Prosiding Semirata FMIPA Universitas Lampung, 2013

Transkripsi

1 Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia FMIPA Universitas Riau Abstra. Dalam tulisan ini dibahas mengenai pengenalan nomor plat endaraan berbasis foto digital dengan metode moment invariant dan aringan syaraf tiruan menggunaan metode algoritma bacpropagatioan. Metode moment invariant dan aringan syaraf tiruan digunaan untu estrasi citra arater yang emudian diimplementasian dengan Matlab untu mengenal nomor plat endaraan menggunaan algoritma bacpropagation dengan multi layer. Kata Kunci : Moment invariant, nomor plat endaraan, citra arater, aringan syaraf tiruan, algoritma bacpropagation, multi layer. PENDAHULUAN Sistem pengenalan pola plat nomor endaraan merupaan suatu apliasi proses image yang omples dalam hal mana pengenalan arater-arater pada sebuah plat mobil berdasaran pada syarat dan instrusi-instrusi yang diberian. Tulisan ini aan fous pada penelitian dengan menerapan aringan neural propagasi bali untu mengenal pola nomor plat mobil sebagai suatu alternatif solusi untu mengenal pola arater dengan estrasi ciri menggunaan Moment Invariant dan Jaringan Syaraf Tiruan. Pola arater yang diestra tersebut disimpan di dalam database. Pola arater yang tersimpan ini, adang ala tida sesuai dengan pola arater yang aan dienal. Salah satu fator yang menyebaban egagalan dalam mendapatan aurasi atau etepatan 100% dalam mengenal pola adalah ta mampunya sistem dengan berbagai metode yang diterapan untu mengenal pola arater-arater, sedemiian hingga dalam asus pengenalan B dan 8, O dan 0, G dan 6 [10], arater B atau 3 sebagai 8, arater 5 sebagai 6, arater 6 sebagai G, arater A sebagai 4 dan arater I sebagai 1 [7], arater 3 dengan arater 8, 4 dengan A, 8 dengan B dan D dengan 0 [8] dan 8 dengan B atau 0 dengan D [4]. METODE PENELITIAN Citra digital adalah suatu fungsi identitas cahaya dua dimensi f(x,y), dimana x dan y menunuan oordinat spasial. Nilai f(x,y) pada tiap titi menunuan tingat eabuan (gray level) citra pada titi tersebut [6]. Citra digital dapat berupa citra dalam mode eabuan atau citra berwarna (color). Setiap citra direpresentasian dalam bentu matri beruuran m x n, dimana m menunuan banyanya elemen baris dan n untu umlah olom pada matris tersebut. f ( x1, y1 ) f ( x1, yn ) f ( x, y) f ( xm, y1 ) f ( xm, yn ) (1) Gambar 1: Representasi citra digital beruuran mxn. Semirata 2013 FMIPA Unila 571

