Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis [Resmana Lim, et a.] Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis Resmana Lim, Lukman Vendy W. 2, Kartika Gunadi 2 Fakutas Teknoogi Industri, Jurusan Teknik Eektro, Universitas Kristen Petra 2 Fakutas Teknoogi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra e-mai: resmana@petra.ac.id, kgunadi@petra.ac.id Abstrak Paper ini membahas sistem pengenaan pat nomor mobi menggunakan teknik computer vision. Image mobi diambi dari kamera, dan seanjutnya diidentifikasi secara otomatis dengan cara mencari okasi pat nomor mobi tersebut, mensegmentasi setiap karakter yang ada dari pat tersebut dan kemudian meakukan pengenaan pada setiap karakter dengan metode feature reduction PCA. Apikasi ini dibangun menggunakan Microsoft Visua C++ 6.0, Microsoft DirectShow, Inte Image Processing Library dan Open Source Computer Vision Library. Apikasi ini teah diimpementasikan dan dapat mendeteksi etak pat nomor serta mengenainya pada PC Pentium II/400 MHz. Sistem teah diujicobakan pada suatu basis data yang mewakii 26 karakter (0-9, A-Z) yang masing-masing terdiri dari beberapa variasi gambar mobi. Hasi uji coba menunjukkan tingkat keberhasian yang cukup menggembirakan, dimana tingkat keberhasian mencapai ±82%. Sistem cukup prospektif digunakan sebagai saah satu sistem kontro dan sekuriti pada area parkir. Kata kunci : deteksi pat nomor mobi, pengenaan pat nomor, PCA, pengenaan poa, OpenCV. Abstract The paper describes a vehice pate recognition system based on computer vision technique. The vehice image/video was taken from a digita camera and then the vehice pate automaticay identified, segmented and recognized by the system. The feature reduction technique of Principa Components Anaysis (PCA) was used in the system. This appication was buit using Microsoft Visua C++ 6.0, Microsoft DirectShow, Inte Image Processing Library and Open Source Computer Vision (OpenCV) Library. The appication has been impemented and was abe to detect vehice pate position and recognize it using a PC Pentium II/400 MHz. The recognition rate of ±82% was achieved based on recognition of hundreds aphanumeric images (aphanumeric A-Z, 0-9). This sistem is prospective enough to be used for contro and security system in parking area. Keywords : Vehice Pate Detection, Car Pate Recognition, PCA, pattern recognition, OpenCV. Pendahuuan Sistem deteksi dan pengenaan pat nomor kendaraan bermotor secara otomatis teah menjadi suatu apikasi yang sangat penting daam bidang computer vision. Sistem yang dibuat disini bekerja dengan 2 tahap yaitu modu deteksi mobi dan modu pengenaan pat nomor. Mobi yang ewat akan terdeteksi bia ia berada pada kisaran image window tertentu, dan hasi deteksi berupa pengambian image digita yang seanjutnya diproses untuk dikenai nomornya. Proses pengenaan karakter pada paper ini diakukan dengan menggunakan motode ekstraksi feature Principa Components Anaysis (PCA). Daam fase pembeajaran (training), sejumah image karakter sampe digunakan Catatan: Diskusi untuk makaah ini diterima sebeum tangga Juni 2003. Diskusi yang ayak muat akan diterbitkan pada Jurna Teknik Eektro voume 3, nomor 2, September 2003. untuk mencari eigen object (image basis) yang seanjutnya digunakan untuk mentrasformasi setiap image karakter training/database menjadi feature yang ebih sedikit (kompak). Sistem berawa dari pencarian posisi kandidat pat nomor dari