Contoh Skripsi | APLIKASI PENGENALAN PLAT NOMOR POLISI KENDARAAN BERMOTOR DENGAN METODE JARINGAN SYARAF TIRUAN

Kampus TI | Contoh Skripsi | APLIKASI PENGENALAN PLAT NOMOR POLISI KENDARAAN BERMOTOR DENGAN METODE JARINGAN SYARAF TIRUAN | Assalamu'alaikum kawan kampus TI. Di postingan kali ini saya akan sharecontoh skripsi tentang JARINGAN SYARAF TIRUAN. Postingan ini hanya untuk contoh semua dan isi dari postingan ini di kuitp dari berbagai sumber.

BAB I

PENDAHULUAN

1.1  Latar Belakang Masalah

Setiap kendaraan telah memiliki identitas berupa plat kendaraan yang berisi nomor polisi. Identitas inilah yang membedakan antara kendaraan yang satu dengan yang lainnya. Pengenalan plat kendaraan dapat digunakan diberbagai sistem seperti sistem keamanan, sistem jalan tol dan sistem parkirtanpa harus membuat identitas baru sehinggatopik ini menarik untuk diteliti.

Salah satu aplikasi yang dapat digunakan adalah aplikasi yang secara otomatis dapat mengenali plat nomor kendaraan  bermotor melalui gambar yang ditangkap oleh kamera. Salah satu cara yang dapat digunakan untuk membuat aplikasi tersebut dengan menggunakan image processing dan neural network (jaringan saraf tiruan).

Image processing (pemroses gambar) merupakan salah satu jenis teknologi untuk menyelesaikan masalah mengenai pemrosesan gambar. Dalam image processing gambar yang diolah sedemikian rupa sehingga gambar tersebut lebih mudah untuk diproses lebih lanjut.

Jaringan saraf tiruan merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Jaringan saraf tiruandapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola data.

Dengan demikian, berdasarkan permasalahan diatas maka penulis mengambil permasalahan tentang adalah aplikasi yang secara otomatis dapat mengenali plat nomor kendaraan  bermotor melalui gambar yang ditangkap oleh kamera sebagai bahan penyusunan proposal inidengan judul “Aplikasi Pengenalan Plat Nomor Polisi Kendaraan Bermotor Dengan Menggunakan Metode Jaringan Syaraf Tiruan”.

1.2. Identifikasi Masalah

Berdasarkan latar belakang penelitian yang telah diuraikan diatas, maka penulis dapat mengidentifikasi masalah sebagai berikut :

1. Penulisan plat nomor kendaraan bermotor masih mengandalkan penulisan tangan pada karcis parkir/ TOL.
2. Waktu yang dibutuhkan cukup lama karena masih mengandalkan penulisan tangan pada karcis parkir/ TOL.

1.3. Pembatasan Masalah

Dalam penelitian ini, penulis membatasi masalah sebagai berikut :

1.    Data yang diolah berasal dari citra dengan formatfile bmp dan jpg.

2.    Citra dibatasi pada plat yang berwarna dasar hitam dan tulisan berwarna putih.

3.    Karakter yang dikenali adalah huruf Alphabet (A sampai Z) huruf besar semua, serta angka (0 sampai 9)

4.    Pada penelitian ini proses pengambilan gambar serta penentuan dari posisi plat telah di lakukan sebelumnya dan yang akan dibahas hanya pengenalan karakter pada plat kendaraan bermotor .

1.4. Maksud dan Tujuan

1.4.1. Maksud Penelitian

Maksud penyusun pada penulisan ini, yaitu untuk membuat aplikasi yang secara otomatis dapat mengenali plat nomor kendaraan  bermotor melalui gambar yang ditangkap oleh kamera. Sehingga dapat mengenali plat kendaraan dan dapat digunakan diberbagai sistem seperti sistem keamanan, sistem jalan tol dan sistem parkirtanpa harus membuat identitas baru sehinggatopik ini menarik untuk diteliti.

1.4.2.  Tujuan Penelitian

Tujuan akhir dari penulisan ini adalah untuk membuat  aplikasi yang dapat mengenali keberadaan suatu plat nomor dalam suatu gambar. Proses pengenalan dilakukan dengan  mengenali setiap karakter dari plat nomor kendaraan tersebut dengan metode pengenalan karakter dan pemrosesan gambar dengan menggunakan jaringan saraf tiruan dan image processing sehingga dapat ditransformasikan ke dalam bentuk huruf teks.

1.5. Kegunaan Penelitian

1.5.1. Kegunaan Teoritis

Menggunakan pengelolaan data penjualan biasanya secara manual sekarang menggunakan program aplikasi komputer.

1.5.2.  Kegunaan Praktis

Pengenalan plat kendaraan bermotor dapat dilakukan dengan mudah menggunakan program yang telah dirancang oleh penyusun.

1.6.  Sistematika Penyusunan

Untuk mempermudah dalam mendapatkan gambaran yang lengkap dan jelas mengenai masalah yang dibahas, maka penulis membagi masalah ini kedalam 6 (enam) bab dengan gambaran sebagai berikut :

BAB I   : PENDAHULUAN

Pada bab ini berisi tentang Latar Belakang, Identifikasi Masalah, Pembatasan Masalah, Maksud dan Tujuan Penelitian, Kegunaan Penelitian dan Sistematika Penulisan.

BAB II  : TINJAUAN PUSTAKA

Pada bab ini berisi tinjauan pustaka bagi teori-teori yang mendasari, relevan dan terkait dengan subyek dan permasalahan yang dihadapi dalam penyusunan proposal.

BAB III : METODE PENELITIAN

Pada bab ini berisi metode yang digunakan, data yang diperlukan,  teknik pengumpulan data, serta hubungan dengan penelitian sebelumnya.

