APLIKASI PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION

Transkripsi

1 APLIKASI PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Hamsina 1, Evanita V Manullang 1, Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen, Universitas Sains dan Teknologi Jayapura 1 Hamsina8@gmail.com eva.manulllang@gmail.com Abstrak Pengolahan citra digital memungkinkan teknologi komputer untuk dapat menganalisis data digital dari suatu citra. Dengan teknik pengolahan citra digital, data yang didapat dianalisis dan diproses sehingga menghasilkan suatu informasi yang diinginkan Pada beberapa parkiran yang ada saat ini, masih melakukan pencatatan parkiran dengan cara mengenali setiap plat kemudian dicatat. Dengan cara tersebut terkadang petugas tidak teliti dalam mencatat dan tidak adanya pengawasan terhadap waktu parker. Dari masalah yang ada maka akan dibangun pengenalan plat nomor kendaraan bermotor menggunakan bantuan teknologi komputer. Sistem ini di bangun menggunakan Borland Delphi 7.0, Metode Learning Vector Quantization. Hasil dari Sistem yang dirancang ialah diharapkan mempermudah pelayanan system parkir yang lebih cepat dan efisien. Kata Kunci : Pengenalan Citra, Metode Learning Vector Quantization, Pengenalan Plat Nomor 1. Pendahuluan Seiring dengan pesatnya perkembangan ilmu pengetahuan dan teknologi saat ini menyebabkan banyak bermunculan inovasi yang semakin memudahkan manusia untuk melakukan kegiatan sehari hari. Hal ini berpengaruh pada perilaku konsumen yang semakin menuntut segala sesuatu serba praktis dan efisien.pengolahan citra digital memungkinkan teknologi komputer untuk dapat menganalisis data digital dari suatu citra. Dengan teknik pengolahan citra digital, data yang didapat dianalisis dan diproses sehingga menghasilkan suatu informasi yang diinginkan. Pada beberapa parkiran yang ada saat ini, masih melakukan pencatatan parkiran dengan cara mengenali setiap plat kemudian dicatat. Dengan cara tersebut terkadang petugas tidak teliti dalam mencatat dan tidak adanya pengawasan terhadap waktu parkir. Dalam penelitian-penelitian sebelumnya, terdapat perbedaan dalam pendekatan yang di lakukan.dalam penelitian Ng poi Wong,[10] Aplikasi Pengenalan Karakter menggunakan Metode Learning Vector Quantization. Tahapan yang dilakukan penskalaan, deteksi tepi Sobel, pengambangan, metode Otsu, algoritma Zhang- Shuen, Directional Feature Extraction,penelitian Labique,[11] Deteksi plat nomor pada citra digital dapat dilakukan dengan mengaplikasikan algoritma deteksi tepi, konversi biner, algoritma noise removing menggunakan algoritma connected neighbordhood pixel, dan algoritma pencarian plat nomor menggunakan interpolasi bilinear.. Landasan Teori.1 Citra Citra atau gambar dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y),dimana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap pasangan koordinat (x,y) disebut intensitas keabuan (grey level) dari gambar di titik itu. Jika x,y dan f semuanya berhingga (finite), dan nilainya diskrit a. Representasi Citra Digital Agar dapat diolah dengan komputer digital, maka suatu citra harus direpresentasikan secara numerik dengan nilai-nilai diskrit. Representasi citra dari fungsi kontinu menjadi nilai-nilai diskrit disebut digitalisasi. Citra yang dihasilkan inilah yang disebut dengan citra digital (digital image). Pada umumnya, citra digital berbentuk empat persegi panjang, dan dimensi ukurannya dinyatakan sebagai tinggi x lebar (atau lebar x panjang). Citra digital yang tingginya N, lebarnya M, dan memiliki L derajat keabuan dapat dianggap sebagai fungsi: Citra digital yang berukuran M x N lazim dinyatakan dengan matriks yang berukuran M baris dan N kolom sebagai berikut: Gambar 1.1 Citra digital yang berukuran M x N Indeks baris (x) dan indeks kolom (y) menyatakan suatu koordinat titik pada citra, sedangkan f(x, y) 71

