Gonzales, Rafael C, 2002, “Digital Image Processing” 2^nd Edition, Prentice Hall.

2. Gonzales, Rafael C, 2004, “Digital Image Processing Using Matlab” 1^st Edition, Prentice Hall.

(14)

JURNAL INFORMATIKA

3. Kusumadewi, Dewi, 2003, “Artificial Intelligence (Teknik dan Aplikasinya)”, Graha Ilmu.

4. Hermawan, Arief, 2006, “Jaringan Saraf Tiruan (Teori dan Aplikasi)”, Andi.

5. Hery Purnomo, Mauridhi, Agus Kurniawan, 2006, “Supervised Neural Networks dan Aplikasinya”, Graha Ilmu

6. Jemmy, “Aplikasi Kamera Web Untuk Mengidentifikasi Plat Nomor Mobil”, Universitas Kristen Maranatha, 2008.

7. Marasi Manurung, Patardo,

“Perangkat Lunak Pengenalan Plat Nomor Mobil Mengunakan Jaringan Kompetitif dan Jaringan Kohonen”, Universitas Indonesia, 2007.

8. Simon Haykin, Neural Networks : Acomprehensive Foundation, Pearson Education, cetakan ke-3 di India, 1999