SISTEM PENGENALAN PLAT NOMOR POLISI KENDARAAN BERMOTOR DENGAN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN PERAMBATAN BALIK

Transkripsi

1 SISTEM PENGENALAN PLAT NOMOR POLISI KENDARAAN BERMOTOR DENGAN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN PERAMBATAN BALIK M Nur Taufiq 1), Achmad Hidayatno 2), Rizal Isnanto 2) Abstract In parking system, system for recording license plates is done manually by humans. It takes a long time to do that for which it can result in long queue. Therefore, designing number plate recognition system by computer which is connected to the camera for recognizing any number plate motorcycle or car parking area which are entered automatically without human intervention anymore for registering each number plate. Number plate recognition system is expected to be able to recognize characters in the image. Motor vehicle license plate image was captured using a digital camera. Digital image is processed through several stages in order to get the feature. A characteristic feature of the pattern can represent a certain image. The features may take the form of a pattern feature vector and feature vector is used for the learning process on the method of Backpropagation Neural Network. In Backpropagation Network, it has a certain weight obtained at the time of learning and used for character recognition. Character recognition is done by comparing the difference of output value of the network to the character database. Selection of the appropriate character is determined by the difference between the smallest value of any comparison of each character contained in the character database. The level of recognition accuracy for test results to the train data is 98.69% and for test results to the test data is 98.79%. However, it is undeniable there are some errors in the number plate recognition. The factors that influence the outcome of recognition caharacters are the level of brightness, the result of thinning which is not optimal, the unappropriate slope of the character image, and the similarity of results characterizing the process of feature extraction. Keywords: plate recognition, Backpropagation, network weights, character database I. Pendahuluan 1.1 Latar Belakang Di era modern sekarang ini, kemajuan teknologi dapat dilihat di banyak tempat termasuk pula ditemukannya teknologi yang terdapat di tempat parkir motor/mobil mall atau tempat pusat keramaian yang lain. Kecanggihan tersebut terlihat dari pengguna komputer yang terhubung dengan kamera yang digunakan untuk mengenali setiap plat nomor motor/mobil yang memasuki area perparkiran secara otomatis tanpa perlu campur tangan manusia lagi untuk mencatat satu per satu secara manual. Penggunaan teknologi baru ini muncul karena diakibatkan banyaknya masalah yang timbul dari pencatatan plat nomor yang dilakukan secara manual oleh manusia. Masalah umum yang sering timbul adalah kesalahan manusia oleh para petugas parkir. Pada umumnya pencatatan secara manual yang dilakukan oleh manusia membutuhkan waktu yang lama sehingga dapat mengakibatkan antrean yang panjang. Tugas Akhir ini menerapkan pengolahan citra untuk mengidentifikasi nomor polisi kendaraan. Sistem diharapkan mampu mengenali karakter huruf dan angka yang terdapat dalam citra. Citra nomor polisi kendaraan bermotor ditangkap menggunakan kamera digital. Citra digital diproses melalui beberapa tahap guna mendapatkan ciri. Suatu ciri dapat mewakili karakteristik dari pola citra tertentu. Ciri dari suatu pola dapat berbentuk vektor ciri serta vektor