PENGENALAN PLAT NOMOR KENDARAAN GANJIL GENAP MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) BERBASIS VARIANS PROJECTION

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999

PENGENALAN PLAT NOMOR KENDARAAN GANJIL GENAP MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) BERBASIS VARIANS PROJECTION 1,2

Annahl Riadi1 dan Ricardus Anggi Pramunendar2 Pascasarjana Teknik Informatika Universitas Dian Nuswantoro

Abstract License Plate Recognition (LPR) automatically become a trend and became the topic of interest. Character segmentation is an important part of the vehicle license plate recognition. Results of segmentation affects the accuracy of character recognition directly. This study uses Variance Projection for character segmentation, only nois interference will affect the value of the projection. To overcome the problem of the projection variance caused by noise, then the pre-processing stage is proposed to use the method otsu and apply a gaussian function to reduce the intensity of the color white and black colors intensify the results of license plate segmentation binerisasi. Vehicle license plate recognition method that is widely used is mathcing templates and support vector machine (SVM). The existence of a relatively SVM still fairly young theoretically developed for binary classification problems (two-class classification). Therefore, SVM is used for classification of both odd and even number plate with the hope of obtaining a good accuracy value. Results of SVM classification accuracy using the confusion matrix for testing GLCM 8 features produce 93.33% for test data number default 50%, and accuracy of 90,91% to 40% the amount of data. For GLCM 7 feature produced 86.67% for test data number default 50%, and accuracy of 90.91% to 40% the amount of test data. 5 GLCM features while producing 80.00% of the amount of test data default 50%, and accuracy of 81.82% to 40% the amount of test data. In addition to improved segmentation results of the character, another contribution of this research is the discovery of the vehicle license plate recognition method is more accurate even odd. Keywords: Variance Projection, Otsu Method, Gaussian Function, SVM 1.

PENDAHULUAN

1.1. Latar Belakang Tingginya volume kendaraan itu mengakibatkan kemacetan dikota-kota besar. Untuk mengatasi kemacetan, Gubernur DKI Jakarta Joko Widodo membuat aturan pembatasan kendaraan berdasarkan nomor polisi ganji genap. Kebijakan pembatasan kendaraan sistem ganjil genap ini sebagai model kebijakan radikal untuk mengatasi kemacetan khususnya di Ibu Kota[1][2]. Berdasarkan data Dinas Perhubungan, saat ini jumlah kendaraan yang melintas di jalan-jalan Jakarta mencapai 262.313.31 unit per jam. Bila sistem ini diberlakukan, diprediksi jumlahnya akan berkurang menjadi 121.567.28 unit. Dengan demikian, setiap satu jam jumlah kendaraan pribadi yang beredar di jalanan Ibukota akan berkurang sebanyak 140.746.02 unit. Berkurangnya jumlah kendaraan membuat waktu tempuh kendaraan juga makin cepat. Diperkirakan, kecepatan waktu tempuh kendaraan akan mencapai 41,3 km per jam.Agar kebijakan pembatasan kendaraan sistem ganjil genap berjalan dengan baik, maka diusulkan Sistem transportasi cerdas [3] yang mampu membantu dalam hal tindak pelanggaran lalu lintas. License Plate Recognition (LPR) atau Pengenalan Nomor Kendaraan secara otomatis menjadi trend[4][5][6] dan menjadi topik yang menarik [7]serta menjadi salah satu hal pokok dalam sebuah sistem yang membutuhkan data nomor kendaraan seperti sistem parkir, sistem tol bahkan untuk sistem lalu lintas dalam hal tindak pelanggaran lalu lintas. Dalam mendapatkan informasi data kendaraan berupa nomor plat kendaraan, dibutuhkan beberapa proses yang harus dilakukan. Proses-proses tersebut terdiri dari empat bagian antara lain : pengambilan 168

http://research.pps.dinus.ac.id

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 gambar kendaraan, penentuan posisi dari plat nomor kendaraan, segmentasi karakter dan standarisasi, dan pengenalan karakter yang terdapat pada plat nomor kendaraan[3]. Kualitas gambar yang diperoleh merupakan faktor utama dalam keberhasilan LPR [8], Namun pada plat kendaraan banyak terdapat gangguan-gangguan seperti pencahayaan, kotoran, debu, dan aksesoris yang melekat pada plat [8].Segmentasi karakter merupakan bagian terpenting dalam LPR[9][7]. Hasil segmentasi yang mempengaruhi akurasi pengenalan karakter secara langsung.[10] Semakin baik gambar hasil segmentasi maka kemungkinan tingkat keberhasilan pengenalan karakter plat nomor kendaraan akan semakin tinggi. Oleh karena itu proses segmentasi karakter plat nomor kendaraan membutuhkan teknik yang tepat dalam hal penggunaan metode yang digunakan dalam segmentasi gambar plat nomor kendaraan, atau lebih dikenal dengan istilah proses awal (pre-processing). Sampai saat ini, penelitian tentang segmentasi karakter telah disajikan dalam literatur. Ada beberapa algoritma yang umum seperti proyeksi, template maching dan analisis konektivitas[11][5]. Metode segmentasi karakter menggunakan varians projection kemampuannya baik dalam segmentasi tiap karakter pada plat nomor kendaraan [12][13], karena dapat mensegmentasi karakter pada sisi vertikal dan horizontal tiap karakter. Hanya saja metode ini sangat rentan terhadap gangguan yang terdapat diantara karakter yang akan disegmentasi dan border pada plat nomor kendaraan [13]. Metode pengenalan karakter plat nomor kendaraan yang banyak digunakan adalah template mathcing[9][14][15] dan support vektor machine (SVM) [12][16][5], keberadaan SVM yang relatif terbilang masih muda secara teoritik dikembangkan untuk masalah binary classification (klasifikasi dua kelas) [17][18].Beberapa kelebihan SVM antara lain: SVM memiliki landasan teori yang dapat dianalisa dengan jelas dan tidak bersifat black box, serta dapat diselesaikan dengan metode sekuensial dan relatif mudah untuk diimplementasikan. Dalam penelitian ini, untuk mengatasi masalah pada varians projection yang diakibatkan oleh noise, maka pada tahap pre-processing diusulkan untuk menggunakan metode otsuuntuk mengurangi gangguan noise pada gambar plat serta menerapkan fungsi gaussian untuk menurunkan intensitas warna putih dan meningkatkan intensitas warna hitam pada hasil binerisasi segmentasi plat nomor kendaraan[19]dan menggunakan Suppor Vector Machine (SVM) untuk mengklasifikasi hasil dari segmentasi karakter dalam pengenalan plat nomor kendaraan ganjil genap. 1.2. Rumusan Masalah a. Masalah Umum Sistem transportasi cerdas mampu membantu dalam hal tindak pelanggaran lalu litas, namun tingginya volume kendaraan mengakibatkan sulitnya mengatasi kemacetan di kota-kota besar. b. Masalah Spesifik Vertical and horizontal projections(varians projection) sangat simple dan umum digunakan untuk segmentasi karakter, namun gangguan noise akan mempersulit dan mempengaruhi nilai proyeksi pada varians projectionserta pengurangan gangguan noise pada penelitian terdahulu yang menggunakan pendekatan metode otsu, metode bernsen, hough transform, bernsen + gaussianmasih menunjukkan tingkat akurasi maksimal 97,41%. Selain itu belum adanya metode pengenalan plat nomor kendaraan untuk kelas ganjil dan genap. 1.3. Tujuan Penelitian a. Tujuan Umum Ditemukannya metode pengenalan plat nomor kendaraan ganjil genap yang diharapkan dapat menjadi masukan bagi pengembangan Sistem Transportasi Cerdas. b. Tujuan Spesifik Ditemukannya metode untuk membantu varians projection dalam mengatasi gangguan noise pada pengenalan plat nomor kendaraan ganjil genap yang diharapkan dapat meningkatkan akurasi lebih besar dari 97,41% dengan metode klasifikasi SVM.