2 merupakan intensitas (derajat keabuan) pada titik (x, y). Masing-masing elemen pada citra digital (berarti elemen matriks) disebut image element, picture element atau pixel atau pel. (Sumber : Fajar, 013). Segmentasi Citra Segmentasi citra merupakan proses membagi suatu citra ke dalam komponen komponen region atau objek. Algoritma segmentasi secara umum didasarkan pada salah satu dari sifat dasar nilai intensitas, yaitu : a. Discontinuity : Pendekatan dengan membagi citra berdasarkan perubahan besar pada nilai intensitasnya, seperti tepi citra. b. Similarity : Pendekatan dengan membagi citra ke dalam regionregion yang serupa sesuai dengan kriteria awal yang diberikan. 1) Deteksi Discontinuity Ada beberapa metode dalam segmentasi citra yaitu Deteksi Titik, Deteksi Garis, Deteksi Tepi Deteksi dari titik yang terisoalasi dalam sebuah citra yang cukup mudah. dapat digunakan untuk membangun cluster (segmen). Keanggotaan dari piksel dapat ditafsirkan sebagai kemiripan dengan sebuah objek tertentu. Deteksi Garis menghasilkan respon yang lebih kuat pada garis (dengan ketebalan satu piksel) dengan arah horizontal. Dengan background yang tetap, respon maksimum akan dihasilkan jika garis tersebut dilewati baris tengah Deteksi Tepi, kemampuan untuk mengukur transisi gray-level dengan cara yang tepat.tujuan untuk meningkatkan penampakan batas/pinggiran citra. Citra yang diberikan akan dipartisi atau dibagi dalam segmen tertentu dengan mendeteksi batasbatas (edges) antara satu segmen dengan segmen lainnya dalam sebuah citra sehingga didapatkan batas-batas antara satu atau lebih objek dalam citra tersebut. Segmentasi citra dengan Edge Detection sering juga disebut sebagai proses penyederhanaan citra. (Sumber : Fajar, 013) ) Operator Sobel Operator Sobel terdiri dari matrik 3x3 masingmasing adalah Gx dan Gy. Mask yang pertama (G x ) digunakan untuk melakukan penelusuran terhadap suatu citra secara horizontal dan mask yang kedua (G y ) digunakan untuk melakukan penelusuran terhadap suatu citra secara vertikal. Mask dapat diaplikasikan secara terpisah terhadap input citra. (Sumber : Mauridhi, 010) Misalkan piksel dari suatu citra yang disimbolkan dengan N, dan X 1,X,X 3,,X 8 adalah piksel-piksel tetangga dari N. Maka, penelusuran 7 secara horizontal dilakukan dengan mengalikan piksel-piksel tetangga dengan mask G x, dan penelusuran secara vertikal dilakukan dengan mengalikan piksel-piksel tetangga dengan mask G y, dengan G x dan G y tergantung pada jenis operator yang digunakan. Hasil kedua perkalian tersebut kemudian digabungkan sehingga menghasilkan penelusuran vertikal dan horizontal. Hubungan antara piksel N dengan piksel-piksel tetangga dari N diperlihatkan pada Gambar.1. (Sumber : Mauridhi, 010) Gambar.1 Piksel N dengan piksel-piksel tetangga Gambar. Mask G x dan G y untuk Operator Sobel Langkah-langkah dalam melakukan edge detection dengan menggunakan Operator Sobel diperlihatkan Gambar.3 Langkah-langkah dalam melakukan edge detection dengan menggunakan Operator Langkah-langkah dalam melakukan edge detection dengan menggunakan Operator Sobel a) Lakukan penelusuran secara vertikal Dengan mengalikan piksel citra terhadap mask G y, sehingga diperoleh piksel hasil penelusuran vertikal (S y ), di mana N y diperoleh dengan cara: S y = (X 6 +.X 7 + X 8 ) - (X 1 +.X + X 3 ) Lakukan penelusuran secara horizontal Dengan mengalikan piksel citra terhadap mask G x, sehingga diperoleh piksel hasil penelusuran horizontal (S x ), di mana N x diperoleh dengan cara : S x = (X 3 +.X 5 + X 8 ) - (X 1 +.X 4 + X 6 ) b) Lakukan penggabungan terhadap hasil penelusuran secara vertikal dan horizontal dengan cara :