ciri ini digunakan untuk proses pembelajaran pada metode Jaringan Saraf Tiruan Perambatan Balik (Backpropagation Neural Network). Pada Jaringan Backpropagation ini memiliki bobot tertentu yang diperoleh pada waktu pembelajaran. Bobot ini digunakan untuk pengenalan karakter atau angka. Pengenalan karakter dilakukan dengan membandingkan selisih nilai hasil keluaran jaringan terhadap nilai basis data karakter. Pemilihan karakter yang sesuai ditentukan dengan selisih nilai terkecil pada setiap perbandingan masing-masing karakter yang terdapat pada basis data karakter. 1.2 Tujuan Tujuan dari Tugas Akhir ini adalah mampu melakukan identifikasi dan pengenalan plat nomor kendaraan bermotor dan untuk mengetahui persentase akurasi pengenalan yang dilakukan. 1.3 Batasan Masalah Penulis membatasi permasalahan dalam beberapa hal yaitu citra dibatasi pada plat yang berwarna dasar hitam dan tulisan berwarna putih serta citra plat nomor diambil secara offline dengan penggunaan kamera digital. Serta karakter yang digunakan dalam pengenalan adalah huruf (A sampai Z) huruf besar semua, serta angka (0 sampai 9). 1) Mahasiswa Teknik Elektro UNDIP, 2) Dosen Teknik Elektro UNDIP

2 II. Landasan Teori 2.1 Citra Digital Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), yang mana x dan y adalah koordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan (brightness) suatu citra pada suatu titik. Citra digital dapat dibayangkan sebagai suatu matriks yang mana baris dan kolomnya menunjukkan gray level di titik tersebut. Elemen-elemen dari citra digital tersebut biasanya disebut dengan pixel, yang merupakan singkatan dari picture elements. Dalam satu bidang gambar, sepenuhnya terdiri dari piksel-piksel. Karena itu, berkas yang menyimpan citra biasa disimpan dengan nama BMP. Untuk mengurangi ukuran dari berkas, biasanya berkas citra dimampatkan dengan menggunakan teknik tertentu, misal yang terkenal yaitu JPEG atau GIF [3] [7] [17]. 2.2 Restorasi Citra Restorasi citra adalah proses penghilangan atau pengurangan degradasi pada citra yang terjadi karena proses akuisisi citra. Degradasi yang dimaksud adalah derau atau efek optis misalnya blur (kabur) akibat kamera yang tidak fokus atau karena gerakan kamera. Teknik restorasi citra meliputi operasi ketetanggaan dan juga penggunaan proses-proses pada domain frekuensi. Restorasi citra juga bertujuan menghilangkan/meminimalkan cacat pada citra. Contoh-contoh operasi restorasi citra [13] [16] : a. penapisan rerata b. penapisan modus 2.3 Segmentasi Citra Terdapat dua pendekatan utama dalam segmentasi citra yaitu didasarkan pada tepi (edge based) dan didasarkan pada wilayah (region based). Segmentasi didasarkan pada tepi membagi citra berdasarkan diskontinuitas di antara subwilayah (sub-region), sedangkan segmentasi yang didasarkan pada wilayah bekerjanya berdasarkan keseragaman yang ada pada sub-wilayah tersebut. Hasil dari segmentasi citra adalah sekumpulan wilayah yang melingkupi citra tersebut, atau sekumpulan kontur yang diekstrak dari citra (pada deteksi tepi). Tiap piksel dalam suatu wilayah mempunyai kesamaan karakteristik atau propeti yang dapat dihitung (computed property), seperti : warna (color), intensitas (intensity),dan tekstur (texture) [10]. 