IDENTIFIKASI PLAT NOMOR MENGGUNAKAN FITUR ZONING DENGAN KLASIFIKASI SUPPORT VECTOR MACHINE INTAN AYU OCTAVIA

Transkripsi

1 IDENTIFIKASI PLAT NOMOR MENGGUNAKAN FITUR ZONING DENGAN KLASIFIKASI SUPPORT VECTOR MACHINE INTAN AYU OCTAVIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Plat Nomor Menggunakan Fitur Zoning dengan Klasifikasi Support Vector Machine adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, November 2013 Intan Ayu Octavia NIM G

4 ABSTRAK INTAN AYU OCTAVIA. Identifikasi Plat Nomor Menggunakan Fitur Zoning dengan Klasifikasi Support Vector Machine. Dibimbing oleh MUSHTHOFA. Pendeteksian identifikasi kendaraan merupakan salah satu permasalahan yang cukup penting dengan semakin bertambahnya jumlah kendaraan. Oleh karena itu, diperlukan sebuah metode berbasis teknologi komputer yang mampu mengidentifikasi kendaraan berdasarkan nomor platnya secara cepat dan akurat. Beberapa penelitian sebelumnya telah menerapkan metode ekstraksi fitur image centroid and zone (ICZ) dan beberapa jenis model klasifikasi untuk mengenali plat nomor kendaraan. Pada penelitian ini, metode ekstraksi fitur ICZ dan metode klasifikasi dengan support vector machine (SVM) akan digunakan untuk pengenalan plat nomor. Jenis SVM yang digunakan adalah multi class SVM one against all menggunakan kernel linear, polynomial, dan RBF. Pengujian dilakukan dua kali, yaitu: pada masing-masing karakter serta pada keseluruhan plat (dengan atau tanpa toleransi kesalahan). Dari ketiga kernel tersebut kernel yang menghasilkan akurasi terbaik adalah kernel polynomial dengan nilai C sama dengan dan d sama dengan 2 adalah 95.44% sedangkan akurasi yang dihasilkan pada pengujian plat tanpa toleransi kesalahan adalah 81.54% dan pengujian plat dengan toleransi kesalahan sama dengan 1 adalah 90.77%. Kata kunci: identifikasi plat nomor, image centroid and zone (ICZ), kernel, multi class SVM one against all ABSTRACT INTAN AYU OCTAVIA. License Plate Identification Using Zoning Feature with Support Vector Machine Classification. Supervised by MUSHTHOFA. Vehicle identification detection is one of the significant problems with the increasing number of vehicles. Therefore, a computer-based method is needed that can identify the vehicle based on license plate numbers quickly and accurately. Previous research have applied the image centroid and zone (ICZ) feature extraction method to identify vehicle license plates. In this research, ICZ and support vector machine (SVM) will be used for license plate identification. SVM which is used is the multi class SVM one against all using linear kernel, the polynomial, and RBF. The testing is performanced twice, on each character and on the overall plate (with or without fault tolerance). From the three kernels, the kernel which produces the best accuracy is the polynomial kernel with a value of C equals to and d equals to 2 with on accuracy of 95.44%, while the accuracy produced at plate testing without fault tolerance is 81.54% and testing with fault tolerance equal to 1 is 90.77%. Keywords: image centroid and zone (ICZ), kernel, multi class SVM one against all, number plate identification

5 IDENTIFIKASI PLAT NOMOR MENGGUNAKAN FITUR ZONING DENGAN KLASIFIKASI SUPPORT VECTOR MACHINE INTAN AYU OCTAVIA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

6 Penguji: 1 Dr Ir Agus Buono, MSi MKom 2 M. Asyhar Agmalaro, SSi MKom

7 Judul Skripsi: Identifikasi Plat Nomor Menggunakan Fitur Zoning dengan Klasifikasi Support Vector Machine Nama : Intan Ayu Octavia NIM : G Disetujui oleh Mushthofa, SKom MSc Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus :

8 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas segala curahan rahmat, taufik, hidayah, dan karunia-nya, sehingga penulis dapat menyelesaikan karya ilmiah dengan judul Identifikasi Plat Nomor Menggunakan Fitur Zoning dengan Klasifikasi Support Vector Machine. Penulis menyadari dalam penyusunan karya ilmiah telah banyak mendapatkan bantuan, dukungan, serta saran dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada pihak yang telah membantu, yaitu: 1 Orang tua tercinta Bapak H Anwar Firmansyah dan Ibu Hj Erna Nelly, kakak penulis Johs Verlian Guntur Firmansyah atas segala do a, cinta, restu, kasih sayang, dukungan, nasehat, serta perhatian yang telah diberikan kepada penulis. 2 Bapak Mushthofa, SKom MSc selaku dosen pembimbing tugas akhir yang telah memberikan ilmu, kesabaran, dan dukungan dalam penyelesaian tugas akhir. 3 Bapak Dr Ir Agus Buono, MSi MKom dan Bapak Muhammad Asyhar Agmalaro, SSi MKom selaku dosen penguji yang telah memberikan saran dan seluruh dosen dan staf Departemen Ilmu Komputer FMIPA IPB. 4 Aditya Riansyah Lesmana, SKom yang telah memberikan data dan informasi yang dibutuhkan penulis dalam penyusunan karya ilmiah. 5 Angga Nugraha, Lina Herlina, Diah Daru Asih, Septy Kurniawati, Simi Haslinda, Asterika Prawesthi, dan Rahmi Juwita Sukma yang selalu memberikan dukungan dan semangat kepada penulis. 6 Rekan-rekan satu bimbingan, Rizkina, Putri, dan Hafhara atas bantuan dan kerjasamanya selama bimbingan. 7 Teman-teman Ilkomerz Angkatan 5 atas kebersamaannya. 8 Seluruh pihak baik yang turut membantu secara langsung maupun tidak langsung dalam penyusunan tugas akhir. Penulis menyadari bahwa dalam penulisan tugas akhir ini masih terdapat banyak kekurangan dan kelemahan dalam berbagai hal karena keterbatasan kemampuan penulis. Oleh karena itu, penulis mengharapkan adanya masukan berupa saran dan kritik yang bersifat membangun dari pembaca demi kesempurnaan tugas akhir ini. Akhir kata penulis ucapkan terima kasih atas semua bantuan dan kerjasamanya. Semoga karya ilmiah ini dapat bermanfaat bagi pembaca. Bogor, November 2013 Intan Ayu Octavia

9 DAFTAR ISI DAFTAR TABEL vii DAFTAR GAMBAR vii DAFTAR LAMPIRAN viii PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup 2 TINJAUAN PUSTAKA 3 Edge Detection 3 Canny s Edge Detection 3 Image Segmentation 4 Zone Based Feature Extraction 4 K-Fold Cross Validation 4 Support Vector Machine 4 Soft Margin 6 Multi Class SVM 8 METODE 8 Pengumpulan Data 9 Praproses citra 9 Restorasi dan Perbaikan Citra 9 Deteksi Tepi 10 Segmentasi Citra 10 Ekstrasi Ciri 10 Image Centroid and Zone 10 Data Latih dan Data Uji 12 Pelatihan pada SVM 13 Pengujian pada SVM 13 Klasifikasi Citra 16 Evaluasi dan Analisis Hasil 16

10 Lingkungan Pengembangan Sistem 16 HASIL DAN PEMBAHASAN 17 Pengumpulan Data 17 Praproses Citra 17 Deteksi Tepi 18 Segmentasi Citra 19 Normalisasi Citra 19 Ekstraksi Ciri 20 Klasifikasi Citra 22 Pengujian Per Karakter 22 Kernel Linear 23 Kernel Polynomial 24 Kernel RBF 25 Pengujian Pada Plat 27 SIMPULAN DAN SARAN 29 Simpulan 29 Saran 30 DAFTAR PUSTAKA 30 LAMPIRAN 32 RIWAYAT HIDUP 40

11 DAFTAR TABEL 1 Pembagian subset 13 2 Nilai kepercayaan data pada SVM 15 3 Nilai pengujian per karakter 23 4 Akurasi pada kernel linear 24 5 Akurasi terbaik kernel polynomial pada setiap nilai d 25 6 Akurasi terbaik pada RBF untuk masing-masing σ 26 7 Persentase akurasi pengujian karakter dengan kernel 27 8 Akurasi toleransi kesalahan pada plat nomor 28 9 Contoh kesalahan pada plat nomor 28 DAFTAR GAMBAR 1 Ilustrasi linearly separable data (Wang et al. 2009) 5 2 Soft margin hyperplane (Wang et al. 2009) 6 3 Fungsi φ memetakan data ke ruang vektor yang berdimensi lebih tinggi (Gisler 2008) 7 4 Skema metode penelitian 8 5 Plat nomor kendaraan 9 6 Contoh citra dalam perhitungan ekstraksi ciri ICZ 11 7 Contoh citra dengan pembagian zona 12 8 Ilustrasi SVM 13 9 Ilustrasi SVM Ilustrasi SVM Ilustrasi SVM Ilustrasi SVM Contoh data karakter Gambar hasil praproses citra Hasil deteksi tepi dengan metode deteksi tepi Canny Labelling pada angka nol Proses segmentasi pada plat Normalisasi pada karakter Ilustrasi pembagian zona pada ekstraksi fitur Pola ekstraksi fitur pada huruf P Pola ekstraksi fitur pada huruf I Hasil dari citra dengan praproses yang baik (kanan) dan praproses yang kurang baik (kiri) Grafik akurasi kernel polynomial Grafik akurasi pada kernel RBF Akurasi rata-rata pda setiap kernel Grafik akurasi toleransi kesalahan Plat nomor yang gagal teridentifikasi 29

