ANALISIS SISTEM PARKIR CERDAS BERBASIS OCR (OPTICAL CHARACTER RECOGNITION) MENGGUNAKAN METODE CONFUSSION MATRIX Diana Rahmawati 1*, Kunto Aji Wibisono 2 2, Fajar Dwima W 3 1,2 Prodi S1 Teknik Elektro, Fakultas Teknik, Universitas Trunojoyo Madura Jl. Raya Telang PO. BOX 2 Kamal Bangkalan Madura * Email: diana_rahmawti@yahoo.com Abstrak Sistem Parkir Cerdas saat ini ditantang untuk membuat sistem yang dapat merespon cepat kendaraan yang masuk, dan mencarikan tempat parkir yang masih kosong. Hal ini seiring dengan tuntutan masyarakat modern yang semakin berpacu dengan waktu. Dengan menggunakan sistem parkir cerdas ini, pengguna dapat langsung mengetahui lahan parkir yang dapat ditempati, tanpa harus berputar-putar mencari sendiri lahan parkir yang masih kosong. Metode pembacaan menggunakan random password dan pengolahan citra dengan metode OCR (Optical Character Recognition). Sistem ini kemudian diujikan, dan dianalisa keakuratannya menggunakan metode Confussion Matrix. Hasil yang diperoleh, terdapat kesalahan sebesar 2,66 %. Dari hasil pengujian, dapat disimpulkan bahwa tingkat keakuratan sistem dalam menerjemahkan gambar plat nomorsudah cukup baik, namun dalam pembacaan terdapat beberapa huruf yang tidak dapat diterjemahkan, hal tersebutdikarenakan kondisi plat yang kurang baik, kondisi kamera tidak stabil (goyang-goyang), kondisi pencahayaan dan jarakdalam pengambilan gambar juga mempengaruhi hasil. Kata kunci: sistem parkir cerdas, OCR (Optical Character Recognition), Confussion Matrix, pengolahan citra 1. PENDAHULUAN Masalah yang sering dihadapi pengguna jasaparkir adalah kesulitan dalam mencari lokasi parkir yang kosong, sehingga harus membuang waktu berputar putar mencari tempat parkir yang kosong. Masalah selanjutnya adalah pengguna sering kali lupa letak kendaraan yang diparkirnya. Pada penelitian ini, dirancang sistem parkir berbasis image processing, dan menggunakan dua parameter masukanyaitu menggunakan kamera untuk mendeteksi plat nomor kendaraan yang diubah dalam bentuk teks dan sandi (Enkripsi dalam bentuk barcode), yang diperoleh secara acak. Dua parameter yang dimasukan ke dalam basis data mysql oleh sistem di pintu masuk, yaitu plat nomor dan sandi. Inputan ini digunakan untuk kendaraan yang akan keluar, sistem mencocokan antara plat nomor kendaraan dan sandi, jika plat nomor dan sandi sesuai dengan basis data maka memenuhi kondisi dan pintu keluar (Motor Servo) terbuka. Sistem ini juga dilengkapi dengan tampilan secara visual pada monitor menggunakan aplikasi visual basic yang dihubungkan dengan arduino secara serial, sehingga bagi pengguna yang menempati tempat parkir dapat mengetahui tempat parkir yang harus dituju. Tampilan pada monitor menyesuaikan dengan sensor fotodiode yang dipasang pada setiap tempat parkir. Metode pembacaan menggunakan random password dan pengolahan citra dengan metode OCR (Optical Character Recognition). Sistem ini kemudian diujikan, dan dianalisa keakuratannya menggunakan metode Confussion Matrix. Confusion matrix merupakan salah satu metode yang dapat digunakan untuk mengukur kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix mengandung informasi yang membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil klasifikasi yang seharusnya [E. Prasetyo, 2012] 82
2. METODOLOGI Optical Character Recognition OCR adalah aplikasi yang berfungsi untuk menerjemahkan tulisan tangan maupun ketikan, sehingga dengan adanya OCR user tidak harus melakukan pengetikan ulang[aim.inc, 2000]. Pada alat yang dirancang oleh penulis, OCR digunakan sebagai penerjemah tulisan pada plat nomor kendaraan, sehingga dapat diproses oleh sistem dan dimasukkan ke dalam basis data. Secara umum, proses pengenalan karakter yang dilakukan oleh OCR disajikan pada diagram di bawah ini. Gambar 1 Proses pengenalan oleh OCR secara umum Proses segmentasi bertujuan untuk memisahkan wilayah objek dengan wilayah latar belakang agar objek dalam citra mudah dianalisa dalam rangka mengenali objek. Dengan demikian citra yang besar terdiri dari objek karakter dapat disegmentasi menjadi masing-masing karakter. Proses selanjutnya adalah