2.4 Pengurusan Citra (Thinning) Pengurusan Citra adalah operasi morfologi yang digunakan untuk menghapus piksel latar depan (foreground) yang terpilih dari citra biner biasanya digunakan untuk proses mencari tulang dari sebuah objek (skeletonization) [15]. Pengurusan Citra merupakan metode yang digunakan untuk skeletonizing yang salah satu penggunaanya adalah dalam aplikasi pengenalan pola. Terdapat cukup banyak algoritma untuk pengurusan citra dengan tingkat kompleksitas, efisiensi, dan akurasi yang berbeda-beda. Citra yang digunakan dalam proses pengurusan citra hanyalah citra biner. Serta citra hasil dari algoritma pengurusan citra biasanya disebut dengan rangka (skeleton) [12]. 2.5 Jaringan Saraf Tiruan Perambatan Balik Jaringan saraf tiruan perambatan balik merupakan salah satu model dari jaringan saraf tiruan umpan maju dengan menggunakan pelatihan terbimbing yang disusun berdasar pada algoritma kesalahan perambatan balik. Pola masukan dan target diberikan sebagai sepasang data. Bobotbobot awal dilatih dengan melalui tahap maju untuk mendapatkan galat keluaran yang selanjutnya galat ini digunakan dengan tahap mundur untuk memperoleh nilai bobot yang sesuai agar dapat memperkecil nilai galat sehinggga target keluaran yang dikehendaki tercapai. Tujuan dari model ini adalah untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama proses pelatihan berlangsung serta kemampuan jaringan memberikan respon yang benar terhadap pola masukan yang berbeda dengan pola masukan selama pelatihan. III. Perancangan Sistem 3.1 Gambaran Umum Perancangan sistem merupakan tahap yang penting dalam mengaplikasikan suatu konsep, baik dalam bentuk program ataupun alat agar dalam pembuatannya dapat berjalan secara sistematis, terstruktur, dan rapi sehingga hasil program dapat berjalan sesuai dengan apa yang dikehendaki. Secara umum pembuatan program ini mengikuti alur sesuai yang ditunjukan dalam Gambar 1. Pada Gambar 1 terlihat bahwa terdapat 2 tahap dalam perancangan sistem ini. Tahap pertama yaitu tahap pelatihan, dalam tahap pelatihan ini terdapat beberapa proses yaitu proses prapengolahan citra, proses ekstraksi ciri, serta proses pelatihan JST. Dalam proses pelatihan JST akan diperoleh basis data berupa nilai bobot dan bias. Serta nilai bobot dan bias ini akan digunakan untuk proses identifikasi dalam tahap pengenalan. Pada tahap pengenalan ini terdapat beberapa proses yang akan dilalui oleh sebuah citra plat nomor agar citra ini dapat teridentifikasi. Proses proses tersebut yaitu proses prapengolahan, proses segmentasi, proses Pengurusan Citra, proses

3 ekstraksi ciri, serta proses identifikasi. Untuk tahap proses identifikasi ini akan menggunakan nilai bobot dan bias yang telah didapatkan dari proses pelatihan JST dalam tahap pelatihan sebelumnya. Dalam proses identifikasi ini akan membandingkan selisih nilai hasil keluaran jaringan terhadap nilai basis data karakter. Pemilihan Karakter yang sesuai ditentukan dengan selisih nilai terkecil pada setiap perbandiangan masing-masing karakter yang terdapat pada basis data karakter. 3.3 Tahap Segmentasi Karakter dan Pengurusan Citra Proses segmentasi citra akan bertanggung jawab atas semua proses yang berhubungan dengan pembagian, pemotongan, atau pemisahan citra menjadi segmen segmen yang lebih sederhana. Proses segmentasi dilakukan tanpa mengurangi esensi informasi yang ada pada citra, meskipun citra mengalami pemotongan atau pembagian. Proses segmentasi akan berakhir jika citra awal telah dibagi menjadi segmen segmen kecil yang terdiri dari 1 obyek karakter per segmen kecil. Tahap segmentasi karakter merupakan tahap awal yang penting dalam sistem pengenalan untuk mengenali karakter-karakter yang terdapat pada suatu citra plat nomor ini. Segmentasi karakter ini pada dasarnya hanya melakukan proses segmentasi kolom terhadap suatu citra. Proses segmentasi