3 M S x S y Arsitektur jaringan LVQ dapat dilihat pada gambar berikut : Di mana M = Piksel N setelah dilakukan penggabungan hasil penelusuran secara horizontal dan vertikal c) Berikan suatu nilai threshold (sensitifitas), dan kemudian bandingkan nilai threshold tersebut dengan nilai M. Jika : (1) M > nilai threshold, maka piksel tersebut menjadi pinggiran sebuah objek () M < nilai threshold, maka piksel tersebut sebagai warna latar atau tengah dari objek. (Sumber : Fajar, 013).3 Metode Learning Vector Quantization Algoritmanya adalah sebagai berikut: 1) Tentukan maksimum epoh (banyaknya proses pelatihan yang akan diulangi), Eps (error minimum yang diharapkan) dan nilai alpha. ) Hasil ekstraksi ciri pertama dari masing-masing pola digunakan sebagai data awal (inisialisasi). Data inisialisasi ini akan diisi sebagai nilai bobot awal(w). 3) Epoh = 0 4) Selama (Epoh < MaxEpoh) atau (alpha > eps), maka lakukan hal berikut: a) Epoh = Epoh + 1 b) Untuk setiap data hasil ekstraksi ciri, lakukan hal berikut: Set x = hasil ekstraksi ciri dari pola. Set T = nomor urut dari setiap kelas. Hitung jarak hasil ekstraksi ciri pola saat ini dengan masingmasing bobot. Misalkan dihitung jarak hasil ekstraksi ciri pola pertama dengan setiap bobot, maka rumus yang digunakan adalah sebagai berikut: Jarak = ( x11 w11) ( x1 w1)... ( x1 m w1 m) dengan: x 1m = bit ekstraksi ciri dari pola-1 yang ke-m. w 1m = bobot W(1,m) m = banyak bit ekstraksi ciri (1) Bila nomor kelas pada bobot yang memiliki jarak terkecil sama dengan nilai nomor urut (T) pola, maka hitung: w j (baru) = w j (lama) + α (x w j (lama)) () Bila tidak, maka hitung: w j (baru) = w j (lama) - α (x w j (lama) Gambar.4 Arsitektur Jaringan LVQ LVQ menggunakan operasi-perasi vektor. Pola yang akan dilatih dan dikenali disajikan dalam bentuk vektor. LVQ mengenali pola berdasarkan pada kedekatan jarak antara dua vektor. Jika v mendekati sama, maka v tersebut dikelompokkan ke dalam kelas yang sama. (Sumber: Sri Kusuma Dewi, 003).4 Delphi 7.0 Delphi merupakan salah satu bahasa pemrograman tingkat tinggi berbasis windows. Delphi digolongkan ke dalam bahasa pemrograman visual yang menitik beratkan pada pemrograman berorientasi objek (object oriented programming). Bahasa pemrograman ini dikembangkan menggunakan bahasa Pascal. Kelebihan Delphi adalah penyusunan User Interface, mempunyai konsep komponen yang sangat terbuka memungkinkan banyak pihak untuk mengembangkan berbagai macam komponen untuk berbagai macam kebutuhan. (Sumber : Kusnassriyanto,011).5 Microsoft Access 007 Microsoft Access 007 adalah software untuk mengolah berbagai macam data menjadi sebuah kumpulan informasi terstruktur yang siap digunakan. (Jubilee Enterprise, 014) 3. Pembahasan 3.1 Metode Learning Vector Quantization a. Proses Input Gambar Kamera capture plat nomor pada kendaraan bermotor, gambar di simpan dalam bentuk bmp. Gambar 3.1 Hasil Capture Plat c) Kurangi nilai Alpha: α = α (0.1 * α) 5) Simpan bobot hasil pelatihan (w). 73

4 b. Grayscale Proses perhitungan untuk pedeteksian menggunakan operator sobel Gambar 3.6 pedeteksian operator sobel Gambar 3. Grayscale c. Deteksi Sobel Algoritma operator sobel 1) Dimasukkan I ) Dilakukan operasi konvolusi antara citra input I dengan operator sobel arah horizontal, I 3) Dilakukan operasi konvolusi dengan operator sobel arah vertikal, I 4) Kemudian akan dihitung magnitude (besaran) dengan menggunakan rumus Sx = - X1 -.X4 - X6 + X3 +.X5 + X8 = -10 (.10) (.00) = = 705 Sy = - X1 -.X X3 + X6 +.X7 + X8 = -10 (.10) (.50) = = 105 5) Deteksi Tepi dengan Operator Sobel Gambar 3.7 Hasil deteksi horizontal dan vertikal Gambar 3.3 Deteksi Tepi dengan Operator Sobel Sebagai Contoh, misalkan nilai piksel awal di dalam gambar dengan menggunakan nilai grayscale (warna keabu-abuan) seperti dibawah ini: Gambar 3.4 Sampel Citra Grayscale Digunakan mirror padding untuk membuat kekosongan piksel tetangga pada batas area luar gambar, dengan mengikuti nilai piksel pada baris atau kolom terakhir. M = = = 71,78 = 713 Berdasarkan perhitungan dengan menggunakan deteksi sobel dengan operator sobel untuk citra pada tabel. maka hasil gradien dari masing masing nilai pikselnya dapat dilihat Gambar 3.8 Nilai setelah proses deteksi tepi Selanjutnya citra diubah menjadi citra biner (hitam-putih) dengan menggunakan nilai threshold (T) = 150. Bila nilai M lebiih besar dari T, maka piksel diberi bit 1 (putih), dan untuk sebaliknya. Maka hasil dari deteksi tepi operator sebagai berikut : Gambar 3.9 Citra Biner deteksi tepi Gambar 3.5 Hasil Mirror Padding 74