BAB IV : ANALISIS DAN PEMBAHASAN MASALAH

            Pada bab ini menjelaskan tentang analisis terhadap masalah yang diteliti.

BAB V  : PERANCANGAN PROGRAM

            Pada bab ini berisi tahap-tahap perancangan program aplikasi yang meliputi perancangan representasi pengetahuan dan perancangan antarmuka.

BAB VI : KESIMPULAN DAN SARAN

            Berisi kesimpulan dari hasil pengujian yang didapatkan, serta saran-saran untuk pengembangan sistem lebih lanjut.

BAB II

TINJAUAN PUSTAKA

2.1. Plat Nomor Kendaraan Bermotor

Plat Nomor Kendaraan Bermotor atau biasa disebut juga Tanda Nomor Kendaraan Bermotor (TNKB) berbentuk plat aluminium dengan cetakan tulisan dua baris[1].

Ø  Baris pertama menunjukkan: kode wilayah (huruf), nomor polisi (angka), dan kode/seri akhir wilayah (huruf).

Ø  Baris kedua menunjukkan bulan dan tahun masa berlaku.

2.1.1. Plat Nomor Kendaraan Bermotor Resmi

Bahan baku TNKB resmi adalah aluminium dengan ketebalan 1 mm. Ukuran TNKB untuk kendaraan bermotor roda 2 dan roda 3 adalah 250x105 mm, sedangkan untuk kendaraan bermotor roda 4 atau lebih adalah 395x135 mm.

Terdapat cetakan garis lurus pembatas lebar 5 mm diantara ruang nomor polisi dengan ruang angka masa berlaku. Warna tanda nomor kendaraan bermotor resmi ditetapkan sebagai berikut:

Ø  Kendaraan bermotor bukan umum dan kendaraan bermotor sewa dengan warna dasar hitam dengan tulisan berwarna putih.

Gambar 2.1. Tanda Nomor Kendaraan

Bermotor Bukan Umum

Ø  Kendaraan bermotor umum dengan warna dasar kuning dengan tulisan berwarna hitam.

Gambar 2.2. Tanda Nomor

Kendaraan Bermotor Umum

Ø  Kendaraan bermotor milik pemerintah dengan warna dasar merah dengan tulisan berwarna putih.

Gambar 2.3. Tanda Nomor

Kendaraan Bermotor Pemerintah

Ø  Kendaraan bermotor Corps Diplomatik Negara Asing dengan warna dasar putih dengan tulisan berwarna hitam.

Gambar 2.4. Tanda Nomor Kendaraan

Bermotor Corps Diplomatik Negara Asing

Ø  Kendaraan bermotor Staff Operasional Corps Diplomatik Negara Asing dengan warna dasar hitam dengan tulisan berwarna putih dan terdiri dari lima angka dan kode angka negara dicetak lebih kecil dengan format sub-bagian.

Ø  Kendaraan bermotor untuk transportasi dealer (pengiriman dari perakitan ke dealer, atau dealer ke dealer) dengan warna dasar putih dengan tulisan berwarna merah.

Gambar 2.5. Tanda Nomor Kendaraan

 Bermotor Transportasi Dealer

Nomor kendaraan bermotor diberikan sesuai dengan urutan pendaftaran kendaraan bermotor. Nomor urut tersebut terdiri dari 1-4 angka, dan ditempatkan setelah Kode Wilayah Pendaftaran. Nomor urut pendaftaran dialokasikan sesuai kelompok jenis kendaraan bermotor:

Ø  1 - 2999, 8000 - 8999 dialokasikan untuk kendaraan penumpang.

Ø  3000 - 6999, dialokasikan untuk sepeda motor.

Ø  7000 - 7999, dialokasikan untuk bus.

Ø  9000 - 9999, dialokasikan untuk kendaraan beban.

Apabila nomor urut pendaftaran yang telah dialokasikan habis digunakan, maka nomor urut pendaftaran berikutnya kembali ke nomor awal yang telah dialokasikan dengan diberi tanda pengenal huruf seri A - Z di belakang angka pendaftaran. Apabila huruf di belakang angka sebagai tanda pengenal kelipatan telah sampai pada huruf Z, maka penomoran dapat menggunakan 2 huruf seri di belakang angka pendaftaran. Gambar 2.6. akan menjelaskan bagian-bagian dari TNKB.

Gambar 2.6. Penomoran Tanda Nomor

 Kendaraan Bermotor

 Keterangan :    A = Nomor kode wilayah

B = Nomor urut pendaftaran

C = Nomor tanda pengenal

D = Tanggal masa berlaku

2.1.2. Plat Nomor Kendaraan Bermotor Variasi

Pada masa sekarang ini banyak ditemui TNKB yang tidak sesuai standar pemerintah untuk TNKB resmi, baik dari segi ukuran, cara penulisan, warna, ataupun bahan. TNKB variasi ini banyak ditemui pada kendaraan pribadi. Berikut contoh kesalahan penulisan pada Gambar 2.7.

Gambar 2.7. Plat Nomor Kendaraan Bermotor Tidak Resmi

2.2. Image Processing

Image processing atau biasa disebut juga dengan pengolahan citra adalah suatu metode yang mempelajari hal-hal yang berkaitan dengan mengolah atau memanipulasi gambar dalam bentuk 2 dimensi (citra digital)[2]. Proses ini mempunyai ciri data masukkan dan informasi keluaran yang berbentuk citra (tidak berubah bentuk data). Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu. Konsep dasar dari sistem pengolahan citra diambil dari kemampuan indera penglihatan manusia yang selanjutnya dihubungkan dengan kemampuan otak manusia. Dalam sejarahnya, pengolahan citra telah diaplikasikan dalam berbagai bentuk, dengan tingkat kesuksesan yang cukup besar. Seperti berbagai cabang ilmu lainnya, pengolahan citra menyangkut pula berbagai gabungan cabang-cabang ilmu. Seperti diantaranya optik, elektronik, matematika, fotografi, dan teknologi komputer.