ini akan melakukan pendeteksian warna putih tiap kolom. Jika terdeteksi warna putih maka akan ditentukan sebagai batas awal pemotongan karakter, jika sudah terdeteksi warna hitam maka ditentukan sebagai batas akhir pemotongan karakter. Berikut ilustrasi segmentasi karakter pada suatu citra plat nomor. Gambar 1. Diagram perancangan sistem 3.2 Tahap Prapengolahan ( Preprocessing ) Proses prapengolahan perlu dilakukan untuk menyesuaikan hal-hal yang dibutuhkan dalam proses-proses selanjutnya. Langkah pertama dalam tahap prapengolahan ini adalah mengubah citra RGB menjadi citra aras keabuan. Proses tersebut dilakukan pada setiap piksel citra, dengan cara ini setiap piksel memiliki satu jenis warna dengan intensitas yang berbeda-beda. Prosesproses selanjutnya dalam tahap prapengolahan dapat dilihat pada diagram alir dibawah Mulai Pengambangan Selesai Gambar 3. Ilustrasi segmentasi karakter Setelah didapatkannya karakter-karakter yang telah tersegmentasi maka langkah selanjutnya adalah tahap Pengurusan Citra. Untuk tahap Pengurusan Citra ini berguna agar citra karakterkarakter yang telah tersegmentasi menjadi citra skeleton. Dengan didapatkannya citra karakter dengan piksel tunggal akan mempermudah dalam proses ekstraksi ciri. Proses pengurusan citra yang digunakan dalam sistem ini menggunakan Metode pengurusan citra Stentiford. Algoritma pengurusan citra Stentiford ini adalah algoritma pengurusan citra dengan menggunakan teknik template based, mark, and delete. Algoritma ini bersifat iteratif yang berguna untuk mengikis lapisan piksel terluar sampai tidak ada lapisan lagi yang dapat dihilangkan. Penapisan Segmentasi Baris Gambar 2. Diagram alir prapengolahan Gambar 4. (a) Citra sebelum pengurusan citra (b) Citra setelah pengurusan citra

4 3.4 Tahap Ekstraksi Ciri Proses ekstraksi ciri merupakan proses untuk mencari, menandai, dan menyimpan semua fitur dari segmen karakter. Ciri adalah semua informasi atau karakteristik bentuk dari segmen yang bisa dijadikan sebagai tanda pengenal dari bentuk segmen karakter tersebut. Oleh karena itu ciri harus unik untuk tiap bentuk karakter. Tahap ekstraksi ciri ini berguna untuk memperoleh suatu ciri dari citra karakter yang telah mengalami proses pengurusan citra. Metode Ekstraksi ciri yang dilakukan oleh sistem ini adalah memberikan layar piksel berukuran 7x5 di belakang citra karakter. Jika baris ke-i dan kolom ke-j tersentuh garis putih citra karakter, maka piksel tersebut bernilai 1, serta jika tidak tersentuh garis putih maka piksel tersebut bernilai 0. Maka dari proses ekstraksi ini akan diperoleh 35 nilai piksel yang mewakili suatu citra karakter. Lebar piksel pada layar menyesuaikan ukuran citra karakter. Namun layar tetap mempunyai 35 piksel yang terpasang pada tiap citra karakter untuk memperoleh suatu ciri. Nilai hasil ekstraksi ciri ini berupa 35 nilai yang akan digunakan menjadi basis data dalam tahap pengenalan maupun tahap pelatihan. 3.5 Tahap Pelatihan Jaringan Tahap pelatihan Jaringan Saraf Tiruan adalah tahap untuk memperoleh nilai bobot dan bias dari tiap basis data. Untuk mendapatkan nilai bobot dan bias ini harus dilakukan Pelatihan JST, dalam pelatihan JST ini membutuhkan nilai basis data sebagai vektor masukan dan dilatih sesuai target yang telah ditentukan. Terlebih dahulu mengakuisisi data sesuai dengan arsitektur jaringan yang telah ditentukan. Citra karakter yang telah melewati proses ekstraksi ciri akan menghasilkan matriks ciri berukuran 7x5. Matriks ciri ini terlebih dahulu di-transpose menjadi berukuran 5x7, yang selanjutnya tiap matriks ciri akan dimasukkan ke tiap jaringan yang telah dibuat. Jaringan akan dilatih sesuai target citra karakter yang akan dilatih. Dalam sistem pengenalan ini akan dibuat 9 jaringan agar mampu mengenali 36 karakter yang terdiri dari 10 angka dan 26 Huruf. Setelah melakukan pelatihan untuk 9 jaringan tersebut maka akan didapatkan nilai bobot dan bias yang dapat digunakan dalam tahap pengenalan. 