iv
Judul : Pengenalan Plat Nomor Kendaraan Menggunakan
Transformasi Wavelet Haar Dan Probalistic Neural Network (PNN)
Nama : Christina
NIM : 1308605022
Pembimbing I : I Gede Arta Wibawa,S. T.,M. Kom Pembimbing II : Made Agung Raharja., S.Si., M.Cs
ABSTRAK
Sistem Tanda Nomor Kedaraan Bermotor (TNKB) di Indonesia memiliki beberapa ketentuan seperti penomoran unik untuk masing-masing wilayah. Untuk membantu sistem perpajakan kendaraan bermotor diperlukan sebuah sistem yang dapat mengenali TNKB dan mengolah data yang ada pada dinas perlayanan pajak kendaraan bermotor pemerintah provinsi masing-masing. Jika terdapat kendaraan dengan kode wilayah tertentu berada di bukan wilayah kendaraan tersebut terdaftar dalam jangka waktu yang lama, hal ini akan menyebabkan beberapa kerugian seperti kemacetan lalu lintas. Sistem ini akan membantu pemantauan kasus tersebut sehingga dapat membantu dinas perhubungan dan perpajakan dalam menangani sanksi perpajakan dan menambah pendapatan daerah yang bersangkutan.
Dalam menyelesaikan permasalahan diatas, digunakan Transformasi Wavelet Haar untuk mengekstraksi ciri dari karakter yang terdapat pada TNKB dan metode Klasifikasi yang digunakan adalah Probabilistic Neural Network (PNN). Dataset yang digunakan berupa citra kendaraan yang telah memiliki plat kendaraan atau TNKB yang sesuai dengan ketentuan dinas perpajakan. Pengambilan dataset berlokasi pada Bandara Internasional I Gusti Ngurah Rai. Dataset pelatihan merupakan hasil segmentasi karakter secara manual terhadap dataset pengujian yang telah diambil. Wavelet haar mengekstraksi ciri dari citra karakter dan PNN mengklasifikasi data ciri tersebut.
Penggunaan metode Wavelet haar sebagai ekstraksi ciri dan metode PNN sebagai klasifikasi menghasilkan performa yang baik dengan nilai akurasi sebesar 87,04%.
v
Title : The Recognition of Vehicle Plate Number Using Haar Wavelet Transform and Probabilistic Neural Network (PNN)
Name : Christina
Registration : 1308605022 First
Supervisor
: I Gede Arta Wibawa,S. T.,M. Kom
Second Supervisor
: Made Agung Raharja., S.Si., M.Cs
ABSTRACT
The Motor Vehicle Numbering System (TNKB) in Indonesia has several provisions such as unique numbering for each region. To assist the system of taxation of motor vehicles, it is needed a system that can recognize TNKB and process the available data in the agencies of tax service of motor vehicles of each provincial government. If a vehicle with a certain area code is located in the non-territory of the vehicle where it is registered for a long period of time, this will cause some losses, such as traffic congestion. This system will help monitoring the case so that it can assist the transportation and taxation agencies in handling tax sanctions and increase the regional income concerned.
In solving the above problems, it was used Haar Wavelet Transformation to extract characteristics of the characters contained in TNKB and the Classification method used was Probabilistic Neural Network (PNN). Dataset used in the form of vehicle image that already has a vehicle plate number or TNKB in accordance with the provisions of the tax service. The dataset collection was located at I Gusti Ngurah Rai International Airport. The training of dataset was the result of manual character segmentation of the test dataset that has been taken. Haar Wavelet extracts characteristics from the character image and PNN classifies the featured data.
The use of Haar Wavelet method as feature extraction and PNN method as a classification resulted in good performance with an accuracy value of 87.04%.
Keywords: Haar Wavelet, Probabilistic Neural Network, TNKB
Acknowledged by,
First Supervisor Second Supervisor
I Gede Arta Wibawa,S. T.,M. Kom Made Agung Raharja., S.Si., M.Cs
NIP. 198310222008121001 NIP. 1985091920130122003
Translated based on the original by,
I Nyoman Tri Ediwan,S.S.,M.Hum Translator of language Service Unit Udayana University Language Center
vi
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena atas karunianya, penulis dapat menyelesaikan laporan Tugas Akhir yang berjudul “Pengenalan Plat Nomor Kendaraan Menggunakan Transformasi Wavelet Haar Dan Probalistic Neural Network (PNN)” tepat pada waktunya. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada yang terhormat :
1. Bapak I Gede Arta Wibawa,S. T.,M. Kom. selaku pembimbing I yang senantiasa membimbing dan mengarahkan penulis dalam guna menyempurnakan tugas akhir ini.
