iv
UNIVERSITAS BINA NUSANTARA
Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
PENGENALAN KARAKTER PLAT KENDARAAN BERMOTOR DENGAN MENGGUNAKAN METODE FCM
Victor Prahara Vabrian 0700693503 Muhammad Perdana Kharisma Putra 0700694014 Chandra 0700694216 Abstrak
Latar belakang penelitian adalah sistem perparkiran yang sudah ada masih menggunakan tenaga manusia sehingga membutuhkan waktu yang cukup lama dan rentan terhadap kesalahan. Sistem pengenalan plat nomor kendaraan secara otomatis yang telah dikembangkan sebelumnya dengan pendekatan statistik masih memiliki berbagai kekurangan. Oleh karena itu, dilakukan penelitian mengenai teknik pengenalan karakter dengan pendekatan FCM yang dapat mendukung terciptanya sistem yang dapat melakukan pemasukan data plat nomor kendaraan bermotor secara otomatis melalui gambar keadaan yang ditangkap oleh sebuah kamera dijital sebagai sensor dan memberikan hasil yang lebih handal.
Pendekatan FCM adalah pendekatan yang dilakukan dengan cara memasukkan data dalam suatu lingkungan fuzzy, kemudian data tersebut akan dihitung jarak terdekatnya dengan pusat cluster yang ada di dalam lingkungn fuzzy tersebut. Data akan menjadi anggota suatu kelompok dengan jarak pusat terdekat.
Hasil dari penelitian yang dilakukan: 1. Tingkat akurasi pengenalan karakter dengan pendekatan FCM pada citra plat mobil mencapai 89,74% (dari 39 citra plat yang gagal dikenali dengan pendekatan statistik); 2. Tingkat akurasi pengenalan karakter pada citra plat motor adalah 100% (dari 16 citra plat yang gagal dikenali dengan pendekatan statistik); 3. Tingkat akurasi total karakter: 92,72% (51/55).
Kesimpulan dari penelitian adalah: 1. Pengenalan karakter dengan pendekatan FCM tergantung dari bobot piksel hitam yang dihasilkan oleh proses pengolahan citra; 2. Variasi karakter membutuhkan basis data yang besar dalam pendekatan statistik. Namun pada proses pengenalan karakter secara FCM, basis data yang lebih ramping tetap dapat mengenali variasi karakter; 3. Derau atau distorsi menyebabkan tingkat akurasi pengenalan karakter dengan pendekatan statistik menurun, namun hal ini dapat teratasi dengan pendekatan FCM. Saran untuk pengembangan lebih lanjut adalah: 1. Dikembangkan pengenalan karakter dengan metode FCM sepenuhnya; 2. Perlu dikembangkan teknik pengolahan citra yang lebih baik.
v Prakata
Puji dan syukur dipanjatkan kepada Tuhan Yang Maha Esa atas bantuan dan
rahmat-Nya hingga penulisan skripsi ini dapat terselesaikan. Setelah memperoleh bekal
pendidikan selama masa perkuliahan, dicoba untuk menerapkan ilmu pengetahuan yang
telah diperoleh dengan menyusun Laporan Skripsi kami yang berjudul “Pengenalan
Karakter Plat Kendaraan Bermotor Menggunakan Metode Fuzzy C Means”. Adapun
tujuan penulisan Laporan Skripsi kami ini adalah untuk memenuhi salah satu syarat
menyelesaikan pendidikan di Universitas Bina Nusantara.
Disadari bahwa dalam penyusunan Skripsi ini masih terdapat kekurangan dan
tentunya tidak terlepas dari keterbatasan waktu, keterbatasan tingkat pengetahuan serta
pengalaman yang dimiliki, maka tidak tertutup adanya saran dan kritik yang bersifat
membangun serta membantu ke arah penyempurnaan dan peningkatan mutu skripsi ini.
