i
TUGAS AKHIR
PENGENALAN PLAT NOMOR SEPEDA MOTOR
MENGGUNAKAN EKSTRAKSI CIRI DCT DAN FUNGSI
JARAK EUCLIDEAN
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Elektro
Oleh :
VINCENSIUS ANGGA FITRIANTORO
NIM : 095114016
JURUSAN TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
ii
FINAL PROJECT
MOTORCYCLE LICENSE PLATE RECOGNITION USING
DCT FEATURE EXTRACTION AND EUCLIDEAN DISTANCE
FUNCTION
Presented as Partial Fulfillment of the Requirements
To Obtain the
Sarjana Teknik
Degree
In Electrical Engineering Study Program
VINCENSIUS ANGGA FITRIANTORO
NIM : 095114016
DEPARTMENT OF ELECTRICAL ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
v
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya
atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka
sebagaimana layaknya karya ilmiah.
Yogyakarta, 19 Februari 2014
vi
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP
MOTTO :
Selama diri mu ada, lakukanlah karya yang terbaik karena
karya itu selamanya
Karya tulis ini kupersembahkan untuk,…
Tuhan Yesus Kristus,,
Bapak dan Ibu tercinta ,,
Para sahabat, dan
Semua orang yang menyayangi ku,,
vii
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :
Nama
: Vincensius Angga Fitriantoro
Nomor Mahasiswa
: 095114016
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas
Sanata Dharma karya ilmiah saya yang berjudul :
PENGENALAN PLAT NOMOR SEPEDA MOTOR MENGGUNAKAN
EKSTRAKSI CIRI DCT DAN FUNGSI JARAK EUCLIDEAN
beserta perangkat yang diperlukan (bila ada). Dengan demikian, saya memberikan kepada
Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk
media lain, mengelolanya dalam bentuk pangakalan data, mendistribusikan secara terbatas,
dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu
meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan
nama saya sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Yogyakarta, 19 Februari 2014
viii
INTISARI
Pengolahan citra merupakan suatu teknologi yang berkembang pada saat ini. Salah
satu penerapan dari pengolahan citra tersebut adalah pengenalan plat nomor kendaraan
sepeda motor.
Sistem pengenalan plat nomor yang dibuat adalah pengenalan plat nomor sepada
motor dengan menggunakan eksraksi ciri DCT dan fungsi jarak Euclidean. Prinsip kerja
dari sistem ini, input berupa citra plat nomor diubah ke
grayscale,
diproses menjadi citra
biner. Proses segmentasi digunakan untuk memotong tiap karakter yang terdapat pada plat
nomor. Karakter hasil segmentasi kemudian dipotong sesuai dengan
bounding box
dan
di-centering
serta mengubah ukuran karakter
menjadi ukuran 64x64 piksel
.
Karakter yang
telah di
-centering
kemudian diektraksi menggunakan
Discrete Cosine Transfrom
(DCT).
Proses pencocokan data uji dengan
database
dilakukan dengan menggunakan fungsi jarak
Euclidean.
Database
berjumlah 36 karakter, terdiri dari angka 0-9 dan huruf A-Z.. Hasil
dari perhitungan jarak yang dilakukan, menunjukkan hasil pengenalan karakter yang
terdapat pada plat. Hasil pengenalan tersebut ditampilkan dalam bentuk teks.
Hasil dari penelitian ini adalah dengan menggunakan koefisien DCT 320 telah
menghasilkan tingkat pengenalan karakter hingga sebesar 98,75% dan pengenalan plat
secara benar hingga 90%.
ix
ABSTRACT
Image processing is a technology that is developing at the moment. One application
of the image processing is motorcycle license plate recognition.
A license plate recognition system will be createn on this final project is
motorcycle license plate recognition using DCT feature extraction and Euclidean distance
fungtion. The principle of this system, the input in the from of the image of a license plate
converted into grayscale and processed into the image binary. The process segmentation
used to cut off every character that is added to a license plate. Character segmentation
result is then cut according to the bounding box and centering as well as change the size of
character into a size 64x54 pixel. The character has been centering then extracted using
Discrete Cosine Transform (DCT). The process of matching test data with the database
using the Euclidean distance function. The database amounted to 36 characters, consisting
of numbers 0-9 and letters A-Z. The result of the calculation of distance shows the result
recognition of characters in license plate. The result recognition are displayed in text form.
The result of the research is to use DCT coeffisient 320 has produced up to
character recognition rate of 98,75% and recognition plate correctly up to 90%.
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena berkat rahmat
dan penyertaan-Nya penulis dapat menyelesaikan laporan akhir ini dengan baik. Laporan akhir
ini disusun untuk memenuhi syarat memperoleh gelar sarjana.
Pada proses penulisan laporan akhir ini, penulis menyadari bahwa ada banyak pihak
yang telah memberikan perhatian dan bantuannya sehingga dapat terlesaikan dengan baik.
Oleh karena itu, penulis ingin mengucapkan terima kasih kepada :
1.
Tuhan Yesus Kristus, atas penyertaan-Nya.
2.
Paulina Heruningsih Prima Rosa, S.Si., M.Sc., Dekan Fakultas Sains dan Teknologi
Universitas Sanata Dharma.
3.
Petrus Setyo Prabowo, S.T., M.T., Ketua Program Studi Teknik Elektro Universitas
Sanata Dharma.
4.
Dr. Linggo Sumarno, dosen pembimbing dengan penuh pengertian dan kesabaran
dalam memberi bimbingan, kritik, saran, serta motivasi kepada penulis untuk
menyelesaikan tugas akhir ini.
5.
Dr. Iswanjono dan Ir. Th. Prima Ari Setiyani, M.T., dosen penguji yang telah
memberikan masukan, bimbingan, saran untuk merevisi tugas akhir ini.
6.
Bapak dan ibu dosen yang telah mengajarkan banyak hal selama penulis menempuh
pendidikan di Program Studi Teknik Elektro, Fakultas Sains dan Teknologi
Universitas Sanata Dharma.
7.
Staff sekretariat Teknik Elektro, atas bantuanny dalam membantu dan melayani
mahasiswa.
8.
Kedua orang tuaku serta saudariku, atas doa dan dukungannya kepada penulis.
9.
Para sahabat angkatan 2009 Teknik Elektro, teman-teman UKM Taekwondo atas doa
dan dukungannya agar penulis tetap semangat dalam menyelesaikan tugas akhir ini.
10.