2. Bapak Made Agung Raharja., S.Si., M.Cs. selaku calon pembimbing II yang telah bersedia mengoreksi, memberi kritik dan saran dalam penyusunan dan penyempurnaan tugas akhir ini.
3. Bapak dan Ibu dosen di Jurusan Ilmu Komputer yang telah bersedia berbagi ilmu sebagai masukan bagi penulis untuk meningkatkan kesempurnaan tugas akhir ini.
4. Keluarga dan rekan-rekan yang tidak dapat penulis sebutkan satu persatu yang telah memberikan dukungan materi dan moral dalam penyelesaian tugas akhir ini.
Akhir kata penulis berharap semoga laporan ini bermanfaat bagi semua pihak, dan penulis menyadari laporan ini masih jauh dari kesempurnaan. Untuk itu, masukan dan saran-saran penyempurnaan sangat diharapkan sehingga nantinya dapat memperbaiki laporan ini dan untuk mengembangkannya di kemudian hari.
Bukit Jimbaran, Juli 2017
vii DAFTAR ISI
Halaman
HALAMAN COVER ... i
SURAT PERNYATAAN KEASLIAN KARYA ILMIAH ... ii
LEMBAR PENGESAHAN TUGAS AKHIR ... iii
ABSTRAK ... iv
KATA PENGANTAR ... vi
DAFTAR ISI ... vii
DAFTAR TABLE ... x
DAFTAR SOURCE CODE ... xi
DAFTAR GAMBAR ... xii
DAFTAR LAMPIRAN ... xiv
BAB I PENDAHULUAN ... 1 1.1. Latar Belakang ... 1 1.2. Rumusan Masalah ... 2 1.3. Tujuan Penelitian ... 3 1.4. Batasan Masalah ... 3 1.5. Manfaat Penelitian ... 3 1.6. Metodologi Penelitian ... 3 1.6.1. Desain Penelitian ... 4
1.6.2. Pengumpulan Data Awal... 4
1.6.3. Metode Yang Digunakan ... 4
BAB II TINJAUAN PUSTAKA ... 5
2.1. Tinjauan Studi ... 5
2.2. Plat Nomor Kendaraan ... 6
2.3. Citra Digital ... 7
2.4. Format Citra Digital ... 8
2.5. Pengolahan Citra Digital ... 8
2.6. Metode Preprocessing ... 9
2.6.1. Grayscaling ... 9
2.6.2. Sobel ... 9
2.6.3. Normalisasi (Median Filter) ... 10
viii
2.7.1. Thresholding ... 10
2.7.2. Closing ... 11
2.8. Metode Pengenalan Karakter ... 13
2.8.1. Wavelet Haar ... 13
2.8.2. Probabilistic Neural Network (PNN) ... 14
BAB III ANALISIS DAN PERANCANGAN ... 16
3.1. Kebutuhan Fungsional ... 16
3.1.1. Preprocessing Citra ... 16
3.1.2. Segmentasi Citra ... 16
3.1.3. Pengenalan Karakter ... 16
3.2. Rancangan Data ... 16
3.3. Rancangan Antar Muka Sistem ... 17
3.4. Pengolahan Data ... 18 3.5. Preprocessing ... 24 3.5.1. Segementasi Plat ... 25 3.5.2. Segmentasi Karakter ... 25 3.5.3. Pengenalan Karakter ... 27 3.6. Wavelet-Haar ... 27
3.7. Probabilistic Neural Network ... 28
3.8. Pengujian dan Evaluasi ... 30
BAB IV HASIL DAN PEMBAHASAN ... 31
4.1. Pengumpulan Dataset ... 31
4.2. Implementasi Preprocessing Citra ... 31
4.3. Implementasi Segmentasi Citra ... 34
4.4. Implementasi Segmentasi Karakter ... 38
4.5. Implementasi Pengenalan Karakter ... 39
4.6. Pelatihan Data Training Karakter ... 44
4.7. Tampilan Antarmuka Pengenalan Karakter Plat Nomor ... 46
4.8. Hasil dan Pengujian Sistem ... 48
4.8.1. Sudut 0° ... 49
4.8.2. Sudut 45° ... 51
4.8.3. Pengujian PNN ... 53
ix 4.9. Pembahasan ... 56 BAB V PENUTUP ... 58 5.1. Kesimpulan ... 58 5.2. Saran ... 58 DAFTAR PUSTAKA ... 59 LAMPIRAN ... 61
x
DAFTAR TABLE
Halaman
Tabel 3.1. Contoh tabel pengujian ... 30
Tabel 4.1 Hasil Pengujian dengan Sudut 0° Wavelet level 1 ... 49
Tabel 4.2 Hasil Pengujian dengan Sudut 0° Wavelet level 2 ... 49