2 Zaiful Bahri d: Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Tiap sel matri disebut picture element disingat dengan pixel yang mewaili tingat eabuan atau intensitas warna. Pada citra digital dengan format 8 bit aan memilii 256 (2 8 ) intensitas warna. Nilai ini berisar antara 0 sampai dengan 255 dengan nilai 0 menunuan intensitas paling gelap dan nilai 255 menunuan intensitas paling terang. Estrasi Ciri Estrasi ciri merupaan suatu proses pelatihan. Di mana sebuah sistem bisa memuat sebuah citra, preproses citra, mengestra ciri citra, menghitung ara antara ciri citra yang diestra dan mengetahui vetor yang tersimpan dalam pustaa model citra, dan mengenali citra berdasaran deraat esamaan antara citra yang dimuat dan model citra. Tahap preposes berguna untu membuat iamage sesuai dengan algoritma estrasi ciri yang berbeda. Beberapa algoritma estrasi ciri hanya sesuai dengan countur citra sedangan beberapa algoritma menghitung setiap pixel citra. Tahap preproses termasu di dalamnya adalah thresholding, binarisasi, filtering, detesi tepi, gap filling dan segmentasi. Moment Invariant Moment invariat didefinisian sebagai [3] dan [9] : ( ) ( 3 ) (3 ) ( ) ( ) ( 3 )( )[( ) 3( ) ] (2) (3 )( )[3( ) ( ) ] ( )[( ) ( ) ] 4 ( )( ) (3 )( )[( ) 3( ) ] (3 )( )[3( ) ( ) ] Moment invariant adalah invariant terhadap transformasi citra termasu di dalamnya sala, translasi dan rotasi. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan(JST) didefinisian sebagai sistem omputasi yang didasaran pada pemodelan syaraf biologi (neuron) melalui pendeatan dari sifat-sifat omputasi biologis (biological computation). JST bisa dibayangan berupa aringan dengan elemen pemroses sederhana yang saling terhubung. Elemen pemroses berinterasi melalui sambungan variabel yang disebut bobot, dan bila diatur secara tepat dapat menghasilan sifat yang diinginan [2]. Model neuron sederhana disaian pada Gambar 1. w x 1 1 w x w x n n f(*) Gambar 1: Sistem Komputasi Model Neuron. Dan pernyataan matematisnya y n f w i x i i1 (3) dengan x i = sinyal masuan, i = 1,2,,n (n = banyanya simpul masuan) w i = bobot hubungan atau synapsis = threshold atau bias (*) y = fungsi ativasi = sinyal eluaran dari neuron Proses estrasi dilauan untu mengubah uuran image huruf maupun anga yang ada pada plat nomor endaraan tersebut di mana setelah dilauan perubahan uuran huruf, image yang mempunyai nilai 1 aan diumlahan dan y 572 Semirata 2013 FMIPA Unila

3 dirata-rataan. Selanutnya nilai image ini aan dimasuan e dalam sebuah matris yang beruuran m x n, emudian siap untu diproses dengan algoritma bacpropagation sebagai pengenalan pola. Uuran huruf setelah diubah dengan fungsi imresize adalah 90 x 60 pisel. Kemudian huruf ini aan ditempatan pada area pisel dengan uuran 10 x 10 yang selanutnya dimasuan e dalam sebuah matris beruuran 9 x 6 sebagai input yang diperluan untu pelatihan ini. Setelah proses estrasi cirri dilauan dengan Moment Invariant dan JST, plat nomor mobil aan disegmentasi e dalam arater-arater terpisah dengan menandai setiap arater menggunaan sebuah fungsi label dalam Matlab. Pelabelan ini mampu untu mengenal berapa banya arater yang ada dalam sebuah image Gambar 3a Sebelum diestra 3b. Sesudah diestra Untu masing-masing arater yang sudah diberi label, baris masimum dan minimum yang berhubungan dengan olom digunaan untu menentuan pisel arater awal. Nilai-nilai ini ditandai sebagai vetor [ olom baris lebar tinggi ]. Bentu ini aan merubah uuran huruf menadi uuran yang seragam dengan fungsi imresize 90 x 60 pisel agar pengenalan pola lebih efetif. Perubahan uuran ini dapat dilihat pada gambar 3a dan 3b. Algoritma Propagation Metode propagasi bali merupaan metode aringan syaraf tiruan yang sangat bai dalam menangani masalah pengenalan pola-pola omples. Metode ini merupaan metode aringan syaraf tiruan yang populer. Beberapa contoh apliasi yang melibatan metode ini adalah pengompresan data, pendetesian virus omputer, pengidentifiasian obe, sintesis suara dari tes, dan lain-lain. Cara era aringan propagasi bali adalah sebagai beriut: Mula-mula aringan diinisialisasi dengan bobot yang diset dengan bilangan aca. Kemudian contoh pelatihan dimasuan e dalam aringan. Keluaran aringan berupa sebuah vetor output target. Selanutnya vetor output atual aringan dibandingan dengan vetor output target untu mengetahui apaah output aringan sudah sesuai dengan harapan atau output atual. Beriut langah-langah algoritma propagasi bali. 1. Inisialisasi bobot-bobot Tentuan nilai pembelaaran ( ). Tentuan pula nilai toleransi error atau nilai ambang (bila menggunaan nilai ambang sebagai ondisi berhenti); atau set maasimum epoch (bila menggunaan banya epoch sebagai ondisi berhenti) 2. While ondisi berhenti tida terpenuhi do langah e-3 sampai langah e Untu setiap pasangan pola pelatihan, lauan langah e-4 sampai dengan langah e-9. Tahap (feedforward) umpan mau 1. Setiap unit input x i ( i 1,2,..., n ; dari unit e-1 sampai unit e-n pada lapisan input) mengiriman sinyal input e Semirata 2013 FMIPA Unila 573