normalisasi, yang di dalamnya masih terdapat 2 proses, yaitu : a. Scalling, adalah fungsi untuk mengubah ukuran satu gambar dimana scalling merupakan istilah yang cenderung untuk memperbesar gambar dan shrink untuk memperkecil gambar. b. Thinning adalah operasi morfologi yang digunakan untuk menghapus piksel foreground yang terpilih dari gambar biner, biasanya digunakan untuk proses mencari tulang dari sebuah objek. Langkah selanjutnya adalah ekstraksi fitur, yaitu proses analisis citra dalam mengidentifikasi sifat-sifat yang melekat dari tiap-tiap karakter atau disebut juga dengan fitur dari sebuah objek yang terdapat dalam citra. Karakteristik ini digunakan dalam mendeskripsikan sebuah objek atau atribut dari sebuah obyek, kemudian fitur yang dimiliki oleh karakter dapat digunakan sebagai proses recognition. Tahap selanjutnya adalah OCR melakukan tahap pengenalan dan memberikan hasil pengenalan karakter angka ataupun huruf. Metode Confussion Matrix Confusion Matrix merupakan metode yang digunakan dalam perhitungan akurasi pada data berbentuk mining (data mining). Perhitungan presentase keberhasilan program dengan metode Confolution Matrix memiliki 4 output, yaitu Precision, Recall, Accuracy, dan Error Rate. Precision merupakan tingkat ketepatan antara informasi yang diminta oleh user dengan jawaban yang diberikan oleh sistem. Recall adalah tingkat keberhasilan sistem dalam menemukan kembali sebuah informasi dari data. Sedangkan accuracy didefinisikan sebagai tingkat kedekatan antara nilai prediksi dengan nilai aktual. 83
Gambar 2. Hubungan Presisi dengan Akurasi Sumber (https://dataq.wordpress.com) Tabel 1 Tabel Perbandingan Nilai Sebenarnya dengan Nilai Prediksi Persamaan Preccision, Recall, Accuracy, dan Error Rate yaitu sebagai berikut Precision = Recall = Accuracy = TP TP + FP TP TP + FN Error Rate = TP+TN TP + FP + FN + TN FP+FN TP + FP + FN + TN (1) (2) (3) (4) Keterangan Simbol : TP = True Positive Data benar/sesuai selama pengujian TN = True Negative Data prediksi benar sebelum diuji FP = False Positive Data tidak diduga selama pengujian FN = False Negative Data yang hilang selama pengujian Blok Diagram Sistem Gambar 3 Blok Diagram Sistem Sumber: Perancangan 84
Gambar 3 merupakan blok diagram sistem parkir, penjelasan blok diagram adalah sebagai berikut : a. Unit input merupakan unit masukan yang berupa kamera yang berfungsi untuk mengambil gambar plat nomor kendaraan, dan diproses oleh sistem menjadi bentuk teks, sensor fotodiode yang berfungsi untuk mendeteksi apakah ada kendaraan yang berada ditempat atau tidak, kemudian unit input berupa BarcodeScanner, berfungsi untuk scanpassword yang didapatkan ketika awal masuk. b. Unit proses terdiri dari personal komputer dan arduino sebagai kontrol, arduino dan komputer sebagai kontrol yang menghubungkan unit input dan unit output, yang saling terintegrasi. c. Unit output merupakan unit keluaran yang berupa motor servo, berfungsi untuk menggerakan palang pintu. Kemudian LCD (Monitor Personal Computer) berfungsi untuk menampilkan keadaan tempat parkir apakah sudah terisi atau belum, LCD 2x16 yang berfungsi untuk menampilkan plat nomor kendaraan bahwa tempat sudah dipesan oleh pelanggan, Serta mini thermalprint berfungsi untuk mencetak karcis yang berisi sandi. 3. HASIL DAN PEMBAHASAN 3.1 Pengujian Keakuratan Optical Character Recognition (OCR) Menerjemahkan Gambar Plat Nomor Pengujian OCR terhadap plat nomor kendaraan dilakukan untuk mengetahui tingkat keakuratan dalam menerjemahkan gambar menjadi tulisan, yang hasilnya digunakan dalam proses lanjutan. Pengujian ini dilakukan dengan cara memfoto plat nomor kendaraan dengan kamera yang terhubung dengan aplikasi yang telah dibuat menggunakan visual basic. Berdasarkan hasil penelitian hasil optimal dalam penerjemahan plat nomor. Kondisi dalam pengujian plat nomor : a. Posisi plat tegak lurus dan sejajar dengan kamera b. Dalam pengambilan gambar, baik kamera ataupun plat harus dalam keadaan stabil (tidak ada getaran) getaran mobil bukan termasuk gangguan. c. Plat harus dalam keadaan cukup cahaya, tidak terlalu gelap dan tidak terlalu terang, gangguan