12 DAFTAR LAMPIRAN 1 Pengujian karakter pada SVM 32 2 Akurasi SVM pada kernel polynomial 34 3 Akurasi SVM pada kernel RBF 35 4 Hasil deteksi karakter pada 25 zona menggunakan kernel polynomial 37 5 Akurasi pada plat nomor kendaraan 38

13 1 PENDAHULUAN Latar Belakang Seiring dengan perkembangan produksi kendaraan yang semakin cepat. Indonesia merupakan target distribusi terbesar bagi kendaraan bermotor. Pada kendaraan tersebut terdapat nomor polisi yang tertera pada plat yang merupakan identitas unik yang terdiri dari huruf dan angka. Plat tersebut merepresentasikan data kendaraan dan pemiliknya yang saat ini masih dilakukan secara manual. Oleh karena itu, diperlukan suatu mekanisme untuk melakukan pengenalan plat kendaraan secara cepat dan tepat. Salah satunya optical character recognition (OCR) yang mengidentifikasi karakter dari input berupa citra. Input tersebut akan diproses secara digital sehingga dapat dilakukan tahap pengenalan menggunakan beberapa metode yang ada. Terkait dengan metode ini, pengambilan citra dari sebuah plat dapat dilakukan dengan menggunakan peralatan optikal (kamera, CCTV). Selanjutnya dilakukan identifikasi dari setiap karakter yang ada. Dalam mengimplementasikan mekanisme tersebut perlu dilakukan beberapa tahap pemrosesan digital. Selama beberapa tahun terakhir telah dilakukan banyak penelitian mengenai hal ini dan masih terus dikembangkan untuk mencari metode terbaik dalam memecahkan permasalahan tersebut. Setiawan (2008) melakukan penelitian untuk pendeteksian plat nomor menggunakan metode feature reduction principle component analysis (PCA) dan Euclidean distance. Dari penelitian tersebut didapatkan rata-rata akurasi sebesar 84.30%. Lim et al. (2009) juga menggunakan PCA untuk feature reduction namun pada tahap klasifikasinya menggunakan metode k-nearest neighbor (K-NN). Pada penelitian tersebut mencapai tingkat keberhasilan sebesar 82%. Selain itu, Wahyono (2009) mencoba menggunakan jaringan syaraf tiruan learning vector quantization sebagai metode klasifikasi dan ekstrasi fitur berdasarkan blok. Walaupun pada penelitian tersebut masih banyak kesalahan pada metode ekstrasi fitur, namun tingkat keberhasilan yang didapat masih cukup besar yaitu 78%. Pada tahun 2012 penelitian yang dilakukan Lesmana mengenai identifikasi karakter pada plat nomor kendaraan menggunakan image centroid and zone (ICZ) sebagai ekstraksi ciri dan metode klasifikasi backpropagation menghasilkan akurasi 69.50%, ekstraksi ciri yang digunakan mengacu pada penelitian yang telah dilakukan oleh Rajashekararadhya (2008). Pada tahun 2013 Pramesti melanjutkan penelitian yang dilakukan oleh Lesmana (2012) mengenai identifikasi plat nomor kendaraan menggunakan ekstraksi fitur ICZ dan ZCZ menggunakan metode klasifikasi K-NN dan menghasilkan akurasi 83.08%. Penelitian dengan menggunakan metode backpropagation menghasilkan akurasi yang kecil. Anisah (2012) telah melakukan penelitian mengenai pengenalan iris mata dengan support vector machine (SVM) menggunakan ekstraksi ciri log-gabor filter dan menghasilkan akurasi 95.55% untuk data set mata kiri dan 93.33% untuk data set mata kanan. Sebagai salah satu solusi untuk masalah tersebut, akan dicoba dengan metode klasifikasi SVM. SVM menurut Cortes dan Vapnik (1995) merupakan model supervised learning dengan algoritma terkait yang menganalisis data dan mengenali pola, yang digunakan untuk klasifikasi dan analisis regresi. SVM merupakan teknik

14 2 pengklasifikasi yang sangat baik dalam menangani data set berdimensi tinggi. SVM sudah diterapkan pada berbagai bidang. Byun dan Lee (2003) telah melakukan survei yang menyatakan bahwa SVM menunjukkan kinerja yang baik pada banyak kehidupan nyata, namun baiknya kinerja SVM dari segi eksekusi tidak dicantumkan. Oleh karena itu, berdasarkan hal tersebut klasifikasi menggunakan SVM lebih baik daripada klasifikasi jaringan syaraf tiruan backpropagation. Hal tersebut dapat terlihat karena akurasi yang dihasilkan dengan klasifikasi SVM lebih tinggi daripada akurasi dengan metode klasifikasi backpropagation. Sehingga diharapkan penelitian dengan SVM akan menghasilkan akurasi yang lebih baik. Tujuan Penelitian Tujuan dilakukannya penelitian ini adalah: 1 Menerapkan metode ICZ untuk melakukan ekstraksi ciri pada citra plat nomor kendaraan dengan metode klasifikasi SVM. 2 Menguji tingkat akurasi dari metode yang digunakan dan membandingkan akurasi pada klasifikasi K-NN dan backpropagation yang menggunakan ekstraksi ciri ICZ. Manfaat Penelitian Manfaat dari dilakukannya penelitian ini diharapkan dapat menjadi sebuah konsep dasar dalam mengembangkan sistem pengenalan plat kendaraan secara otomatis. Dengan itu pada akhirnya dapat menjadi solusi permasalahan pencatatan data kendaraan, khusunya di Indonesia. Ruang Lingkup Ruang lingkup dari penelitian ini terbatas pada beberapa hal, yaitu: 1 Plat nomor yang dikenali hanya plat nomor dengan format standar (bukan format TNI/POLRI). 2 Data yang diolah berasal dari citra dengan format JPEG. 3 Karakter yang dikenali adalah huruf alphabet kapital (A sampai Z) dan angka (0 sampai 9). 4 Pemotretan plat dilakukan dari depan atau belakang kendaraan secara berhadapan lurus. 5 Hanya bagian plat nomor yang akan digunakan sebagai data yang diteliti. 6 Metode klasifikasi yang digunakan adalah multi class SVM one against all.

15 3 TINJAUAN PUSTAKA Edge Detection Deteksi tepi menurut Acharya dan Ray (2005) pada dasarnya adalah mendeteksi perubahan lokal yang signifikan berdasarkan tingkat intensitas pada gambar. Perubahan tingkat intensitas diukur dengan gradien gambar. Bahwa f (x,y) adalah fungsi dua dimensi, gradiennya adalah sebuah vektor. G x i G y = df dx i df dy Besarnya gradien dapat dihitung dalam beberapa cara: G f x, y = G x 2 + G y 2 G f x, y = G x + G y G f x, y = max G x, G y Arah gradiennya adalah: θ x, y = tan 1 G y /G x di mana sudut θ diukur terhadap sumbu X. Canny s Edge Detection Detektor tepi Canny (Acharya dan Ray 2005) adalah detektor yang memastikan ketebalan noise yang baik dan pada saat yang sama mendeteksi titik tepi yang benar dengan kesalahan minimal. Deteksi tepi Canny telah mengoptimalkan proses deteksi tepi dengan memaksimalkan rasio signal-to-noise dari gradien. Sebuah faktor lokalisasi tepi, yang menjamin bahwa tepi yang terdeteksi dilokalisir seakurat mungkin. Ada beberapa proses penting yang dilakukan dalam deteksi tepi Canny, yaitu: 1 Non-maxima suppression, detektor tepi Canny menghasilkan tepi tebal yang lebih lebar dari pixel. Pengoperasian non-maxima suppression menipiskan luas daerah gradiennya. Dalam salah satu tekniknya, besarnya tepi dari dua pixel tepi tetangga, tegak lurus terhadap arah tepi yang diperhitungkan dan besarnya tepi yang lebih rendah dibuang. 2 Double thresholding, gambar/citra gradien diperoleh setelah non-maxima suppression yang mungkin masih mengandung titik-titik tepi yang salah. Untuk menghilangkan titik tepi yang salah, sebuah ambang batas yang sesuai dipilih sedemikian rupa sehingga semua titik tepi yang besarnya lebih besar dari ambang batas dapat dipertahankan sebagai titik tepi yang benar, sementara yang lainnya akan dihapus sebagai titik tepi yang salah. 3 Edge threshold selection, deteksi tepi didasarkan pada membandingkan gradien tepi dengan ambang batas. Nilai ambang batas ini dapat dipilih cukup rendah hanya ketika tidak ada noise pada gambar, sehingga semua tepi yang benar dapat dideteksi tanpa terlewatkan. Dalam gambar yang terdapat noise,