,

169

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 1.4 Manfaat Penelitian a. Manfaat bagi Tranportasi Darat Dari penelitian ini diharapkan dapat menjadi masukan untuk pengambilan kebijakan pembatasan kendaraan dan memudahkan pengelolaan lalu lintas untuk mengatasi kemacetan di kota-kota besar. b. Manfaat bagi Ilmu Pengetahuan dan Teknologi Penerapan metode varians projection dan SVM yang dapat mengatasi noise dan mendapatkan nilai pengenalan plat nomor kendaraan ganjil genap yang lebih akurat dapat memperkaya pengetahuan tentang identifikasi plat nomor kendaraan. 2. 2.1.

TINJAUAN PUSTAKA Penelitian Terkait Penelitian terkait pengenalan plat nomor kendaraan banyak dilakukan oleh peneliti, rangkuman masalah, metode dan hasil penelitian tersebut dapat dilihat pada tabel berikut ini. Tabel 2.0.1Penelitian Terkait Metode Peneliti

Masalah Pre-Processing

[12]

[13]

[20]

[6]

170

varians projection melakukan segmentasi karakter untuk membagi dan memisahkan region karakter China dengan region karakter yang lainnya serta meningkatkan akurasi pengenalan karakter menghilangkan gangguan hasil binerisasi menggunakan metode mean filter dan metode varians projection Menemukan metode Bernsen untuk menghilangkan gangguan akibat kemiringan

Memisahkan karakter dan latar belakang plat nomor kendaraan

Segmentasi Klasifikasi Karakter

• Membandingkan metode otsu dan metode bernsen • algoritma Bernsen + filter gaussian

connected componen t labeling + varians projection

Metode threshold otsu

Varians projection + Mean Filter

Membandingka n gray image, Otsu method dan traditional Bernsen method.

Varians projection

Edge detection, Metode Otsu

Varians projection , connected componen t label

SVM

-

Hasil Hasil akurasi pengenalan karakter masing-masing yaitu untuk angka 99,5%, huruf kana 98,6%, alamat daerah 97,8%. Akurasi untuk keseluruhan proses mencapai 93,54%.

metode varians projection yang ditingkatkan dapat lebih baik dari segmentasi karater plat nomor kendaraan

-

Hasil akurasi yang didapatkan dari penelitian ini 97,41% dengan menggunakan 226 sample gambar plat nomor kendaraan yang berbeda

Template maching

Hasil dari penelitian ini, yaitu: pada deteksi plat nomor kendaraan 90%, segmentasi tiap karakter 96,87%, dan pengenalan karakter 80,20%.


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 2.2. Landasan Teori 2.2.1 Metode Otsu Metode otsu biasa disebut juga optimum threshold otsu. Metode ini disebut optimum karena kinerjanya yang memaksimalkan varians antar kelas (between-class variance) [19]. Pendekatan varians antar kelas ini digunakan untuk melakukan analisis diskriminan yaitu membedakan antara dua atau lebih kelompok berdasarkan kelas yang sudah ditentukan. Variable antar kelas akan dapat memisahkan antara latar belakang (background) dan latar depan (foreground). Menurut Gonzales and Woods dalam [19], metode otsu didasarkan pada nilai histogramnya. Nilai intensitas dari setiap piksel akan ditunjukkan sembarang oleh histogram pada citra 1 dimensi. Dengan menggunakan histogram kita dapat melakukan pengelompokan terhadap piksel-piksel dalam citra. Sumbu x merupakan level intensitas yang berbeda dan sumbu y menyatakan jumlah piksel yang memiliki nilai intensitas tersebut. Pengelompokan level intensitas ini didasarkan pada nilai ambang atau threshold. Nilai threshold ini akan menjadi nilai objektif dan merupakan tujuan dari metode otsu, karena dasar dari metode otsu adalah perbedaan dari intensitas dari piksel-piksel yang dipisahkan dalam kelas-kelas tertentu. Threshold yang dapat memisahkan intensitas pada level-level tertentu sedemikian rupa agar nilai threshold ini dapat dinyatakan optimal. Jadi metode otsu ini merupakan segmentasi yang dilandaskan dari nilai intensitas dari piksel-piksel citra. 2.2.2 Fungsi Gaussian Fungsi gausian sering disebut dengan karakteristik simetrik, fungsi gaussian banyak digunakan diberbagai bidang seperti[21] , statistik, signal prosessing, image prosessing. Fungsi gaussian secara awal mempunyai persamaan: ........................................... (7)

Pada image prosessing fungsi gaussian mempunyai dua persamaan yaitu, persamaan 1 dimensi (1-D) dapat dinyatakan sebagai berikut: ........................................... (8) -

σ adalah standar deviasi x adalah panjang nilai horizontal ke x pada gaussian

Denganσ menyatakan standar deviasi dari distribusi. Sedangkan yang kedua adalah persamaan 2 dimensi (2-D) dapat dinyatakan sebagai berikut.