4 Zaiful Bahri d: Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation semua unit yang ada di lapisan atasnya(e lapisan tersembunyi) 2. Pada setiap unit di lapisan tersembunyi z, (dari unit e-1 sampai unit e-p; z i 1,2,...,n ; , p ) sinyal output lapisan tersembunyinya dihitung dengan menerapan fungsi atifasi terhadap penumlahan sinyal input berbobot x i : f ( v p n 0 xivi ) i1 1 emudian diirim e semua unit di lapisan atasnya. 3. Setiap unit di lapisan output y (dari unit e-1 sampai unit e-m; y i 1,2,...,n ; 1,2,..., m) dihitung sinyal outputnya dengan menerapan fungsi atifasi terhadap penumlahan sinyalsinyal input berbobot z bagi lapisan ini : f ( w m p 0 z w ) 1 1 Tahap Propagasi Bali 1. Setiap unit output y (dari unit e-1 sampai unit e-m; 1,2,..., p; 1,2,..., m) menerima pola target t, lalu informasi esalahan lapisan output ( ) dihitung. ( ) diirim e lapisan di bawahnya dan digunaan untu menghitung besar oresi bobot dan bias ( w dan w 0 ) antara lapisan tersembunyi dengan lapisan output : ' ( t y ) f ( w z w ) ) 0 di mana : w = z m 1 p 1 w 0 = 2. Pada setiap unit di lapisan tersembunyi (dari unit e-1 sampai unit e-p; i 1,2,..., n; 1,2,..., p; 1,2,..., m) dil auan perhitungan informasi esalahan lapisan tersembunyi ( ). emudian digunaan untu menghitung besar oresi bobot dan bias ( v dan ) i v 0 antara lapisan input dan lapisan tersembunyi. m ( w 1 di mana : v ' ) f ( v = x i 0 n i1 x v ) v 0 = Tahap Peng-Update-an Bobot dan Bias 1. Pada setiap unit output y (dari unit e-1 sampai e-m) dilauan peng-update-an bobot dan bias ( 0,1,2,..., p; 1,2,..., m) sehingga bias dan bobot yang baru menadi : w ( baru) w ( lama) w 2. Dari unit e-1 sampai unit e-p di lapisan tersembunyi uga dilauan peng-update-an nilai bobot dan biasnya ( i 0,1,2,..., n; 1,2,..., p) : v ( baru) v ( lama) v i 3. Test Kondisi Berhenti. i HASIL DAN PEMBAHASAN Diagram Kontes Kontes diagram adalah diagram yang menggambaran data yang masu dan eluar dari sistem. Beriut adalah diagram ontes untu sistem pengenalan pola nomor plat endaraan : Image Plat Data Plat Sistem i i Estrasi Fitur Hasil Pengenalan Gambar 4 Diagram Kontes i Data Pelatihan Basis Data Pelatihan 574 Semirata 2013 FMIPA Unila