Pengolahan citra pertama kali digunakan pada bidang militer. Seiring dengan perkembangan jaman teknologi pengolahan citra dikembangkan dalam berbagai bidang kehidupan seperti dalam bidang komersial, industri, dan kesehatan. Pada umumnya, tujuan dari pengolahan citra adalah mentransformasikan, mengolah, atau memanipulasi suatu gambar digital sehingga informasi baru tentang gambar dibuat lebih jelas dari sebelumnya. Ada banyak cara yang dapat diaplikasikan dalam suatu operasi pengolahan citra.

2.2.1. Pengubahan Citra Sempurna Menjadi Citra Grayscale

Citra warna bisa diubah menjadi citra grayscale dengan cara menghitung rata-rata elemen warna Red, Green, dan Blue[3]. Secara matematis cara termudah untuk penghitungannya adalah sebagai berikut: Ket:

R = Merah

G = Hijau

B = Biru

Grayscale = ( R + G + B ) / 3

Cara yang lain dengan definisi NTSC (National Television System Committee). NTSC mendefinisikan bobot untuk konversi citra grayscale sebagai berikut :

W_R = Bobot Merah = 77

W_G = Bobot Hijau = 150

W_B = Bobot Biru = 29

Grayscale = ((WR*R)+( WG*G)+( WB*B)) / 256

Contoh dari citra sempurna pada Gambar 2.8. dan hasil dari pengubahan gambar ke dalam bentuk grayscale pada Gambar 2.9.

Gambar 2.8. Citra Sempurna

Gambar 2.9. Hasil Pengubahan Citra Sempurna

Menjadi Citra Grayscale

2.2.2. Pengubahan Citra Grayscale Menjadi Citra Hitam Putih

Pengubahan citra grayscale menjadi citra hitam putih ini menggunakan teknik thresholding[4].Proses thresholding bekerja dengan cara memilih suatu nilai batas (threshold) dan piksel yang memiliki nilai dibawah threshold akan diubah menjadi 0(hitam) sedangkan untuk piksel yang memiliki nilai diatas threshold diubah menjadi 255(putih). Proses threshold sangat berguna untuk menentukan daerah yang terterang dan tergelap dari sebuah gambar. Gambar 2.10. merupakan gambar hasil pengubahan citra grayscale menjadi citra hitam putih.

Gambar 2.10. Hasil Pengubahan Citra Grayscale Menjadi Citra Hitam Putih

2.2.3. Algoritma Pencari Lokasi Plat Nomor (Plate Finder Algorithm)

Banyak algoritma yang dapat digunakan untuk mencari lokasi plat nomor kendaraan seperti run-length smearing algorithm (RLSA), connected components analysis, Hough Transform (HT) dan lain-lain. Algoritma yang akan digunakan dalam skripsi ini adalah RLSA (smearing)[5].

Smearing adalah suatu metode untuk mengekstraksi lokasi teks dalam suatu gambar. Dengan smearing, gambar akan diproses secara vertikal dan horisontal (scan-lines). Jika angka dari piksel hitam berurutan kurang dari threshold yang ditentukan maka gambar akan diubah menjadi putih.

Contoh :

Jika threshold telah ditetapkan 10 dan 100 untuk horisontal dan vertikal smearing.

 If number of consecutive ‘black’ pixels < 10 ; pixels become ‘white’

Else ; no change

If number of consecutive ‘black’ pixels > 100 ; pixels become ‘white’

Else ; no change

Contoh dari hasil pencarian algoritma smearing terhadap posisi area plat dapat dilihat pada Gambar 2.11.

Gambar 2.11. Hasil Dari Algoritma Pencari Lokasi Plat Nomor

2.2.4. Segmentasi Karakter (Character Segmentation)

Dalam segmentasi karakter setiap karakter dari plat akan dibagi menjadi tiap-tiap bagian. Metode yang digunakan adalah dengan membandingkan tiap baris piksel secara tegak. Jika piksel tersebut terdeteksi sebagai awal karakter maka baris dari piksel itu diberi nilai 1 sedangkan jika terdeteksi sebagai akhir dari karakter di berikan nilai 2, jika baris itu terdeteksi sebagai tengah dari karakter maka akan diberi 3. Setelah area ditemukan maka gambar akan dipotong-potong sesuai dengan area-area yang ada. Contoh hasil dari segmentasi karakter pada Gambar 2.12.

Gambar 2.12. Hasil Segmentasi Karakter

2.2.5. Encode Weight (Perhitungan Bobot)

Weight (bobot) yang akan digunakan untuk training ataupun proses perhitungan akan didapatkan dari pembagian gambar citra hitam putih dengan menggunakan region (daerah bagian)[6]. Penentuan region yang akan dilakukan berdasarkan titik berat dari karakter hasil segmentasi lalu dibagi menjadi beberapa bagian dengan pembagian daerah tiap 30 derajat. Dari bagian-bagian tersebut tiap piksel berwarna putih (piksel aktif) akan dihitung perbagian dan dicari nilai persentase dari total piksel yang ada pada bagian tersebut sehingga didapat weight yang dapat diproses.

Gambar 2.13. Pembagian Region

2.3. Clustering ( Pengelompokkan)

Analisis cluster adalah suatu usaha untuk menemukan sekelompok objek data yang memiliki kemiripan yang sama (similarity) dan memiliki perbedaan dengan dengan kelompok objek lainnya[7]. Persamaan dan perbedaan tersebut diperoleh dari informasi yang didapat dari objek tersebut berdasarkan hubungan antar objek-objek tersebut (relationship). Berikut beberapa hal yang tidak termasuk dalam analisis cluster

Ø  Klasifikasi yang telah tervisikan (misal: pengelompokkan hewan berdasarkan tempat hidupnya),

Ø  Pemisahan sederhana (misal: pengelompokkan nama siswa berdasarkan nama abjad),

Ø  Hasil suatu Query (misal: pengelompokkan suatu spesifikasi tertentu),

Ø  Partisi grafik dan lain-lain.