..................................... (9)

2.2.3 Varians Projection a. Vertical Variance Projection Dalam algoritma proyeksi tradisional, karakter yang tersegmentasi secara langsung sesuai dengan posisi palung, namun dengan cara ini prosesnya akan lebih sensitif terhadap noise[13]. Adanya garisgaris naik-turun baik pada layaknya histogram (tapi tidak diskret) pada garis koordinat x dan y. Pada dasarnya teknik bekerja dengan cara yang sangat sederhana, hanya dengan menjumlahkan nilai http://research.pps.dinus.ac.id

,

171

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 intensitas citra yang terlebih dulu telah dinormalisasi (dijadikan biner) baik pada tiap baris (untuk vertikal) dan tiap kolom (untuk horisontal). Lalu yang menjadi pemisahnya adalah adanya lembah untuk tiap bentuk isyarat. Lembah itu merupakan spasi putih yang memisahkan tiap karakter. Penerapan varian vertikal proyeksi wilayah karakter dihitung oleh algoritma. Kemudian proyektor minimum berhubungan dengan kesenjangan antara satu karakter yang lain, fitur dari kurva proyeksi adalah bahwa puncak dan lembah muncul secara bergantian. Kombinasi lain pada pengetahuan sebelumnya, satu karakter diekstraksi dengan mendeteksi puncak dan palung. b. Keberadaan perbatasan lisensi tidak hanya membuat nilai proyeksi vertikal lebih besar dari nol, tetapi juga membuat karakter saling menempel di plat[13]. Dalam rangka untuk menentukan titik segmentasi, perbatasan harus dihapus. 2.2.4 Support Vector Machine Support Vector Machine (SVM) merupakan metode yang pertama kali dikembangkan oleh Vapnik pada tahun 1995 dan telah digunakan dalam berbagai masalah termasuk pengenalan pola, bioinformatika, dan teks kategorisasi. SVM mengklasifikasikan data dengan label kelas yang berbeda dengan menentukan sebuah set dari support vector yang merupakan anggota himpunan dari input training yang menguraikan sebuah hyperplane dalam ruang fitur. SVM menyediakan mekanisme generik yang sesuai untuk permukaan hyperplane dengan data training menggunakan fungsi kernel (misalnya linier, polinominal, atau sigmoid) untuk SVM selama proses training yang memilih support vector sepanjang permukaan fungsi ini[22]. SVM menggunakan prinsip dari Structural Risk Minimization (SRM) dengan membangun sebuah pemrograman kuadratik yang digunakan untuk memisahkan optimal hyperplane di ruang fitur tersembunyi dan digunakan untuk menemukan sebuah solusi yang baik[23]. Ada tiga masalah utama yang mungkin ditemukan ketika kita menerapkan SVM untuk kasifikasi dan regresi yaitu (1) memilih fitur yang optimal, (2) pilihan dari kernel, dan (3) penentuan parameter kernel[24]. Ide dasar dari SVM adalah bahwa vektor input asli dipetakan kedalam ruang fitur tinggi atau tidak terbatas oleh dimensi ruang fitur oleh sebuah pemetaan nonlinear dari fungsi h berdasarkan pada teori Mercer, sehingga masalah klasifikasi nonlinear dan regresi dilakukan dengan klasifikasi dan regresi linier dalam ruang fitur. SVM mengadopsi prinsip dari SRM dan generalisasi yang lebih baik.Proses pembelajaran SVM adalah untuk memecahkan pemrograman kuadratik atau linear dan solusinya adalah optimum global[24]. 2.2.5 Mean Square Error (MSE) Perbaikan dari sebuah kualitas gambar mempunyai sifat yang subyektif , maka parameter keberhasilan perbaikan kuallitas gambar perlu adanya pengukuran yang subyektif pula [26].Untuk itu perlu adanya pengukuran kuantitatif yang bisa mengukur kinerja prosedur perbaikan gambar, di mana pengukuran ini dapat mencari nilai untuk membandingkan hasil perbaikan gambar dengan gambar target/hasil yang ingin dicapai. Alat ukur ini adalah mean square error (MSE) yang dinyatakan dengan persamaan berikut.

...............................................................

(10)

Keterangan: 172


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 adalah selisih antara nilai sumber - dengan nilai target M dan N adalah ukuran panjang dan lebar pada gambar MSE dengan satuan piksel

2.2.6 GLCM (Gray Level Co-occurrence Matrix) Salah satu metode analisis tekstur yang paling banyak digunakan adalah gray level cooccurrence matrix yang didasarkan pada fungsi statistika orde kedua. Matriks cooccurence ini diperkenalkan pertama kali oleh Haralick untuk mengekstrak fitur-fitur yang digunakan sebagai analisis citra hasil penginderaan jauh. Cooccurence didefinisikan sebagai distribusi gabungan dari level grayscale dua piksel yang terpisah jarak dan arah tertentu (Δx, Δy). Gray Level Cooccurence Matrix (GLCM). Pada analisis tekstur secara statistis, fitur tekstur dihitung berdasarkan distribusi statistik dari kombinasi intensitas piksel pada posisi tertentu relatif terhadap lainnya dalam suatu matriks citra. Bergantung pada jumlah piksel atau titik intensitas dalam masing-masing kombinasi, dibedakan adanya statistik orde-pertama, statistik orde-kedua dan statistik orde-lebih- tinggi (higher-order statistics). Metode GLCM (Gray-Level Cooccurrence Matrix) adalah salah satu cara mengekstrak fitur tekstur statistik orde-kedua.Matriks GLCM mampu menangkap sifat tekstur tetapi tidak secara langsung dapat digunakan sebagai alat analisis, misalnya membandingkan dua tekstur. Data ini harus disarikan lagi agar didapatkan angka-angka yang bisa digunakan untuk mengklasifikasi tekstur. Haralick pada tahun 1973 mengusulkan 14 ukuran (atau ciri/fitur), tetapi Connors dan Harlow pada tahun 1980-an mengkaji bahwa dari 14 fitur yang diusulkan Haralick tersebut, hanya 5 diantaranya yang biasa digunakan. Kelima fitur itu adalah: energi, entropi, korelasi, homogenitas, dan Kontras [27].