sebuah image input, yang kemudian dianjutkan dengan meakukan segmentasi karakter pada pat nomor yang ditemukan tersebut. Seanjutnya diakukan ekstraksi feature menggunakan PCA pada image hasi segmentasi tersebut. Proses akhir adaah pengenaan karakter dengan metode kasifikasi sederhana yaitu K- Nearest Neightbor. Sistem yang teah berhasi diimpementasikan menggunakan patform PC Windows dengan memanfaatkan ibrary OpenCV. Sistem teah diujicobakan pada suatu basis data yang mewakii 26 karakter (0-9, A-Z) yang masingmasing terdiri dari beberapa variasi gambar. Hasi uji coba menunjukkan tingkat keberhasian 3
Jurna Teknik Eektro Vo. 3, No., Maret 2003: 3-38 yang cukup menggembirakan, dimana tingkat keberhasian mencapai ±82%. Berikutnya paper ini disusun sebagai berikut: pada pasa 2 akan dijeaskan tentang sistem secara keseuruhan. Hasi-hasi percobaan diberikan pada pasa 3 dan ditutup dengan diskusi/kesimpuan pada pasa 4. Deskripsi Sistem Secara bok diagram sistem yang dibuat adaah seperti gambar. Gambar. Bok Diagram Sistem. Sistem ini dibagi menjadi menjadi empat bagian modu yaitu video capturing, database training, pate detection, dan character recognition. Bagian modu video capturing terdiri atas proses input kamera atau video dan peroses untuk menangkap (capture) objek. Modu pate detection terdiri atas image pre-processing, digit ocation, pate area ocation, dan fina pate area ocation. Modu character recognition meiputi character segmentation dan cassifier. Dan untuk modu database trainning meiputi perhitungan eigen object dan average object serta perhitungan transformasi image menjadi feature yang seanjutnya akan dimasukkan ke daam database Untuk proses ini, pertama kai adaah membuat beberapa variabe dengan tipe data objek yang disediakan oeh ibrary directshow, antara ain: IGraphBuider*m_CamBuider Berfungsi sebagai interface dari Fiter Graph Manager. IMediaContro*m_CamContro Berfungsi untuk menangani kontro terhadap stream yang sedang berangsung. IVideoWindow* m_camview Berfungsi untuk membangun interface output video window. IBaseFiter* m_cam, m_camtrans Berfungsi untuk pengontro fiter dan pada apikasi berfungsi untuk menspesifikasikan pin dan query informasi fiter. IFiterGraph* m_camgraph Berfungsi untuk membangun fiter. Pada apikasi digunakan untuk menambahkan fiter pada graph, menghubungkan dan memutuskan hubungan dengan fiter, menghapus fiter, dan meakukan beberapa operasi dasar ainnya. Program apikasi DirectShow yang dibuat daam sistem ini, berdasarkan sumber inputnya (source fiter) secara garis besar dapat dibagi menjadi dua bagian, yaitu: input dari fie berupa AVIFie, dan input dari kamera. Bagian input AVIFie dibangun dengan pendekatan pertama, sedangkan bagian input kamera dibangun dengan menggunakan pendekatan ketiga. Kedua bagian ini secara garis besar memiiki prosedur utama yang hampir sama. Berikut diagram air dari bagian input :. Video Capturing DirectShow Process Modu ini bertujuan untuk meakukan pengambian gambar yang berasa dari kamera atau dari fie video. Daam proses ini terdiri dari dua sub program, yang pertama adaah proses untuk menerima input baik dari kamera atau dari fie video dan yang kedua adaah proses untuk meakukan pengambian gambar (grabbing) dari input tersebut. Kedua proses tersebut menggunakan fasiitas ibrary yang teah disediakan oeh Microsoft DirectShow. Penggunaan ibrary ini sangat bermanfaat karena proses input dapat berangsung secara reatime. Gambar 2. Proses Input Kamera. 32
Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis [Resmana Lim, et a.] 2. Database Training PCA Agorithm Bagian ini adaah proses untuk meakukan proses training PCA pada kumpuan image database. Dimana database ini berupa sekumpuan gambar karakter aphanumeric yang terdiri dari beberapa macam variasi untuk masing-masing karakternya (0-9 dan A-Z). Database yang digunakan sebanyak ± 600 gambar. Daam modu training ini dihasikan output berupa Eigen Object dan Average Object serta bobot masing masing karakter yang terdapat daam database, hasi bobot ini disimpan ke daam suatu ist array. Principa Components Anaysis (PCA)[] digunakan untuk mereduksi dimensi image menjadi feature yang ebih sedikit. Ini diakukan dengan mentransformasi ruang image kedaam basis atau sistem koordinat yang baru dengan representasi yang ebih kompak. Basis-basis image didapatkan dari sekumpuan karakterkarakter yang diatihkan (training aphanumeric). Feature yang baru tersebut akan dibentuk meaui kombinasi bobot inear daam ruang eigen (basis image). Komponen dari feature ruang eigen ini tidak saing berkoreasi dan akan memaksimakan perbedaan yang ada di daam ruang asinya. Maksud dari Principa Components Anaysis adaah untuk menangkap variasi tota di daam kumpuan karakter yang diatihkan, dan untuk merepresentasikan variasi ini dengan variabe yang ebih sedikit. Suatu image yang direpresentasikan dengan variabe yang sedikit akan ebih mudah untuk ditangani dan dimengerti daripada jika direpresentasikan dengan raw pixe yang banyak dari image tersebut. Apabia didefinisikan sebuah objek u = {u, u 2, u 3,...,u n } sebagai vektor pada n dimensi. Objek u dapat berupa suatu gambar dan mempunyai komponen u, u 2, u 3,...,u n, dimana u, u 2, u 3,...,u n adaah niai pixe dari gambar tersebut. Dengan kondisi ini maka n dapat diartikan sebagai jumah pixe (=panjang x ebar) yang terdapat daam gambar. Kemudian, apabia objek tersebut ditambah dengan objek-objek yang ain hingga menjadi sekumpuan atau sekeompok objek i i i i maka : u = {u, u 2,...,u n }, dimana i =,...m dan m<<n. Niai rata-rata atau mean objek: u = {u, u 2,...,u n } dapat dideskripsikan sebagai berikut: u () m k i = u i m k= Berikut ini adaah contoh gambar average image dari proses perhitungan diatas: Gambar 3. Average Training Image. Covariance Matrix c = [ c ij] adaah sebuah matrix simetris m x m, dimana tiap eemennya mempunyai persamaan: c i j n = = i j ( u u ) ( u u ) (2) Image basis atau Eigen Object e i i i i = {e,e 2,..., en}, i =,, m m (seperti gambar 4) dari sekumpuan image training dapat dihitung dengan persamaan 3. m i i k e = vk ( u u ) (3) ë i k= Dimana ë i dan v i i i i = {v,v2,...,v m} adaah eigen vaue dan eigen vector dari matrik c yang didapat dengan metode Jacobi. Gabmar 4 dibawah ini adaah beberapa contoh gambar eigen object hasi dari perhitungan persamaan 3: Gambar 4. Tujuh Eigen Objects pertama. Semua input objek u (image training) dan image testing ainnya seanjutnya dikomposisikan di daam ruang eigen m menghasikan bobot/ feature baru (w) yang dihitung dengan persamaan 4. Bobot w ini yang seanjutnya digunakan untuk pengenaan poa. ( u u ) i w e (4) = n i = 3. Pate Finder Agorithm Berikut ini adaah proses diagram air secara sederhana dari agoritma Pate Finder: 33