5 Rancangan Jst Ada 3 tingat dalam merancang sebuah sistem aringan syaraf tiruan, yaitu tingat node, tingat aringan, dan tingat pelatihan. a. Tingat Node Melihat arateristi dari arater huruf dan anga (alfanumeri) yang merupaan fitur disrit maa tipe input yang coco adalah tipe biner. Demiian pula dengan tipe outpunya. Fungsi transfer yang aan digunaan adalah fungsi transfer sigmoid biner dengan alasan bahwa fungsi transfer ini yang paling umum digunaan untu algoritma propagasi bali. Pemilihan ini dengan memperhatian beberapa arateristi penting untu aringan propagasi bali, yaitu ontinu, differentiable, tida menurun secara monoton, dan turunannya mudah dihitung[8]. Fungsi transfer sigmoid biner didefinisian sebagai : 1 f1 ( x), 0 x 1 (4) 1 x e dengan turunannya ' f1 ( x) f1( x)[1 f1( x)] (5) b. Tingat Jaringan Pada tingat aringan dilauan penentuan banyanya lapisan. Karena dalam tulisan ini menggunaan aringan propagasi bali, maa aringan ini menggunaan banya lapisan yang berarti bahwa aringan bisa mempunyai lapisan tersembunyi lebih dari 1. Dalam tulisan ini aan digunaan 4 buah lapisan, yaitu 1 lapisan input, 2 lapisan tersembunyi dan 1 lapisan output. c. Tingat Pelatihan Rancangan umlah node pada aringan syaraf tiruan untu pengenalan pola nomor plat endaraan adalah sebagai beriut : 1. Lapisan input sebanya 69 node 2. Lapisan tersembunyi 1 sebanya 324 node 3. Lapisan tersembunyi 2 sebanya 324 node 4. Lapisan output sebanya 36 node Data Pelatihan Pada tulisan ini dibuatan data pelatihan yang terdiri dari image/citra yang berisi 36 araeter (A-Z dan 0-9) sebanya 22 olom. Perlu dietahui bahwa proses pelatihan dibuat terpisah dengan proses pengenalan. Proses pelatihan dilauan di luar sistem pengenalan. Sesudah dilauan proses pelatihan, data hasil pelatihan disimpan sebagai basis data untu pengenal pola. Beriut adalah data pelatihan yang diinput menggunaan eyboard. Gambar 5. Data Pelatihan Diagram Alir Pelatihan Proses pelatihan merupaan proses yang pertama seali dilauan untu pengenala pola nomor plat endaraan dengan algoritma aringan neural propagasi bali. Untu itu perlu dibuat rancangan digram alir pelatihan. Gambar 6 beriut adalah gambar diagram alir pelatihan untu pengenalan pola nomor plat endaraan dengan algoritma aringan propagasi bali. Semirata 2013 FMIPA Unila 575

6 Zaiful Bahri d: Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation STAR bobot dari lapisan tersembonyi 1 e lapisan tersembunyi 2 adalah v, di mana Update nilai bobot dan bias Inisialisasi nilai bobot, bias dan parameter-parameter Data Pelatihan Melatih Jaringan Syaraf Tiruan Modifiasi Jaringan Syaraf Tiruan ( 1,2,..., 324 ) dan ( 1,2,..., 324 ). Nilai input dari lapisan tersembunyi 2 e lapisan output adalah B di mana ( 1,2,..., 324 ). Nilai bobot dari lapisan tersembunyi 2 e lapisan output adalah wl di mana ( l 1,2,..., 36 ) dan ( 1,2,..., 324 ). Pembuatan Sistem Dalam pembuatan sistem menggunaan Matlab, pengenalan pola nomor plat endaraan dengan algoritma aringan propagasi bali ini diperluan beberapa tahap. START Pelatihan Mengalami Error? YA Input Gambar Croping/Potong Plat TIDAK Tida Plat Warna Hitam? Ya Simpan Plat TIDAK Pelatihan Selesai? Baca Plat YA STOP Gambar 6 Diagram Alir Pelatihan Arsitetur Bacpropagation Pembangunan simulator aringan syaraf tiruan Bacpropagation [1] merupaan gambaran arsitetur aringan syaraf tiruan yang aan digunaan dalam tulisan ini. Nilai bias terdiri dari b1,b 2 dan b 3. Nilai input terdiri dari X 1, X 2,..., X i ( i 1,2,..., 69). Nilai bobot dari lapisan input e lapisan tersembunyi 1 adalah u,, di mana ( i 1,2,..., 69) dan i ( 1,2,..., 324 ). Nilai input dari lapisan tersembunyi 1 e lapisan tersembunyi 2 adalah A, di mana ( 1,2,..., 324 ). Nilai Proses Menentuan Jumlah Karater Preproses Estrasi Fitur Pengenalan Pola Simpan Karater sabagai Data tes Ceta Karater Ada Karater Lagi STOP Tida Gambar 7. Diagram Alir Apliasi Sebelum sistem pengenalan pola digunaan, maa terlebih dahulu dilauan pelatihan terhadap beberapa data pelatihan. Data pelatihan yang digunaan adalah data pelatihan Gambar 5. Dengan hasil sebagai beriut : YA 576 Semirata 2013 FMIPA Unila