2.3. SVM dan Varians Projection untuk Pengenalan Plat Kendaraan Ganjil Genap Segmentasi karakter merupakan bagian terpenting dalam pengenalan plat kendaraan. [9][7]. Hasil segmentasi mempengaruhi akurasi pengenalan karakter secara langsung [10]. Semakin baik gambar hasil segmentasi maka kemungkinan tingkat keberhasilan pengenalan karakter plat nomor kendaraan akan semakin tinggi. Varians projection berkemampuan baik dalam segmentasi tiap karakter pada plat nomor kendaraan [12][13], karena dapat mensegmentasi karakter pada sisi vertikal dan horizontal tiap karakter. Namun, gangguan noise akan mempersulit dan mempengaruhi nilai proyeksi pada varians projection serta pengurangan gangguan noise. Pada penelitian terdahulu yang menggunakan pendekatan metode otsu, metode bernsen, hough transform, bernsen + gaussian, masih menunjukkan tingkat akurasi maksimal 97,41%. Proses segmentasi karakter plat nomor kendaraan membutuhkan teknik yang tepat dalam hal penggunaan metode yang digunakan dalam segmentasi gambar plat nomor kendaraan. Gambar plat nomor kendaraan yang menggunakan format *.JPG akan melalui tahapan preprocessing menggunakan metode otsu-gaussian untuk memperoleh hasil yang baik sehingga mempermudah proses segmentasi karakter menggunakan varians projection. Hasil dari segmentasi karakter kemudian diklasifikasikan menggunakan SVM sehingga memperoleh hasil pengenalan plat nomor kendaraan ganjil atau genap. Metode ini diharapkan dapat mengatasi gangguan noise dan meningkatkan akurasi pengenalan plat kendaraan ganjil genap. Metode ini diharapkan dapat meningkatkan hasil pengenalan plat nomor kendaraan ganjil genap lebih dari 97,41 %. Untuk mengevaluasi hasil dari metode ini Mean Square Error (MSE) dan Confusion Matrix digunakan untuk mengukur tingkat akurasi. Berikut ini disajikan diagram alir metode penelitian ini.


,

173


MASALAH Gangguan noise akan mempersulit dan mempengaruhi nilai proyeksi pada varians projection serta pengurangan noise pada penelitian terdahulu yang menggunakan pendekatan metode otsu, metode bernsen, hough transform, bernsen + gaussian masih menunjukkan tingkat akurasi maksimal 97,41%. Selain itu belum adanya metode pengenalan plat nomor kendaraan untuk kelas ganjil dan genap

EXPERIMENT Input database

Metode Otsu

Fungsi gaussian

Varians Projection (Vertikal & Horisontal)

Pengklasifikasian SVM

Data hyperplane

Pengenalan Plat nomor Kendaraan

MEASUREMENT MSE dan Confusion Matrix

TUJUAN Ditemukannyametodeuntuk membantu varians projection dalam mengatasi gangguan noise pada pengenalan plat nomor kendaraan ganjil genap dan diharapkan dapat meningkatkan akurasi lebih besar dari 97,41% serta ditemukannya SVM sebagai metode klasifikasi yang terbaik untuk pengenalan plat nomor kendaraan ganjil genap.

Gambar 2.1 Diagram Alir Metode Penelitian

174


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 3.

METODE PENELITIAN

3.1. Pengumpulan Data Pengumpulan data merupakan langkah awal pada suatu penelitian. Data yang digunakan pada penelitian ini adalah data gambar plat kendaraan yang bersumber dari hasil penelitian terkait (Erwin Dwika Putra, 2012), dimana data tersebut berupa gambar kendaraan yang diambil dari depan kendaraan atau dari belakang kendaraan yang memuat area plat nomor kendaraan. Data berupa gambar kendaraan jenis roda 4 (mobil). Pengambilan (acquire) gambar kendaraan menggunakan kamera pocket CASIO 8.1 Mega Pixel dengan resolusi pada saat pengambilan 1600x1200 pixel, dengan jarak pengambilan gambar antara kamera dan kendaraan lebih kurang 2 sampai dengan 3 meter. Gambar kendaraan yang diambil merupakan gambar kendaraan yang menggunakan plat nomor kendaraan tipe standar dan dalam keadaan baik. dari gambar kendaraan tersebut kemudian dilakukan proses pemotongan (cropping) sehingga menghasilkan gambar plat kendaraan.

Gambar 3.1.1.Plat Nomor Kendaraan 3.2. Pengolahan Data Pengolahan awal (Preprocessing) merupakan tahap untuk mempersiapkan data yang telah diperoleh dari tahap pengumpulan data, yang akan digunakan pada tahap selanjutnya data yang diperoleh terlebih dahulu di preprocessing dengan mengubah gambar RGB menjadi Grayscale agar mempermudah memisahkan antara background dan foreground menggunakan metode otsu. 3.3. Segmentasi dengan Varians Projection Seperti yang telah diuraikan di latar belakang, pada penelitian ini diusulkan untuk menggunakan metode otsu-gaussian untuk menangani masalah noise yang mempengaruhi proses segmentasi karakter dengan menggunakan varians projection. Kemudian menggunakan SVM untuk pengenalan plat nomor kendaraan


,

175

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 dengan harapan nilai akurasi akan meningkat. Metode yang diusulkan yang menggunakan MATLAB dengan tahapan sebagai berikut.

Gambar 3.2.1.Model Segmentasi Menggunakan Varians Projection Segmentasi karakter seringkali menghasilkan ukuran yang dimensinya berbeda-beda. Oleh sebab itu normalisasi perlu dilakukan, sehingga ukuran dimensi citra menjadi sama dan akan memudahkan dalam memperoleh nilai tekstur. GLCM (Gray Level Co-occurrence Matrices) adalah metode analisa tekstur yang diusulkan agar memperoleh nilai tekstur pada nomor plat kendaraan. Contrast, Correlation, Homogenity, Entropy, dan Energy merupakan lima ciri tekstur yang didapat kemudian dijadikan dasar perhitungan metode klasifikasi SVM. Selain 5 Fitur, peneliti juga menggunakan 7 fitur dan 8 fitur menurut penelitian [28], fitur-fitur tekstur diperoleh dari fungsi histogram serta matrik GLCM sebagai masukan sistem pengklasifikasi yaitu antara lain : mean, entropy, standar deviasi, variance, correlation, energy, serta homogeneity. 3.4. Klasifikasi dengan SVM Setelah mendapatkan nilai tekstur GLCM, hasil dari nilai tekstur tersebut kemudian diklasifikasikan menggunakan Super Vector Machine (SVM). Pengklasifikasian SVM diolah menggunakan Matlab. Pengklasifikasian SVM menggunakan Cross Validation untuk penentuan data Testing dan data Training. Pendekatan umum yang digunakan untuk pembangunan model klasifikasi adalah sebagai berikut : Learning Algoritma Data Induction Training