5 Contoh bentuk plat nomor setelah deteksi tepi dengan operator sobel menggunakan nilai threshold Implementasi 4.1 Form Menu Tampilan Tampilan Menu Utama Gambar 3.10 Deteksi Sobel d. Segmentasi Karakter e. Ekstrasi Ciri Gambar 3.11Hasil Ekstrasi ciri Gambar 4.1 Menu Tampilan 4. Form Kendaraan Masuk Gambar 4. Menu Kendaraan Masuk 4.3 Form Grayscale Gambar 3.1Hasil Ekstrasi ciri Gambar 4.3 Menu Grayscale 4.3 Form Deteksi Tepi Merupakan hasil dari Deteksi Sobel untuk melihat batas batas dari gambar yang telah diambil dari citra awal dan grayscale Gambar 4.4 Menu Deteksi Sobel 4.4 Form Proyeksi Vertikal Gambar 4.5 Menu Proyeksi vertikal 75

6 4.5 Form Proyeksi Horizontal Gambar 4.6 Menu Proyeksi Horizontal 4.6 Form Segmentasi Karakter Gambar 4.7 Menu Segmentasi Karakter 4.7 Form Daftar Gambar 4.7 Menu Daftar 5. Kesimpulan Berdasarkan penelitian yang telah dilakukan yaitu pengenalan plat nomor maka diambil kesimpulan sebagai berikut : 1. Aplikasi telah dapat digunakan untuk mengambil citra secara real time dan memilih gambar. Algoritma LVQ dapat digunakan untuk melakukan pengenalan terhadap plat nomor, namun belum dapat mengenali 100 persen. 3. Proses Identifikasi dipengaruhi oleh pencahayaan. 4. Plat nomor yang tidak mengalami modifikasi lebih mudah di kenali. 5. Citra kendaraan dengan plat berwarna dasar hitam dan tulisan putih lebih mudah dikenali. 6. Aplikasi menampilkan langkah-langkah proses deteksi tepi dengan operator Sobel, segmentasi karakter dan proses perhitungan dengan metode LVQ, sehingga dapat membantu pembelajaran terhadap cara kerja metode LVQ. DAFTAR PUSTAKA [1] Astuti Fajar, Pengolahan Citra Digital Konsep dan teori, CV. Andi Offset, Yogyakarta. [] Febriyanti P. Herlyn (014), Program Studi Teknik Informatika Strata Satu, Fakultas Ilmu Komputer dan Manajemen, Universitas Sains dan teknologi Jayapura, Pengenalan Bentuk Botol Menggunakan Metode Jaringan Saraf Tiruan. [3] Jubilee Enterprise, Buku Pintar database dengan.access, PT. Elex Media Komputindo. [4] B S Kusnassriyanto dan Wawan S, 008, Teknik Pemrograman Delphi, Penerbit Informatika Bandung. [5] Mauridhi, 010, Konsep Pengolahan Citra Digital dan Ekstrasi Fitur, Penerbit Graha Ilmu, Yogyakarta. [6] Palijama Meiske (01), Program Studi Teknik Informatika Strata Satu, Fakultas Ilmu Komputer dan Manajemen, Universitas Sains dan Teknologi Jayapura, Perancangan Aplikasi Pengenalan Kalimat Dengan Segmentasi Citra Dan Algoritma Learning Vector Quantization [7] Manurung Marasi Patrido (008), Departemen Teknik Elektro, Fakultas Teknik, Universitas Indonesia, Pengenalan Plat Nomor Kendaraan Mobil Menggunakan Jaringan Kompetitif dan Kohonen Sri Kusuma Dewi, Artificial Intelligence, Graha Ilmu, Yogyakarta. [8]Febrianto Rendra (010), Jurusan Teknik Informatika, Fakultas Ilmu Teknologi Industri, Universitas Pembangunan Nasional Veteran, Merancang Aplikasi ini untuk mengenal dan mengetahui cara kerja dari metode Backpropagation dalam melakukan pengenalan terhadap tanda tangan [9] Sepritahara (01), Fakultas Teknik Universitas Indonesia, Program Studi TeknikElektro, Depok. Aplikasi ini dibuat untuk melihat seberapa besar akurasi Tingkat pengenalan wajah dari penerapan Metode Hidden Marcov Models pada Database yang ada. [10]Ng Poi Wong, Hardy, dkk (013), Teknik Informatika, STIMIK Mikroskil, Aplikasi pengenalan karakter pada plat nomor kendaraan bermotor dengan Learning Vector Quantization. [11]Labique Berly, Teknik Informatika, Fakultas Ilmu Komputer Universitas Brawijaya, Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization. 76