Semua pihak yang tidak dapat disebutkan satu persatu atas dukungan dan bantuan yang
xi
Penulis menyadari bahwa penyusunan laporan tugas akhir ini masih mengalami kesulitan
dan kekurangan. Oleh karena itu, penulis mengharapkan masukan, kritik dan saran yang
membangun agar laporan tugas akhir ini menjadi lebih baik dan dapat bermanfaat
sebagaimana mestinya.
Penulis
xii
DAFTAR ISI
HALAMAN JUDUL ...
i
HALAMAN PERSETUJUAN ...
iii
HALAMAN PENGESAHAN ...
iv
PERNYATAAN KEASLIAN KARYA ...
v
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP ...
vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAH UNTUK KEPENTINGAN AKADEMIS ...
vii
INTISARI ...
viii
ABSTRACT ...
ix
KATA PENGANTAR ...
x
DAFTAR ISI ...
xii
DAFTAR GAMBAR ...
xv
DAFTAR TABEL...
xvii
BAB I PENDAHULUAN
1.1 Latar Belakang ...
1
1.2 Tujuan...
2
1.3 Batasan Masalah ...
2
1.4 Metodelogi Penelitian ...
2
BAB II DASAR TEORI
2.1 Plat Nomor ...
4
2.2 Pengolahan Citra ...
5
2.2.1 Definisi Citra ...
5
2.2.2 Citra
Grayscale ...
6
2.2.3
Thershold
Metode Otsu ...
6
2.3
Discrete Cosine Transform
(DCT) ...
8
xiii
2.3.2
Zigzag Scan
...
9
2.4 Fungsi Jarak Euclidean ...
10
2.5 Transformasi Geometris Spasial ...
11
2.6 Filter ...
12
2.6.1 Filter Gaussian ...
12
2.6.2 Filter Median ...
13
2.7 Matlab...
13
BAB III PERANCANGAN PENELITIAN
3.1 Perancangan Sistem ...
15
3.2 Proses Kerja Sistem ...
16
3.2.1 Input Data ...
16
3.2.2
Grayscale, Cropping
dan Binerisasi ...
16
3.2.3
Border Clearing
dan
Median Filtering ...
18
3.2.4 Segmentasi ...
19
3.2.5 Potong Citra Sesuai
Bounding Box ...
21
3.2.6
Rezising
dan
Centering
...
23
3.2.7 Filter Gaussian dan Ekstrasi Ciri DCT ...
25
3.2.8 Perhitungan Jarak ...
26
3.2.9 Penentuan Keluaran ...
26
3.3
Database
...
27
3.4 Perhitungan Tingkat Pengenalan Karakter ...
27
3.5 Perancangan Tampilan Program ...
28
BAB IV HASIL DAN PEMBAHASAN
4.1 Pengujian Sistem Pengenalan Plat Nomor Sepeda Motor ...
30
4.1.1 Tampilan
Listbox
...
32
4.1.2 Tampilan Pengenalan ...
34
4.1.3 Tombol
END
...
35
4.2 Proses Pembentukan
Database
...
36
xiv
4.3.1 Analisa Hasil Pengenalan Plat Nomor Sepeda Motor ...
37
4.4 Keterbatasan Metodelogi ...
40
BAB V PENUTUP
5.1 Kesimpulan ...
43
5.2 Saran ...
43
DAFTAR PUSTAKA ...
44
LAMPIRAN ...
46
xv
DAFTAR GAMBAR
Gambar 2.1 Contoh plat Nomor (TNKB) sepeda motor ... 4
Gambar 2.2 Contoh citra digital ...
5
Gambar 2.3 Metode Otsu ...
7
Gambar 2.4 Contoh hasil konversi citra digital ...
9
Gambar 2.5 Urutan
zigzag scan ...
10
Gambar 2.6 Ilustrasi metode Euclidean ...
11
Gambar 2.7 Transformasi spasial[5] ...
11
Gambar 2.8 Tampilan Matlab ... 14
Gambar 3.1 Diagram blok sistem ...
15
Gambar 3.2 Proses citra RGB ke
Grayscale ...
16
Gambar 3.3 Contoh hasil
cropping ...
17
Gambar 3.4 Contoh citra biner ...
18
Gambar 3.5 Hasil proses clear border ...
18
Gambar 3.6 Hasil proses median filter ...
19
Gambar 3.7 Diagram blok segmentasi ...
19
Gambar 3.8 Histogram proyeksi vertikal citra plat ...
20
Gambar 3.9 Hasil segmentasi citra plat ...
20
Gambar 3.10 Diagram blok
bounding box ...
21
Gambar 3.11 Proses
bounding box ...
22
Gambar 3.12 Diagram blok
centering ...
24
Gambar 3.13 Hasil proses
centering ...
24
Gambar 3.14 Diagram blok ekstraksi ciri DCT ...
25
Gambar 3.15 Diagram blok fungsi jarak ...
26
Gambar 3.16 Diagram blok penentuan hasil pengenalan ...
27
Gambar 3.17 Diagram blok pembentukan
database ...
27
Gambar 3.18 Rancangan tampilan GUI ...
28
Gambar 4.1
Icon
Matlab ...
30
xvi
Gambar 4.3 Tampilan utama program pengenalan plat nomor sepeda motor...
31
Gambar 4.4 Proses pengenalan plat nomor sepeda motor ...
32
Gamabr 4.5 Sintaks program
listbox ...
33
Gambar 4.6 Tampilan pesan jika type file salah ...
34
Gambar 4.7 Sintaks program histogram proyeksi vertikal ...
36
Gambar 4.8 Program untuk menampilkan proses
centering
dan pengenalan ...
35
Gambar 4.9 Tampilan GUI ketika tombol END ditekan ...
36
Gambar 4.10. Sintaks program pembentukan
database ...
36
Gambar 4.11 Grafik pengaruh DCT ...
38
Gambar 4.12 Citra plat dengan kemiringan 2 derajat ...
41
Gambar 4.13 Citra plat yang terpasang terbalik ...
42
xvii
DAFTAR TABEL
Tabel 2.1 Jenis Transformasi Affine ...
12
Tabel 4.1 Hasil Pengenalan Plat Nomor Sepeda Motor ...
37
Tabel 4.2 Hasil Perhitungan Jarak Euclidean ...
40
1
BAB I
PENDAHULUAN
1.1
Latar Belakang
Kemajuan teknologi dari masa ke masa semakin berkembang dengan pesat. Banyak
terobosan-terobosan baru diciptakan dengan menggunakan basis teknologi canggih. Semua
hal ini bertujuan demi mempermudah dan membantu kinerja manusia. Salah satu teknologi
yang berkembang sekarang mengenai proses pencitraan
(image processing).