Learn Model SVM

Model SVM

Data Testing Apply Model SVM Gambar 3.3. Pendekatan Umum untuk Pembangunan Model Klasifikasi SVM Tahap Pendekatan umum untuk penyelesaian masalah klasifikasi. Pertama, Data Training berisi record yang mempunyai label kelas yang diketahui haruslah tersedia. Data Training digunakan untuk membangun model klasifikasi, yang kemudian diaplikasikan ke Data Testing yang berisi record-record dengan label kelas yang tidak diketahui. Penerapan SVM diharapkan dapat lebih meningkatkan akurasi 176


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 dan ketahanan pengenalan plat kendaraan ganjil genap. Sehingga diharapkan keakuratan dari pengenalan plat kendaraan dapat lebih dari 97,41%. 3.5. Evaluasi dan Validasi Hasil Mean Square Error (MSE) dan Confusion Matrix digunakan untuk menghitung tingkat akurasi yang dihasilkan dari proposed method. Dan kemudian hasil dari akurasi tersebut, dievaluasi dengan cara membandingkan tingkat akurasi yang dihasilkan oleh beberapa metode segmentasi karakter lainnya.

4.

HASIL DAN PEMBAHASAN

4.1. Data Plat Nomor Kendaraan Penelitian ini menggunakan data gambar plat kendaraan yang bersumber dari hasil penelitian terkait (Erwin Dwika Putra, 2012), data tersebut berupa gambar kendaraan yang diambil dari dua sisi, sisi depan kendaraan dan/atau dari belakang kendaraan yang memuat area plat nomor kendaraan. Data berupa gambar kendaraan jenis roda 4 (mobil). Hasil Gambar kendaraan tersebut kemudian dilakukan proses pemotongan (cropping) sehingga menghasilkan gambar plat kendaraan. Plat hasil cropping tersebut kemudian dinormalisasi menggunakan aplikasi Multiple Image Resizer.Net untuk menyamakan ukuran semua plat menjadi 237 x 82. Hasil gambar yang didapat dari proses pengumpulan data tidak semuanya memiliki kualitas yang baik. Sehingga sangat memungkinkan ditemukan noise. Noise tersebut dapat mengurangi akurasi dalam pengenalan karakter pada plat nomor kendaraan. Untuk mengatasi hal tersebut gambar plat nomor dengan model warna RGB yang dinilai kompleks karena menggunakan tiga layer warna, yaitu Red, Green, dan Blue terlebih dahulu di konversi dari warna RGB menjadi grayscale.

(a)

(b) Gambar 4.5.1Original image (a), Gray image (b)

Tahapan selanjutnya melakukan proses threshold menggunakan Metode Otsu. Metode ini adalah metode yang paling populer di antara semua metode thresholding yang ada. Teknik Otsu ini memaksimalkan kecocokan dari sebuah threshold sehingga dapat memisahkan objek dengan latar belakangnya. Semua didapatkan dengan memilih nilai threshold yang memberikan pembagian kelas yang terbaik untuk semua piksel yang ada di dalam image. Dasarnya adalah dengan menggunakan histogram yang telah dinormalisasi, jumlah tiap poin pada setiap level dibagi dengan jumlah total poin pada image. Untuk memperoleh hasil threshold yang baik guna mempermudah proses segmentasi, dalam penelitian ini selain menggunakan Metode Otsu juga menambahkan fungsi gaussian sehingga dapat memperjelas karakter pada plat nomor kendaraan dan memudahkan proses segmentasi. Pembaharuan pada metode otsu http://research.pps.dinus.ac.id

,

177

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 menggunakan fungsi gaussian dilakukan dengan menggunakan nilai threshold yang dihasilkan oleh metode otsu, dan nilai x pada fungsi gaussian untuk menginputkan nilai-nilai yang ditentukan. Penentuan nilai x berdasarkan nilai threshold yang dihasilkan oleh original otsu. Nilai x pada fungsi gaussian ditentukan untuk mendapatkan nilai threshold sehingga dapat meningkat nilai threshold sebelumnya. Hal ini dilakukan dengan tujuan untuk mendapatkan kondisi warna hitam lebih dominan dan warna putih sedikit berkurang dari setiap pikselnya. Pada penelitian tersebut ditemukan pula apabila nilai x pada fungsi gaussian di atas 0,5 maka nilai threshold yang didapatkan akan lebih rendah dari threshold original metode otsu, sehingga akan mendapatkan kondisi warna putih lebih dominan dan warna hitam semakin berkurang dan menyebabkan terdapat banyaknya gangguan pada gambar plat nomor kendaraan. Gambar hasil threshold Otsu dan Otsu + Gaussian dapat dilihat pada gambar 4.2 berikut :

(a)

(b) Gambar54.2. Hasil (a)Threshold Otsu, (b)Threshold Otsu Gaussian

Dari hasil threshold tersebut kemudian dilakukan perbandingan antara nilai threshold Otsu dan OtsuGaussian seperti yang tertuang dalam tabel 4.2 berikut. Tabel54.1.Perbandingan Nilai Threshold Otsu Gaussian No 1 2 3 4 5 6 7 8 9 10

Nomor Plat BD 7046 AY BD 1377 LV BD 1949 AK BD 9211 AB BD 1781 AI D 1882 LP BD 1877 AH BD 1 FA BD 1704 AY BG 1403 LH

Otsu 0,517647059 0,4 0,580392157 0,474509804 0,309803922 0,560784314 0,560784314 0,423529412 0,549019608 0,454901961

Otsu-Gaussian 0,701820283 0,675144187 0,72334723 0,664978441 0,672201467 0,645881805 0,731406203 0,63832299 0,723131884 0,655789202

4.2. Segmentasi dengan Varians Projection Dalam segmentasi karakter setiap karakter dari plat akan dibagi menjadi tiap-tiap bagian. Metode yang digunakan akan memotong area plat nomor kendaraan secara vertikal dan horisontal melalui penerapan 178