Jurna Teknik Eektro Vo. 3, No., Maret 2003: 3-38 Gambar 5. Diagram Pendeteksian Pat Nomor Pada bagian ini, sistem akan menggunakan gambar yang dihasikan pada proses capture dari kamera atau gambar dari input user. Gambar ini kemudian di konversi dari gambar berwarna menjadi gambar grayscae. Seanjutnya diakukan proses threshoding pada gambar grayscae tersebut menghasikan gambar biner (hitam dan putih saja). Tahap seanjutnya adaah mencari kandidat angka/digit pada gambar biner ini (Digit Location). Semua kemungkinan objek yang berupa aphanumeric dari gambar akan dicari pada tahap digit ocation ini. Agoritma ini akan mencari pada setiap pixe yang terdapat pada gambar dan meakukan pengecekan pada setiap iterasi dengan menggunakan sejumah aturan, dimana apakah terdapat sebuah kandidat digit pada posisi pixe yang bersangkutan. Proses ini terdiri dari dua angkah, yaitu: Adaptive size bounding box searching Proses ini dibagi agi menjadi tiga tahap:. Sebuah mode yang berbentuk L terbaik akan digerakkan pada gambar. Mode L terbaik ini memiiki tinggi 20 pixe dan ebar 2 pixe. Niai ini didapat dari hasi rata-rata setiap gambar kendaraan yang ada. Pada setiap posisi pixe beberapa ha berikut diakukan: (a) Jika tidak terdapat pixe (putih) pada posisi garis vertika atau horisonta dari mode L yang terbaik, maka tidak ada digit yang terdeteksi pada posisi ini. (b) Jika terdapat pixe (putih) tepat pada posisi atas dan kiri dari mode L, maka berarti ada terdeksi digit pada posisi ini. Jika suatu posisi memenuhi kondisi ini maka dapat diartikan bahwa teah ditemukan posisi pojok kiri atas dari suatu digit. Dibawah ini adaah visuaisasi cara kerja dari mode L terbaik: Gambar 6. Deteksi Karakter. 2. Garis vertika yang kedua digerakkan, untuk tiap pixe demi pixe, ke arah kanan, dari posisi terakhir yang ditemukan pada tahap sebeumnya. Garis vertika ini digerakkan hingga tidak ditemukan satu pixe putih pun sepanjang garis vertika ini. Daam ha ini panjang dari kandidat digit yang ditemukan dihitung, dan apabia panjang dari kandidat digit ini meebihi batas rata-rata dari suatu digit, maka posisi akan didiskuaifikasi. 3. Pada tahap ini, garis horisonta yang kedua dengan panjang yang teah ditemukan pada tahap sebeumnya, digerakkan ke bawah hingga tidak ditemukan satu pixe putih pun sepanjang garis horisonta ini. Jika tinggi dari kandidat digit ini memenuhi kondisi tinggi rata-rata suatu digit, maka proses dapat meanjutkan pada tahap seanjutnya, jika tidak maka proses akan kembai pada tahap yang pertama. Pixe Coverage Checking Seteah posisi suatu kandidat digit ditemukan maka, niai semua pixe putih yang terdapat pada posisi ini akan dihitung semua. Jika niai pixe memenuhi kondisi maka posisi ini akan disimpan sebagai kandidat karakter, jika tidak memenuhi akan didiskuaifikasi. Tujuan dari proses ini adaah untuk menghiangkan suatu kandidat yang terau besar atau terau keci. Seteah semua kandidat digit ditemukan maka seanjutnya adaah mencari okasi kandidat pat nomor kendaraan (Pate Area Location). Logika pada bagian ini adaah menggunakan posisi objek karakter yang ditemukan pada bagian sebeumnya untuk menentukan etak pat nomor. Langkah pertama adaah membangun suatu mode yang berbentuk persegi panjang (pate bounding box). Panjang dan ebar mode ini teah diatur berdasarkan rata-rata dari image kendaraan yang ada (ebar 20 pixe dan tinggi 33 pixe). Mode ini akan digerakkan muai dari 34
Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis [Resmana Lim, et a.] posisi kandidat digit pertama yang ditemukan pada tahap sebeumnya hingga pada posisi terakhir kandidat digit yang ditemukan. Berikut ini adaah visuaisasi dari mode persegi panjang yang digunakan untuk mencari okasi pat. Gambar 7. Lokaisasi Karakter. Pada setiap iterasi akan diakukan pengecekan apakah pada daerah sekitar mode persegi panjang ini terdapat berapa banyak kandidat digit. Kandidat digit yang ada harus terdiri dari minima tiga atau maksima deapan digit. Ha ini diasumsikan bahwa pat nomor standart yang ada di negara kita memiiki kondisi yang demikian. Seain diakukan pengecekan banyaknya kandidat digit, juga diakukan pengecekan terhadap posisi dari masing masing kandidat digit tersebut. Ha ini diakukan sebagai pencegahan terhadap pengambian kandidat digit yang saah. Apabia posisi teratas antara kandidat digit yang satu dengan yang ain terpaut sangat jauh, maka posisi kandidat ini akan didiskuaifikasi. Posisi mode persegi panjang yang dapat diterima adaah posisi dimana terdapat kandidat digit yang ebih dari dua dan kurang dari sembian, serta memiiki posisi yang tingginya tidak terpaut jauh antara satu dengan yang ainnya. Posisi yang benar akan disimpan daam suatu ist array. Seteah semua kandidat pat nomor ditemukan, maka seanjutnya adaah mencari okasi sebenarnya dari kandidat-kandidat pat nomor yang ditemukan pada tahap sebeumnya (Fina Pate Location). Pada tahap ini akan meakukan iterasi terhadap seuruh kandidat pat nomor yang ditemukan pada tahap sebeumnya. Umumnya seteah memasuki tahap terakhir ini kandidat pat nomor yang ada sering menghasikan satu kandidat saja. Dan apabia kandidat pat nomor yang dihasikan ternyata ebih dari satu, maka pat nomor yang dipiih adaah kandidat yang memiiki posisi paing bawah pada image. Pada okasi yang ditemukan tersebut kemudian diakukan proses cropping. Hasi dari cropping tersebut disimpan ke daam sebuah fie yang digunakan ebih anjut untuk proses pengenaan. 4. Character Recognition: dengan Nearest Neighbour Cassifier Pada tahap akhir ini, image pat nomor yang ditemukan akan diakukan segmentasi karakter terebih dahuu. Proses segmentasi karakter diakukan untuk mengekstraksi masing masing karakter yang terdapat pada pat nomor. Pada tahap ini agoritma yang diakukan adaah menggunakan metode seperti pada modu deteksi etak pat nomor tetapi dengan meakukan perubahan pada agoritmanya. Perubahan yang diakukan adaah apabia mode L terbaik teah menemukan kandidat digit, maka pada setiap posisi tersebut diakukan proses cropping dan diakukan proses resize pada kandidat digit ini. Proses resize ini bertujuan agar semua karakter yang akan dikenai memiiki ukuran yang sama. Resize diakukan dengan ukuran 20 pixe untuk ebar dan 30 pixe untuk tingginya (disesuaikan dengan data image pada database). Hasi cropping tersebut disimpan kedaam ist. Pada bagian ini apabia terdapat kandidat digit yang saing berhubungan kemungkinan akan dapat terektraksi bersama. Seteah proses cropping seesai maka dianjutkan pada proses seanjutnya, yaitu pengenaan karakter menggunakan Nearest Neighbour Cassifier. Pada Nearest Neighbour Cassifier perhitungan yang diakukan adaah dengan mengkakuasi semua bobot niai yang ada pada sekumpuan image training W d = (w,..., wd m d ) dengan menggunakan metode PCA. Perhitungan juga diakukan pada karakter yang akan di tes W = m t (w,..., t wt). Jarak antara bobot image training dengan tes kemudian dihitung dengan menggunakan persamaan Eucidean Distance ( ) pada m-dimensi yaitu: m i= ( ) 2 i i = w d wt (5) Dimana m adaah banyaknya jumah feature bobot (principa components). Dari hasi ini kemudian dicari jarak paing keci diantara set jarak tersebut. Hasi ini dicari pada database yang mempunyai niai pada posisi yang bersangkutan. karakter pada posisi yang memiiki jarak minimum adaah hasi dari pengenaan tersebut. 35