Pengolahan citra atau
image processing
merupakan bidang yang berhubungan
dengan proses transformasi citra yang bertujuan untuk mendapatkan kualitas citra yang
lebih baik [1]. Salah satu contoh penerapan
image processing
adalah pengenalan nomor
plat kendaraan bermotor. Pada proses pengenalan, tidak semua objek akan dikenali dan
digunakan. Dibutuhkan suatu metode yang digunakan untuk mereduksi piksel tersebut
yang kemudian akan digunakan sebagai ciri. Proses ini dinamakan sebagai ekstraksi ciri.
Sistem pengenalan plat nomor kendaraan sudah pernah dilakukan, antara lain oleh
Patardo Marasi Manurung[2]. Metode yang digunakan untuk sistem pengenalan plat adalah
jaringan kompetitif dan jaringan kohoren. Peneliti lainnya adalah Ottopianus Mellolo yang
membuat pengenalan plat kendaraan bermotor menggunakan metode
Euclidean distance
pattern matching
[3]
.
Pada penulisan ini, penulis membuat sistem pengenalan plat nomor sepeda motor
dengan menggunakan ekstraksi ciri
Discrete Cosine Transform
(DCT) dan fungsi jarak
Euclidean. Prinsip kerja dari sistem ini, input berupa citra plat nomor berupa citra
grayscale,
diproses menjadi citra biner. Proses segmentasi digunakan untuk memotong tiap
karakter yang terdapat pada plat nomor.
Karakter hasil segmentasi kemudian dipotong sesuai dengan
bounding box
dan
di-centering
serta mengubah ukuran karakter
menjadi ukuran 64x64 piksel
.
Proses
pencocokan data uji dengan
database
dilakukan dengan menggunakan fungsi jarak
Euclidean.
Database
berjumlah 36 karakter, terdiri dari angka 0-9 dan huruf A-Z. Hasil
dari perhitungan jarak yang dilakukan, menunjukkan hasil pengenalan karakter yang
1.2
Tujuan dan Manfaat Penelitian
Tujuan dari penulisan tugas akhir ini adalah menghasilkan bagian dari sistem
pengenalan karakter berupa huruf dan angka pada plat nomor kendaraan sepeda motor.
Manfaat dari penelitian ini adalah :
a.
Untuk penelitian awal pengenalan plat nomor kendaraan sepeda motor pada sistem
parkir kendaraan.
b.
Untuk media pembelajaran mengenai
image processing
dan pengenalan karakter.
1.3
Batasan Masalah
Pada perancangan sistem ini, peneliti fokus pada pembuatan
software
komputer
untuk pengenalan plat nomor sepeda motor. Peneliti menetapkan beberapa batasan masalah
dalam penelitian ini, antara lain:
a.
Pengenalan nomor kendaraan sepeda motor plat berwarna hitam , dengan ukuran
plat 255x110 mm dan plat nomor yang digunakan dalam penelitian ini telah sesuai
dengan yang ditetapkan oleh pemerintah.
b.
Kondisi plat nomor tidak mempunyai baut.
c.
Plat nomor yang digunakan terdiri dari 8 karakter.
d.
Resolusi kamera yang digunakan 5 MP (2560x1920 piksel).
e.
Input data plat berupa citra
grayscale.
f.
Pencahayaan dalam pengambilan citra plat dikondisikan sedemikian rupa sehingga
tidak menimbulkan efek silau pada citra.
g.
Menggunakan ekstraksi ciri
Discrete Cosine Transform
(DCT) dengan ukuran
64x64 piksel.
h.
Menggunakan fungsi jarak Euclidean untuk membandingkan nilai ektraksi ciri
database
dengan nilai ekstraksi ciri pada data uji .
i.
Hasil pengenalan tidak
real time.
j.
Menggunakan
software
Matlab dalam pembuatan program.
1.4
Metodelogi Penelitian
Langkah-langkah dalam pengerjaan tugas akhir :
a.
Pengumpulan bahan-bahan referensi berupa buku dan jurnal-jurnal serta informasi
b.
Perancangan subsistem
software.
Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang
akan dibuat dengan mempertimbangkan faktor-faktor permasalahan dan kebutuhan
yang ditentukan
c.
Pembuatan subsistem
software
.
Sistem bekerja ketika
user
memilih citra plat nomor yang akan diproses melalui
listbox
pada
software
. Citra plat yang telah dipilih kemudian ditampilkan histogram
proyeksi vertikal, hasil segmentasi dari citra plat dan hasil pengenalan plat nomor
dengan menekan
push button
. Semua proses dalam sistem ini akan diolah oleh
komputer untuk mendapatkan hasil pengenalan.
d.
Analisa dan penyimpulan.
Analisa dilakukan dengan menyelidiki pengaruh variasi jumlah koefisien DCT
terhadap tingkat pengenalan karakter pada plat nomor.
Penyimpulan hasil percobaan dilakukan dengan mencari jumlah koefisien DCT
4
BAB II
DASAR TEORI
2.1
Plat Nomor
Plat nomor disebut juga Tanda Nomor Kendaraan Bermotor (TNKB). Plat nomor
memiliki nomor seri yakni susunan huruf dan angka yang dikhususkan bagi kendaraan
tersebut. Nomor seri ini dipadukan dengan informasi lain mengenai kendaraan tersebut,
seperti
merk,
warna, model, tahun pembuatan, nomor mesin kendaraan, serta nama dan
alamat pemilik kendaraan. Semua data tersebut tertera dalam Surat Tanda Kendaraan
Bermotor (STNK). Ukuran plat nomor lama untuk kendaraan roda 2 dan roda 3
mempunyai ukuran plat 255 x 110 mm dan untuk kendaraan roda 4 atau lebih ukuran
platnya 395 x 135 mm[4].
Di Indonesia, sebuah plat nomor pribadi memiliki warna dasar hitam dengan
karakter berwarna putih, sedangkan pola karakter di dalamnya memiliki kesamaan dengan
pola kendaraan umum. Pola dari plat nomor kendaraan sebagai berikut [2] :
-
KA : Kode area kendaraan berupa huruf dengan maksimum jumlah 2 digit dan
minimum 1 digit, seperti B, untuk Jakarta dan sekitarnya, F untuk Bogor, AB untuk
Yogyakarta, dan lain sebagainya.
-
NP : Nomor plat kendaraan berupa angka dengan batas maksimum jumlah digit 4
dan minimum 1, seperti 1, 1092, 9211 dan lain-lain.
-
KT : Karakter tambahan yang bisa ada atau tidak (optimal), berupa huruf dengan
batas jumlah maksimum digit 2 dan minimal 0, seperti A, BS, XY dan lain
sebagianya. Plat nomor atau TNKB yang baru dapat dilihat pada gambar 2.1.