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Vertical Horizontal Projection (Varians projection). Varians projection merupakan salah satu teknik untuk segmentasi karakter pada citra baik OCR maupun citra hasil buatan sendiri menggunakan komputer. Teknik ini sederhana dan masih menjadi pilihan. Segmentasi wajib dilakukan ketika kita ingin mendeteksi karakter (huruf/angka) pada citra, karena algoritma yang akan digunakan untuk ekstraksi ciri dan pengenalan karakter hanya bisa mengolah per-karakter saja. Segmentasi bisa dilakukan sebelum atau sesudah pre-processing pada keseluruhan citra. Varians Projection terdiri atas 2 bagian yakni horisontal dan vertikal. Berikut adalah gambar hasil pemotongan secara vertikal :

Gambar54.3. Segmentasi Plat Nomor Kendaraan Secara Vertikal

Gambar54.4. Grafik / Plot Segmentasi Plat Nomor Kendaraan Secara Vertikal Setelah proses segmentasi secara vertikal maka dilanjutkan dengan proses segmentasi secara horisontal, seperti yang terlihat pada gambar 4.5 berikut

Gambar54.5. Segmentasi Plat Nomor Kendaraan Secara Horisontal

Gambar54.6. Grafik/Plot Segmentasi Plat Nomor Kendaraan Secara Horisontal Dari gambar di atas dilihat adanya garis-garis naik-turun layaknya histogram (tapi tidak diskret) pada garis koordinat x dan y. Pada dasarnya teknik bekerja dengan cara yang sangat sederhana, hanya dengan menjumlahkan nilai intensitas citra yang terlebih dulu telah dinormalisasi (dijadikan biner) baik pada tiap baris (untuk vertikal) dan tiap kolom (untuk horisontal). Lalu yang menjadi pemisahnya adalah adanya lembah untuk tiap bentuk isyarat. Nah, lembah itu sebenarnya adalah spasi hitam yang memisahkan tiap karakter. Untuk memotong/memisahkan tiap-tiap karakter menggunakan projeksi vertikal dan horisontal adalah dengan menentukan projeksi vertikalnya untuk memisahkan baris-baris yang mengandung karakterdalam citra. Lalu dilanjutkan dengan memotong tiap baris tersebut berdasarkan titik terendah dan tertinggi dari tiap projeksivertikal (koordinatnya). Untuk tiap baris hasil pemotongan projeksi vertikal, tiap karakter dipotong denganmenggunakan koordinat dari tiap projeksi horisontal. Hal ini dilakukan dengan mencari http://research.pps.dinus.ac.id

,

179

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 jumlah projeksi vertikal dan horisontal yang tidak nol tetapi koordinatnya tepat berada sebelum atau sesudah nol. Karena nilai nol dianggap adalah spasi atau pemisah karakter maupun baris. Vertical Horizontal projection melakukan segmentasi tiap karakter sehingga menghasilkan output satu angka terakhir dari plat nomor kendaraan. Hasil segmentasi dengan bantuan threshold otsu gaussian menghasilkan output yang lebih baik dari original otsu. Sebelum dilakukan recognition dengan menggunakan SVM, maka dilakukan terlebih dahulu normalisasi. Hasil dari segmentasi karakter, adakalanya ukuran dimensinya berbeda-beda. Oleh sebab itu normalisasi perlu dilakukan, sehingga ukuran dimensi citra menjadi sama dan akan memudahkan dalam memperoleh nilai tekstur. GLCM (Gray Level Co-occurrence Matrices) adalah metode analisa tekstur yang digunakan Untuk memperoleh nilai tekstur pada nomor plat kendaraan. Terdapat 5ciri tekstur utama GLCM yang digunakan sebagai dasar pencirian yaitu Contrast, Correlation, Energy,Entropy dan Homogenity. Tabel54.2. Tabel Nilai Tekstur GLCM Otsu-Gaussian untuk Perhitungan Klasifikasi SVM Nomor Plat BD 7046 AY BD 1377 LV BD 1949 AK

Contrast 5,94E+15 4,55E+15 7,20E+15

Correlation 7,28E+14 5,72E+14 6,58E+14

Energy 2,39E+14 5,46E+14 2,61E+14

Entropy 2,20E+15 1,46E+15 2,09E+15

Homogenity 7,76E+14 8,37E+14 7,72E+14

Recognition Genap Ganjil Ganjil

BD 9211 AB

2,97E+15

6,42E+14

6,46E+14

1,05E+15

9,08E+14

Ganjil

BD 1781 AI

1,13E+15

5,79E+14

8,09E+14

6,74E+14

9,41E+14

Ganjil

D 1882 LP

5,40E+15

6,89E+14

3,66E+14

1,90E+15

7,97E+14

Genap

BD 1877 AH BD 1 FA

4,28E+15 2,69E+15

7,31E+14 6,59E+14

4,41E+14 6,81E+14

1,67E+15 9,56E+14

8,36E+14 9,18E+14

Ganjil Ganjil

BD 1704 AY

4,89E+15

6,50E+14

5,02E+14

1,46E+15

8,48E+14

Genap

BG 1403 LH

5,27E+15

4,04E+14

5,30E+14

1,56E+15

8,14E+14

Ganjil

4.3. Klasifikasi dengan SVM Dataset nilai tekstur GLCMdengan nama “Kenal Ganjil Genap.xlsx” di-import ke Script Matlab. Data tersebut terdiri dari 30 record dan 8 atribut. Dengan jumlahRecord/data dan kelas dipisahkan, record ditampung pada sebuah variabel, yaitu „data‟ dengan memanfaatkan fungsi xlsread() pada Matlab. Sedangkan kelas ditampung pada sebuah variabel array, yaitu „kelas‟ dengan memanfaatkan fungsi yang sama. Karena kelas bertipe data nominal, maka diubah ke numerik dengan memanfaatkan fungsi grp2idx() pada Matlab. Fungsi ini memiliki output yang berisi setiap kelas dari setiap data yang diubah ke numerik. Konversi tipe data tersebut mengikuti format yang ditunjukkan pada Tabel 4.4. Tabel54.3. Format Konversi Tipe Data Nominal Genap Ganjil

Numerik 1 2

Selanjutnya, komposisi antara data latih dan data uji menggunakan teknik „holdOut‟ dengan memanfaatkan fungsi crossvalind() pada Matlab. Outputnya terdiri dari dua, yang satu berisi index kelas untuk data latih, sedangkan yang satunya lagi berisi index kelas untuk data uji. Fungsi Kernel digunakan pada SVM karena data yang ada tidak dapat dipisahkan secara linear dan merupakan high dimensional. Kernel memetakan tiap data pada input space ke ruang vektor baru (feature space) yang berdimensi lebih tinggi sehingga memungkinkan untuk menerapkan SVM secara langsung. Eksperimen pada penelitian ini menggunakan fungsi Kernel „polynomial‟ dengan „polyorder‟ = 3 180