16 4 pemilihan ambang batas menjadi masalah pada optimasi rasio kemungkinan maksimum berdasarkan teori keputusan Bayes. Image Segmentation Segmentasi citra adalah proses untuk meminimalkan kesalahan klasifikasi dan mengurangi ketidakpastian statistik. Hal ini telah mengakibatkan pengembangan beberapa algoritma berdasarkan sifat lokal dan global pixel dalam gambar. Teknik thresholding adalah teknik yang sederhana menurut Gonzalez et al. (2003). Zone Based Feature Extraction Metode ekstraksi fitur berbasis zona memberikan hasil yang baik bahkan ketika langkah sebelum proses tertentu dimulai seperti filtering, smoothing, dan menghapus zona yang tidak dianggap. Pada bagian ini, akan dijelaskan konsep metode ekstraksi, ciri yang digunakan untuk mengekstraksi fitur untuk klasifikasi yang efisien dan pengenalan. Tahapan yang harus dilakukan untuk ekstraksi fitur ini (Rajashekararadhya 2008), yaitu: 1 Hitung centroid dari citra. 2 Bagi ke dalam n buah zona yang sama besar proporsinya. 3 Hitung jarak antara titik centroid dengan koordinat pixel yang memiliki nilai. 4 Ulangi langkah 3 untuk pixel yang ada di semua zona. 5 Hitung rata-rata dari jarak yang telah didapat pada langkah 3. 6 Ulangi langkah 5 hingga didapat masing-masing rata-rata jarak dari setiap zona. 7 Akhirnya n buah fitur akan didapat untuk melakukan klasifikasi dan pengenalan. K-Fold Cross Validation Cross validation kadang-kadang disebut sebagai rotation estimation. Dataset V dibagi menjadi k subset (fold) yang saling bebas secara acak, yaitu: D1, D2,..., Dk dengan ukuran yang sama. Pelatihan dan pengujian dilakukan sebanyak k kali, setiap kali iterasi ke-t (t = 1, 2,..., k) dilatih pada D/Dt dan diuji pada Dt. Perkiraan akurasi pada cross validation dengan membagi jumlah keseluruhan klasifikasi yang benar dengan seluruh instances pada dataset (Kohavi 1995). Support Vector Machine SVM adalah suatu sistem pembelajaran yang menggunakan ruang hipotesis dari suatu fungsi linear dalam suatu ruang dimensi berfitur tinggi. SVM bertujuan menemukan fungsi pemisah (classifier/hyperplane) terbaik untuk memisahkan dua buah kelas pada input space. Hyperplane terbaik antara dua kelas dapat ditemukan dengan mengukur margin hyperplane yang diperoleh dari mengukur

17 margin yang maksimal antara ruang input non-linear dengan ruang ciri menggunakan kaidah kernel (Cortes dan Vapnik 1995). Prinsip kerja SVM ialah linear classifier, tetapi dapat bekerja juga pada problem non-linear dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. Misalkan data dinotasikan sebagai x i R n, untuk label kelas dari data x i dinotasikan y {+1,-1} dengan i = 1,2,,l dengan l adalah banyak data. Pemisahan data secara linear pada metode SVM dapat dilihat pada Gambar 1. 5 Gambar 1 Ilustrasi linearly separable data (Wang et al. 2009) Margin adalah jarak antara hyperplane dan pattern terdekat dari masingmasing kelas. Pattern yang paling dekat disebut support vector. Nilai margin antara dua kelas adalah m = 1. Dengan w adalah vector bobot yang tegak lurus w terhadap hyperplane (bidang normal). Hal tersebut dapat dirumuskan sebagai Quadratic Margin yaitu mencari titik minimal dapat dilihat pada Persamaan 1, dengan memperhatikan Persamaan 2. min τ w = 1 2 w 2 (1) y i x i. w + b 1 0, i (2) Problem ini dapat diselesaikan dengan menggunakan fungsi Lagrange Multiplier berikut: L w, b, a = 1 2 w 2 a i (y i ( x. w + b 1)) l i=1 (i = 1,2,.., l) (3) Nilai a yang dihasilkan digunakan untuk mencari w. Data yang memiliki nilai a 1 0 merupakan support vector, sedangkan sisanya memiliki nilai a i = 0. Nilai optimal dari Persamaan 3 dapat dihitung dengan meminimalkan L terhadap w dan b, dan memaksimalkan L dengan a i. Persamaan 3 dapat dimodifikasi sebagai maksimalisasi problem yang hanya mengandung a i dapat dilihat pada Persamaan 4.

18 6 l a i i=1 1 2 l i,j =1 a i a j y i y j x i x j (4) Perhitungan diatas menghasilkan a i yang kebanyakan bernilai positif. Data yang berkorelasi dengan a i yang positif disebut sebagai support vector. Soft Margin Berdasarkan fungsi-fungsi diatas dapat memisahkan kelas secara sempurna dengan menggunakan hyperplane. Terkadang dua buah kelas tidak dapat terpisah secara sempurna. Sehinggan Persamaan 2 tidak dapat terpenuhi dan optimasi tidak dapat dilakukan. Dalam penyelesaian masalah ini SVM menyediakan teknik softmargin yang akan memodifikasi Persamaan 2 dengan memasukan slack variable (ξ>0) sehingga persamaan nya adalah y i x i. w + b 1 ξ i, ξ i > 0 (5) Dan Persamaan 1 diubah menjadi Persamaan 6 dan ilusrasi terdapat pada Gambar 2: min τ w, ξ = 1 2 w 2 + C ξ i l i=1 (6) Gambar 2 Soft margin hyperplane (Wang et al. 2009) Parameter C digunakan untuk mengontrol trade off antara margin dan error klasifikasi ξ dan rentang nilai yang digunakan adalah 2-4, 2-3, 2-2, 2-1, 2 0, 2 1, 2 2, 2 3, dan 2 4. Nilai C yang besar berarti akan memberikan penalti yang lebih besar terhadap error klasifikasi. Setelah nilai a i ditemukan, kelas dari data pengujian x dapat ditentukan berdasarka nilai fungsi keputusan: f x d = ns i=1 a i y i x i x d + b

19 dengan, x i = support vector ns = jumlah support vector x d = data yang akan diklasifikasikan. Pencarian bidang pemisah terbaik dengan penambahan variable ξ i disebut soft margin hyperplane. Dengan demikian dual problem yang dihasilkan pada non-linear problem sama dengan dual problem yang dihasilkan dengan linear problem. Hanya saja rentang a i antara 0 a i C. Cara lain pada data yang tidak dapat dipisahkan secara linear ialah memodifikasi SVM dengan memasukan fungsi φ(x). Pencarian ini hanya bergantung pada dot product dari data yang sudah dipetakan pada ruang baru yang berdimensi lebih tinggi yaitu φ(x i ) φ(x d ). Ilustrasi terdapat pada Gambar 3. 7 space Input Gambar 3 Fungsi φ memetakan data ke ruang vektor yang berdimensi lebih tinggi (Gisler 2008) Perhitungan dot product dapat digantikan dengan fungsi kernel yang dirumuskan sebagai berikut: space Feature K(x i, x d )= φ(x i ). φ(x d ) Dengan demikian, fungsi yang dihasilkan adalah: NS f x d = a i y i i=1 K xi, xd + b Menurut Byun dan Lee (2003), fungsi kernel yang umum digunakan ialah sebagai berikut: 1 Kernel linear K(x i,x)=x i T x 2 Kernel polynomial K(x i,x)=(x i T x+1) d 3 Kernel radian basis function (RBF) K(x i,x)=exp x i x 2 2σ 2

20 8 Multi Class SVM Pada SVM, terdapat metode untuk mengklasifikasikan data yang memiliki lebih dari dua kelas, yaitu: metode one against one dan one against all. Pada metode one against all, dibangun k buah model SVM (k adalah jumlah kelas). Setiap model klasifikasi ke-i dilatih dengan menggunakan keseluruhan data. Untuk mencari solusi permasalahan, Persamaan 7 digunakan (Hsu dan Lin 2002). min 1 w i b i ε i 2 (wi ) T w i i + c ε t s.t w i T Φ x t + b i 1 ε t i y t = i, w i T Φ x t + b i 1 + ε t i y t i, ε t i 0 (7) t METODE Untuk dapat melakukan penelitian yang baik, maka diperlukan sebuah metode penelitian yang baik dan terencana pula. Pada penelitian ini akan dilakukan identifikasi karakter pada plat nomor kendaraan bermotor. Skema metode penelitian ini dapat dilihat pada Gambar 4. Gambar 4 Skema metode penelitian