Proses clustering akan dianggap baik jika memiliki hasil kualitas cluster yang tinggi, yang dimaksud tinggi disini adalah jika cluster memiliki :

Ø  Tingkat kesamaan yang tinggi dalam suatu cluster (high intra-class similarity).

Ø  Tingkat perbedaan yang tinggi antar cluster (low inter-class similarity).

Similarity merupakan nilai kemiripan dari objek-objek yang ada sesuai dengan perhitungan secara numerik berdasarkan informasi yang didapat dari objek tersebut. Semakin mirip suatu objek dengan objek yang lain maka nilai similarity-nya juga semakin besar. Banyak metode yang dapat digunakan untuk menghasilkan cluster. Tentu saja metode yang digunakan untuk mengukur kesamaan (similaritas) akan mempengaruhi keberhasilan dan kualitas dari cluster yang akan terbentuk.

2.4. Jaringan Saraf Tiruan (Neural Network)

Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi[8]. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistem pemrosesan informasi. Jaringan Syaraf Tiruan seperti manusia belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir.

Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

Kelebihan sistem jaringan saraf tiruan adalah:

Ø  Kemampuan melakukan proses pembelajaran

Ø  Kemampuan beradaptasi

Ø  Implementasi komponen peralatan dalam bentuk paralel secara besar-besaran.

Ada banyak tipe dari JST seperti feedforward, Radial Basic Function (RBF), kohonen self-organizing dan lain-lain. Metode JST yang akan digunakan pada Skripsi ini adalah metode kohonen self-organizing.

2.4.1. Algoritma Kohonen Self Organizing Maps (SOM)

Self Organizing Maps (SOM) adalah suatu cara pengolahan data dengan cara meng-cluster-kan data yang memiliki kemiripan dengan menggunakan suatu lingkungan map[9]. Dari hasil peng-cluster-an data tersebut dapat diambil suatu informasi tentang output dari tiap-tiap cluster. Untuk lebih jelasnya berikut adalah bentuk gambar dari algoritma SOM yang dapat dilihat pada Gambar 2.14.

Gambar 2.14. Hubungan Antara Jaringan SOM Dengan Node Input Pada Input Layer

Berikut adalah algoritma SOM :

1.     Inisialisasi neuron input : x1, x2, x3, …,xi.

2.     Inisialisasi neuron output ( lapisan output) sebanyak j x l : y11, y12, y13, …, yjI.

3.     Mengisi bobot antar neuron input dan output μijl dengan bilangan random 0 sampai 1.

4.     Mengulangi langkah-langkah berikut hingga tidak ada perubahan pada bobot map.

a.     Pemilihan salah satu input dari vektor input yang ada.

b.    Penghitungan jarak antar vektor input terhadap bobot (djI) dengan masing-masing neuron output dengan rumus jarak / distance yang dapat dilihat pada persamaan (2.2) : (Paradigma Sistem Cerdas, Prof.Dr.Ir.Kuswara Setiawan, M.T.,2003)

(2.2)

c.     Dari seluruh bobot (djl) dicari yang paling kecil. Indeks dari bobot (djl) dikatakan winning neuron karena paling mirip.

d.    Untuk setiap bobot μijl diperbaharui bobot koneksinya dengan menggunakan rumus yang dapat dilihat pada persamaan (2.3) : (Paradigma Sistem Cerdas, Prof.Dr.Ir.Kuswara Setiawan, M.T.,2003)

Pada algoritma diatas variabel learning rate (). Variabel ini menunjukkan bagaimana adaptasi/pembelajaran dari proses training biasanya bernilai 0 ≤ g (t) ≤1. Semakin besar nilai g (t), semakin cepat bobot koneksi beradaptasi / semakin besar pengaruh vektor input terhadap perubahan bobot koneksi yang terjadi. Besar dari learning rate ini akan berkurang dari tiap iterasi. Semakin lama g (t) akan mendekati 0, perubahan bobot semakin lama akan semakin kecil dan vektor-vektor input dapat dipetakan dengan baik. Fungsi g (t) yang digunakan adalah penurunan konstan yaitu:

Dimana: t g iterasi sekarang; T g setting maksimal iterasi; ggnilai penurunan learning rate

Untuk fungsi tetangga atau neighborhood hijbc(t) juga memiliki nilai antara 0 ≤ hijbc(t) ≤ 1.

Setelah proses training dilakukan selanjutnya yang dilakukan adalah proses testing. Proses testing ini bertujuan untuk mengetahui posisi akhir dari tiap data sampel sehingga mendapatkan hasil output dari bobot yang telah konvergen. Berikut algoritma dari proses testing:

a.     Insialisasi bobot ijl dengan bobot hasil training (load last convergent weight)

b.    Bentuk cluster – cluster dari vektor data training (yang digunakan sebelumnya) dengan cara sama dengan proses training, tetapi tanpa meng-update bobot.

c.     Definisikan spesifikasi output dari tiap cluster berdasarkan spesifikasi output dari tiap data training dalam cluster tersebut.

d.    Masukkan vektor data baru yang akan di test dan lakukan proses clustering untuk semua vektor data baru.

e.     Update spesifikasi ouput tiap data baru dengan spesifikasi output dari tiap cluster dimana dia berada.

Yang membedakan proses testing dan training adalah pada proses testing tidak ada update weight, tetapi weight yang digunakan adalah weight yang telah konvergen dari hasil training.