3.6 Tahap Pengenalan Tahap Pengenalan adalah tahap untuk mengidentifikasi citra plat nomor. Untuk mengidentifikasi citra plat nomor tersebut, terlebih dahulu citra plat nomor harus melewati beberapa proses agar dapat teridentifikasi dengan baik. Proses proses tersebut adalah proses prapengolahan, proses segmentasi karakter, proses Pengurusan Citra dan proses ekstraksi ciri Untuk proses identifikasi ini, matriks ciri yang semula berukuran 7x5 akan di-transpose menjadi berukuran 5x7 agar sesuai dengan jaringan yang telah dibuat. Matriks ciri ini akan dimasukkan ke tiap jaringan. Jadi Keluaran dari tiap jaringan ini adalah matriks berukuran 1x7. Selanjutnya matriks keluaran tiap jaringan ini akan diubah menjadi desimal. Maka keluaran dari 9 jaringan akan mengahasilkan matriks berukuran 1x9. Selanjutnya matriks keluaran dari 9 jaringan ini akan dicocokkan dengan matriks basis data karakter. Dalam pengenalan karakter dilakukan dengan membandingkan selisih nilai hasil keluaran jaringan ini terhadap nilai basis data karakter. Pemilihan karakter yang sesuai ditentukan dengan selisih nilai terkecil pada setiap perbandingan masing-masing karakter yang terdapat pada basis data karakter. IV. Pengujian dan Analisis 4.1 Pengujian Tahap Prapengolahan Dalam pengujian tahap prapengolahan ini akan dilakukan pengujian dengan menambahkan beberapa derau untuk menguji kehandalan sistem dalam tahap prapengolahan ini. Derau yang akan ditambahkan adalah derau salt-and-pepper, derau Gaussian dan derau speckle. Jenis-jenis derau ini sudah terdapat dalam function di Matlab, sehingga cukup menggunakan function imnoise dalam pengkodean. Gambar 5. Citra asal sebelum prapengolahan Setelah dilakukan pengujian dengan penambahan derau menghasilkan citra preprocessing yang baik, citra hasil prapengolahan dapat dilihat sebagai berikut: Gambar 6. Citra hasil prapengolahan 4.2 Pengujian Tahap Segmentasi Karakter dan Pengurusan Citra Tahap segmentasi karakter ini akan mensegmen citra-citra karakter dari citra hasil prapengolahan yang selanjutnya akan dilakukan proses pengurusan citra agar citra karakter yang telah tersegmentasi menjadi tipis dan mempermudah dalam proses langkah selanjutnya. Pengujian tahap ini akan menunjukkan hasil dari

5 citra-citra karakter yang telah tersegmentasi. Berikut contoh citra sebelum disegmentasi, citra hasil segmentasi, dan citra hasil pengurusan citra: (a) (b) (c) Gambar 7. (a) Citra sebelum disegmentasi (b) Citra karakter hasil segmentasi (c) Citra karakter hasil pengurusan citra 4.3 Analisis Pelatihan Jaringan Setiap melakukan pelatihan jaringan maka akan muncul sebuah kotak dialog Neural Network Training. Pada Neural Network Train Toolbox ini memperlihatkan beberapa hal yang diperlukan dalam pelatihan seperti algoritma pelatihan, jenis performansi jaringan, parameter keberhasilan pelatihan, serta beberapa plot pelatihan. Berikut akan dianalisis pelatihan jaringan untuk keseluruhan karakter, hal hal yang akan dianalisis adalah nilai Mean squared error (MSE) dan banyak epoch untuk setiap pelatihan karakter. Untuk mendapatkan Nilai mean squared error dan banyak epoch dalam