21 9 Pengumpulan Data Data yang digunakan pada penelitian ini berupa data yang telah digunakan pada penelitian Lesmana (2012). Citra yang diambil pada penelitian tersebut menggunakan kamera handphone dengan resolusi sebesar 5 MP. Citra yang dikumpulkan harus memperhatikan jumlah kemunculan masing-masing karakter, dimana sebaran frekuensinya merata untuk setiap kaarkter. Hal tersebut dilakukan agar data latih yang dimiliki dapat lebih akurat untuk setiap karakter yang ada. Selain itu perlu diperhatikan juga bahwa semua citra yang dikumpulkan harus memiliki resolusi yang sama. Kamera yang digunakan memiliki resolusi 5 MP dan akan menghasilkan citra dengan resolusi yang cukup besar, maka perlu diubah terlebih dahulu ke resolusi yang lebih kecil yang dilakukan secara manual dengan tetap memperhatikan kualitas citra. Dengan demikian pemrosesan citra yang akan dilakukan dapat lebih cepat. Berikut contoh citra yang digunakan dapat dilihat pada Gambar 5. Gambar 5 Plat nomor kendaraan Praproses citra Para proses citra dilakukan untuk meningkatkan kualitas pola pada citra. Data yang didapat dari proses pengumpulan data merupakan citra dengan format warna RGB. Dalam proses identifikasi karakter pada plat nomor tidak perlu memperhatikan perbedaan warna RGB. Oleh karena itu, akan lebih efisien jika diubah ke dalam format grayscale. Proses konversi dalam format grayscale dapat menggunakan rumus: Pixel = ( R) + ( G) + ( B) Dengan R, G, dan B merupakan intensitas dari masing-masing warna merah, hijau, dan biru pada citra. Dengan mengkonversi format warna ke grayscale tentu saja dapat mempercepat komputasi pada tahap berikutnya. Restorasi dan Perbaikan Citra Pada dasarnya citra yang diambil menggunakan sebuah kamera terkadang memiliki noise yang dapat mengurangi kualitas citra dan menghilangkan informasi yang diperlukan dalam proses pengenalan karakter. Oleh karena itu, perlu dilakukan restorasi menggunakan filter yang ada, salah satunya adalah median filter yang cukup efisien dalam merestorasi citra dengan noise bertipe salt & pepper. Untuk lebih meningkatkan kualitas citra juga dapat dilakukan proses sharpening atau smoothing sesuai dengan kebutuhannya.

22 10 Deteksi Tepi Citra yang ada akan dikurangi noise-nya yang terdeteksi oleh filter yang digunakan. Setiap objek yang ada pada citra akan dideteksi menggunakan algoritma Canny. Algoritma ini dipilih karena cukup baik dalam mendeteksi tepi. Selain memiliki kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan pemilihan parameter-parameter konvolusi yang dilakukan, algortima Canny juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai dengan yang diinginkan. Segmentasi Citra Dalam identifikasi karakter pada plat nomor perlu dilakukan segmentasi citra untuk mengeliminasi objek yang tidak diperlukan dan memilih mana objek yang merupakan karakter dan mana yang bukan. Hal tersebut dilakukan dengan segmentasi citra berdasarkan area. Objek yang memiliki pixel-pixel yang terhubung akan dianggap menjadi satu area. Masing-masing area tersebut akan diberi label untuk kemudian dihitung luas areanya satu per satu. Untuk mendeteksi apakah suatu pixel terhubung dengan pixel tetangganya menggunakan metode 8connected. Selanjutnya akan ditentukan suatu batas yang menjadi acuan untuk menduga apakah objek tersebut merupakan karakter atau bukan berdasarkan luas areanya. Ekstrasi Ciri Tahapan ini dilakukan untuk mendapatkan fitur yang menjadi ciri dari setiap karakter pada plat nomor. Fitur tersebut nantinya akan menjadi acuan dalam proses klasifikasi dan pengenalan pola. Dalam penelitian ini pendekatan yang digunakan adalah ekstrasi fitur berbasis area yaitu ICZ. Image Centroid and Zone Pendekatan menggunakan ICZ ini merupakan metode yang cukup sederhana dalam implementasinya. Sebelum dilakukan tahapan pada metode ini perlu dipastikan bahwa setiap karakter yang ada memiliki dimensi yang sama besar. Contoh ilustrasi gambar dengan ukuran 9 9 pixel terdapat pada Gambar 6. Langkah pertama yang dilakukan adalah menghitung nilai centroid dengan rumus sebagai berikut: x c = x 1. p 1 + x 2. p x n. p n p 1 + p p n y c = y 1. p 1 + y 2. p y n. p n p 1 + p p n

23 11 dengan, x c y c x n y n p n = centroid koordinat x = centroid koordinat y = koordinat x dari pixel ke-n = koordinat y dari pixel ke-n = nilai pixel ke-n Ilustrasi perhitunganya dapat dilihat sebagai berikut: x c = x n. p n p n x c = = 4.69 y c = x n. p n p n y c = = 4 Gambar 6 Contoh citra dalam perhitungan ekstraksi ciri ICZ Maka dari perhitungan yang telah dilakukan menghasilkan x c sama dengan 5 dari pembulatan nilai 4.69 dan y c sama dengan 4 sehingga nilai centroid nya adalah (5,4). Setelah didapat centroid dari citra, kemudian bagi citra input akan dibagi menjadi tiga area yang sama besar, yaitu: zona atas, zona tengah, dan zona bawah dan setiap zona berukuran 9 3 pixel, untuk ilustrasi dapat dilihat pada Gambar 7. Selanjutnya dicari jarak antara centroid dengan koordinat pixel yang memiliki nilai 1 (warna putih). Jarak akan dihitung menggunakan metode Euclidean dua dimensi. Berikut ini rumus jarak menggunakan Euclidean dengan P = (x p, y p ) dan C = (x c, y c ). d P, C (x p x c ) 2 + (y p y c ) 2 d P C x p y p x c y c = jarak antara dua titik = koordinat titik berat = koordinat pixel = koordinat x titik berat = koordinat y titik berat = koordinat x pixel = koordinat y pixel

24 12 Gambar 7 Contoh citra dengan pembagian zona Perhitungan zona atas dapat dilihat pada ilustrasi Gambar 7 sehingga perhitungannya sebagai berikut: (1,1) jarak = = 5 (2,1) jarak = = 4.24 (3,1) jarak = = 3.61 (4,1) jarak = = 3.16 (5,1) jarak = = 3.00 (6,1) jarak = = 3.16 (7,1) jarak = = 3.61 (8,1) jarak = = 4.24 (9,1) jarak = = 5.00 (1,2) jarak = = 4.47 (9,2) jarak = = 4.47 (1,3) jarak = = 4.12 (9,3) jarak = = 4.12 Setelah semua jarak setiap pixel ke centroid pada zona atas didapat maka dilakukan perhitungan rata-rata jarak sebagai berikut: Rataan jarak 1 = 1 13 (jarak 1,1 + jarak 2,1 + jarak 3,1 + + jarak 9,3 ) Maka hasil perhitungan rata-rata jarak pada zona atas adalah Proses tersebut akan dilakukan pada zona tengah dan zona bawah dan rata-rata jarak pada zona tengah dan bawah adalah 2.45 dan Rata-rata tersebutlah yang akan dijadikan sebagai data klasifikasi. Sehingga ekstraksi ciri yang didapat adalah [ ]. Data Latih dan Data Uji Data diuji dengan mengunakan metode pengujian k-fold cross validation. Seluruh data citra yang ada akan dibagi menjadi lima subset, yaitu: fold 1, fold 2, fold 3, fold 4, dan fold 5. Hal tersebut dilakukan dengan tujuan untuk mencari akurasi. Pelatihan dilakukan secara berulang. Pada setiap pengulangan empat fold akan dijadikan data latih dan satu fold akan dijadikan data uji. Proses ini