255 mm
110 mm
2.2 Pengolahan Citra
2.2.1 Definisi Citra
Citra dapat didefiniskan sebagai fungsi 2 dimensi
f(x,y),
di mana
x
dan
y
adalah
koordinat spasial dan amplitudo dari
f
pada koordinat
(x,y)
disebut intensitas[5].Citra
digital terdari atas sejumlah elemen tertentu. Elemen-elemen ini disebut
picture elements,
image elements, pels,
dan
piksel.
Gambar 2.2 merupakan citra dengan mempunyai
koordinat spasial dan nilai (x dan y)
Gambar 2.2 Contoh citra digital
Proses transformasi dari bentuk tiga dimensi ke bentuk dua dimensi untuk
menghasilkan citra akan dipengaruhi oleh bermacam-macam faktor[6]. Faktor
–
faktor ini
mengakibatkan penampilan citra suatu benda tidak persis dengan bentuk fisik nyatanya.
Faktor-faktor tersebut merupakan efek degradasi atau penurunan kualitas yang dapat
berupa rentang kontras benda yang terlalu sempit atau terlalu lebar, distrorsi kekaburan ,
noise atau gangguan yang disebabkan oleh interferensi peralatan.
Dalam
image processing,
terdapat prosess akusisi citra digital yaitu proses yang
sangat menentukan kualitas hasil dari proses pencitraan digital yang akan diperoleh. Proses
akusisi citra digital dapat dilakukan dengan memerlukan 3 komponen utama, yaitu sumber
cahaya, objek atau benda yang akan diamati dan sensor dari kamera. Proses akusisi data
tersebut adalah cahaya yang mengenai permukaan benda dipantulkan ke segala arah.
Pantulan cahaya ini sebagian ditangkap oleh sensor peka cahaya pada kamera. Intensitas
yang diperoleh merupakan informasi tentang objek yang terbentuk dari pantulan cahaya
atau refleksi pada permukaan objek.
2.2.2 Citra
Graysacle
Citra beraras keabuan (citra
grayscale
) adalah citra berwarna yang menggunakan
tingkatan warna abu-abu (
gray
)[7]. Citra
grayscale
hanya perlu menyatakan intesitas tiap
piksel
sebagai nilai tunggal, berbeda dengan citra berwarna yang membutuhkan 3 nilai
intensitas untuk tiap pikselnya. Proses awal yang dilakukan dalam
image processing
adalah
mengubah citra berwarna menjadi citra
grayscale.
Citra
grayscale
berbeda dengan citra
“hitam
-
putih”, sebab dalam konteks komputer ,citra hitam
-putih terdiri dari 2 warna yaitu
hitam dan putih.
Nilai piksel dari RGB tidak langsung dibagi 3 untuk mendapatkan hasil citra
grayscale
yang lebih baik. Namun, terdapat persentasi dari masing-masing nilai RGB[8].
Salah satu cara yang dapat dilakukan untuk mengkonversi RGB ke grayscale adalah
menggunakan sistem warna YUV. Citra RGB dikonversi ke YUV dengan mengambil
komponen Y (iluminasi). Persamaan yang digunakan adalah
:
Gray =
𝑌
=
0.2989 x R
+
0.5870 x G
+
0.1140 x B
(2.1)
2.2.3
Threshold
Metode Otsu
Threshold
dengan metode Otsu diperkenalan oleh Nobuyuki Otsu[9].
Threshold
merupakan suatu metode yang dapat digunakan untuk mengkonversi citra
grayscale
menjadi citra biner. Pendekatan yang dilakukan oleh metode Otsu adalah melakukan analis
diskriminan, yaitu menentukan variabel yang dapat membedakan antara dua atau lebih
kelompok yang muncul secara alami. Analisis diskriminan memaksimumkan variable
tersebut agar membagi objek dan latarbelakang(
background
). Metode Otsu dapat
diformulasikan sebagai berikut :
𝑃
𝑖=
𝑛
𝑖𝑁
(2.2)
keterangan :
𝑃
𝑖= probabilitas piksel pada level
i
𝜔 𝑘
=
𝑃
𝑖 𝑘𝑖=1
(2.3)
𝜇 𝑘
=
𝑖
.
𝑃
𝑖 𝑘𝑖=1
(2.4)
𝜇
𝑇=
𝑖
.
𝑃
𝑖 𝑘𝑖=1
(2.5)
keterangan:
𝜔
(𝑘)= nilai
zeroth cumulative moment
𝜇
(𝑘)=
first cumulative moment
𝜇
𝑇= total nilai
mean
Nilai varian antar kelas dapat dihitung dengan :
𝜎
𝐵2𝑘
∗= max
1≤𝑘<𝐿𝜎
𝐵2𝑘
(2.6)
dengan :
𝜎
𝐵2𝑘
=
[
𝜇
𝑇𝜔
𝑘−
𝜔
(𝑘)]
2𝜔
(𝑘)[1
− 𝜔
𝑘]
(2.7)
keterangan :
𝜎
𝐵2= variasi antar kelas
k = nilai ambang (
Threshold)
L= nilai grayscale 255
Contoh hasil
threshold
dari sebuah citra
grayscale
dapat dilihat pada gambar 2.3
(a)
(b)
2.3
Discrete Cosine Transform
(DCT)
Discrete Cosine Transform
(DCT) mempresentasikan sebuah citra dari
penjumlahan sinusoida dari magnitude dan frekuensi yang berubah-ubah[10]. Pada
transformasi citra, DCT membagi citra ke dalam blok-blok kecil dengan ukuran tetap yeng
kemudian dikonversikan dari domain spasial ke domain frekuensi. Tipe dari
Discrete
Cosine Transform
(DCT) terbagi menjadi 2 tipe yaitu DCT 1-Dimensi dan DCT
2-Dimensi.
2.3.1
Two Dimensional Discrete Cosine Transform
(2-D DCT)
Discrete Cosine Transform
(DCT) mempunyai hubungan erat dengan
Discrete
Fourier Transform
. Hal tersebut dipisahkan dengan transformasi linear. Transformasi 2
dimensi equivalen dengan DCT 1 dimensi yang diikuti oleh 1 dimensi DCT pada dimensi
lain.Definisi dari DCT 2 dimensi dengan gambar
input
A dan
output
gambar B sebagai
berikut [11]:
𝐵
𝑝𝑞=
α
pα
q𝐴
𝑚𝑛 𝑁−1𝑛=0
cos
𝜋
2
𝑥
+ 1
𝑝
2
𝑀
𝑐𝑜𝑠
𝜋
2
𝑥
+ 1
𝑞
2
𝑁
𝑀−1𝑚=0
,
0
≤ 𝑝 ≤ 𝑀 −
1
(2.8)
0
≤ 𝑞 ≤ 𝑁 −
1
di mana :
dan
keterangan :
Nilai
α
pα
qadalah himpunan hasil yang nilainya ditentukan dari koefisien
p
dan
q.