setiap pelatihan dapat dilihat dari rekam latihnya. Gambar 8 dan Gambar 9 menunjukkan perbandingan nilai MSE dan banyak epoch untuk 36 karakter yang telah dilatih serta akan dilakukan analisis dari hasil nilai MSE dan jumlah epoch untuk setiap karakternya. Gambar 8. Grafik perbandingan jumlah epoch Gambar 9. Grafik perbandingan nilai MSE dilihat Karakter F memiliki Jumlah epoch terbanyak, namun memiliki Nilai MSE terkecil. Serta karakter H memiliki Nilai MSE terbesar dengan jumlah epoch terkecil. Pada pelatihan Jaringan yang terbaik adalah mendapatkan nilai MSE mendekati nol ataupun semakin kecil nilai MSE maka pelatihan jaringan dikatakan berhasil. Dari pernyataan ini maka ketika pelatihan karakter F adalah pelatihan terbaik karena memiliki nilai MSE terkecil, namun dengan konsekuensi untuk mendapatkan nilai MSE terkecil pastinya membutuhkan banyak iterasi. Sedangkan karakter H tergolong pelatihan jaringan yang kurang maksimal karena memiliki nilai MSE terbesar walaupun hanya memerlukan iterasi yang relatif sedikit. Namun terlihat bahwa rata-rata nilai MSE untuk ke-36 karakter masih tergolong sangat kecil atau mendekati nol, hal ini menunjukkan pelatihan jaringan masih tergolong baik dan layak digunakan untuk tahap pengenalan. 4.4 Pengujian Data Uji dan Data Latih Pengujian citra plat nomor untuk data uji sebanyak 11 buah dan data latih sebanyak 40 buah akan diuji dalam proses identifikasi terhadap citra plat nomor. Berikut hasil pengenalan untuk keseluruhan data uji: Tabel 1. Contoh Hasil Pengujian Data Uji No. Plat Nomor Teridentifikasi 1 H 3153 AAG H 3153 AAG 2 AA 2355 P AA 2355 P 3 H 3928 UH H 3928 UH 4 H 3569 NN H 3569 NN 5 G 3760 YE G 3760 YE 6 B 3371 NEE B 3371 NEE 7 H 2801 AA H 2B01 AA 8 R 4110 QS R 4110 QS 9 H 5217 UE H 5217 UE 10 H 2046 DG H Z046 DG Pada kolom teridentifikasi yang tertulis tidak bergarisbawah menunjukkan teridentifikasi benar dan tertulis bergarisbawah menunjukkan teridentifikasi salah. Serta untuk hasil pengujian data uji dapat dikalkulasi persentase pengenalan dari pengujian data uji sebesar 98,69%. Serta setelah dilakukan pengujian terhadap data latih menghasilkan akurasi persentase pengenalan terhadap data latih sebesar 98,79%. Terlihat dari kedua grafik tersebut bahwa jumlah epoch terbesar adalah Karakter F dan nilai MSE terbesar adalah karakter H. Namun jika

6 4.7 Analisis terhadap Pengujian Data Latih dan Data Uji Dari Pengujian data latih dan data uji diatas dapat ditampilkan grafik perbandingan hasil pengujian sebagai berikut: Perbandingan Hasil Pengujian 0 98,69% 98,79% Data Gambar 10. Grafik hasil pengujian Data Latih Data Uji Terlihat bahwa hasil pengujian data latih dan data uji menghasilkan tingkat akurasi pengenalan sebesar 98,69% dan 98,79%. Hal ini menunjukkan bahwa sistem pengenalan yang telah dirancang ini berjalan dengan baik sesuai harapan perancang sistem. Namun tidak dapat dipungkiri terdapat beberapa faktor-faktor yang sangat memengaruhi kesalahan dalam hasil pengenalan terhadap citra plat nomor tersebut. Faktor-faktor yang mempengaruhi kesalahan hasil pengenalan citra plat nomor sebagai berikut: 1. Tingkat Kecerahan Dalam pengambilan citra, ini dimungkinkan citra hasil pengambilan tidak memiliki tingkat kecerahan yang maksimal sehingga sangat memengaruhi dalam nilai ambang ketika perubahan citra plat nomor ke citra biner. 