Jurna Teknik Eektro Vo. 3, No., Maret 2003: 3-38 Processing Library menyediakan sekumpuan fungsi-fungsi C sangat teroptimasi yang mengimpementasikan fungsi-fungsi image processing pada prosessor berarsitektur Inte. Gambar 8. Pencarian Jarak Minimum. 5. Open Source Computer Vision (OpenCV) Impementasi sistem yang dikerjakan disini menggunakan patform Windows dengan bahasa pemrograman Visua C++. Di sini digunakan ibrary perangkat unak Open Source Computer Vision (OpenCV). OpenCV muai dikembangkan sejak tahun 999 oeh Visua Interactivity Group didaam Inte's Microprocessor Research Lab [4]. Proyek ini dibuat dengan tujuan untuk mendirikan sebuah komunitas open source vision dan menyediakan sebuah situs dimana usaha terdistribusi dari komunitas dapat dikonsoidasikan dan performance-nya dapat dioptimakan. Library ini ditujukan untuk digunakan oeh peneiti dan pengembang software komersia. Open Source Computer Vision Library dibuat berdasarkan fungsi-fungsi dasar yang terdapat pada Inte Performance Library. Keungguan ibrary ini adaah semua fungsi-fungsinya teah dioptimasi untuk prossesor Inte sehingga dapat berjaan jauh ebih cepat. Hasi-Hasi Percobaan Pengujian sistem diakukan menggunakan image diam maupun fie video dengan resousi 640x480 pixe. Image diam terdiri dari 257 buah memuat beberapa tipe kendaraan. Pengambian image posisi kendaraan pun bervariasi (terihat dari arah depan, beakang, miring kiri, miring kanan serta variasi jarak) Gambar 9 adaah contoh tampian program pengenaan pat nomor yang dibuat. Open Source Computer Vision Library Committee terdiri dari beberapa orang antara ain Dr. Gary Bradski, Prof. Trevor Darre, Prof. Irfan Essa, Prof. Jitendra Maik, Prof. Pietro Perona, Prof. Stan Scaroff, dan Prof. Caro Tomasi [4]. Berikut adaah beberapa area dari fungsi umum yang dapat didukung oeh Open Source Computer Vision Library Committee : Geometric Methods Recognition Measures Segmentation Utiities Features Image Pyramids Camera Tracking Fitting Matrix Image Processing Open Source Computer Vision Library dibuat berdasarkan fungsi-fungsi dasar dan ibrary dari Inte Image Processing Library. Inte Image Gambar 9. Contoh Tampian Program. 36
Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis [Resmana Lim, et a.] Pada proses pencarian etak pat nomor (Pate Finder), hasi yang didapat adaah sebagai berikut: Tabe. Hasi Proses Pencarian Pat Nomor. Posisi Kendaraan Tota (Depan/Be akang/mir ing) Jm. Kenda Hasi Proses Pate Finder Berhasi raan Tepat Kurang Saah 257 Depan 75 Beakang 82 Miring (Depan/Be akang) 65 78 (69,26%) 24 (9,33%) 27 (72,57%) 5 (8,57%) 5 9 (62,9%) (0,97%) 40 (6,53%) 7 (0,76%) 4 (,55%) 2 (,4%) 2 (2,43%) 2 (3,07%) Tidak Berhasi 5 (9,84%) 3 (7,7%) 20 (24,39%) 6 (24,6%) Pengujian seanjutnya adaah dengan meakukan proses segmentasi terhadap 202 pat yang ditemukan tersebut. Hasinya adaah sebagai berikut: Gambar. Contoh Hasi Sementasi Yang Sempurna. Pengujian seanjutnya adaah menguji dari 05 karakter yang terbaca apakah dapat dikenai sistem dengan benar. Hasinya adaah sebagai berikut: Tabe 4. Hasi Pengenaan Karakter. Jumah Karakter Benar Saah 05 995 (94,67%) 56 (5,37%) Berikut adaah contoh proses pengenaan yang kurang sempurna: Tabe 2. Hasi Keberhasian Segmentasi. Jumah Pat Tepat Kurang 202 9 (58,9%) 83 (4,09%) Dari 202 pat nomor yang ditemukan, karakter yang ada pada pat nomor tersebut adaah sebanyak 224 karakter. Pengujian seanjutnya adaah menguji kondisi (terbaca atau tidak) 224 karakter yang disegmentasi dari proses sebeumnya. Hasinya adaah sebagai berikut: Tabe 3. Hasi Pembacaan Segmentasi. Jumah Karakter Terbaca Tidak Terbaca 224 05 (85,87%) 73 (4,3%) Berikut ini adaah contoh dari hasi proses segmentasi karakter yang kurang sempurna: Gambar 0. Contoh Hasi Sementasi Yang Gaga. Sedangkan berikut ini adaah contoh dari proses segmentasi yang sempurna: Gambar 2. Contoh Pengenaan Yang Gaga. Sedangkan dibwah ini adaah contoh proses pengenaan yang sempurna: Gambar 3. Contoh Pengenaan Yang Sempurna. Secara keseuruhan dari hasi pengujian menggunakan fie gambar, performance dari sistem ini memberikan beberapa hasi sebagai berikut: Tabe 5. Hasi Keseuruhan Sistem. Keterangan Sistem mendeteksi etak pat dengan sempurna dan mensegmentasi serta mengenainya dengan benar (dari 257 kendaraan) Pendeteksian etak pat nomor secara sempurna (dari 257 kendaraan) Proses segmentasi pat nomor kendaraan secara sempurna (dari 202 pat) Proses segmentasi karakter secara sempurna (dari 224 karakter) Proses pengenaan karakter dengan benar (dari 05 karakter) Tingkat Keberhasian 42,80% 69,26% 58,9% 85,86% 94,67% 37
Jurna Teknik Eektro Vo. 3, No., Maret 2003: 3-38 Disini tampak Nearest Neighbour Cassifier dengan bantuan pengoahan feature menggunakan metode PCA, memiiki keakuratan pengenaan karakter sebesar 94,67% dari 05 karakter yang dicoba untuk dikenai. [5] Open SourceComputer Vision Library Reference Manua, Inte Corporation, 200. [6] S. Draghici, A Neura Network Based Artificia Vision System for License Pate Recognition. Kesimpuan. Sistem ini secara keseuruhan dapat mendeteksi dan mengenai pat nomor kendaraan dengan akurasi 42,80% (0 kendaraan) dengan jumah database sebanyak 609 karakter untuk pengujian sebanyak 257 kendaraan (tanpa memperhatikan kondisi kendaraan). 2. Pendeteksian etak pat nomor kendaraan secara sempurna menghasikan akurasi sebesar 69,26% (78 kendaraan) dari 257 kendaraan yang diujikan. 3. Agoritma pendeteksian etak pat nomor kendaraan dan segmentasi pat nomor ini sangat dipengaruhi sekai oeh beberapa faktor berikut : Posisi kendaraan (miring, terihat atas/ bawah, depan/beakang) Variasi cahaya sekitar Kondisi pat nomor kendaraan (cat yang tidak jeas/kusam, karakter yang saing terhubung, rusak, dan sebagainya) Dan apabia pada proses segmentasi terdapat karakter yang saing berhubungan maka akan dapat terekstraksi bersama. Ha ini tentu saja dapat menyebabkan proses pengenaan yang saah. 4. Metode PCA ini terbukti cukup handa digunakan sebagai metode ekstraksi feature. Jumah variasi image training yang banyak akan membuat sistem pengenaan menjadi ebih baik. Daftar Pustaka [] C. Coetzee, C. Botha and D. Weber, PC Based Number Pate Recognition System. [2] J.Chang and N.C. Griswod, A Hierarchica Mutiayer Perceptron Neura Network for The Recognition of the Automobie License Pate Number, Proc. SPIE, vo. 2664, pp. 38-44, 996. [3] Jesús Moina, Jose M. Mossi and Antonio Abio, Deveopment Of A Pate Reader For A Surveiance System. [4] Inte Image Processing Library Reference Manua., Inte Corporation, 2000. 38