M
dan
N
adalah kolom dan baris dari gambar A,
f
adalah nilai
pixel ,
p
dan
q
adalah koefisien titik koordinat matrik yang akan di
–
DCT 2 dimensi
Tiap koefisiensi dari matriks keluaran ini merupakan nilai pada tiap frekuensi
spasial dua dimensi. Koefisien (0,0) merupakan koefisien pada frekuensi terendah dalam
matriks. Koefisien ini disebut sebagai koefisien DC, yang paling menentukan pada blok,
karena merupakan nilai rata-rata dari blok. Koefisien lainnya disebut sebagai koefisien AC,
yang menerangkan jumlah daya spectral yang terdapat pada masing-masing frekuensi
spasial .Gambar hasil transformasi DCT ditunjukkan pada gambar 2.4.
Gambar 2.4 Contoh hasil konversi DCT (a) Citra
grayscale
(b) Hasil ekstraksi ciri
2.3.2
Zigzag Scan
ZigZag scanning
berfungsi untuk merepresentasikan Matriks 2-D dari koefisien
DCT terkuantisasi dalam bentuk vektor satu dimensi
.Zigzag scan
mulai dilakukan dengan
komponen DC (frekuensi nol) dilanjutkan dengan frekuensi yang makin besar dengan
untuk mendapatkan suatu deretan linear dari koefisien zigzag..[12]. Gambar 2.5
menunjukkan urutan
zigzag scan.
Keterangan :
1.
Lapis 1 = 1 koefisien DCT
2.
Lapis 2 = 3 koefisien DCT
3.
Lapis 3 = 6 koefisien DCT
4.
Lapis 4 = 10 koefisien DCT
5.
Lapis 5 = 15 koefisien DCT
6.
Lapis 6 = 21 koefisien DCT
7.
Lapis 7 = 28 koefisien DCT
8.
Lapis 8 = 36 koefisien DCT
9.
Lapis 10 = 55 koefisien DCT
10.
Lapis 11 = 66 koefisien DCT
11.
Lapis 12 = 78 koefisien DCT
12.
Lapis 13 = 91 koefisien DCT
13.
Lapis 14 = 105 koefisien DCT
14.
Lapis 15 = 120 koefisien DCT
15.
Lapis 16 = 136 koefisien DCT
16.
Lapis 17 = 143 koefisien DCT
Lapis DCT
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Gambar 2.5 Urutan Zigzag Scan
2.4 Fungsi Jarak Euclidean
Prinsip dasar dari fungsi jarak
Eucelidian
adalah mengukur jarak antar dua titik (
x
dan
y)
[13]
.
Persamaan yang digunakan untuk menghitung jarak
Eucledian
dapat
didefinisikan antara dua titik, yaitu
x = (x
1,x
2,x
3,,,,,x
n)
dan
y = (y
1,y
2,y
3,,,,,y
n).
Prinsip ini,
pada dasarnya sama dengan persamaan
Pythagoras
ketika digunakan dalam 2 dimensi
Y
X
Gambar 2.6 Ilustrasi metode
Eucledian
Secara matematis, jarak ke
n
dapat dituliskan dalam persamaan :
𝑑
𝑖x, y
=
|
𝑥
𝑖− 𝑦
𝑖|
2 𝑛𝑖=1
(2.9)
Semakin kecil jarak yang dihasilkan antara 2 data (data
testing
dan data
training)
, maka
semakin besar kemiripan antar 2 data tersebut.
2.5
Transformasi Geometris Spasial
Jika citra
f
didefinisikan pada sistem koordinat
a(w,z),
mengalami distorsi gemotris
yang menghasilkan citra
g
dengan sistem koordinat
(x,y)
maka transformasi dapat
dinyatakan dengan
(x,y) = T{(w,z)}
[5]. Contoh dalam trasnformasi spasial sebagai berikut :
Jika
(x,y) =T{(w,z)} = (w/2, z/2),
distrosi adalah penyusutan
f
dengan setengah dimensi
spasial seperti ditunjukkan pada gambar 2.6.
Bentuk umum yang digunakan pada transformasi spasial adalah
affine transform
(Wolberg
[1990] ). Transformasi affine dapat ditulis dalam bentuk matrik :
𝑥
𝑦
1
=
𝑤
𝑧
1
𝑇
=
𝑡
11
𝑡
12
0
𝑡
21
𝑡
22
0
𝑡
31
𝑡
32
1
Transformasi ini dapat menskalakan , men-translate, atau menggunting sejumlah
titik, tergantung pada pilihan nilai T. Jenis transformasi affine yang digunakan terdapat
pada tabel 2.1
Tabel 2.1 Jenis Transformasi Affine[5]
2.6
Filter
Pada pengolahan citra digital, filter digunakan untuk menekan frekuensi tinggi pada
citra seperti memperhalus citra (
smoothing)
atau menekan frekuensi rendah seperti
memperjelas deteksi tepi pada citra [14]. Tujuan dari pemfilteran pada pengolahan citra
digital adalah mendapatkan citra yang lebih jelas sehingga dapat dianalisa. Filter
Gaussian
dan Filter
Median
merupakan contoh filter yang digunakan dalam pengolahan citra digital.
2.6.1 Filter Gaussian
Filter
Gaussian
adalah
filter
yang
merupakan
respon
dari
fungsi
Gaussian[14]
.Gaussian low pass filters
(GLPF) bisa dimanfaatkan untuk mengetahui lebih
dalam relasi antara
spasial
dengan frekuensi domain. Filter
Gaussian
hampir sama dengan
filter mean. Namun, ada nilai bobot yang tidak rata seperti pada filter rata-rata, tetapi
mengikuti fungsi Gaussian. Rumus untuk filter Gaussian 2D sebagai berikut[15]:
ℎ 𝑥
,
𝑦
=
𝑒
−(𝑥2+𝑦2 )/2𝜎2
dengan:
s
xy=
𝑒
−(𝑥2+𝑦2 )/2𝜎2
𝑦 𝑥
(2.11)
dan
𝜎
adalah deviasi standar ,
sedangkan
𝑥
=
𝑦
=
−
𝑁 −
1
2
,
…
. . ,
𝑁 −
1
2
dengan N adalah orde tapis.
2.6.2 Filter Median
Filter median merupakan suatu metode yang menitikberatkan pada nilai
median
atau nilai tengah
dari jumlah keseluruhan piksel yang ada disekelilingnya[16]. Filter
median merupakan salah satu contoh filter spasial non linear. Operasi untuk memperoleh
nilai median akan menempatkan nilai yang sangat besar atau sangat kecil berada pada
ujung atas atau ujung bawah urutan. Pada akhirnya, filter median secara umum akan
mengganti piksel-piksel yang berderau dengan suatu nilai yang dekat dengan piksel-piksel
disekitarnya.
2.7
Matlab
Matlab merupakan bahasa pemrograman level tinggi yang dikhususkan untuk
kebutuhan komputasi teknis, visualisasi dan pemograman seperti komputasi matematik,
analisis data, pengembangan algoritma, simulasi dan pemodelan, serta grafik-grafik
perhitungan [17].
Matlab dikembangkan oleh Mathworks, yang pada awalnya dibuat untuk mengakses
data matrik pada proyek LINPACK dan EISPACK. Matlab mempunyai beberapa bagian
Window
yang dapat digunakan, antara lain :
1.
Current Directory
Window ini berfungsi untuk menampilkan isi
directory
kerja saat menggunakan
matlab.
2.
Command History
3.
Command Window
Window
merupakan window utama dari matlab. Pada bagian
window
berfunsi
untuk menjalankan fungsi, mendeklarasikan variable, melakukan proses program
serta melihat isi variable.
4.
Workspace
Workspace
berfungsi untuk menampilkan seluruh variabel-variabel yang sedang
aktif pada saat pemakaian Matlab. Apabila variabel berupa data matriks berukuran
besar, maka
user
dapat melihat isi dari seluruh data dengan melakukan
double
Click
pada variabel tersebut. Matlab secara otomatis akan menampilkan
window
“
array editor
” yang b
erisikan data pada setiap variable yang dipilih
user
. Gambar
2.7 merupakan tampilan halaman dari Matlab
15
BAB III
RANCANGAN PENELITIAN
Pada bab ini, akan dijelaskan tentang langkah-langkah perancangan pembuatan
sistem pengenalan plat nomor kendaraan. Bab ini berisi blok diagram sistem, Diagram blok
sistem dan berbagai hal yang diperlukan dalam perancangan.
3.1
Perancangan Sistem
Perancangan sistem pengenalan plat nomor kendaraan ini terdiri dari 3 tahap yaitu
masukan (
input),
pre-processing
dan hasil keluaran (
output)
. Blok diagram tentang sistem
pengenalan plat nomor sepeda motor dapat dilihat pada gambar 3.1
Cropping, & binerisasi
Border Clearing &
Median Filtering Segmentasi
Potong sesuai
Bounding Box Resizing
Centering Ekstraksi ciri DCT
Perhitungan Jarak Euclidean
Database Penentuan keluaran
A B 4 1 8 3 G I Citra grayscale
Teks
masukan
keluaran
Gambar 3. 1 Diagram blok sistem
Sistem pengenalan plat nomor sepeda motor terdiri dari
software
yang berfungsi
sebagai
user interface.
Program sistem pengenalan ini dibuat dengan menggunakan
program Matlab versi 7.0.4. Program berperan dalam mengatur setiap proses yang akan
dilalui untuk mendapatkan hasil pengenalan plat nomor. Sistem pengenalan plat nomor ini
3.2
Proses Kerja Sistem
3.2.1 Input Data
Input data yang digunakan dalam sistem ini adalah citra plat. Citra plat diambil
dengan menggunakan kamera yang mempunyai resolusi 5MP (2560x1920) piksel. Jarak
pengambilan citra plat dengan kamera adalah 30 cm dengan tujuan seluruh bagian plat
dapat terambil seluruhnya. Jarak 30 cm digunakan karena kondisi kamera yang mempunyai
rentang jarak fokus yang tetap. Citra yang akan dibaca dengan menggunakan sintaks :
imread(‘filename’).
3.2.2
Grayscale, Cropping
dan Binerisasi
a.
Grayscale
Citra plat yang digunakan adalah citra
grayscale.
Citra plat (RGB) diproses untuk
menjadi citra
grayscale
. Sintaks yang digunakan adalah :
rgb2gray
Tujuan dari proses
grayscale
bertujuan untuk mempermudah proses pengenalan karakter
plat nomor.
Contoh program untuk mengubah citra RGB ke citra
grayscale
:
i
mg1 = imread(‘plat1.jpg’);
img1 = rgb2gray(img1);
Gambar 3.2 menunjukkan hasil dari proses pengubahan citra RGB ke citra
grayscale
(a)
(b)
Gambar 3. 2 Proses citra RGB ke citra
grayscale
(a) Citra RGB (b) Citra
grayscale
b.
Cropping
Proses
cropping
bertujuan untuk memotong bagian plat yang tidak digunakan
dalam proses pengenalan plat. Bagian plat yang digunakan untuk proses pengenalan adalah
bagian nomor polisi yang terdiri dari 8 karakter. Sintaks yang digunakan adalah :
Penentuan titik-titik yang akan diambil menggunakan
matrik_titiksudut_crop
yang
merepresentasikan nilai [x,y,a,b] [18]. Nilai x dan y adalah titik awal (sudut kiri atas) dari
image
yang akan dipotong sedangakan a adalah jumlah piksel memanjang ke arah sumbu-x
dan b adalah jumlah piksel ke arah sumbu-y.
Koordinat untuk memotong bagian plat yang tidak digunakan tersebut didapatkan
dari hasil percobaan agar mendapatkan titik potong yang baik. Contoh implementasi dari
fungsi tersebut :
i
mg1
= imread (‘plat1.jpg’);
crop = imcrop(img1,[ 9 7 992 226]);
Gambar 3.3 menunjukkan bagian plat yang telah dipotong.
Gambar 3. 3 Contoh hasil
cropping
(a) Citra utuh (b) Hasil
cropping
c. Binerisasi
Binerisasi merupakan tahapan mengubah citra
grayscale
menjadi citra biner yang
bernilai 0 dan 1. Nilai 0 (nol) merepresentasikan warna hitam sedangkan warna putih
direpresentasikan dengan nilai 1.
Proses untuk membuat citra biner dilakukan dengan sintaks :
-
graythresh
dan
im2bw
Sintaks
graythresh
bertujuan untuk mendapatkan nilai ambang batas (
threshold
)
dan
im2bw
berfungsi untuk proses binerisasi itu sendiri. Sintaks
graythresh
merupakan
penerapan dari metode Otsu[9]. Hasil dari proses binerisasi ditunjukkan pada gambar 3.4.
Contoh dari implementasi program tersebut sebagai berikut :
img1= imread(‘plat1.jpg’);
crop= imcrop(img1,[7 8 2368 534]);
img2= rgb2gray(crop);
(a)
(b)
img3= graythresh(img2);
img3= im2bw(img2,img3);
Gambar 3. 4 Contoh citra biner
3.2.3
Border Clearing
dan
Median Filtering
a.
Border Clearing
Pada bagian plat terdapat garis batas berwarna putih yang mengelilingi plat nomor.
Garis batas yang mengelilingi plat tersebut tidak digunakan dalam proses pengenalan plat
sehingga harus dihilangkan. Sintaks pada matlab yang dipakai untuk menghilangkan batas
yang mengelilingi plat tersebut menggunakan :
imclearborder
Contoh implementasi dari sintaks
imclearboder
sebagai berikut :
img3 = im2bw(img2,img3);
img4 = imclearborder (img3
);
Hasil dari proses
clear border
ditunjukkan pada gambar 3.5
Gambar 3. 5 Hasil proses clear border
b.
Median
Filtering
Median filter adalah operasi nonlinear yang sering digunakan dalam pengolahan
citra untuk menghilangkan
“
salt and pepper” noise
[19]. Pengertian menghilangkan
“
salt
and pepper” noise
adalah median filter menghilangkan titik-titik hitam pada bagian warna
putih dan menghilangkan titik-titik putih pada warna hitam. Sintaks matlab yang
digunakan adalah :
medfilt2(A,[m,n])
Contoh implementasi sintaks median filter sebagai berikut:
img5 = medfilt2(img4,[15 15]);
Nilai median filtering yang digunakan adalah 15x15. Nilai tersebut didapat dari hasil
percobaan sehingga dapat menghilangkan noise yang terdapat pada citra plat.
Gambar 3.6 menujukkan hasil dari proses median filter
Gambar 3. 6 Hasil proses median filter
3.2.4 Segmentasi
Proses segmentasi merupakan proses untuk memisahkan tiap karakter pada plat nomor.
Diagram blok segmentasi ditunjukkan pada gambar 3.7
.
Jumlahkan baris & kolom piksel citra
plat
Cari posisi nol
Penentuan posisi segmentasi
Potong citra plat sesuai posisi
segmentasi Masukan citra hasil filtering
median
Keluaran Citra tersegmentasi
Gambar 3. 7 Diagram blok segmentasi
Proses segmentasi dilakukan dengan menjumlahkan baris dan kolom piksel citra plat untuk
mendapatkan histogram proyeksi vertikal citra plat. Bentuk histogram proyeksi vertikal
Celah antar karakter Data karakter Tinggi
Piksel
Piksel
Lebar Piksel
Gambar 3. 8 Histogram proyeksi vertikal citra plat
Berdasarkan hitogram proyeksi vertikal pada gambar 3.8, dicari letak posisi 0 (nol) yang
merupakan celah antar karakter pada plat. Ketika posisi 0 (celah antar karakter) diketahui,
maka proses selanjutnya adalah menentukan posisi segmentasi karakter. Penentuan posisi
segmentasi dilakukan dengan menghitung perbedaan celah yang terdapat antar karakter.
Jika perbedaan celah antar karakter lebih dari 1, maka nilai tersebut merupakan letak
segmentasi. Proses terakhir dari segmentasi adalah memotong celah antar karakter
berdasarkan posisi segmentasi yang telah didapat. Contoh hasil segmentasi ditunjukkan
pada gambar 3.9.
Gambar 3. 9 Hasil segmentasi citra plat
3.2.5 Potong Citra Sesuai
Bounding Box
Hasil dari segmentasi karakter pada plat nomor, kemudian dipotong sesuai dengan
bounding box
sehingga dapat diproses pada tahap
resizing
dan
centering
. Diagram blok
dari proses
bounding box
dapat dilihat pada gambar 3.10
Putar 900 searah jarum jam dan potong bagian kiri
Putar 900 searah jarum jam dan potong bagian kiri
Putar 900 searah jarum jam dan
potong bagian kiri
Putar 900 searah jarum jam dan
potong bagian kiri
Putar 900 searah jarum jam (kembali pada posisi semula)
Potong bagian kiri Masukan Citra
segmentasi
Keluaran Citra karakter sesuai bounding
box
Gambar 3. 10 Diagram blok
bounding box
Pada proses
bounding box
, citra karakter yang akan dipotong sesuai dengan
bounding box-
nya dibalik (
flip)
secara horizontal sejauh 90
0serah jarum jam dan matrik
karakter citra plat di-
transpose
untuk memudahkan dalam proses pemotongan.
Pemotongan dilakukan dengan cara memotong matrik citra karakter yang bernilai 0. Citra
yang telah dipotong pada sisi pertama citra karakter kemudian diputar lagi sejauh 90
0untuk
memotong bagian sisi kedua dari citra karakter plat. Proses ini dilakukan sampai setiap sisi
citra plat telah terpotong. Citra karakter plat yang telah terpotong disetiap sisinya diputar
kembali sejauh 90
0untuk membuat citra kembali pada posisi awal. Proses ini dilakukan
kembali untuk setiap citra karakter hasil dari proses segmentasi. Contoh dari hasil
Gambar 3. 11 Proses bounding box (a) Input karakter (b) Hasil potong kiri (c) Putar 90
0serah jarum jam ke 1 (d) Hasil potong kiri (e) Putar 90
0serah jarum jam ke 2 (f) Hasil
potong kiri (g) Putar 90
0serah jarum jam ke 3 (h) Hasil Potong kiri (i) Putar 90
0serah
jarum jam ke 4, kembali ke posisi awal
Input Karakter
Hasil Potong Kiri
(a)
(b)
Putar 90
0(c)
(d)
Putar 90
0(e)
(f)
Putar 90
0(g)
(h)
Putar 90
0(kembali pada posisi awal)
3.2.6
Resizing
dan
Centering
a.
Resizing
Resizing merupakan proses mengubah ukuran piksel citra. Proses
resizing
dilakukan dengan mengubah ukuran piksel citra dari hasil
bounding box
. Ukuran citra hasil
bounding box
diubah ukuran pikselnya dengan ukuran panjang 48 piksel dan lebarnya
menyesuaikan lebar karakter. Penggunaan ukuran 48 piksel ini mengacu pada penelitian
yang telah dilakukan, yaitu oleh Sumarno[15]. Sintaks matlab yang dapat digunakan untuk
merubah ukuran piksel suatu citra adalah :
imresize(A,m)
dengan
m
adalah ukuran piksel yang digunakan untuk mengubah ukuran piksel.
b.
Centering
Proses
centering
merupakan proses untuk mengatur citra menjadi
center
sehingga
dapat dicocokan dengan
database
yang berukuran 64x64 piksel. Ukuran
template
diset
dengan ukuran 64x64 piksel karena ukururan tersebut merupakan ukuran yang maksimum
yang digunakan.
Penggunaan citra berukuran 64x64 piksel ini telah dilakukan pada
penelitian sebelumnya yang telah dijurnalkan. Salah satu peneliti yang menggunakan
ukuran 64x64 piksel yaitu pada penelitian yang dilakukan oleh Sumarno[15]. Citra dari
Resize kolom citra menjadi 48 piksel
Hitung penambahan nol
pada baris
Hitung penambahan nol
pada kolom
Tambahkan nol pada baris matrik
Tambahkan nol pada kolom matrik
Cek hasil penambahan nol
pada kolom dan baris Masukan citra karakterer sesuai
boundingbox
Keluaran citra karakter centering
Gambar 3. 12 Diagram blok
centering
Proses
centering,
menggunakan masukan dari hasil
resizing
yang berukuran 48
piksel dan lebarnya sesuai dengan bentuk dari karakter.
Zero padding
dilakukan untuk
mendapatkan ukuran citra menjadi 64x64 piksel sehingga karakter berada ditengah.
Penambahan nilai 0 ditambahkan pada baris dan kolom matrik citra. Perhitungan dilakukan
agar penambahan nilai 0 pada baris dan kolom matrik citra menjadi 64x64 piksel.
Penambahan nilai 0 disesuaikan dengan hasil
rezising
citra karakter. Berdasarkan hasil
resizing,
panjang kolom hasil
resizing
berukuran 48 piksel ditambahkan nilai 0 agar
panjang kolom menjadi 64 piksel dan lebar kolom yang sesuai dengan lebar karakter
ditambahkan agar ukuran lebarnya menjadi 64 piksel. Jika lebar matrik yang didapat lebih
dari 64, maka akan diproses agar menjadi 64 piksel. Gambar 3.13 menunjukkan contoh
hasil
centering.
3.2.7 Filter Gaussian dan Ekstraksi Ciri DCT
Discrete Cosine Transform
mengubah citra dari domain spasial ke domain DCT.
Sebagian sinyal dari ranah DCT akan digunakan sebagai ekstraksi ciri. Sebagian sinyal
yang digunakan sebagai ekstraksi ciri dapat diambil dari koefisien DCT ke-1 hingga (yang
maksimum) ke-
n,
dengan
n
adalah panjang koefisien DCT. Diagram blok ekstraksi ciri
ditunjukkan pada gambar 3.14.
Input citra karakter
Low Pass Filtering
DCT
Hitung nilai absolut DCT
Zigzag scanning
Masukan citra karakter centering
Keluaran hasil ekstraksi ciri
Gambar 3. 14 Diagram blok ekstraksi ciri DCT
Citra hasil segmentasi plat yang telah di-
centering
kemudian akan diekstraksi ciri.
Citra difilter dengan menggunakan
low pass filter
. Salah satu jenis
low pass filter
yang
biasa digunakan untuk pengaburan citra 2 dimensi adalah filter Gaussian. Nilai filter
Gaussian
yang digunakan sedemikian rupa untuk mendapatkan hasil penapisan yang
sempurna.
Citra hasil filtering kemudian diekstraksi ciri DCT berukuran 64x64 piksel.
Pengekstraksian ciri citra dilakukan dengan menggunakan sintaks
dct2
pada matlab.
Hasil dari DCT kemudian dihitung untuk mencari nilai absolutnya.
Zigzag scanning
Nilai-nilai yang akan dievaluasi dari penelitian ini adalah :nilai koefisien lapisan
DCT yang bernilai 15, 28, 45, 78, 120 dan 320.
3.2.8 Perhitungan Jarak
Fungsi jarak yang digunakan adalah fungsi jarak Euclidean. Perhitungan jarak
digunakan untuk menghitung jarak antara
sebuah hasil ekstraksi ciri data masukan dengan
36 karakter hasil ekstraksi ciri pada
database.
Database
tersebut terdiri dari angka (0-9)
dan huruf (A-Z). Diagram blok perhitungan jarak ditunjukkan pada gambar 3.15
Hitung Jarak Minimum
J0...Jz
Database
Hasil Hitung Jarak Masukan Hasil
Ekstrksi ciri
Keluaran :Jarak minimum
Gambar 3. 15 Diagram blok fungsi jarak
3.2.9 Penentuan Keluaran
Proses penentuan keluaran merupakan proses penentuan hasil pengenalan data uji dengan
database.
Penentuan hasil pengenalan ini diperoleh dari proses perhitungan jarak yang
mencari jarak minimum antara data uji dengan
database.
Pengenalan suatu karakter yang
mempunyai jarak minimum ditentukan sebagai karakter keluar. Hasil pengenalan tersebut
akan ditampilkan dalam bentuk teks. Diagram blok penentuan keluaran dapat dilihat pada
Output citra = Jarak minimum
Tampiklan output dalam bentuk teks Masukan : Jarak
minimum
Keluaran : Hasil Pengenalan
Gambar 3. 16 Diagram blok penentuan hasil pengenalan
3.3
Database
Database
diperlukan pada proses perhitungan jarak. Pembentukan dari
database
terdiri dari 36 karakter, yaitu angka (0-9) dan huruf (A-Z). Pembentukan
database
diambil
dari citra karakter hasil proses segmentasi plat yang dipotong sesui dengan
bounding box
dan telah diproses
resizing
dan
centering.
Ukuran piksel dari
database
adalah 64x64
piksel. Filter Gaussian digunakan sebagai
low pass filter
citra karakter. Citra karakter
tersebut diekstraksi DCT serta menghitung nilai absolut dari DCT. Nilai absolut DCT
tersebut disimpan dalam format
.mat
yang digunakan sebagai
database.
Diagram blok
pembentukan database ditunjukkan pada gambar 3.17
Low Pass Filtering
DCT
Hitung nilai absolut DCT
Zigzag scanning
Simpan hasil Masukan : Citra
Karakter
Keluaran : Matrik hasil Zigzag scan
![Gambar 2.7 Transformasi Spasial[5]](https://thumb-ap.123doks.com/thumbv2/123dok/1805543.2099224/28.595.87.529.91.470/gambar-transformasi-spasial.webp)
![Tabel 2.1 Jenis Transformasi Affine[5]](https://thumb-ap.123doks.com/thumbv2/123dok/1805543.2099224/29.595.85.510.190.436/tabel-jenis-transformasi-affine.webp)