BAB III

METODE PENELITIAN

3.1.  Metode Penelitian

Metode penelitian yang digunakan dalam penulisan skripsi ini adalah metode kualitatif deskriptif.

“Metode Kualitatif sering disebut metode penelitian naturalistik karena penelitiannya dilakukan pada kondisi yang alamiah, disebut juga metode etnographi, karena pada awalnya metode ini lebih banyak digunakan untuk penelitian”.[1]

“Penelitian deskriptif menuturkan sesuatu secara sistematis tentang data atau karakteristik populasi tertentu atau bidang tertentu secara faktual dan cermat, serta menganalisa dan menginterpretasikan data yang ada”.[2]

Penulis memaparkan beberapa permasalahan yang dijadikan objek penelitian, yaitu mengenai pengenalan plat kendaraan bermotor secara otomatis, kemudian melakukan analisis terhadap permasalahan tersebut dan dibuatkan pemodelan agar solusi permasalahan dapat dipecahkan secara efisien. Setelah dilakukan analisis, maka selanjutnya penulis menginterpretasikan data dengan teknik analisa data, sebagai implementasinya penulis merancang aplikasi yang secara otomatis dapat mengenali plat nomor kendaraan  bermotor melalui gambar yang ditangkap oleh kamera.

3.2.  Data Yang Diperlukan

Data yang diperlukan untuk penyusunan Skripsi ini adalah sebagai berikut :

1.      Data Primer

Sumber data primer adalah sumber data yang langsung memberikan data kepada pengumpul data.[3]

Data primer yang penulis dapatkan adalah data yang diperoleh dari hasil pengambilan gambar plat nomor serta buku-buku yang berhubungan dengan kasus yang diteliti.

2.      Data Sekunder

Data sekunder merupakan data primer yang telah diolah lebih lanjut dan disajikan baik oleh pengumpul data primer.[4]

Sedangkan data sekunder yang penulis dapatkan adalah data yang mendukung keterangan atau kelengkapan data primer, seperti metode penormalan gambar ( resizing, grayscaling, thresholding ).

3.3.  Sumber Data

Sumber data yang peneliti peroleh adalah  dari plat kendaraan bermotor dan dari beberapa literatur yang berkaitan dengan permasalahan yang dihadapi.

3.4.  Teknik Pengumpulan Data

Teknik pengumpulan data yang digunakan dalam penyusunan proposal ini adalah sebagai berikut :

1.     Penelitian Lapangan (Field Research)

Dalam pengumpulan data di lapangan, Penulis menganalisis secara langsung pada objek yang sedang diteliti dengan maksud untuk memperoleh data primer tentang sesuatu yang berhubungan dengan masalah aplikasi yang secara otomatis dapat mengenali plat nomor kendaraan  bermotor melalui gambar yang ditangkap oleh kamera.

Teknik pengumpulan data yang digunakan dalam penelitian lapangan ini antara lain :

a.    Observasi, pengamatan langsung dan pencatatan terhadap objek yang diteliti.

b.    Wawancara, merupakan teknik pengumpulan data dengan cara mengadakan tanya jawab dengan pihak-pihak yang berhubungan dengan permasalahan.

2.     Penelitian Kepustakaan (Library Research)

Teknik ini dilakukan baik secara library research maupun internet research yang menambah wawasan dan informasi tentang masalah yang dikaji, yang dilaksanakan dengan maksud untuk memperoleh data-data pendukung yang berfungsi sebagai tinjauan pustaka guna mendukung data-data sekunder yang diperoleh dari objek penelitian serta referensi lainnya yang berkaitan dengan penelitian ini.

3.5.  Teknik Analisis Data

Teknik analisis yang digunakan yaitu teknik Deskriptif Analisis yang diperoleh dari hasil penelitian, proses analisis data ini meliputi :

a.     Analisa prosedur yang sedang berjalan yaitu dengan menggunakan  Use Case.

b.     Analisa dokumen yaitu mulai dari masukan (input), proses, sampai dengan menghasilkan keluaran (output).

c.     Analisa aliran data dan informasi yaitu dengan menggunakan Class Diagram.

3.6.  Hipotesa

a.     Algoritma Self Organizing Maps (SOM)  dapat diterapkan dengan baik untuk pengenalan karakter dalam plat nomor mobil.

b.     Prosentase hasil pengenalan karakter yang dilakukan dengan algoritma Self Organizing Maps (SOM)  pada plat nomor adalah 80%

BAB IV

ANALISIS DAN PEMBAHASAN MASALAH

4.1.   Analisis Prosedur

          Rangkaian prosedur yang akan dilakukan oleh aplikasi ini adalah diinputkannya sebuah gambar dari sebuah gambar teks. Di mana gambar tersebut akanmelalui serangkaian manipulasi citra dalam proses image preprocessing diantaranya prosesgrayscaling, thresholding, segmentasi karakter, normalisasi dan ekstrasi ciri yang akanmengubah gambar tersebut menjadi serangkaian nilai-nilai yang berguna untuk prosesutama berikutnya yaitu : proses pelatihan (training process) ataupun proses pengenalan(recognition process).

          Output dari proses pelatihan adalah sekumpulan nilai bobot jaringan dan vektor polastabil yang disimpan ke dalam sebuah file pelatihan, file pelatihan tersebut dapat dibukakembali bila akan diupdateataupun digunakan dalam proses pengenalan. Sedangkan outputdari proses pengenalan adalah konversi dari citra yang berisi angka-angka bipolar menjadihuruf-huruf atau angka yang dapat disimpan ke dalam file teks.Dalam hal ini perlu diperhatikan bahwa sebelum melakukan proses pengenalan,terlebih dahulu dilakukan pengecekan apakah sudah ada data pelatihan (training) yangdapat dijadikan acuan dalam melakukan pengenalan. Bila tidak, maka proses pengenalantidak bisa dilakukan.

 

Gambar 4.1. Flowchart Analisis Prosedur

4.2.  Analisis Dokumen

4.2.1. Analisis Dokumen Input

Dalam sistem aplikasi pengenalan plat nomor polisi kendaraan bermotor ini yang menjadi dokumen masukan yaitu filegambar plat nomor.

4.2.2.  Analisis Dokumen Proses 

Dokumen proses merupakan dokumen yang terbentuk setelah adanya dokumen masukan. Di dalam aplikasi pengenalan plat nomor polisi kendaraan bermotorini yang menjadi dokumen proses yaitu prosesimage processing diantranya grayscaling, thresholding, segmentasi karakter, normalisasi dan ekstraksi ciri yang akan mengubah gambar tersebut menjadi serangkaian nilai-nilai yang berguna untuk proses utama berikutnya yaitu : proses pelatihan (training prosces) ataupun proses pengenalan (recognition process).

4.2.3.  Analisis Dokumen Keluaran  

Sebagai dokumen keluaran dalam aplikasi pengenalan plat nomor polisi kendaraan bermotor ini adalah data file gambar yang telah diproses melalui image processing dan proses pelatihan (training prosces) menjadi informasi berupa file text.

4.3.  Analisis Aliran Data dan Informasi

Aliran data merupakan proses berjalannya atau mengalirnya sebuah data yang diolah hingga menjadi sebuah informasi. Sedangkan aliran informasi adalah proses berjalannya informasi hingga sampai pada tangan pencari dan pengguna informasi.Penulisan plat nomor kendaraan bermotor masih mengandalkan penulisan tangan dan waktu yang dibutuhkan cukup lama untuk peinputan pada karcis parkir/ TOL. Sehingga penulis membuat aplikasi yang secara otomatis dapat mengenali plat nomor melalui gambar yang ditangkap oleh kamera.

4.4.  Evaluasi Sistem Sedang Berjalan

4.4.1.     Kekuatan Sistem (Strength)

Kekuatan dari sistem yang sedang berjalan adalah sebagai berikut :

1.      Penulisan plat nomor dilakukan manual sehingga mengurangi terjadinya kesalahan.

4.4.2.     Kelemahan Sistem (Weakness)

Kelemahan dari sistem yang sedang berjalan adalah sebagai berikut :

1.      Penulisan plat nomor kendaraan masih mengandalkan penulisan tangan.

2.      Waktu yang dibutuhkan cukup lama.

4.4.3.     Kesempatan Sistem (Opportunity)

Kesempatan dari sistem yang sedang berjalan adalah menambahkan sistem baru yaitu dengan aplikasi pengenalan plat nomor polisi kendaraan bermotordapat menjadi salah satu solusi untuk memperbaiki kelemahan sistem juga dapat menambah peluang meningkatnya penghasilan.

4.4.4.     Tantangan Sistem (Threat)

Tantangan sistem disini yaitu bagaimana cara untuk mendapatkan hasil tangkapan kamera yang pas sehingga meminimalisir kesalahan saat penginputan plat nomor kendaraan.

BAB V

PERANCANGAN PROGRAM APLIKASI

5.1.  Analisis Kebutuhan Perancangan

5.1.2. Proses Pengambilan Gambar

Proses pengambilan gambar yang digunakan sebagai input pada sistem yang dibangun adalah rangkaian-rangkaian kata yang berasal dari file Microsoft Word yang mewakili huruf dan angka yang sudah dilatihkan kepada sistem, kemudian dilakukan proses print screendan diolah dengan menggunakan aplikasi paint sehingga didapat file *.bmp atau *.jpg.

5.1.3. Modul Image Preprocessing

Modul ini merupakan proses yang pertama kali dijalankan bila user hendak melakukan proses pelatihanmaupun proses pengenalan. Pertama-tama, gambar yangdibuka akan dibaca dan kemudian setiap huruf dan angka tersebut akan dicari posisi dan ukurannya (segmentasi). Sebelum gambar tersebut disegmentasi terdapat proses grayscaling,thresholdinghingga menjadi gambar hitam-putih untuk memudahkan dalam pengolahan data selanjutnya.

31

Proses selanjutnya adalah mencari baris demi baris yang ada pada gambar dan mensegmentasikan tiap kata dan tiap karakter yang ada pada gambar input. Proses pengambilan tiap-tiap karakter yang ada pada gambarini sangatlah penting karena tanpa akurasi inputyang baik, maka proses pengenalan (recognition) tidak akan berfungsi dengan baik. Proses ini ditunjukan oleh flowchart pada gambar 5.1 :

 

Gambar 5.1. Flowchart Modul Image Preprocessing

5.1.3.1Proses Grayscaling dan Thresholding

Pada prosesgrayscaling ini gambar inputyang berwarna dapat diubah menjadi gambar yang tediri dari warna putih dan gradiasi warna hitam dengan menggunakan representasi warna RGB. Pengubahan gambar ke dalam bentuk grayscale ini dilakukan dengan mengambil nilai pixeldari suatu gambar inputyang kemudian dihitung dengan persamaan yang ada yaitu :

Grayscale = 0,299R + 0,587G + 0,114B

 

Gambar 5.2. Flowchart Proses Grayscaling dan Thresholding

Ilustrasi proses grayscalingdan thresholding :

Gambar 5.3. lustrasi ProsesGrayscaling dan Thresholding

Gambar inputyang berformat bitmapakan diubah ke dalam sebuah matrik yang berukuran sesuai dengan ukuran pixeldari inputimage tersebut. Selanjutnya akan dilakukan perubahan ke dalam vektor matrik biner yang hanya bernilai 0 atau 1 pada setiap pixel-nya.