2. Kurang maksimalnya hasil Pengurusan Citra Pada proses pengurusan citra hasil citra karakter tidak semuanya dapat dikatakan memperoleh hasil pengurusan citra yang bagus, hal ini dikarenakan sisi-sisi pada citra karakter tidak memiliki kerataan yang bagus sehingga menghasilkan titik-titik endpoint baru sehingga dapat memengaruhi hasil proses ekstraksi ciri dan hasil pengenalan. Pada faktor inilah yang terkadang membuat proses pengenalan sedikit mengalami masalah. 3. Kemiringan citra karakter Kemiringan citra karakter ini disebabkan dalam pengambilan citra plat nomor ini tidak tepat tegak lurus namun memiliki sudut kemiringan tertentu, sehingga menyebabkan karakter pada citra tersebut menjadi miring. Karena hal inilah yang memungkinkan kesalahan pengenalan pada citra karakter tersebut. 4. Kemiripan hasil pencirian dalam proses ekstraksi ciri. Kesalahan pengenalan dapat disebabkan oleh hasil pencirian dalam proses ekstraksi ciri. Hal ini sangat memungkinkan karena kesederhanaan metode ekstraksi ciri yang didesain oleh perancang sistem. V. Penutup 5.1 Kesimpulan Dari hasil penelitian dan pembahasan pada baba sebelunya dapat disimpulkan bahwa : 1. Pada Tahap Prapengolahan, dengan penambahan beberapa derau seperti derau Gaussian, speckle, dan salt-and- pepper, tetap menghasilkan prapengolahan yang bagus dan tidak tepengaruh oleh derau tersebut. 2. Pada Tahap Segmentasi Karakter dan Pengurusan Citra, hampir keseluruhan citra plat nomor dapat tersegmentasi dengan baik dan pada proses pengurusan citra menghasilkan citra pengurusan citra yang cukup baik mendekati citra karakter asal. 3. Pada tahap pengujian data latih menghasilkan persentase pengenalan 98,69% untuk keseluruhan data latih. 4. Pada tahap pengujian data uji menghasilkan persentase pengenalan 98,79% untuk keseluruhan data uji. 5. Terdapat beberapa faktor yang memengaruhi hasil pengenalan yaitu tingkat kecerahan, kurang maksimalnya hasil pengurusan citra, kemiringan citra karakter, dan kemiripan hasil pencirian pada proses ekstraksi ciri. 5.2 Saran Adapun saran yang dapat diberikan sehubungan dengan pelaksanaan penelitian ini adalah : 1. Untuk mendapatkan hasil pengurusan citra yang lebih bagus sebaiknya dapat dipertimbangkan menggunakan algoritma pengurusan citra lain untuk menunjang proses pengurusan citra yang lebih baik lagi. 2. Untuk meminimalkan risiko kesalahan pengenalan yang disebabkan oleh kemiringan citra karakter dapat diatasi dengan cara pengambilan citra plat nomor yang tepat tegak lurus atau dengan cara menemukan algoritma khusus dalam tahap ekstraksi ciri yang tidak terpengaruh oleh kemiringan citra karakter.

7 DAFTAR PUSTAKA [1] Away, G. A., The Shortcut of MATLAB Programming, Informatika, Bandung, [2] Duda, R. O. and P.E. Hart, Pattern Classification and Scene Analysis, John Willey & Sons,Inc.,Canada, [3] Gea, K. N. Natalius, Pengenalan Plat Nomor Polisi Kendaraan Bermotor Dengan Menggunakan Metode Jaringan Syaraf Tiruan, Jurusan Teknik Informatika Universitas Komputer Indonesia, Bandung, [4] Hakim, A. W., Penghapusan Noise Pada Citra Dengan Filter Adaptive- Hierarchical, Jurusan Teknologi Informasi ITS, Surabaya, [5] Hendry, J., Menghaluskan Citra Dengan Filter Spasial Nonlinier: Median, Mean, Max, Min Pada Pengolahan Citra Digital, Jurusan Teknik Elektro UGM, Yogyakarta, BIODATA PENULIS M Nur Taufiq, lahir di kota Demak pada tanggal 17 Juli1990. Penulis menempuh pendidikannya di TK Siti Sulaechah 3 Sriwulan, SD N 3 Sriwulan, SMPN 6 Semarang, SMAN 3 Semarang. Saat ini sedang menyelesaikan studi Strata 1 di Teknik Elektro Universitas Diponegoro mengambil Konsentrasi Elektronika dan Telekomunikasi. Menyetujui, Dosen Pembimbing I, Achmad Hidayatno, S.T., M.T. NIP Dosen Pembimbing II, Rizal Isnanto, S.T., M.M., M.T. NIP