apabila terlalu terang (dalam kategori memberi efek silau pada plat nomor) dapat mengganggu penerjemahan OCR. d. Jarak stabil pengambilan gambar plat nomor adalah 60 cm 100 cm. Tingkat akurasi penerjemahan dihitung menggunakan rumus sebagai berikut : 1. Perhitungan akurasi pendeteksian karakter pada setiap plat nomor kendaraan Jumlah karakter benar Jumlah total karakter x 100% (5) 2. Perhitungan akurasi dari total pengujian plat nomor kendaraan Jumlah data plat nomor berhasil Jumlah sampel citra 3. Perhitungan menggunakan metode confussion matriks Keterangan Pengujian : P = Precission R = Recall A = Accuracy Er= Error Rate x 100% (6) 85
Contoh Perhitungan dengan Confussion Matrix Pengujian 1 Jarak Uji : 90 cm P R A Er Lux : 754 lx Hasil 100% 100% 100% 0% AG 1649 PE Berdasarkan pengujian yang telah dilakukan maka dapat ditentukan presentasi keberhasilan program dengan Metode Confussion Matrix : Jumlah karakter yang diuji : 10, Salah : 0, Benar : 10 Nilai Sebenarnya True False Nilai Positive 10 0 Prediksi Negative 0 10 10 Precision = 10 + 0 = 10 10 = 1 = 100% Recall = 10 10 + 0 = 10 10 = 1 = 100% Accuracy = Error Rate = 10 + 10 10 + 0 + 0 + 10 = 20 20 = 1 = 100% 0 + 0 10 + 0 + 0 + 10 = 0 20 = 0 = 0% Tabel 2 Hasil Perhitungan prosentase keberhasilan program dengan metode Confussion Matrix Pengujian Jumlah Karakter Jumlah Benar Jumlah salah 86 Precission Recall Accurancy 1 10 10 0 100 100 100 0 2 9 9 0 100 100 100 0 3 9 9 0 100 100 100 0 4 9 9 0 100 100 100 0 5 9 9 0 100 100 100 0 6 8 8 0 100 100 100 0 7 8 8 0 100 100 100 0 8 9 9 0 100 100 100 0 9 8 8 0 100 100 100 0 10 8 8 0 100 100 100 0 Error Rate
11 9 9 0 100 100 100 0 12 9 9 0 100 100 100 0 13 9 9 0 100 100 100 0 14 8 6 2 75 86 83 17 15 9 9 0 100 100 100 0 16 8 8 0 100 100 100 0 17 8 8 0 100 100 100 0 18 9 6 3 67 100 83 17 19 8 8 0 100 100 100 0 20 9 9 0 100 100 100 0 Pengujian dilakukan dengan beberapa macam jenis plat nomor kendaraan diantaranya adalah: Plat dengan kondisi pencahayaan yang banyak, seperti tabel pengujian pada nomor 14, plat dengan gambar logo di dalam plat nomor pada tabel pengujian nomor 15, plat dengan penulisan karakter tebal pada tebel pengujian nomor 18, plat dengan baut timbul pada tabel pengujian nomor 8, 9, 15, dan 16, plat dengan tertutup mika pada tabel pengujian nomor 17 dan plat-plat yang standar. 4. KESIMPULAN Dari hasil pengujian, dapat disimpulkan bahwa tingkat keakuratan sistem dalam menerjemahkan gambar plat nomor sudah cukup baik, eror 2,66 % namun dalam pembacaan terdapat beberapa huruf yang tidak dapat diterjemahkan, hal tersebut dikarenakan kondisi plat yang kurang baik, kondisi kamera tidak stabil (goyang-goyang), kondisi pencahayaan dan jarak dalam pengambilan gambar juga mempengaruhi hasil. 87
5. DAFTAR PUSTAKA E. Prasetyo, 2012, Data Mining: Konsep dan Aplikasi menggunakan Matlab, 1 ed. Yogyakarta: Andi Offset AIM.Inc, 2000,"Optical Character Recognition," N. A. Tauchid, R. Rumani dan B. Irawan, 2016, Analisis Performansi Metode KNN (K-Nearest Neighboar) Untuk Pengenalan Karakter Pada Plat Nomor Kendaraan di Raspberry Pi, Fakultas Teknik Elektro Univesitas Telkom, Jln. Telekomunikasi No.1 Terusan Buah Batu Bandung 40257 Indonesia. A. Puranic, D. K. T dan U. V, 2016, Vehicle Number Plate Recognition System: A Literature, International Journal of Computer Applications, vol. 134, no. 1, p. 0975 8887 A. Gupta, A. Jaiswar, H. Agarwal dan C. Shankar, 2015, Automatic Multilevel Car Parking, International Journal of Electrical and Electronics Research, vol. 3, no. 2, pp. 438-441 B. A. Patel and A. Singhadia, 2014, Automatic Number Plate Recognition System, International Journal of Engineering Trends and Technology (IJETT), vol. 16, p. 8. M. K. Soraya, Z. Raamar, G. M dan Giaglis, 2008, Advances in Ubiquitous Computing: Future Paradigms and Directions, IGI Publishing F. G. Jacek, 2011, Permanent Magnet Motor Technology: Design and Applications, Third Edition, CRC Press,. A. Solichin and Z. Rahman, 2015, dentifikasi Plat Nomor Kendaraan Berbasis Mobile," TICOM, vol. 3, p. 3 R. P. Wicaksana, 2013, Pengenalan Plat Nomor Kendaraan Secara Otomatis," ITS, Surabaya. 88