Setelah didapatkan nilai grayscalekemudian nilai pada setiap pixel hasil grayscale akan dilakukan proses thresholdingyang akan menyebabkan setiap pixelhanya bernilai 0 atau 1. Setelah proses grayscale dan thresholding selesai, proses selanjutnya adalah melakukan proses segmentasi (Segmentation).

5.1.3.2Proses Segmentasi (Segmentation)

Proses segmentasi dilakukan dengan memetakan jumlah titik hitam setiap baris pada gambar ke sumbu y (Y-Mapping) dan setiap baris karakter hasil pemetaan tersebut dipetakan lagi ke sumbu x (X Mapping). Setiap koordinat karakter hasil segmentasidisimpan dalam variabel array yang sudah disiapkan.

Dalam hal ini terjadi tiga proses segmentasi, yaitu :

1. Segmentasi Baris ( Line Segmentation)

Segmentasi baris merupakan proses awal dari modul proses segmentasi karakter.

2. Segmentasi Kata (Words Segmentation)

Setiap baris hasil dari tahap segmentasi baris sebelumnya dipetakan padasumbu- x lalu dihitung jumlah pixel bernilai satu (1) (pixel hitam).

3. Segmentasi Karakter (Character Segmentation)

Segmentasi karakter penelusurannya hampir sama dengan segmentasi kata,hanya saja pemisahan antar karakter dibatasi minimal 1 pixel saja.

 

Gambar 5.4. Flowchart Proses Segmentasi (Segmentation)

Contoh :

Gambar 5.5. Ilustrasi Proses Segmentasi

5.1.4. Modul Pelatihan (Training Process)

Pada proses pelatihan ini, jaringan akan dilatih satu per satu berdasarkan vektor input gambar huruf dan angka yang sudah mengalami proses dari image preprocessing hingga encode input sebelumnya.

Outputdari modul ini adalah file data informasi jaringan saraf tiruan yang berisi bobot koneksi antar neuron dari semua pola vektor yang terbentuk dan vektor pola yang dipanggil secara stabil (konvergen).

Sebelum proses pelatihan berjalan hal yang perlu dilakukan adalah membuat sebuah matrik vektor bobot koneksi untuk menyimpan pola dengan kondisi awal Wji = 0, Setelah itu tiap pola input vektor yang ada dan pola yang baru dihitung dengan persamaan :

Kemudian matrik bobot yang lama dijumlahkan dengan matrik bobot yang baru untuk mendapatkan bobot matrik koneksi yang bisa merepresentasikan tiap pola :

Menghitung nilai aktivasi tiap pola dengan persamaan :

Langkah-langkah Training Process :

1.     Vektor pola biner dinormalisasi dengan ukuran 8x8

2.     Vektor biner dirubah ke dalam bentuk bipolar yang mempunyai nilai 1 atau -1.

3.     Proses encode input yang menghasilkan matrik vektor 1x64, (vektor inilah yang digunakan sebagai input pelatihan maupun input pengenalan).

 

Gambar 5.6. Flowchart Proses Neural Network

Pada Modul Pelatihan

5.1.5. Modul Pengenalan (Recognition Process)

Input dari modul pengenalan ini berupa file gambar dokumen, yang tersusun dari rangkaian kata dari proses segmentasi. Input vektor untuk proses pengenalan ini berupa matrik vektor pola 1x64, nilai-nilai bobot koneksi jaringan dan vektor pola konvergen dari tiap karakter yang telah dilatih sebelumnya melalui modul pelatihan.

 Pada proses karakter ini sangat tergantung pada proses segmentasi yang baik, apabila terdapat proses segmentasi yang tidak valid sehingga pola yang diberikan tidak persis seperti salah satupola dalam pembelajaran maka JST Hopfield mampu memilih salah satu pola dalam memorinya yang paling mirip ini dikarenakan JST Hopfield juga besifat high-faulttolerance dengan asumsi pemilihan. Output pengenalan ini adalah output yang sesuai dengan kedekatan vektor pola input terhadap pola target. Proses segmentasi yang kurang baik juga bisa menyebabkan JST memanggil pola palsu (spurious stable state) di mana jaringan berkonvergensi terhadap pola lain.

Gambar 5.7. FlowchartProsesNeural Network

Pada Modul Pengenalan

5.2. Perancangan Input

            Masukan atau inputan merupakan awal dari dimulainya proses informasi. Bahan mentah dari informasi adalah data yang terjadi dari transaksi atau kegiatan yang dilakukan oleh pemakai atau user. Data dari hasil transaksi atau kegiatan tersebut merupakan bahan mentah untuk mendapatkan informasi.

Adapun desain input yang terdapat dalam aplikasi ini  adalah sebagai berikut :

a.      Desain Form Login

Rancangan form login berfungsi untuk masuk ke form berikutnya, yaitu dengan memasukan username dan password yang telah didaftarkan di server, kemudian klik tombol login untuk meneruskan ke form berikutnya.

Form Login
Username
Password
LogIn

Gambar 5.8. Desain Form Login

b.      Desain Form Menu Utama

Desain formini berisi menu utama yangdisediakanagar pengguna dapat memilih apakah ingin menjalankan proses pelatihan atau proses pengenalan. Sebelum proses pengenalan, harus dilakukan proses pelatihan terlebih dahulu.

 

Gambar 5.13. Desain FormMenu Utama

5.3. Implementasi Sistem

1.     Konfigurasi Perangkat Lunak

Spesifikasi perangkat lunak (software) yang mendukung terhadap jalannya program aplikasi pengenalan plat nomor kendaraan bermotor yaitu sebagai berikut:

a.     Windows7

b.    Program aplikasi yang digunakan adalah MATLAB R2009b (Version 7.9.0.529).