Pada kesempatan ini, ingin disampaikan terima kasih yang sebesar-besarnya atas
bimbingan dan dukungan dari berbagai pihak baik secara langsung maupun tidak
langsung kepada Yth,
1. Prof. Dr. Gerardus Polla, M.App.Sc, selaku Rektor Universitas Bina Nusantara.
2. Bapak H.M Subekti, BE., M.Sc, selaku Ketua Jurusan Teknik Informatika.
3. Bapak Fredy Purnomo, S.Kom, M.Kom. selaku Sekretaris Jurusan Teknik
v i
4. Bapak Diaz D. Santika, Ir, M.sc, selaku dosen pembimbing Skripsi yang telah
bersedia meluangkan waktu, tenaga dan pikiran dalam membimbing dan
mengarahkan dalam menyelesaikan skripsi ini.
5. Seluruh Staf pengajar Universitas Bina Nusantara yang telah memberikan ilmu
pengetahuan selama masa perkuliahan.
6. Orangtua yang telah memberi dukungan moral dan materi kepada penulis.
7. Rekan-rekan yang turut membantu dan memberikan masukan serta informasi
selama masa penyusunan skripsi ini.
Akhir kata diharapkan agar skripsi ini dapat bermanfaat bagi dan pihak-pihak
lain yang berkepentingan maupun sebagai bahan bacaan bagi kepustakaan yang ada.
Jakarta, 24 Januari 2007
v ii DAFTAR ISI
Halaman Judul Luar ... i
Halaman Judul Dalam ... ii
Halaman Persetujuan Hardcover ... iii
Abstrak ... iv
Prakata ... v
Daftar Isi ... vii
Daftar Tabel ... xiv
Daftar Gambar ... xv
Daftar Lampiran ... xx
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 4
1.3 Ruang Lingkup ... 5
v iii
1.5 Metodologi ... 7
1.6 Sistematika Penulisan ... 8
BAB 2 LANDASAN TEORI ... 10
2.1 Plat Nomor ... 10
2.1.1 Plat Nomor Kendaraan Bermotor di Indonesia ... 13
2.1.1.1 Sejarah Penggunaan Plat Nomor Kendaraan Bermotor di Indonesia ...13
2.1.1.2 Spesifikasi Teknis ... 14
2.1.1.3 Warna ... 14
2.1.1.4 Nomor Urut Pendaftaran ... 15
2.1.1.5 Kode Wilayah Pendaftaran Kendaraan Bermotor ... 16
2.1.1.5.1 Corps Diplomatique dan Corps Consulate ...21
2.2 Kendaraan ... 28
2.3 Citra ...29
ix
2.3.2 Citra Dijital ... 30
2.3.3 Model Warna RGB ... 31
2.4 Computer Vision ... 34
2.5 Pengolahan Citra (Image Processing) ... 34
2.5.1 Penyekalaan (Scaling) ... 35
2.5.2 Binerisasi ...36
2.5.3 Segmentasi ... 37
2.5.4 Pemotongan (Cropping) ... 38
2.6 Pengenalan Pola (Pattern Recognition) ... 39
2.7 Logika Fuzzy ... 40
2.7.1 Himpunan Fuzzy ... 41
2.7.2 Fungsi Keanggotaan ...44
2.7.3 Pengklusteran Data (Data Clustering) ... 55
2.7.4 Tipe-tipe Pengklusteran ... 56
2.7.4.1 Pengklusteran Secara Hierarkis ... 57
x
2.7.4.1.2 Menciptakan Cluster ... 58
2.7.4.1.3 V-Means Clustering ... 58
2.7.4.2 Pengklusteran Partisional ... 59
2.7.4.2.1 K-Means Clustering ... 59
2.7.4.2.2 Algoritma QT Clustering ... 60
2.8 Basis Data ... 60
2.8.1 Perangkat Lunak Basis Data ... 60
2.9 Pengenalan Karakter (Character Recognition) ... 62
2.9.1 Metode Pengenalan Karakter ... 62
2.9.1.1 Pendekatan Statistik ... 63
2.9.1.2 Pendekatan Semantik ... 65
2.9.1.3 Metode Hibrid ... 67
2.9.1.4 Jaringan Saraf Tiruan ... 67
2.9.1.5 Pendekatan Fuzzy C-Means (FCM) ... 69
xi
BAB 3 PENGENALAN KARAKTER DENGAN METODE HIBRID ... 73
3.1 Gambaran Umum ... 73
3.2 Proses Pembuatan Basis Data dan Training FCM ... 74
3.2.1 Pemrosesan Awal ... 75
3.2.1.1 Pengolahan Citra ... 75
3.2.1.1.1 Penyekalaan ... 75
3.2.1.1.2 Binerisasi ...77
3.2.1.2 Pemotongan (Cropping) ... 82
3.2.1.2.1 Penetapan atas Atas dan Batas Bawah Citra Plat ... 83
3.2.1.2.2 Penetapan Batas Karakter ... 85
3.2.1.2.3 Pemotongan ...87
3.2.1.2.4 Penyekalaan Ulang ...88
3.2.2 Segmentasi dan Klasifikasi ... 89
3.2.2.1 Segmentasi ... 89
3.2.2.2 Klasifikasi ... 90
xii
3.3 Proses Analisis ... 93
3.3.1 Analisis Pengenalan Karakter dengan Pendekatan Statistik .... 94
3.3.2 Proses Switching ... 94
3.3.3 Analisis Pengenalan Karakter dengan Pendekatan FCM ... 95
3.4 Hasil Pengujian ... 98
BAB 4 HASIL PENELITIAN ... 100
4.1 Pengujian ...100
4.1.1 Pengujian pada Citra Plat Mobil Berkualitas Tinggi ... 101
4.1.2 Pengujian pada Citra Plat Mobil Berkualitas Moderat ... 104
4.1.3 Pengujian pada Citra Plat Mobil Berkualitas Rendah ... 112
4.1.4 Pengujian pada Citra Plat Motor ... 117
4.2 Evaluasi ... 118
4.2.1 Evaluasi pada Citra Plat Mobil Berkualitas Tinggi ... 119
4.2.2 Evaluasi pada Citra Plat Mobil Berkualitas Moderat ... 119
4.2.3 Evaluasi pada Citra Plat Mobil Berkualitas Rendah ... 129
xiii
4.3 Perbandingan Pendekatan Statistik dan Pendekatan Fuzzy ... 137
BAB 5 KESIMPULAN DAN SARAN ... 138
5.1 Kesimpulan ... 138
5.2 Saran ... 139
DAFTAR PUSTAKA
RIWAYAT HIDUP
xiv
DAFTAR TABEL
Tabel 4.1 Tabel Pengujian terhadap 40 citra plat berkualitas tinggi ... 103
Tabel 4.2 Tabel Pengujian set 1 citra plat berkualitas moderat ... 106
Tabel 4.3 Tabel Pengujian set 2 citra plat berkualitas moderat ... 108
Tabel 4.4 Tabel Pengujian set 3 citra plat berkualitas moderat ... 109
Tabel 4.5 Tabel Pengujian set 4 citra plat berkualitas moderat ... 111
Tabel 4.6 Tabel Pengujian set 1 citra plat berkualitas rendah ... 114
Tabel 4.7 Tabel Pengujian set 2 citra plat berkualitas rendah ... 115
xv
DAFTAR GAMBAR
Gambar 2.1 Plat Nomor Kendaraan Bermotor di Indonesia ... 13
Gambar 2.2 Posisi Neighbours of a Pixel ... 31
Gambar 2.3 Model Warna RGB ... 33
Gambar 2.4 Pemetaan input-output dalam logika fuzzy ... 40
Gambar 2.5 Representasi Linear Naik ... 45
Gambar 2.6 Representasi Linear Turun ... 46
Gambar 2.7 Representasi Kurva Segitiga ... 47
Gambar 2.8 Representasi Kurva Trapesium ... 48
Gambar 2.9 Representasi Kurva Bahu ... 49
Gambar 2.10 Representasi Kurva-S Naik ... 50
Gambar 2.11 Representasi Kurva-S Turun ... 50
Gambar 2.12 Representasi Kurva π ... 52
Gambar 2.13 Representasi Kurva BETA ... 53
xv i
Gambar 2.15 Model Angka 1 dan 8 ... 63
Gambar 2.16 Model Angka 6 dan 0 ... 64
Gambar 2.17 Model Histogram Angka 3 ...65
Gambar 2.18 Model Deskripsi Semantik Angka 2 ... 66
Gambar 2.19 Variasi Bentuk Angka 2 ... 66
Gambar 2.20 Jaringan Saraf Tiruan ... 68
Gambar 2.21 Pemetaan Anggota pada Fuzzy C-Means ... 70
Gambar 3.1 Gambar Keseluruhan Proses Secara Umum ... 73
Gambar 3.2 (a) Plat Awal (b) Binerisasi dengan nilai 128 (c) Binerisasi dengan nilai rata-rata ... 79
Gambar 3.3 (a) Plat Awal (b) Binerisasi dengan nilai 128 (c) Nilai ambang = nilai rata-rata ... 80
Gambar 3.4 Segmentasi Karakter ... 89
xv ii
Gambar 3.6 Hasil Perhitungan Bobot Segmen pada MATLAB ... 91
Gambar 3.7 Plat yang memiliki karakter yang gagal dikenali dengan pendekatan statistik ... 97
Gambar 3.8 (a) Citra Plat yang telah diskala ulang ... 98
(b) Citra Plat yang telah dibinerisasi ... 98
(c) Citra karakter yang telah melalui proses pemotongan ... 99
Gambar 4.1 Citra plat berkualitas tinggi ... 102
Gambar 4.2 Citra plat berkualitas tinggi yang memiliki baut namun tidak merusak karakter ... 102
Gambar 4.3 Citra plat berkualitas tinggi tanpa derau atau distorsi yang mengganggu ... 102
Gambar 4.4 Citra plat berkualitas moderat dengan baut warna gelap yang menutupi karakter ... 105
Gambar 4.5 Citra plat berkualitas moderat dengan baut warna terang yang menutupi karakter ... 105
xv iii
Terkelupas ... 106
Gambar 4.7 Citra plat berkualitas moderat karena pengecatan yang tidak rapi .... 106
Gambar 4.8 Citra plat berkualitas rendah karena pencahayaan yang terlalu
banyak ... 113
Gambar 4.9 Citra plat berkualitas rendah karena pencahayaan yang tidak merata.. 113
Gambar 4.10 Citra plat berkualitas rendah karena pengecatan yang sangat buruk ..114
Gambar 4.11 Citra plat berkualitas rendah karena baut yang besar yang menutupi
karakter ... 114
Gambar 4.12 (a) Citra plat dengan baut yang besar dan terang, serta menempel
pada karakter
(b) Citra hasil binerisasi ... 120
Gambar 4.13 (a) Citra plat dengan baut yang gelap, serta menutupi karakter
(b) Citra hasil binerisasi ... 121
Gambar 4.14 (a) Citra plat dengan pencahayaan yang kurang merata
(b) Citra hasil binerisasi ... 123
xix
(b) Citra hasil binerisasi ... 124
Gambar 4.16 (a) Citra plat yang penyok
(b) Citra hasil binerisasi ... 126
Gambar 4.17 (a) Citra plat dengan karakter miring
(b) Citra hasil binerisasi ... 127
Gambar 4.18 (a) Citra plat dengan fisik dan tampilan yang buruk
(b) Citra hasil binerisasi ... 130
Gambar 4.19 (a) Citra plat dengan fisik pencahayaan yang tidak merata
(b) Citra hasil binerisasi ... 131
Gambar 4.20 (a) Citra plat dengan baut yang besar yang menutupi karakter
(b) Citra hasil binerisasi ... 133
Gambar 4.21 (a) Citra plat dengan motor dengan pencahayaan yang berkualitas
rendah