7 Gambar 8. Hasil Proses Data Pelatihan Gambar 10 Tingat Pembelaaran Data Pelatihan Pada gambar 10 terlihat bahwa gradient 8.37e-06 pada epoch e 376 ce validasi 0 dan tingat pembelaaran sebasar Gambar 9. Performa Jaringan Data Pelatihan Dari proses data pelatihan 1 terlihat bahwa algoritma pelatihan yang digunaan adalah traingdx, performa Error Kuadrat Rata-Rata/Mean Square Error(MSE) 9.72e- 06, epoch 376 iterasi, watu pelatihan 3 menit 53 deti dan gradient 8.37e-06. Dari gambar 9 terlihat bahwa aringan mencapai onvergensi pada iterasi e 376 dengan mse 9.27e-06 Gambar 11. Plot Regresi Data Pelatihan Pada gambar 11 terlihat bahwa plot regresi antara garis lurus berwarna biru dengan garis titi-titi berwarna biru hampir sama, berarti errornya sangat ecil. Untu data pelatihan ini nilai regresinya adalah yang mendeati 1. Data pelatihan yang bai aan menunuan anga mendeati 1. Beriut adalah hasil perbandingan beberapa pelatihan : Semirata 2013 FMIPA Unila 577

8 Zaiful Bahri d: Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Tabel 1. Hasil dan Parameter Data Pelatihan Konfig1 Konfig2 Konfig3 Konfig4 Konfig5 Konfig6 Algoritma Pelatihan traingdx Jumlah lapisan input 69 lapisan tersembunyi lapisan tersembunyi Jumlah lapisan output 36 Momentum 0.9 Fungsi pelatihan MSE Fungsi tuuan Jumlah epochs Fungsi transfer logsig, logsig, logsig Jumlah iterasi Watu iterasi 22 det 39 det 49det 1.04 det 1.25det 3.53det Gradient 3.54e e e e e e-06 Tingat pembelaaran Nilai regresi Dari tabel 1 terlihat bahwa semain banya umlah lapisan tersembunyinya maa umlah iterasi semain sediit untu mencapai onvergensi. Tetapi tingat watu yang dibutuhan untu iterasi tersebut semain meningat. Namun demiian bisa dilihat bahwa tingat pembelaarnya semain ecil dan nilai regresi untu masing-masing umlah lapisan tersembunyi adalah tetap. Ini disebaban data pelatihan yang digunaan adalah sama. 578 Semirata 2013 FMIPA Unila Gambar 12. Sistem Pengenalan Nomor Plat

9 Tabel 2. Hasil Beberapa Pengenalan Nomor Plat Kendaraan No. Plat Asli Hasil Croping Pengenalan % Ket 1 BA 2223 SW 100 Bai 2 BM 1733 TE 100 Bai 3 BM 1909 TE 100 Bai 4 B 1183 SFF 100 Bai 5 BA 2057 TG 100 Bai 6 BM 1I68 LT 100 Bai 7 BA 1440 J 100 Bai 8 BA 335 TY 100 Bai 9 BM 1518 JL 100 Bai 10 BH 1830 SG 87,5 Cuup Bai, Noise Pixel 11 BM 1026 AF 100 Bai 12 BM 1598 QF 100 Bai 14 BA 2003 W 100 Bai 15 BA JZ 100 Bai 16 BM 1152 KL 100 Bai 18 BA 3746 JD 100 Bai 17 BM 1497 BC 100 Bai 18 BA 50 UB 100 Bai Semirata 2013 FMIPA Unila 579