25 dilakukan sebanyak lima kali, sampai semua fold pernah berperan sebagai data latih dan data uji. Dalam setiap pengulangan nilai akurasi akan dihitung sehingga akurasi terakhir adalah rata-rata nilai akurasi 5 kali pengulangan yang dilakukan. Pembagian subset dapat dilihat pada Tabel 1. Tabel 1 Pembagian subset Subset Data latih (indeks) Data uji (indeks) Fold Fold , Fold , Fold , Fold Pelatihan pada SVM Pelatihan data dilakukan dengan menggunakan 3 kemungkinan kernel, yaitu: 1 Kernel linear. 2 Kernel polynomial, membutuhkan parameter d. 3 Kernel RBF, membutuhkan parameter σ. Masing-masing kernel dicoba dengan nilai parameter fungsi kernel, hal ini dilakukan pada fungsi kernel polynomial dan kernel RBf terkecuali kernel linear. Sehingga didapat beberapa model SVM yang masing-masing akan diuji dan akan dihasilkan nilai output dari masing-masing model klasifikasi yang dapat menentukan kelas untuk data uji tersebut. Pengujian pada SVM Pengujian akan dilakukan pada semua model yang telah ditentukan pada proses pelatihan. Setelah itu dibandingkan kinerja dari masing-masing model tersebut. Kemudian dicari nilai kepercayaannya. Nilai kepercayaan ini akan digunakan pada penentuan kelas dengan metode one against all. Pada metode SVM, dilakukan proses mencari jarak antara data dengan hyperplane. Jarak yang dimaksud dilambangkan oleh x dan y ilustrasi dapat dilihat pada Gambar 8. Variabel x adalah jarak antara data pada kelas B dan hyperplane, sedangkan y adalah jarak antara data pada kelas A dan hyperplane. Nilai jarak tersebut disesuaikan dengan tanda dari masing-masing kelas. Gambar 8 Ilustrasi SVM

26 14 Pada SVM klasifikasi dua buah kelas memperhatikan tanda positif atau negatif pada masing-masing kelas tanpa memperhatikan jarak antara data dengan hyperplane. Pada metode one against all melakukan perhitungan jarak antara data dengan hyperplane. Gambar 9 Ilustrasi SVM 1 Sebagai ilustrasi kasus one against all dapat dilihat pada Gambar 9, Gambar 10, Gambar 11, dan Gambar 12. Pada SVM ini akan dilakukan pengujian terhadap empat buah data, yaitu: A, B, C, dan D. Data tersebut diklasifikasikan menjadi empat kelas (kelas 1, kelas 2, kelas 3, dan kelas 4). Pada metode one against all jika data akan diklasifikasikan menjadi empat kelas, maka jumlah SVM pun menjadi empat. SVM yang terbentuk akan sebanyak kelas yang ada. Gambar 9 merupakan ilustrasi SVM 1 yang membagi kelas menjadi kelas 1 dan kelas bukan 1. Gambar 10 adalah ilustrasi SVM 2 yang membagi kelas menjadi kelas 2 dan kelas bukan 2. Gambar 11 merupakan ilustrasi SVM 3 yang membagi kelas menjadi kelas 3 dan kelas bukan 3. Gambar 12 merupakan ilustrasi SVM 4 yang membagi kelas menjadi kelas 4 dan kelas bukan 4. Gambar 10 Ilustrasi SVM 2 Gambar 11 Ilustrasi SVM 3

27 15 Gambar 12 Ilustrasi SVM 4 Tabel 2 Nilai kepercayaan data pada SVM SVM A B C D SVM SVM SVM SVM Hasil Kelas 1 Kelas 4 Kelas 2 Kelas 3 Hasil dari klasifikasi data A, B, C, dan D dapat dilihat pada Tabel 2. Hasil tersebut diperoleh dari kondisi berikut: Jika semua kelas pada masing-masing SVM menerima data (tanda yang dimiliki data sesuai dengan tanda yang dimiliki kelas) maka absolutkan nilai dari data lalu pilih nilai kepercayaan yang terbesar. Jika hanya satu kelas yang menerima data (hanya ada satu data yang tandanya sesuai dengan tanda yang dimiliki kelas) kemudian akan diklasifikasikan ke kelas yang menerima data tersebut. Jika data tidak diterima dikelas manapun (tanda yang dimilik data tidak ada yang sesuai dengan tanda yang dimiliki kelas) kemudian absolutkan nilai dari data dan cari nilai kepercayaan yang terkecil karena nilai yang didapat adalah nilai penolakan yang terkecil. Dari ketiga kondisi tersebut, dapat diketahui bahwa: A diklasifikasi ke dalam kelas 1. Semua SVM (keempat SVM) menerima nilai yang ada, yaitu: pada SVM 1 adalah +7 (nilai dari kelas 1 adalah positif), pada SVM 2 adalah -2 (nilai dari kelas 2 adalah negatif), SVM 3 adalah +6 (nilai dari kelas 3 adalah positif), dan SVM 4 adalah -2 (nilai dari kelas 4 adalah negatif). Absolutkan semua nilai kemudian cari nilai kepercayaan yang terbesar. Hasil yang didapat adalah nilai 7. Nilai tersebut merupakan milik SVM 1 yang menyatakan bahwa nilai tersebut diklasifikasikan ke dalam kelas 1. B diklasifikan ke dalam kelas 4. Tiga SVM menerima nilai yang ada, yaitu: pada SVM 1 adalah +2 (nilai dari kelas A adalah positif), SVM 2 adalah -3 (nilai dari kelas 2 adalah negatif), dan pada SVM 4 adalah -5 (nilai dari kelas 4 adalah negatif) sedangkan pada SVM 3 adalah -1 tidak sesuai dengan nilai dari kelas 3 yang positif. Absolutkan ketiga nilai yang sesuai dengan kelas lalu cari nilai kepercayaan terbesar. Hasil yang didapat adalah 5. Nilai tersebut dimiliki oleh SVM 4 dan menyatakan nilai tersebut diklasifikasikan ke dalam kelas 4.

28 16 C diklasifikasikan ke dalam kelas 2 karena hanya satu SVM yang menerima nilai tersebut yaitu SVM 2. Nilai kepercayaan SVM 2 adalah -4 (nilai dari kelas 2 adalah negatif) sedangkan pada SVM 1 nilai kepercayaan yang didapat adalah -2 (nilai dari kelas 1 adalah positif), SVM 3 nilai kepercayaan yang didapat adalah -7 (nilai dari kelas 3 adalah positif), dan pada SVM 4 nilai kepercayaan yang didapat adalah +3 (nilai dari kelas 4 adalah negatif). Oleh karena itu, nilai kepercayaan tersebut masuk ke dalam kelas 2. D diklasifikasikan ke dalam kelas 3 karena tidak ada SVM yang menerima nilai tersebut. SVM 1 memperoleh nilai kepercayaan -5 (nilai dari kelas 1 adalah positif), SVM 2 nilai kepercayaan yang diperoleh adalah +5 (nilai dari kelas 2 adalah negatif), nilai kepercayaan SVM 3 adalah -4 (nilai dari kelas 3 adalah positif), dan SVM 4 nilai kepercayaan yang diperoleh adalah +6 (nilai dari kelas 4 adalah negatif). Sehingga dari keempat nilai yang ada dicari nilai kepercayaan yang terkecil karena nilai tersebut merupakan nilai penolakan yang terkecil. Klasifikasi Citra Pada klasifikasi karakter dalam plat nomor diperlukan suatu struktur SVM dengan output sebanyak 36 (26 huruf dan 10 angka). Input yang diperlukan akan bergantung pada banyaknya elemen vektor yang dihasilkan pada tahap ekstrasi ciri di atas. Dalam melakukan pelatihan dan pengujian data, karakter akan diambil satu per satu dari kumpulan citra plat yang ada. Setiap karakter yang akan dilatih harus dipastikan memiliki luas area (dimensi) yang sama satu sama lain. Evaluasi dan Analisis Hasil Tahap ini merupakan tahap terakhir untuk mengevaluasi kekurangan dan kelebihan dari metode yang digunakan. Hal tersebut dilihat dari perbandingan hasil klasifikasi citra dengan nomor polisi aslinya. Hasil yang tidak sesuai maupun sesuai dicatat untuk menentukan seberapa besar akurasi dari metode ini. Untuk menghitung akurasi dapat menggunakan rumus sebagai berikut: akurasi = N benar N 100% N benar : jumlah citra yang berhasil terdekteksi N : jumlah data yang ada. Lingkungan Pengembangan Sistem Proses pengerjaan penelitian ini menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut: Perangkat keras berupa notebook: Processor Intel Pentium Core 2