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 (default value) yang ditempatkan pada parameter pelatihan SVM. Untuk mendapatkan hasil prediksi pengujian dapat menggunakan fungsisvmclassify pada Matlab dengan menggunakan code : predikUji = svmclassify(svmModel, data(ujiIdx,:)); 4.4. Evaluasi dan Validasi Hasil 4.4.1 Mean Square Error (MSE) MSE dilakukan untuk mengukur kinerja prosedur perbaikan hasil segmentasi karakter pada plat nomor kendaraan, di mana pengukuran ini dapat mencari nilai untuk membandingkan hasil perbaikan gambar dengan gambar target/hasil yang ingin dicapai. Tabel 4.5 menunjukkan hasil perbandingan nilai segmentasi dengan menggunakan data original, Otsu dan Otsu Gaussian. Tabel54.4. Nilai MSE Hasil Segmentasi Karakter Original –OtsuGaussian 9340,591 7318,667 14051,48 12543,62 6520,086 7674,845 10219,3 10157,14 13394,31 10660,17

Original-Otsu 12913,78 5220,957 9122,771 9655,182 6107,091 7750,02 21716,59 6839,842 17021,07 9621,612

Otsu-Otsu Gaussain 21970,28 5563,387 8508,217 6431,041 2159,097 4524,357 13886,1 5964,107 13215,47 7086,853

4.4.2 Confusion Matrix Untuk mengukur kinerja dari klasifikasi SVM, digunakan teknik confusion matrix menggunakan tool Matlab dengan memanfaatkan fungsi confusionmat(group,grouphat) cmat = confusionmat(g(ujiIdx),predikUji); dari fungsi di atas menghasilkan nilai akurasi dan error rate-nya. Selain itu, nilai kompleksitas komputasi terhadap waktu disajikan pula dengan memanfaatkan fungsi tic and toc pada Matlab. Tabel 4.6 menunjukkan evaluasi model pada dataset data uji menggunakan 8 fitur GLCM. Tabel54.5. Nilai Data Uji Default Sebanyak 50% Kelas 1 2 Jumlah Data Test Hasil Benar Hasil Salah Training & Testing Time (Seconds) Akurasi Laju Error


1 5 0

2 1 9 15.00 14.00 1.00 0.8750 93,33% 6,67%

,

181


Tabel54.6. Nilai Data Uji Sebanyak 40% Kelas 1 2 Jumlah Data Test Hasil Benar Hasil Salah Training & Testing Time (Seconds) Akurasi Laju Error

1 4 1

2 0 6 11.00 10.00 1.00 0.7917 90.91% 9.09%

Sebagai pembanding penelitian ini melakukan reduksi dimensi, dengan mengurangi jumlah fitur pada GLCM menjadi 7 dan 5 fitur. Hasil segmentasi Varians Peojection dengan bantuan threshold Otsu + Gaussian dapat menghasilkan output yang baik seperti yang terlihat pada tabel 4.10 berikut. Tabel54.72. Perbandingan Hasil Segmentasi Varians Peojection Menggunakan Metode Otsu dan Otsu + Gaussian OTSU

OTSU + GAUSSIAN

Hasil pengenalan plat nomor ganjil genap menggunakan SVM menunjukkan bahwa: a. Pemilihan fungsi Kernel yang lebih tepat, karena fungsi Kernel ini akan menentukan feature space di mana fungsi classifier (hyperplane) akan dicari. Salah satu cara yang bisa diterapkan adalah dengan menggunakan metode cross validation

182


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 b. Model yang dihasilkan dari dataset asli lebih akurat dibandingkan dari dataset yang direduksi dimensinya. Tabel54.13.8Perbandingan akurasi dataset asli dan reduksi dimensi Jumlah Data Uji 50% 40% 5.

8 fitur 93,33% 90,91%

7 fitur 86.67% 90.91%

5 fitur 80.00% 81.82%

PENUTUP

5.1. Kesimpulan a. Perpaduan antara threshold Otsu dan fungsi gaussian sangat membantu dalam proses segmentasi karakter menggunakan varians projection sehingga mencapai nilai MSE 2.83E+05 sedangkan pengurangan gangguan noise pada penelitian terdahulu yang menggunakan pendekatan metode otsu dan metode bernsen menunjukkan tingkat akurasi maksimal 97,41%. b. Kelebihan dari metode varians projection adalah kemampuannya untuk mendeteksi ruang antar baris dan kolom pada karakter sehingga kita bisa memisahkan karakter tersebut bahkan bila ukuran masingmasing karakter baik pada baris dan kolom berbeda maka teknik ini masih bisa diandalkan. c. Pengklasifikasian SVM sangat cocok digunakan untuk pengenalan plat nomor ganjil dan genap karna hanya terdapat 2 kelas d. SVM baik digunakan untuk klasifikasi plat nomor ganjil dan genap dengan harapan memperoleh nilai akurasi yang baik.Hasil akurasi klasifikasi SVM dengan menggunakan confusion matriks untuk pengujian menghasilkan tingkat akurasi sebagai berikut : 1) GLCM 8 fitur menghasilkan nilai akurasi 93,33% untuk jumlah data uji default 50%, dan akurasi 90,91% untuk jumlah data 40% 2) GLCM 7 fitur menghasilkan nilai akurasi 86,67% untuk jumlah data uji default 50%, dan akurasi 90,91% untuk jumlah data uji 40%. 3) GLCM 5 fitur menghasilkan nilai akurasi 80,00% untuk jumlah data uji default 50%, dan akurasi 81,82% untuk jumlah data uji 40%. e. Reduksi dimensi mempengaruhi hasil akurasi pengenalan plat nomor kendaraan ganjil genap semakin banyak fitur semakin tinggi nilai akurasi. f. Selain perbaikan hasil segmentasi karakter, kontribusi lain dari penelitian ini adalah ditemukannya metode pengenalan plat nomor kendaraan ganjil genap yang lebih akurat. 5.2 Saran a. Untuk penelitian selanjutnya, perlu diketahui bahwa varians projection baik untuk karakter yang saling terpisah, namun bila ada karakter yang terhubung, maka teknik ini bisa digunakan dengan sedikit tambahan algoritma lain. b. Untuk pengembangan penelitian selanjutnya, sebaiknya mencari solusiperbaikan untuk segmentasi angka “1”agar dapat tersegmentasi sama seperti karakter yang lainnya. PERNYATAAN ORIGINALITAS “Saya menyatakan dan bertanggung jawab dengan sebenarnya bahwa Artikel ini adalah hasil karya saya sendiri kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya” ANNAHL RIADI-P31.2011.01147 DAFTAR PUSTAKA [1] “http://www.tempo.co/read/news/2012/12/11/083447291,” p. 2013, 2013. http://research.pps.dinus.ac.id