2.     Konfigurasi Perangkat Keras

Perangkat keras (hardware) yang digunakan untuk implementasi Program aplikasi pengenalan plat nomor kendaraan bermotor yaitu sebagai berikutyang diajukan yaitu sebagai berikut :

a.     Processor Intel Pentium IV

b.    VGA 32 MB

c.     RAM 256 MB

d.    Hardisk ATA 40GB

e.     Motherboard Standar Socket 478

f.     Casing Tower

g.    Monitor LCD

h.     Mouse and Keyboard

3.     Perkiaraan Biaya

Tabel 5.1.Perkiraan Biaya

Perangkat / Alat-alat	Perkiraan Biaya
1.     Unit komputer Dengan processor Pentium IV, hardisk 40 Gb RAM 256	Rp. 1.000.000,-
2.     Printer	Rp.    700.000,-
3.     Program Aplikasi	Rp. 1.500.000,-
Jumlah	Rp. 3.200.000,-

5.5.Pengujian

5.5.1.     Pengujian Program Aplikasi

5.5.1.1. Jenis pengujian

Jenis pengujian yang digunakan dalam tahap ini yaitu menggunakan pengujian black box. Adapun rincianya dapat dilihat pada tabel berikut ini :

Tabel 5.2. Rencana pengujian sistem

Item Uji	Detail Pengujian	Jenis Pengujian
Menu LogIn	Verifikasi Log In	Blackbox
Menu Utama	Input	Blackbox

5.5.1.2. Hasil Pengujian

1.      Pengujian Login

Pada tabel ini diuji apakah fungsi-fungsi dari tombol yang berada pada form login berfungsi atau tidak.

Tabel 5.3.Pengujian Login

Data Masukan	Yang Diharapkan	Pengamatan	Kesimpulan
Username dan Password harus terisi denan benar	Langsung masuk pada menu utama	Langsung masuk pada menu utama	Diterima
Salah memasukan username atau password,dan atau kosong tidak diisi salah satu filednya.	Menampilkan “username dan password anda salah”	Menampilkan “username dan password anda salah”	Diterima

2.Pengujian Menu Utama

Tabel 5.4.Pengujian Menu Diagnosa

Data Masukan	Yang Diharapkan	Pengamatan	Kesimpulan
Menimport foto	Langsung melakukan proses latihan dan pengenalan image	Langsung melakukan proses latihan dan pengenalan image	Diterima

BAB VI 

KESIMPULAN DAN SARAN

            Pada bab ini berisi kesimpulan dan saran dari penulis dalam pembuatan desain web/sistem informasi.

6.1.  Kesimpulan

              Setelah melakukan pengujian pengenalan plat nomor kendaraan bermotorbaik secara ujicoba maupun berdasarkan teori, sertamenganalisa hasil pengujian, maka dapat diambil kesimpulan-kesimpulan sebagai berikut:

1.     Persentase akurasi hasil pengenalan tiap karakter untuk ukuran yang sama dengan yang dilatihkan sampai 96,77% dan rata-rata akurasi hasil pengenalan untuk dua ukuran karakter yang berbeda dengan yang dilatihkan adalah 89,52%.

2.     Persentase rata-rata akurasi pengenalan image plat nomor dengan pemilihan huruf atau angka secara random untuk ukuran yang sama dengan yang dilatihkan sampai 99,19%, sedangkan untuk ukuran karakter yang berbeda sampai 89,49%.

3.     Pada pengujian pengenalan image plat nomor berwarna berdasarkan pengaruh parameter BW Threshold. Pada BW Threshold default (196) didapat akurasi sampai 93,18% untuk karakter yang sama dengan pelatihan dan rata-rata akurasi untuk dua ukuran yang berbeda dengan pelatihan sampai 76,51%. Pada BW Threshold (235) didapat akurasi sampai 98,18% untuk karakter yang sama dengan pelatihan dan rata-rata akurasi untuk dua ukuran yang berbeda dengan pelatihan sampai 86,36%.

4.     Rata-rata hasil pengenalan untuk setiap jenis ukuran karakter yang tidak dilatihkan bergantung pada ukuran karakter yang telah dilatihkan, apabila jenis karakter tersebut mirip dengan salah satu model karakter yang dilatihkan maka rata-rata hasil pengenalan akan tinggi.

6.2.      Saran

1.      Proses segmentasi karakter dapat disempurnakan dengan menggunakan beberapa metode pemrosesan citra yang lain.

2.      Untuk pengembangan lebih lanjut diharapkan sistem bisa mengenali input gambar yang terkena noise dengan menambahkan metode untuk filtering noise.

 

DAFTAR PUSTAKA

[1] Diyah Puspitaningrum. 2006. Pengantar Jaringan Syaraf Tiruan.

Yogyakarta : Andi.

[2] Arief Hermawan. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi.

Yogyakarta : Andi.

[3] Sri Kusumadewi. 2003. Artificial Intelligence (Teknik & Aplikasinya).

Yogyakarta: Graha Ilmu.

[4] Fausett, L (1994), “Fundamental of Neural Network: Architectures, Algorithm,

and Applications”. Prentice Hall, Englewood Cliffs, N.J.

[5] Heaton, Jeff. 2008. Introduction to Neural Networks With Java 2nd Edition.

Heaton Research.

[6] Jure Zupan, Johann Gasteiger. 1999. Neural Networks in Chemistry and Drug

Design 2nd Edition.

[7] P. Coughlin, Robert H. Baran. 1995. Neural Computation in Hopfield Networks

and Boltzmann Machiness.

[8] Jonas Gomes, Luiz Velho. 2005. Image Processing For Computer Graphics.

Springer.

[9] http://en.wikipedia.org/wiki/Hopfield_net

[10] http://www.learnartificialneuralnetworks.com/hopfield.html