29 17 RAM kapasitas 2 GB. Harddisk kapasitas 250 GB. Monitor dengan resolusi pixel. Perangkat lunak berupa: Sistem operasi Microsoft Windows 7. Aplikasi pemrograman Matlab R2008b. HASIL DAN PEMBAHASAN Pengumpulan Data Penelitian ini menggunakan data berupa citra. Citra diambil dari pemotretan 100 unit, sehingga dihasilkan 100 buah citra plat yang unik. Pemotretan dilakukan di halaman parkir kampus IPB Baranang Siang Bogor. Dari 100 buah citra kemudian diambil potongan karakter. Setiap karakter diambil secara unik dan acak sebanyak 50 buah. Karakter sendiri dapat berupa angka (0 9) dan huruf (A Z) jika dijumlahkan menjadi 36 karakter sehingga karakter yang digunakan dalam penelitian ini adalah karakter yang nantinya akan digunakan sebagai data latih dan data uji. Selain itu citra plat nomor yang ada dapat digunakan sebagai data uji plat. Contoh data karakter yang telah dipotong dapat dilihat pada Gambar 13. Gambar 13 Contoh data karakter Praproses Citra Citra yang telah didapatkan dari hasil pemotretan tidak selalu memiliki kualitas baik terkadang mengandung noise, hal ini dapat menyulitkan dalam proses deteksi citra sehingga dapat berpegaruh pada akurasi. Selain itu terdapat informasi yang tidak dibutuhkan dari citra yang dapat memperlambat proses pendeteksian. Oleh karena itu, perlu adanya proses yang harus dilakukan sehingga citra yang didapatkan memiliki kualitas yang baik untuk diproses lebih lanjut. Awalnya citra yang didapat dengan model RGB. Model warna ini terlalu kompleks karena terdiri dari tiga layer, yaitu: red, green, dan blue. Untuk mempermudah dalam proses pendeteksian model tersebut dikonversi menjadi

30 18 model warna grayscale. Konversi model dilakukan dengan cara menghilangkan informasi hue dan saturation dan mempertahankan informasi luminance. Tahapan selanjutnya adalah menghilangkan noise pada citra dengan menggunakan metode median filter. Metode ini sering digunakan untuk menghilang noise berupa salt & pepper. Salt & pepper dapat dilihat seperti bintik putih atau hitam yang terdapat pada pixel gambar. Median filter yang digunakan adalah dua dimensi dengan batas matriks 3 3. Cara kerja median filter adalah membaca nilai pixel yang akan diproses beserta pixel-pixel tetangganya, urutkan nilai-nilai pixel dari yang paling kecil hingga yang paling besar, dan pilih nilai pada bagian tengah untuk nilai yang baru bagi pixel (x,y). Banyaknya pixel yang dibandingkan tergantung dari batas matriks yang ditentukan. Ilustrasi praproses citra dapat dilihat pada Gambar 14. Gambar 14 Gambar hasil praproses citra Deteksi Tepi Proses deteksi tepi yang dilakukan menggunakan metode deteksi tepi Canny dengan threshold 0.5. Nilai ini digunakan karena mendeteksi tepi secara benar sehingga menghasilkan deteksi tepi pada plat dengan hasil yang baik. Nilai threshold mempengaruhi seberapa dalam deteksi tepi yang akan dilakukan. Hal ini merupakan salah satu kelebihan metode ini. Pada proses ini dapat menghasilkan citra biner yang merepresentasikan garis tepi dari setiap objek pada citra. Garis tepi ini yang digunakan untuk memisahkan karakter yang diperlukan dengan objek lainnya. Hal ini dapat mempercepat pengolahan citra agar lebih efisien. Citra hasil deteksi tepi menggunakan metode deteksi tepi Canny pada plat dapat dilihat pada Gambar 15. Deteksi tepi Canny Gambar 15 Hasil deteksi tepi dengan metode deteksi tepi Canny

31 19 Segmentasi Citra Pada proses ini dilakukan segmentasi citra untuk memisahkan informasi yang akan diproses pada tahap selanjutnya. Informasi yang dimaksud adalah pixel-pixel pada karakter angka dan huruf. Informasi yang didapat akan dipisahkan antara pixel yang mewakili huruf, karakter atau bukan keduanya. Tahapan yang harus dilakukan adalah melakukan labelling dengan cara mengelompokan pixel yang terhubung langsung dan memperhatikan 8 pixel tetangganya. Setiap pixel yang terhubung akan dikelompokan dan diberi label. Sehingga dapat diketahui panjang dan lebar area untuk setiap label. Variabel tersebut akan dijadikan parameter untuk menentukan pixel yang mewakili huruf dan angka. Panjang dan lebar area label dapat diukur sebagai berikut: jika 105 pixel < P < 140 pixel dan 20 pixel < L < 100 pixel maka label merupakan karakter selainnya bukan karakter. Label yang memenuhi syarat akan dianggap huruf atau angka. Pada beberapa kasus label yang harusnya menjadi satu karakter tetapi komputer tidak membaca label tersebut sebagai karakter yang utuh, misalnya angka 0 (nol) yang diwakili oleh dua buah elips yang berukuran besar dan didalamnya elips yang berukuran lebih kecil. Karena algoritma labelling mengecek pixel yang saling berhubungan. Sedangkan angka 0 terdiri dari dua buah elips yang terpisah dan memiliki jarak sehingga menjadi dua buah label yang berbeda. Untuk lebih jelasnya dapat dilihat pada Gambar 16. Gambar 16 Labelling pada angka nol Kondisi ini berlaku untuk setiap angka ataupun huruf yang memiliki kondisi seperti angka 0. Untuk mengatasi kondisi seperti ini, maka akan dilakukan pengecekan pada setiap label. Jika salah satu label berada pada area label lainya, maka label tersebut dianggap satu. Pada tahap ini sudah terkumpul label-label yang mewakili karakter pada suatu plat dapat dilihat pada Gambar 17. image segmentation Gambar 17 Proses segmentasi pada plat Normalisasi Citra Pada hasil segmentasi sebelumnya telah didapatkan karakter-karakter yang telah terpotong dari suatu plat, didapatkan ukuran area yang berbeda pada setiap karakter. Hal ini dapat mempersulit dalam proses ekstraksi ciri. Oleh karena itu, ukuran area setiap karakter akan dilakukan normalisasi menjadi pixel. Setiap karakter akan dirubah menjadi ukuran tersebut walaupun hal ini

32 20 menyebabkan bentuk karakter akan menjadi tidak proporsional. Normalisasi sendiri dilakukan untuk semua karakter yang ada dan tidak akan mempengaruhi informasi yang diperlukan pada proses ekstraksi ciri. Untuk lebih jelasnya bentuk normalisasi dapat dilihat pada Gambar 18. Gambar 18 Normalisasi pada karakter Ekstraksi Ciri Dalam penelitian ini ekstraksi ciri yan digunakan adalah image centroid and zone (ICZ). Tahapan pertama dalam ekstraksi ciri yang harus dilakukan adalah mencari nilai centroid dari setiap karakter yang telah melewati proses segmentasi. Centroid pada setiap karakter tidak selalu sama, hal ini dikarenakan jumlah pixel yang berbeda pada setiap karakter. Selanjutnya karakter akan dibagi menjadi n zona bagian yang sama. Nilai n pada penelitian ini 25 karena pada zona ini menghasilkan akurasi terbaik dari beberapa zona, yaitu: 5, 10, 14, 15, 20, dan 25. Pembagian zona dengan kelipatan 5 untuk mempermudah dalam melakukan pengujian. Pada setiap pembagian zona, jumlah baris selalu lebih banyak daripada jumlah kolom atau jumlah baris sama dengan jumlah kolom. Setiap citra akan dibagi kedalam jumlah zona yang sama. Ilustrasi dari jumlah zona untuk n yang digunakan dapat dilihat pada Gambar Zona 10 Zona 14 Zona 15 Zona 20 Zona 25 Zona Gambar 19 Ilustrasi pembagian zona pada ekstraksi fitur Tahapan berikutnya yang harus dilakukan adalah menghitung jarak antara centroid pada citra dengan masing-masing pixel yang berwarna putih (bernilai 1) yang berada pada zona yang telah dipilih dengan menggunakan jarak Euclidean dan dihitung jarak rata-rata pada setiap zona. Nilai rata-rata ini adalah ciri yang merepresentasikan bentuk dari setiap karakter. Setelah dilakukan pada semua karakter, nilai rata-rata yang didapat berbeda pada setiap karakter sehingga menghasilkan pola yang berbeda pula. Pola dapat dijadikan pertimbangan pada proses klasifikasi. Setiap pola merepresentasikan ekstraksi ciri pada setiap karakter. Pada penelitian ini dicari zona yang efisien karena akan berpengaruh pada proses pendeteksian plat nomor.