,

183

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 [2] [3] [4] [5] [6] [7]

[8] [9]

[10] [11]

[12] [13]

[14]

[15] [16] [17] [18] [19]

[20] [21] [22]

184

“http://jakarta.okezone.com/read/2012/12/26/500/737463/aturan-plat-ganjil-genap-langkahradikal-jokowi,” p. 737463, 2012. Y. Wen et al., “An Algorithm for License Plate Recognition Applied to Intelligent Transportation System,” vol. 12, no. 3, pp. 830-845, 2011. P. Anishiya and P. S. M. Joans, “Number Plate Recognition for Indian Cars Using Morphological Dilation and Erosion with the Aid Of Ocrs,” vol. 4, pp. 115-119, 2011. H. Guanglin and G. Yali, “A Simple and Fast Method of Recognizing License Plate Number,” 2010 International Forum on Information Technology and Applications, pp. 23-26, Jul. 2010. S. Saha, S. Basu, and M. Nasipuri, “Automatic Localization and Recognition of License Plate Characters for Indian Vehicles,” no. 4, pp. 520-533, 2011. H. Xia and D. Liao, “The study of license plate character segmentation algorithm based on vetical projection,” 2011 International Conference on Consumer Electronics, Communications and Networks (CECNet), pp. 4583-4586, Apr. 2011. S. Du, M. Ibrahim, M. Shehata, and S. Member, “Automatic License Plate Recognition ( ALPR ): A State-of-the-Art Review,” vol. 23, no. 2, 2013. J. Quan, S. Quan, Y. Shi, and Z. Xue, “A Fast License Plate Segmentation and Recognition Method Based on the Modified Template Matching,” 2009 2nd International Congress on Image and Signal Processing, pp. 1-6, Oct. 2009. X. Li, F. Ling, X. Lv, Y. Li, and J. XU, “Research on character segmentation in license plate recognition,” pp. 345-348, 2010. Y. Ma, J. Chi, R. Hu, and G. Yang, “A new algorithm for characters segmentation of license plate based on variance projection and mean filter,” 2011 IEEE 5th International Conference on Cybernetics and Intelligent Systems (CIS), pp. 132-135, Sep. 2011. Y. Wen et al., “An Algorithm for License Plate Recognition Applied to Intelligent Transportation System,” vol. 12, no. 3, pp. 830-845, 2011. Y. Ma, J. Chi, R. Hu, and G. Yang, “A new algorithm for characters segmentation of license plate based on variance projection and mean filter,” 2011 IEEE 5th International Conference on Cybernetics and Intelligent Systems (CIS), pp. 132-135, Sep. 2011. N. F. Gazcón, C. I. Chesñevar, and S. M. Castro, “Automatic vehicle identification for Argentinean license plates using intelligent template matching,” Pattern Recognition Letters, vol. 33, no. 9, pp. 1066-1074, Jul. 2012. M. I. Khalil, “Car Plate Recognition Using the Template Matching Method,” vol. 2, no. 5, pp. 3-7, 2010. J. Yan, J. Li, and X. Gao, “Chinese text location under complex background using Gabor filter and SVM,” Neurocomputing, vol. 74, no. 17, pp. 2998-3008, Oct. 2011. C.-W. H. and C.-J. Lin, “Machines, A Comparison of Methods for Multi-class Support Vector,” 2012. X. He, Z. Wang, C. Jin, Y. Zheng, and X. Xue, “A simplified multi-class support vector machine with reduced dual optimization,” Pattern Recognition Letters, vol. 33, no. 1, pp. 71-82, 2012. E. Dwika Putra, “PENINGKATAN SEGMENTASI PADA INDENTIFIKASI PLAT NOMOR KENDARAAN INDONESIA MENGGUNAKAN METODE OTSU DENGAN GAUSSIAN,” 2012. S. Qiao, Y. Zhu, X. Li, T. Liu, B. Zhang, and F. Mechanics, “Research on improving the accuracy of license plate character segmentatio,” pp. 489-493, 2010. H. Guo, “A Simple Algorithm for Fitting a Gaussian Function [DSP Tips and Tricks],” vol. 28, no. 5, p. 2011, 2011. C.-L. Huang and C.-J. Wang, “A GA-based feature selection and parameters optimizationfor support vector machines,” Expert Systems with Applications, vol. 31, no. 2, pp. 231-240, Aug. 2006.


Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 [23] [24] [25] [26]

[27] [28]

Q. Wu, “The hybrid forecasting model based on chaotic mapping, genetic algorithm and support vector machine,” Expert Systems with Applications, vol. 37, no. 2, pp. 1776-1783, Mar. 2010. W. Chen, C. Ma, and L. Ma, “Mining the customer credit using hybrid support vector machine technique,” Expert Systems with Applications, vol. 36, no. 4, pp. 7611-7616, May 2009. A. S. Nugroho, “SUPPORT VECTOR MACHINE : PARADIGMA BARU DALAM,” pp. 92-99, 2008. O. D. W. M. K. Sutoyo S.Si M.Kom, T, Mulyanto S.Si M.Kom, Edy, Suhartono, Dr Vincent, Nurhayati MT, “Teori Pengolahan Citra Digital. Andi Yogyakarta dan Udinus Semarang,” vol. 113, p. 2009, 2009. E. Kulak, “Analysis of Textural Image Features for Content-Based Retrieval,” p. 2002, 2002. C. V. Angkoso, I. Nurtanio, I. K. E. Purnama, H. Purnomo, and M. B. Othmen, “Analisa Tekstur Untuk Membedakan Kista Dan Tumor Pada Citra Panoramik Rahang Gigi Manusia,” pp. 0-4, 2011.


,

185

PENGENALAN PLAT NOMOR KENDARAAN GANJIL GENAP MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) BERBASIS VARIANS PROJECTION

Recommend Documents