10 Zaiful Bahri d: Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation 19 BM 1143 QJ 100 Bai 20 BM 1371 QE 100 Bai Generalisasi adalah tingat pengenalan aringan dalam mengenali seumlah pola yang diberian. Secara matematis generalisasi dapat ditulis sebagai beriut [7]: Jumlah pola yang dienali Generalisasi 100% Jumlah seluruh pola Hasil rata-rata pengenalan pola dari 20 data ui nomor plat endaraan dengan aringan bacpropagation ini adalah 95 %. KESIMPULAN Dari hasil pengenalan pola nomor plat endaraan di atas dapat disimpulan bahwa Jaringan Syaraf Tiruan(JST) dengan Algoritma Bacpropagation dapat mengenal pola dengan bai.hal ini terlihat bahwa hasil pengenalan sudah mencapai 95%. 5% error lebih disebaan adanya nomor plat yang terputus aibat adanya baut pemasangan nomor plat sehingga saat diesra hurufnya putus. Semain banya umlah node tersembunyinya maa semain lama proses iterasinya. Tetapi Jaringan Semain cepat Belaar. Sehingga pengenal aan lebih aurat. Dalam penelitian ini plat nomor yang digunaan adalah plat nomor normal. Artnya plat nomor tida dalam eadaan terotasi atau sew. Untu itu penelitian selanutnya diharapan untu dapat mengenal pola nomor plat yang dalam eadaan terotasi atau sew. Dalam penelitian ini uga menggunaan cropping manual, sehingga diharapan epada penelit untu dapat meng-cropping nomor plat secara otomatis dengan menentuan posisi plat terlebih dahulu. UCAPAN TERIMA KASIH Penulis ingin mengucapan terima asih epada Lembaga Penelitian Universitas Riau yang telah mendanai penelitian laboratorium ini. Penulis uga mengucapan terima asih epada Kepala Laboratorium Komputasi Jurusan Matematia FMIPA Universitas Riau yang telah memberian esempatan untu melauan penelitian. Ta lupa penulis uga mengucapan banya terima asih epada rean era Suamto dan Joo Risanto yang banya memberian masuan dalam penelitian ini. DAFTAR PUSTAKA Anam Sarawat, Islam Md. Shohidul, Kashem M.A, Islam M.N, Islam M.R, Islam M.S. Face Recognition Using Genetic Algorithm and Bac Propagation Neural Networ. Proceedings of the International MultiConference of Engineers and Computer Scientists 2009 Vol I IMECS 2009, March 18-20, 2009, Hong Kong Fausett L Fundamentals of Neural Networs (Architectures, Algorithms, and Applications). Prentice-Hall, New Jersey. Flusser, J, Su, T and Zitova, B, Moments and Moment Innvariants in Pattern Recognition. A John Wiley and Sons, Ltd, Publication, United Kingdom. 580 Semirata 2013 FMIPA Unila

11 McAndrew, A., (2004). Introduction to Digital Image Processing With Matlab, Thomson Course Technology:USA, pp353 Mohamed, Nawwaf, Cheng and Ching, (2007). Character Recognition Systems., A Guide for Student and Practitioners, John Wiley and Sons. Inc, Publication R. Gonzales and R. E. Wood Digital Citra Processing, Second Edition. Prentice Hall, Inc., New Jersey Seu et al (1999). Practical Algorithms for Image Analysis: Description, Examples and Code, edisi ebrp, Cambridge University:USA. Shen-Zheng Wang dan His-Jian Lee (2007), A Cascade Framewor for Real Time Statistical Plate Recognition System, IEEE Transaction On Information Forensics and Security, 2(2). S. Pachalais and O. Lee,1999. Pattern recognition in gray scale images using moment based invariants feature, Image Processing and its Apllication, IEEE Conference Publication No.pp T, Su and J. Flusser Blur and Affine Moment Invariants, ICPR2002, 16 th International Conference on Pattern Recognition, Vol.4, pp Semirata 2013 FMIPA Unila 581