Tabel 4.3 Hasil Pengujian dengan Sudut 0° Wavelet level 2 ... 50
Tabel 4.4 Hasil Pengujian dengan Sudut 45° Wavelet level 1 ... 51
Tabel 4.5 Hasil Pengujian dengan Sudut 45° Wavelet level 2 ... 52
xi
DAFTAR SOURCE CODE
Halaman
Source Code 4.1 Sintaks Proses Preprocessing Citra... 32
Source Code 4.2 Sintaks Edge Horizontal Histogram Preprocessing ... 35
Source Code 4.3 Sintaks Closing citra ... 35
Source Code 4.4 Sintaks Connected Component Analysis ... 39
Source Code 4.5 Sintaks Wavelet Haar ... 40
Source Code 4.6 Sintaks PNN ... 42
Source Code 4.7 Sintaks Pengenalan Karakter ... 43
xii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Plat Nomor Indonesia ... 7
Gambar 2.2 Matriks dalam citra digital ... 7
Gambar 2.3 Warna RGB dalam ruang tiga dimensi ... 8
Gambar 2.4 (a) Sobel Horizontal, (b) Sobel Vertical... 10
Gambar 2.5 Contoh Citra hasil Dilasi dan Erosi dengan Kernel 3x3 ... 12
Gambar 2.6 Citra dengan Operasi Closing ... 13
Gambar 2.7 Grafik Fungsi Wavelet Haar ... 14
Gambar 2.8 Struktur PNN (JST) ... 14
Gambar 3.1 (a) Citra Sudut 0° (b) Citra Sudut 45° ... 17
Gambar 3.2 Rancangan Tampilan Gambar ... 17
Gambar 3.3 Rancangan Tampilan Hasil ... 18
Gambar 3.4 Context Diagram ... 19
Gambar 3.5 Data Flow Diagram level 0 ... 19
Gambar 3.6 Data Flow Diagram level 1 Preprocessing ... 20
Gambar 3.7 Data Flow Diagram level 1 Segmentasi Plat ... 21
Gamber 3.8 Data Flow Diagram level 1 Segmentasi Karakter ... 22
Gambar 3.9 Data Flow Diagram level 1 Pengenalan Karakter ... 23
Gambar 3.10 Data Flow Diagram level 1 Ekstraksi Ciri ... 23
Gambar 3.11 Flowchart Preprocessing ... 24
Gambar 3.12 Flowchart Segmentasi Plat ... 25
Gambar 3.13 Segmentasi Karakter ... 26
Gambar 3.14 Flowchart Pengenalan Karakter ... 27
Gambar 3.15 Flowchart Wavelet-Haar ... 28
Gambar 3.16 Flowchart PNN ... 29
Gambar 4.1 Contoh Dataset yang diambil ... 31
Gambar 4.2 Perubahan Channel Warna Pada dua kendaraan berbeda ... 33
Gambar 4.3 Citra Hasil Preprocessing ... 34
Gambar 4.4 (a) Citra Hasil Preprocessing (b) Citra Hasil Closing ... 36
Gambar 4.5 Area Plat yang terdeteksi... 38
Gambar 4.6 Citra Plat yang Sudah di Segmentasi ... 38
xiii
Gambar 4.8 Halaman Utama ... 46
Gambar 4.9 Halaman Utama ... 47
Gambar 410 Halaman Tambah Dataset Karakter ... 48
Gambar 4.11 Grafik Pengujian Citra Kendaraan dengan Sudut 0° ... 51
Gambar 4.12 Grafik Pengujian Citra Kendaraan dengan Sudut 0° ... 53
Gambar 4.13 Grafik Pengujian Spread PNN dengan Dataset Sudut 0° ... 54
Gambar 4.14 Grafik Pengujian Spread PNN dengan Dataset Sudut 0° ... 55
Gambar 4.15 Contoh Segementasi Plat yang Terpotong ... 56
xiv
DAFTAR LAMPIRAN
Lampiran :
1. Hasil Pengujian Sudut 0°. 2. Hasil Pengujian Sudut 45°. 3. Dataset karakter
1 BAB I PENDAHULUAN 1.1. Latar Belakang
Di Indonesia, terdapat kode wilayah yang unik untuk menentukan kode wilayah pendaftaran. Pembagian wilayah yang terstruktur ini bertujuan untuk memudahkan dinas lalu lintas dari masing - masing kabupaten mendata setiap kendaraan. Tetapi karena plat dengan kode wilayah berbeda dapat keluar masuk suatu daerah tanpa ada regulasi yang jelas, hal ini dapat mengganggu sistem perpajakan daerah yang telah diterapkan oleh daerah otonomi yang bersangkutan.
Di Bali, terdapat Peraturan Daerah Provinsi Bali nomor 8 tahun 2000 yang mengatur tentang kendaraan berplat nomor luar dan kendaraan bekas. Tertulis bahwa jika kendaraan berplat luar dan berusia lewat dari 4 tahun dilarang beroperasi di Daerah Pemerintahan Provinsi Bali. Tetapi pengaplikasiannya pada arus keluar masuk kendaraan masih belum terlihat efektif karena pelaksanaan razia pada kendaraan bermotor masih dilakukan secara manual. Pada tahun 2014 terdapat 132 kendaraan yang dinilai illegal untuk beroperasi di Bali.
Untuk mempermudah pelaksanaan penertiban lalu lintas pada arus keluar masuk kendaraan di Bali, diperlukan suatu sistem terkomputerisasi untuk pendeteksian nomor plat kendaraan yang cepat, akurat dan disiplin. Dengan adanya sistem ini, proses pendataan nomor plat kendaraan akan lebih mudah, otomatis dan rutin. Selain itu, penerapannya dapat menghemat sumber daya yang ada.
Sudah banyak penelitian tentang pengenalan karakter pada plat kendaraan. Salah satunya adalah jurnal “Pengenalan Pola Karakter Plat Nomor Kendaraan Menggunakan Algoritma Momentum Backpropagation Neural Network” (Donny, 2016). Pada penelitian ini, tidak dilakukan segmentasi antara kendaraan dan plat kendaraan secara otomatis, melainkan melakukan cropping pada gambar plat kendaraan secara manual. Penelitian lainnya adalah “Analisis dan Implementasi Sistem Pengenalan Karakter Plat Nomor pada Video” (Fuady, 2015), menggunakan metode template matching dan euclidean distance sebagai metode untuk pengenalan karakter dari plat kendaraan.
2
Penelitan ini menghasilkan nilai akurasi 76,32% sehingga masih dapat dilakukan perbandingan metode untuk meningkatkan akurasi akhir yang lebih maksimal.
Seiring dengan permasalahan yang telah dipaparkan diatas, metode Transformasi Wavelet digunakan dengan tujuan mengurangi proses untuk perbaikan dan pengompresan citra. Metode ini dapat digunakaan untuk memperkecil resolusi citra tanpa merusak kualitas citra. Selain itu metode transformasi wavelet ini dapat digunakan untuk menapis data atau meningkatkan mutu kualitas data (Fibrianti, 2009). Dalam penelitian ini, penulis menggunakan wavelet-Haar untuk mendapatkan hasil yang lebih akurat. Wavelet-Haar dipilih karena wavelet-Haar dapat diimplementasikan dengan mudah tetapi dapat menghilangkan informasi dari sinyal yang berlebihan (Fibrianti, 2009). Penggunaan metode transformasi wavelet ini bertujuan untuk mengambil ciri dari karakter plat kendaraan. Karena transformasi wavelet bukanlah metode yang bersifat untuk mengklasifikasi atau mengklusterisasi, maka probabilistic neural network digunakan untuk mengklasifikasi karakter yang ada dalam plat.
Metode PNN digunakan untuk metode klasifikasi karena PNN memiliki kelebihan dalam proses pelatihan yang lebih cepat dibandikan metode jaringan syaraf tiruan yang lain. Selain itu, PNN menghasilkan jaringan yang kuat dan tahan kerusakan. Hal ini dikarenakan PNN tidak mengalami perubahan parameter yang terlalu banyak dibandingkan jaringan syaraf tiruan lain (Wawan Setiawan, 2012).
1.2. Rumusan Masalah
Berdasarkan latar belakang diatas, dapat dirumuskan permasalah sebagai berikut :
a. Bagaimana penerapan metode wavelet-Haar dan probabilistic neural network dalam mengekstraksi ciri dari karakter plat kendaraan bermotor?
b. Apakah metode wavelet-Haar dan probabilistic neural network dapat menghasilkan akurasi yang baik untuk mengidentifikasi plat kendaraan bermotor?
c. Apakah pengambilan sudut gambar pada citra kendaraan mempengaruhi akurasi dalam pengenalan karakter pada plat kendaraan?
3
1.3. Tujuan Penelitian
Tujuan dari pembuatan proposal ini adalah sebagai berikut :
a. Untuk menerapkan metode wavelet-Haar dan probabilistic neural network untuk mengekstraksi ciri karakter pada plat kendaraan.
b. Untuk menganalisa apakah metode wavelet-Haar dan probabilistic neural network menghasilkan akurasi yang baik untuk mengidentifikasi plat kendaraan bermotor.
c. Untuk menganalisa pengaruh pengambilan gambar dalam akurasi pengenalan karakter pada plat kendaraan.
1.4. Batasan Masalah
Agar pembahasan yang tidak terlalu jauh mengenai sistem pendeteksian nomor plat kendaraan bermotor ini, maka penyusunan sistem dibatasi pada :
a. Format citra yang digunakan adalah JPEG (.jpg). b. Pengaplikasian pada kendaraan roda empat.
c. Dataset yang digunakan berasal dari plat nomor kendaraan Indonesia. 1.5. Manfaat Penelitian
Manfaat dari pembuatan proposal tugas akhir ini adalah sebagai berikut : a. Bagi Penulis
Penulis dapat melakukan pengujian terhadap akurasi dari pengenalan karakter dari plat kendaraan dengan metode transformasi wavelet-Haar dan probabilistic neural network.
b. Bagi Pengguna
Sistem yang telah dihasilkan diharapkan dapat digunakan untuk pengaplikasian sistem pendataan plat kendaraan bermotor yang lebih mudah dan cepat.
1.6. Metodologi Penelitian
Pada subbab ini akan dijelaskan tentang tahap-tahap yang akan dilalui dalam penelitian ini. Maka subbab ini akan dipecah kembali menjadi beberapa subsubbab untuk memperjelas tahapan yang dilaksanakan
4
1.6.1. Desain Penelitian
Terdapat dua jenis data pada penelitian, yaitu data primer dan sekunder. Dalam hal ini data yang didapat diambil secara langsung dari lapangan atau objek penelitian, maka data ini disebut sebagai data primer. Selain itu penelitian ini juga mengambil beberapa data pembanding dari media atau penelitian yang telah dilakukan. Data tersebut disebut sebagai data sekunder.
Untuk pengambilan data dari lapangan, akan digunakan kamera untuk mengambil citra kendaraan. Spesifikasi kamera yang digunakan memiliki resolusi sebesar 13 MP. Kamera yang digunakan berasal dari kamera telepon genggam ASUS Zenfone 2. Jumlah citra yang diambil adalah 100 buah dengan objek kendaraan yang berbeda.
1.6.2. Pengumpulan Data Awal
Pengambilan data akan dilakukan melalui dua sudut yaitu 0 dan 45 derajat. Setelah itu, hasil data yang didapat akan dipisah untuk mengurangi kesalahan yang dapat dilakukan dalam proses evaluasi dan analisis.
1.6.3. Metode Yang Digunakan
Metode yang digunakan untuk pengenalan karakter adalah wavelet haar dan PNN. Wavelet haar digunakan untuk mengekstraksi ciri dari citra karakter yang kemudian akan dikenali dengan metode PNN. Untuk mensegmentasi karakter dan plat kendaraan, penulis menggunakan metode sobel vertical, histogram equalization dan connected component analysis. Perhitungan akurasi dilakukan dengan menghitung jumlah karakter yang benar dan dibagi oleh jumlah karakter pada data uji (Putra I. D., 2009).