33 Gambar 20 merupakan pola ekstraksi fitur 25 zona pada huruf P dengan menggunakan 50 citra. Pada Gambar 20 dapat dilihat bahwa tidak semua karakter P memiliki pola yang sama, tetapi pola yang terbentuk memiliki kemiripan pada karakter yang sama. Hal ini terjadi akibat metode ICZ menghitung nilai rata-rata jarak pada setiap zona berdasarkan hasil praproses yang dilakukan pada citra. Hasil praproses pada citra tidak selalu merepresentasikan bentuk aslinya dengan baik sehingga berpengaruh pada proses ekstraksi fitur dan akibat ini pola yag terbentuk tidak semua sama untuk suatu karakter. Pada Gambar 20 pola untuk ekstraksi fitur pada huruf P dan Gambar 21 pola untuk ekstraksi fitur pada huruf I. Pada Gambar 20 terlihat pola yang dihasilkan lebih baik dan hampir semua huruf P memiliki pola yang sama sedangkan pada Gambar 21 dapat dilihat pola yang dihasilkan oleh huruf I kurang baik sehingga pola yang dihasilkan untuk huruf I memiliki bentuk yang beragam. Hal ini pun berpengaruh pada akurasi yang dihasilkan oleh masing-masing karakter dengan pengujian 50 citra untuk masingmasing karakter. Pada karakter P menghasilkan akurasi 100 % sedangkan pada huruf I menghasilkan akurasi 86 %. Gambar 22 (kanan) adalah hasil dari praproses citra yang kurang baik dan Gambar 22 (kiri) merupakan hasil dari praproses citra yang baik. 21 Gambar 20 Pola ekstraksi fitur pada huruf P Gambar 21 Pola ekstraksi fitur pada huruf I Gambar 22 Hasil dari citra dengan praproses yang tidak baik (kanan) dan praproses yang baik (kiri) Jika semakin mirip pola pada 50 karakter yang sama maka akan memperkuat ciri dari karakter tersebut sehingga dapat mempermudah dalam proses pendeteksian plat karena karakter tersebut mudah dikenali. Proses pembagian zona berpengaruh pada banyaknya pixel yang dihitung pada masingmasing zona. Semakin sedikit zona dibagi maka jumlah pixel pada setiap zona akan semakin banyak. Oleh karena itu, pembagian zona dan jumlah pixel berbanding terbalik.

34 22 Klasifikasi Citra Pada tahap ini dilakukan proses pembagian data latih dan data uji pada semua citra karakter karena akan dilakukan proses pelatihan dan pengujian. Jumlah karakter yang digunakan adalah 36 karakter yang terdiri dari angka dan huruf dan masing-masing karakter terdiri dari 50 citra sehingga jumlah seluruh citra adalah 1800 citra. Pembagian jumlah data latih adalah 40 citra dan data uji adalah 10 citra untuk masing-masing karakter. Metode yang digunakan dalam menentukan data uji dan data latih menggunakan k-fold cross validation dengn k yang bernilai 5. Sehingga didapat 5 subset atau variasi pada data latih dan data uji. Pemilihan subset ini berdasarkan persentase data yang diinginkan, yaitu: 80% untuk data latih dan 20% untuk data uji. Matriks yang terbentuk untuk data latih adalah n dan data uji n 360. Huruf n mewakili jumlah zona yang telah ditentukan pada tahap ekstraksi ciri, adalah banyaknya sampel karakter data latih, dan 360 banyaknya sampel karakter data uji. Jumlah kelas dari penelitian ini adalah 36 kelas sesuai dengan jumlah karakter yang digunakan. Klasifikasi yang digunakan adalah suport vector machine (SVM) dengan 3 kernel, yaitu: 1 Kernel linear 2 Kernel polynomial dengan d ( 2 dan 3 ) 3 Kernel radian basis function (RBF) dengan σ ( 2 5, 2 6, 2 7 dan 2 8 ) Pengujian Per Karakter Setelah proses ekstraksi fitur, dilakukan pengujian dan pelatihan dengan menggunakan klasifikasi SVM. SVM hanya dapat melakukan klasifikasi dua kelas. Oleh karena itu, kita harus memodifikasi fungsi SVM agar dapat melakukan klasifikasi untuk banyak kelas, fungsi yang digunakan adalah multi class SVM dengan metode one against all. Pada teknik ini dapat dibuat SVM sebanyak kelas yang ada yaitu 36 buah. Setiap SVM mewakili setiap kelas, contoh SVM 1 mewakili kelas nol sehingga SVM ini hanya dapat mengenali citra karakter nol dan bukan nol. Pemodelan SVM dibangun dengan 3 fungsi kernel, yaitu: kernel linear (polynomial berderajat 1), kernel polynomial berderajat 2 dan 3, kernel RBF. Pengujian yang dilakukan menghasilkan nilai akurasi yang berbeda-beda. Nilai dari pengujian dapat dilihat pada Tabel 3. Pada Tabel 3 hasil pengujian yang didapat terlihat bahwa karakter diklasifikasi ke dalam kelas 1. Data termasuk kelas 1 yang dipengaruhi dari nilai output dan nilai pada SVM pada pengujian karakter. Kolom nilai merupakan nilai dari sama atau tidaknya tanda antara nilai pada SVM dengan nilai output. Tanda yang dimaksud merupakan nilai positif atau nilai negatif dari nilai SVM ataupun nilai output yang dihasilkan. Jika nilai pada SVM dan nilai output, keduanya bernilai positif atau negatif maka diberikan nilai 1 sedangkan jika nilai pada SVM ataupun nilai output salah satu memiliki nilai positif atau negatif maka diberikan nilai 0.

35 Pengujian dilakukan pada karakter untuk mengetahui sama atau tidaknya tanda antara nilai pada SVM pada proses pelatihan dengan nilai output. Nilai output merupakan hasil dari pengujian pada SVM. Pada proses pengujian adanya kesamaan tanda antara nilai pada SVM 1 dengan nilai output. SVM 1 merupakan SVM yang mewakili kelas 1. Oleh karena itu, nilai yang dihasilkan pada pengujian karakter adalah kelas 1 karena hanya ada satu SVM yang memiliki kesamaan tanda antara nilai SVM dengan nilai output, yaitu pada SVM 1 dengan nilai kepercayaan (nilai dari kelas 1 adalah negatif) sedangkan pada SVM 2 sampai SVM 36 (nilai dari kelas 2 sampai dengan kelas 36 adalah positif). Proses pengujian ini dilakukan pada semua data uji. Contoh beberapa data pada pengujian karakter dapat dilihat pada Lampiran 1. Tabel 3 Nilai pengujian per karakter 23 SVM Pengujian karakter Nilai Nilai output SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM Pengujian karakter Nilai Nilai output SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM SVM Hasil Kelas 1 Kernel Linear Hasil akurasi dengan menggunakan kernel linear menggunakan nilai C sama dengan 2-4, 2-3, 2-2, 2-1, 2 0, 2 1, dan 2 2 menghasilkan akurasi yang dapat dilihat pada Tabel 4. Nilai C sama dengan 2 3 dan 2 4 tidak digunakan karena pada nilai C ini tidak menemukan fungsi pemisah atau hyperplane. Akurasi yang dihasilkan pada kernel linear akan naik sesuai dengan nilai C yang semakin tinggi. Kernel linear merupakan polynomial dengan d sama dengan 1.

36 24 Tabel 4 Akurasi pada kernel linear k-fold Linear C= C=0.125 C=0.25 C=0.5 C=1 C=2 C= % 90.56% 91.94% 92.78% 91.94% 91.94% 91.67% % 89.72% 89.72% 89.72% 88.61% 88.89% 88.89% % 84.72% 86.39% 85.00% 86.67% 87.50% 86.94% % 83.06% 84.44% 86.39% 86.11% 88.33% 87.22% % 83.61% 86.39% 86.94% 86.67% 87.78% 86.94% Rata-rata 85.17% 86.33% 87.78% 88.17% 88.00% 88.89% 88.33% Kernel Polynomial Pada kernel ini nilai C yang digunakan adalah C sama dengan 2-4, 2-3, 2-2, 2-1, 2 0, 2 1, 2 2, 2 3, dan 2 4 dan d sama dengan 2 dan 3. Akurasi yang dihasilkan dengan mengunkan kernel polynomial dengan nilai C sama dengan 2-4, 2-3, 2-2, 2-1, 2 0, 2 1, 2 2, 2 3, dan 2 4 dan d sama dengan 2 dan akurasi kernel polynomial dengan nilai C sama dengan 2-4, 2-3, 2-2, 2-1, 2 0, 2 1, 2 2, 2 3, dan 2 4 dan d sama dengan 3 dapat dilihat pada Tabel 5 dan grafiknya dapat dilihat pada Gambar 23. Akurasi terbaik dihasilkan pada Tabel 5 dengan nilai C sama dengan dan d sma dengan 2. Pada percobaan yang telah dilakukan akurasi dengan nilai yang baik dihasilkan dengan menggunakan σ sama dengan 2 sedangkan jika d sama dengan 3 akurasi yang dihasilkan akan menurun walaupun penurunan akurasinya tidak terlalu signifikan. Sedangkan jika d sama dengan 4 akan membutuhkan waku yang lama dan akan mengalami penurunan akurasi karena dimensi yang diolah akan semain banyak. Dimensi data yang dihasilkan akan semakin banyak jika nilai d yang digunakan akan semakin tinggi dapat dilihat pada rumus dibawah ini: n + d n + d 1 (n + 1) C n + d, d = d! C adalah kombinasi dari n dan d, n adalah dimensi awal dan d merupakan nilai orde dari kernel polynomial menurut Chang et al. pada tahun Sebagai contoh diketahui nilai d sama dengan 2 dan banyaknya fitur (n) adalah C ,2 = ! 2! 1800! = = Nilai tersebut merupakan nilai dimensi fitur yang baru yang akan digunakan untuk proses pengolahan klasifikasi dengan meggunakan metode kernel polynomial. Nilai fitur yang baru sangat besar, hal ini dapat akan membantu dalam proses pengujian dan memudahkan tahapan klasifikasi sehingga menghasilkan akurasi yang tinggi. Akurasi kernel polynomial untuk semua fold dapat dilihat pada Lampiran 2. Pada Tabel 5 diketahui akurasi tertinggi berada pada polynomial dengan d sama dengan 2 dan C sama dengan

