5
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Studi
Berikut ini adalah beberapa studi terkait yang pernah melakukan penelitian identifikasi citra kendaraan:
1. “KLASIFIKASI KENDARAAN MENGGUNAKAN LEARNING VECTOR QUANTIZATION”. Jurnal ini membahas tentang klasifikasi kendaraan mengingat sering terjadi kesalahpahaman melakukan klasifikasi karena disamakan oleh merk. Klasifikasi kendaraan sudah banyak dari tampak depan, tampak belakang, dan tampak atas, namun belum ada yang melakukan dengan tampak samping. Oleh karena itu tujuan jurnal ini agar dapat mengklasifikasi kendaraan dari tampak samping. Metode yang digunakan adalah Learning Vector Quantization[1].
2. “APLIKASI KAMERA PENDETEKSI MOBIL MENGGUNAKAN PENDEKATAN PENGOLAHAN CITRA“. Jurnal ini membahas tentang penerapan pengenalan pola untuk mengidentifikasi objek mobil dan bukan mobil. Di jurnal ini menggunakan citra yang diakuisisi dari stream webcam, kemudian dilakukan proses ekstraksi fitur bentuk menggunakan momen invariant dan ekstraksi fitur tekstur menggunakan wallet Haar. Fitur-fitur yang diperoleh kemudian dilatih dengan model jaringan saraf tiruan metode Learning Vector Quantization (LVQ). LVQ menghasilkan bobot setiap kelas, bobot dari hasil pelatihan LVQ akan menentukan dari ciri objek yang diuji. Percobaan dilakukan dengan mengumpulakn berupa foto objek mobil dan objek bukan mobil. Dari data yang dikumpulkan kemudian dikelompokkan berdasarkan jenis objek berupa mobil atau bukan mobil. Hasil pengujian menunjukan keberhasilan sebesar rata-rata
dapat mengenaloi sampai 80% baik untuk data uji dari dalam data latih maupun data dari luar data latih[2].
3. “IDENTIFIKASI NOMOR POLISI MOBIL MENGGUNAKAN METODE JARINGAN SARAF BUATAN LEANING VECTOR QUANTIZATION“. Jurnal ini bertujuan untuk mensimulasikan metode pengolahan citra untuk mengidentifikasi nomor polisi mobil guna menggantikan sistem manual yang dilakukan oleh manusia. Input berupa citra foto yang dihasilkan oleh kamera digital.citra diproses melalui pra-pengolahan agar citra memiliki kualitas yang lebih baik dan lebih siap untuk pemrosesan ekstraksi ciri. Selanjutnya dilakukan proses pengenalan pola pada citra untuk mendapatkan ciri yang terdapat pada citra tersebut. Fitur-fitur yang diperoleh dari pengolahan citra berupa vector yang merepresentasikan ciri karakteristik dari suatu huruf dan angka. Fitur ciri kemudian diuji untuk proses klasifikasi menggunakan jaringan saraf tiruan metode Learning Vector Quantization (LVQ)[4].
Tabel 2.1 Tinjauan Studi
No
Penulis Tahun Judul Metode Kesimpulan
1.
Agus Harjoko dan Imelda 2012 KLASIFIKASI KENDARAAN MENGGUNAKAN LEARNING VECTOR QUANTIZATION Learning vector Quantization
Dalam paper ini telah dijelaskan tentang klasifikasi kendaraan dari tampak samping menggunakan metode Learning Vector Quantization. Agar dapat mengklasifikasi kendaraan dengan benar maka nilai bobot pengujian dibandingkan dengan nilai bobot pelatihan. Dari hasil eksperimen diperoleh data bahwa ada beberapa kendaraan yang berhasil dengan benar dan dikenali, ada beberapa kendaraan yang tidak dikenali, ada beberapa kendaraan yang salah ketika dikenali. Hasil eksperimen
memperlihatkan bahwa learning rate yang terbaik adalah 0,08 dengan epoch maksimum Epoch 10
2.
Duman Care Krisne dan I Made Yudi Adnyana Putra 2013 APLIKASI KAMERA PENDETEKSI MOBIL MENGGUNAKAN PENDEKATAN PENGOLAHAN CITRA Learning Vector Quantization dan wavelet
1. Aplikasi yang dibangun dibagi menjadi tiga bagian yaitu proses akuisisi citra, proses akuisi citra dari objek berupa gambar menjadi sekumpulan fitur yang selanjutnya di ekstraksi dengan metode wavelet untuk fitur tekstur dan metode momen invarian untuk fitur bentuk. Fitur yang diekstraksi selanjutnya disimpan di basis data. Proses pelatihan bobot fitur dalam basis data dilakukan dengan varian epoch
100,500, dan 1000. Variasi epoch dilakukan untuk mendapatkan nilai tertinggi dari fitur. Proses pengujian menggunakan data uji dari dalam data latih dan dari luar data latih dengan variasi jumlah data latih sebanyak 120,180, dan 240 fitur
3.
Eko Sri Wahyono dan Ernastuti
2009 IDENTIFIKASI NOMOR POLISI
MOBIL MENGGUNAKAN
METODE JARINGAN SARAF BUATAN LEARNING VECTOR QUANTIZATION Learning Vector Quantization dan feature extraction
Jaringan saraf buatan metode Learning Vector Quantization dapat mengenali pola karakter huruf dan angka pada citra plat nomer polisi mobil dengan tingkat keberhasilan 78% . Pengenalan huruf sangat sensitif terhadap penggeseran. Sebagian besar huruf yang tidak dikenal atau dikenal sebagai huruf
lain disebabkan karena pergeseran. Metode feature extraction berdasarkan blok masih banyak mengalami kegagalan. Hal ini ditunjukan oleh pengenalan huruf yang tidak benar dan banyak ditemukan pola bukan huruf yang dikenali sebagai huruf. Huruf akan dikenali dengan baik jika pola yang diamati memiliki jarak terkecil. Jarak terkecil dari hasil perbandingan vektor akan tercapai jika huruf berada tepat ditengah. Keberadaan objek selain huruf/angka yang diuji sangat mempengaruhi keberhasilan pengujian bahkan menimbulkan kesalahan dalam pengenalan. Kesalahan pengenalan bisa
ditimbulkan oleh faktor lain seperti posisi plat nomor yang miring, tertutup oleh objek lain, kerusakan plat nomor baik karena fisik atau karena usia plat nomor yang sudah lama. Keberadaan benda asing seperti baut dan cat yang rusak bisa menyebabkan kesalahan dalam proses pengenalan
2.2 Landasan Teori 2.2.1 Citra
Citra adalah suatu representasi (gambar), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optic berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan.(Sutoyo etal,2009).
Untuk mendapatkan citra digital, tahap awal yang dilakukan adalah akuisisi citra. Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang akan diambil gambarnya, persiapan alat-alat, sampai pada pencitraan. Pencitraan adalah kegiatan transformasi dari citra tampak (foto, gambar, lukisan, patung, pemandangan dan lain-lain) menjadi citra digital. Hasil akuisisi citra ini ditentukan oleh kemampuan sensor untuk mendigitalisasi sinyal yang terkumpul pada sensor tersebut. Kemampuan digitalisasi alat ditentukan oleh resolusi alat tersebut.
Pada beberapa standar yang ada, citra pada umumnya merupakan tampilan suatu titik yang berada pada ruang tiga dimensi. Salah satu standar yang digunakan pada citra antara lain RGB (Red, Green, Blue), HSV (Hue, Saturation, Value) dan HLS (Hue, Luminosity, Saturation). Standar warna pada citra berwarna yang akan digunakan adalah RGB yang memiliki tiga Indeks warna yang terdiri dari Merah, Hijau, dan Biru. Masing-masing indeks warna memiliki antara 0-255 atau 256 bit. Dari citra berwarna yang memiliki tiga ruang dimensi dapat disederhanakan menjadi satu dimensi grayscale. Grayscale adalah citra keabuan yang memiliki nilai antara 0-255. Nilai tersebut menunjukan tingkat derajat keabuan atau kecerahan dari citra (0 = hitam / gelap dan 255 = putih / terang).untuk mengkonversi dari
citra RGB ke Garyscale dapat dilakukan dengan perhitungan mencari nilai rata-rata antara ketiga indeks dalam citra RGB
Grayscale R G B
3
Dari hasil konversi citra ke dalam RGB maka nilai dalam indeks Grayscale di asumsikan mewakili nilai dan informasi yang terkandung dalam citra RGB [5].
2.2.2 Pengolahan Citra
Pengolahan citra digital merupakan pemrosesan gambar 2 dimensi menggunakan komputer. Konsep dasar pengolahan citra dengan data masukan pokok(internal data) berupa pengumpulan data yang relevan, klasifikasi atau pengelompokan dengan cara pengkelasan, penyusunan data sesuai kelas, perhitungan dan manipulasi, pengukian ketelitian dan perhitungan, penyimpulan dan rekapitulasi hasil informasi.
Pada dasarnya sistem pengolahan citra terdiri dari objek yang akan diolah, tranducer yang digunakan untuk merepresentasikan objek dalam bentuk citra digital, agar menghasilkan suatu citra digital baru untuk dianalisa, serta proses analisa citra untuk mendapatkan hasil yang diinginkan[3].
Citra Digital Objek
Citra Digital
Baru
Hasil yang diinginkan
Gambar 2.1 Pengolahan Citra
2.2.3 Kendaraan
Kendaraan secara umum didefinisikan sebagai alat transpotrasi khususnya di darat yang diaman sistem gerakannya meenggunakan peralatan teknik atau mesin. Fungsi utama dari kendaraan adalah memudahkan orang untuk daerah yang jaraknya lebih jauh tapi hanya membutuhkan waku yang leboh singkat. Selain itu dapat memindah berbagai macam benda maupun barang dengan mudah dengan daya angkut yang jauh lebih banyak dan besar. Kendaraan bermotor menggunakan mesin pembakaran dalam, namun mesin listrik dan mesin lainnya juga dapat digunakan. Kendaraan bermotor memiliki roda, dan biasanya berjalan diatas jalanan. Kendaraan dibagi menjadi dua macam, yaitu kendaraan umum dan kendaraan pribadi. Kendaraan umum adalah kendaraan yang bersifat umum dan sering dipergunakan sebagai alat transporstasi massal, baik itu manusia maupun barang-barang, contohnya bus dan truck. Kendaraan pribadi adalah kendaraan yang
Tranducer (Kamera digital,
webcam, dll)
Pengolahan Citra Digital
digunakan sehari-hari untuk kepentingan pribadi dan beroda 4, contohnya mobil. Mobil (kependekan dari otomobil yang berasal dari bahasa Yunani 'autos' (sendiri) dan Latin 'movére' (bergerak) adalah kendaraan beroda empat yang membawa mesin sendiri. Pengoperasian mobil disebut menyetir.
2.2.4 GTO (Gardu Tol Otomatis)
Jalan tol (di Indonesia disebut juga sebagai jalan bebas hambatan) adalah suatu jalan yang dikhususkan untuk kendaraan bersumbu lebih dari dua (mobil, bus, truk) dan bertujuan untuk mempersingkat jarak dan waktu tempuh dari satu tempat ke tempat lain.
Untuk menikmatinya, para pengguna jalan tol harus membayar sesuai tarif yang berlaku. Penetapan tarif didasarkan pada golongan kendaraan. Bangunan atau fasilitas di mana tol dikumpulkan dapat disebut pintu tol, rumah tol, plaza tol atau di Indonesia lebih dikenal sebagai gerbang tol atau gardu tol. Bangunan ini biasanya ditemukan di dekat pintu keluar, di awal atau akhir jembatan.
Pembayaran tol dapat dilakukan secara tunai, dengan kartu kredit, dengan kartu pra-bayar, atau oleh sistem pengumpulan tol elektronik. Beberapa gerbang tol bersifat otomatis. Dalam perkembangannya sistem gerbang atau gardu tol salah satunya dikembangkan menjadi GTO (Gerbang Tol Otomatis) adalah gerbang tol dengan mekanisme pembayaran otomatis menggunakan kartu e-money. Sesuai dengan pengertiannya GTO hanya boleh dimasuki oleh mereka yang memiliki kartu e-money. Pengendara tanpa kartu tersebut tidak diperkenankan melewati GTO karena pintu GTO tidak akan terbuka.
2.2.5 Deteksi Tepi (Edge Detection)
Tepi atau sisi dari sebuah obyek adalah daerah di mana terdapat perubahan intensitas warna yang cukup tinggi. Proses deteksi tepi (edge detection) akan melakukan konversi terhadap daerah ini menjadi dua
macam nilai yaitu intensitas warna rendah atau tinggi, contoh bernilai nol atau satu. Deteksi tepi akan menghasilkan nilai tinggi apabila ditemukan tepi dan nilai rendah jika sebaliknya. Pelacakan tepi merupakan operasi untuk menemukan perubahan intensitas lokal yang berbeda dalam sebuah citra. Gradien adalah hasil pengukuran perubahan dalam sebuah fungsi intensitas, dan sebuah citra dapat dipandang sebagai kumpulan beberapa fungsi intensitas kontinyu sebuah citra. Perubahan mendadak pada nilai intensitas dalam suatu citra dapat dilacak menggunakan perkiraan diskrit pada gradien. Gradien disini adalah kesamaan dua dimensi dari turunan pertama dan didefinisikan sebagai vector. Ada tiga macam tepi yang terdapat pada citra digital adalah[7] :
a. Tepi curam adalah tepi dengan perubahan intensitas yang tajam, arah tepi berkisar 90˚.
b. Tepi landai adalah tepi dengan sudut arah yang kecil yang terdiri dari sejumlah tepi-tepi local yang lokasinya berdekatan.
c. Tepi derau (noise) adalah tepi yang umumnya terdapat pada aplikasi coomputercision mengandung derau. Untuk meningkatkan kualitas citra dapat dilakukan pendeteksian tepi terlebh dahulu.
Tujuan proses deteksi tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Metode yang digunakan dalam mendeteksi tepi pada citra, antara lain operator gradient pertama dan operator turunan kedua sedangkan macam- macam operator untuk proses deteksi tepi antara lain operator robert, operator prewitt, operator sobel, dan operator laplacian of gaussian.
2.2.6 Operator Laplacian of Gaussian (LoG)
Operator ini dikembangkan dari turunan kedua. Laplacian of Gaussian terbentuk dari proses Gaussian yang diikuti operasi laplace.
Derau akan dikurangi oleh fungsi Gaussian sedangkan Laplacian mask akan meminimaisasi kemungkinan kesalah deteksi tepi. Operator laplace mendeteksi tepi lebih akurat khusunya pada tepi curam karena zero-crossing itu sendiri yang mendefenisikan lokasi tepi. Zero-crossing adalah titik dimana ada pergantian tanda nilai turunan kedua sedangkan pada tepi yang landai tidak terdpat zero-crossing.
Operator LoG bekerja dengan mencar nilai nol pada citra karena ketika turunan pertama terdapat nilai maksimum maka turunan kedua akan menghasilkan nol. Fungsi dari Laplacian of Gaussian sebagai berikut [18]: ( ) [ ]
Algoritma Laplacian of Gaussian [ip2526]: 1. Input gambar
2. Blur gambar, pengebluran ini dilakukan convolving image menggunakan Gaussian.
3. Melakukan Laplacian pada gambar yang telah dikaburkan. 4. Menemukan zero-crossing dari Laplacian dan membandingkan
variasi lokal dititik ini untuk ambang batas (Threshold). Jika sudah terlampaui maka ambang batas dinyatakan sebagai tepi.
2.2.7 Learning Vector Quantizaton (LVQ)
LVQ merupakan suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Jika dua vektor input memiliki nilai yang mendekati atau hampir sama maka dalam lapisan kompetitif akan mengenali kedua vektor input tersebut pada kelas yang sama. Jadi LVQ adalah metode untuk klasifikasi (pengelompokkan) pola dan memiliki output yang mewakili dari kelas tertentu.
Algoritma LVQ bertujuan mencari bobot yang sesuai untuk mengelompokkan vektor-vektor input kedalam kelas tujuan yang telah diinisialisasi pada saat pembentukkan jaringan LVQ. Sedangkan algoritma pengujiannya adalah menghitung nilai output (kelas vektor) yang terdekat dengan vektor input atau dapat disamakan dengan proses pengklarifikasian (pengelompokkan). Seperti pada gambar dimana nilai vektor yang berdekatan dikelompokkan kedalam kelas yang sama sesuai dengan hasil perhitungan dengan mencari nilai kelas terdekat [5].
Gambar Klasifikasi data vektor ke dalam kelas terdekat
Algortima LVQ [3]:
1. Inisialisasi nilai bobot (W), maksimum epoch, error minimum, dan learning rate (α).
2. Masukkan nilai input: x (m,n), dan kelas target dalam vektor: T(1,n) 3. Inisialisasi nilai kondisi awal dari error (error=1)
4. Lakukan hingga epoch kurang dari maksimal epoch, nilai error minimum tercapai, atau nilai error = 0 dan (α >Eps).
a. Tambahkan nilai epoch (epoch +1) b. Kerjakan untuk i = 1 sampai n
o Memilih jarak sedemikian hingga || X –Wj || minumum (sebagai Cj)
o Perbaiki Wj dengan ketentuan: jika Cj = T, maka :
Wj(baru) = Wj(lama) + α (X – Wj(lama))
c. Kurangi niai α Pengurangan = 0,1*
Target error minimum yang diinisialisasikan adalah 0,0001 dan maksimal epochnyaa adalah 500 namun karena error perfomance mencapai nilai 0 ada epoch sekitar 230 maka proses training atau pelatihan selesai. Sebelum proses pembentukkan jaringan, data yang akan dijadikan data pelatihan dilakukan pengolahan citra yaitu untuk mengubah citra asli menjadi grayscale (keabuan) kemudian di deteksi tepi untuk membentuk pola yang lebih sederhana dan dapat dikenali
2.3 Tool Pendukung 2.3.1 Matlab
MATLAB (Matrix Laboratory) adalah sebuah lingkungan komputasi numerikal dan bahasa pemrograman komputer generasi keempat. Dikembangkan oleh The MathWorks, MATLAB memungkinkan manipulasi matriks, pem-plot-an fungsi dan data, implementasi algoritma, pembuatan antarmuka pengguna, dan peng-antarmuka-an dengan program dalam bahasa lainnya. Meskipun hanya bernuansa numerik, sebuah kotak kakas (toolbox) yang menggunakan mesin simbolik MuPAD, memungkinkan akses terhadap kemampuan aljabar komputer. Sebuah paket tambahan , Simulink, menambahkan simulasi grafis multiranah dan desain berdasar model untuk sistem terlekat dan dinamik. Matlab tersedia dalam dua pilihan, yakni untuk sistem operasi Windows dan Linux dan bahkan tersedia juga untuk komputer Machintosh. Untuk versinya, setiap tahun biasanya mengeluarkan versi terbaru, misal Matlab 2009, 2010, 2011, dan seterusnya.
Matlab merupakan suatu software pemrograman layaknya Borland C++. Software matlab dapat digunakan dalam bidang matematika misalnya digunakan untuk menhitung nilai akhir ujian sekolah,
membuat program penentu kelulusan, mencari luas lingkaran, kubus, balok dan lain-lain. Ternyata kegunaan dari matlab sangatlah banyak. Banyak software yang mirip dengan Matlab tetapi berbasis open source seperti Scilab, Octave, Euler Math Toolbox dan FreeMat. Namun, tentu saja sedikit kurang fleksibel dibanding Matlab.