37 25 k-fold Tabel 5 Akurasi terbaik kernel polynomial pada setiap nilai d Polynomial d=2 dan C=0.125 d=3 dan C= % 98.06% % 95.00% % 93.61% % 93.33% % 92.78% Rata-rata 95.44% 94.56% Akurasi 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 95.44% 94.56% d=2 dan C=0.125 d=3 dan C= Gambar 23 Grafik akurasi kernel polynomial Kernel RBF Hasil pengujian karakter dengan menggunakan kernel RBF akan menghasilkan akurasi tertinggi pada RBF dengan nilai σ sama dengan 32 dan C sama dengan 16 adalah 84.72%. Pada Tabel 6 dapat dilihat kecenderungan nilai σ, jika semakin tinggi nilai σ maka akurasi yang dihasilkan akan semakin menurun. Akurasi terendah dihasilkan pada σ sama dengan 256. Akurasi terbaik pada setiap σ pada kernel RBF terdapat dilihat pada Tabel 6 dan grafiknya ditampilkan pada Gambar 24. Akurasi pada setiap fold untuk masing-masing σ terdapat pada Lampiran 3. Dari hasil pengujian dengan metode klasifikasi SVM akurasi yang didapat pada pengujian karakter hasil ekstraksi fitur dengan menggunakan 25 zona pada masing-masing kernel yang menghasilkan akurasi terbaik dapat dilihat pada Tabel 7. Ilustrasi grafik dari akurasi terbaik untuk pengujian karakter pada setiap kernel ada pada Gambar 25.

38 26 Tabel 6 Akurasi terbaik pada RBF untuk masing-masing σ RBF k-fold σ=32 dan C=16 σ=64 dan C=16 σ=128 dan C=16 σ=256 dan C= % 85.28% 76.94% 67.78% % 83.06% 72.22% 65.83% % 81.39% 72.78% 66.39% % 78.61% 67.78% 64.17% % 80.56% 71.39% 64.72% Rata-rata 84.72% 81.78% 72.22% 65.78% Akurasi 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 84.72% 81.78% 72.22% 65.78% σ=32 σ=64 σ=128 σ=256 Gambar 24 Grafik akurasi pada kernel RBF Pada Gambar 25 dapat terlihat bahwa kernel polynomial yang menghasilkan akurasi terbaik. Pada Tabel 5 dapat dilihat bahwa pengujian dengan rata-rata nilai akurasi tertinggi berada pada kernel polynomial yaitu 95.44% yang menggunakan 25 zona. Matriks konvolusi pengujian karakter terdapat pada Lampiran 4. Selanjutnya akan dibandingkan akurasi dengan 14 zona pada penelitian Lesmana (2012) yang menggunakan klasifikasi backpropagation dan Pramesti (2013) yang menggunakan klasifikasi K-NN. Perbandingan akurasi identifikasi karakter plat nomor dengan klasifikasinya berbeda diketahui bahwa klasifikasi K-NN (Pramesti) lebih baik yaitu 97.00% daripada klasifikasi dengan metode SVM sedangkan klasifikasi dengan metode SVM akan menghasilkan akurasi yang lebih baik daripada klasifikasi menggunakan backpropagation (Lesmana 2012) adalah 85.32%.

39 Tabel 7 Persentase akurasi pengujian karakter dengan kernel Kernel k-fold Linear dengan C=2 Polynomial dengan C=0.25 dan σ=2 RBF dengan C=16 dan d= % 98.89% 89.17% % 95.28% 88.33% % 95.56% 84.72% % 94.17% 80.00% % 93.33% 81.39% Rata-rata 88.89% 95.44% 84.72% % 90% 88.89% 95.44% 84.72% 80% 70% Akurasi 60% 50% 40% 30% 20% 10% 0% Linear dengan C=2 Polynomial dengan C=0.25 dan σ=2 RBF dengan C=16 dan d=32 Gambar 25 Akurasi rata-rata pda setiap kernel Pengujian Pada Plat Proses ini dilakukan pada plat secara utuh. Pengujian yang dilakukan pada setiap karakter yang menggunakan k-fold sedangkan pada pengujian plat menggunakan keseluruhan hasil dari ekstraksi fitur dengan jumlah 25 zona. Plat yang digunakan pada proses klasifikasi adalah 65 citra plat kendaraan. Pada dasarnya pengujian plat ini tergantung pada pengujian karakter. Akurasi yang dihasilkan dari pengujian plat akan lebih kecil daripada akurasi pengujian karakter. Hal ini disebabkan dalam kehidupan nyata, jika terdapat 1 kesalahan dalam pembacaan plat nomor maka deteksi plat tersebut dinyatakan salah tetapi untuk beberapa kasus kesalahan pada salah satu karakter dapat ditoleransi, seperti halnya untuk kepentingan kepolisian. Oleh karena itu, pengujian plat ini dinyatakan lebih efisien akan diberikan toleransi kesalahan dalam pembacaan maksimal 1 huruf karena terkadang hal ini bermanfaat untuk kepentingan dalam

40 28 pencarian plat. Dari pengujian yang dilakukan akurasi yang dihasilkan adalah 89.23% tanpa toleransi kesalahan dan 98.46% untuk toleransi kesalahan sama dengan 1. Akurasi tertinggi dihasilkan pada toleransi sama dengan 1. Hasil pendeteksian pada semua plat dapat dilihat pada Lampiran 5. Perbandingan akurasi plat tanpa toleransi kesalahan dan toleransi kesalahan sama dengan 1 pada penelitian Pramesthi (2013) dan Lesmana (2012) dapat dilihat pada Tabel 8 dan Gambar 26. Tabel 8 Akurasi toleransi kesalahan pada plat nomor Klasifikasi Tanpa toleransi kesalahan Toleransi kesalahan = 1 SVM K-NN 1) 81.54% 52.31% 90.77% 83.08% Backpropagation 2) 40.61% 69.50% 1) Sumber : Pramesti (2013) 2) Sumber : Lesmana (2012) Akurasi 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 90.77% 81.54% 83.08% 69.50% 52.31% 40.61% SVM K-NN Backpropagation Tanpa Toleransi Kesalahan Toleransi Kesalahan = 1 Gambar 26 Grafik akurasi toleransi kesalahan Kesalahan identifikasi pada plat nomor bukan hanya dikarenakan klasifikasi yang kurang akurat tetapi ada hal lain yang menyebabkan ini gagal dikarenakan pada proses segmentasi, seperti beberapa simbol yang harus dikenali sebagai karakter tidak dapat dikenali dalam proses klasifikasi. Kesalahan identifikasi plat nomor pada penelitian ini dapat dilihat pada Tabel 9. Pada pengujian plat nomor kendaraan F 8766 AJ terlihat terjadi kesalahan pada huruf F, huruf A, angka 8, angka 7, dan angka 6 dapat terlihat jelas bahwa citra angka kondisi plat yang kurang baik yaitu terdapat goresan sehingga menyebabkan goresan tersebut seperti warna background dari plat itu sendiri. Pendeteksian kesalahan dapat diketahui dari proses edge detection setelah itu dilakukan dilatasi pada proses tersebut ada beberapa karakter yang tidak dapat

41 dibaca, yaitu: huruf F, huruf A, angka 8, angka 7, dan angka 6, maka proses segmentasi akan dilakukan dari hasil proses edge detection dan dilatasi. Untuk lebih jelasnya dapat dilihat pada Gambar 27. Plat B1624SFP B165K B1758LO B2907SR B8729BO F1014GZ F1141BS F1504FQ F1621CB F1644HG F1860AS Tabel 9 Contoh kesalahan pada plat nomor Hasil deteksi B16248FP 5165K 7Q58SBO F29078R BS729BO F101NGZ F1141RS F0504FQ P1621CB F164BHG FD8698K 29 Gambar 27 Plat nomor yang gagal teridentifikasi SIMPULAN DAN SARAN Simpulan Dari penelitian yang telah dilakukan untuk mendeteksi karakter pada plat nomor kendaraan yang menggunakan fitur zoning dan klasifikasi SVM dapat ditarik beberapa simpulan diantaranya: