lokalisasi plat nomor pada kendaraan bermotor di
advertisement
LOKALISASI PLAT NOMOR PADA KENDARAAN BERMOTOR DI INDONESIA DENGAN METODE DASAR VERTICAL EDGE ANALYSIS NUGRAHA PUTRA RACHMADHANI ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Lokalisasi Plat Nomor pada Kendaraan di Indonesia dengan Metode Dasar Vertical Egde Analysis adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Agustus 2013 Nugraha Putra Rachmadhani NIM G64090062 ABSTRAK NUGRAHA PUTRA RACHMADHANI. Lokalisasi Plat Nomor pada Kendaraan di Indonesia dengan Metode Dasar Vertical Egde Analysis. Dibimbing oleh MUSHTHOFA dan AGUS BUONO. Lokalisasi plat nomor kendaraan adalah tahap awal pada sistem pengenalan plat nomor kendaraan. Lokalisasi plat nomor sangat berpengaruh terhadap hasil pengenalan plat nomor kendaraan. Pada penelitian ini vertical edge analysis menjadi metode dasar dalam lokalisasi plat nomor. Pertama, dilakukan pra-proses gambar agar gambar yang akan dilokalisasi memiliki kualitas yang baik. Kedua, dilakukan deteksi tepi vertikal pada gambar dengan operator Sobel. Ketiga, dilakukan deteksi kandidat plat nomor dengan menggunakan sliding window. Tahap ini terbagi menjadi 2 proses, yaitu deteksi kasar dan deteksi halus. Pada tahap ini akan dilakukan perhitungan edge density dengan menggunakan konsep integral edge image. Untuk memisahkan plat nomor yang sesungguhnya dengan objek-objek yang menyerupai plat nomor dilakukan perhitungan edge density pada bagian-bagian tertentu pada kandidat plat nomor. Terakhir, dilakukan verifikasi dengan menghitung jumlah tepi vertikal yang ada pada kandidat plat nomor. Dari pengujian 70 data gambar mobil didapat recall 86.17% dan precision 60.75%. Kata kunci: Lokalisasi plat nomor, sistem pengenalan plat nomor kendaraan, vertical edge analysis, edge density ABSTRACT NUGRAHA PUTRA RACHMADHANI. License Plate Localization for Indonesian Vehicle Mathod Based on Vertical Egde Analysis. Supervised by MUSHTHOFA dan AGUS BUONO. Localization of license plate is a first stage in vehicle license plate recognition system. License plate localization affects the results of license plate recognition. In this research, the vertical edge analysis became the basic method of the license plate localization. First, pre-processing on the image is performed to obtain a better image quality. Secondly, the vertical edge detection on the image performed using the Sobel operator. Thirdly, candidate number plate detection is done by using a sliding window. This phase is divided into two processes: coarse detection and fine detection. At this stage the edge density will be calculated by using the concept of integral edge image. To separate the actual plate with objects that resemble plates, edge density calculation is performed in certain parts of the license plate candidates. Finally, the candidates are verified by counting the number of vertical pixels that exist on the license plate candidates. Of testing 70 cars image data, a recall value of 86.17% and a precision value of 60.75% are obtained. Keywords: license plate localization, license plate recognition, vertical edge analysis, edge density LOKALISASI PLAT NOMOR PADA KENDARAAN BERMOTOR DI INDONESIA DENGAN METODE DASAR VERTICAL EDGE ANALYSIS NUGRAHA PUTRA RACHMADHANI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013 Penguji: 1 Endang Purnama Giri, SKom MKom Judul Skripsi : Lokalisasi Plat Nomor pada Kendaraan di Indonesia dengan Metode Dasar Vertical Egde Analysis. Nama : Nugraha Putra Rachmadhani NIM : G64090062 Disetujui oleh Mushthofa, SKom MSc Pembimbing I Dr Ir Agus Buono, MSi MKom Pembimbing II Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus: PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas rahmat dan karunia-Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan November 2012 sampai Juni 2013 ini dengan judul Lokalisasi Plat Nomor pada Kendaraan di Indonesia dengan Metode Dasar Vertical Egde Analysis. Terima kasih penulis ucapkan kepada Bapak Mushthofa, SKom MKom dan Bapak Dr Ir Agus Buono, MSi Mkom selaku pembimbing skripsi yang telah membimbing dan memberikan masukan-masukan agar skripsi ini bisa selesai dengan baik dan Bapak Endang Purnama Giri, SKom MKom selaku penguji. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga atas doa dan kasih sayangnya. Tidak lupa penulis mengucapkan terima kasih atas bantuan dan dukungannya kepada teman-teman ilmu komputer angkatan 46. Besar harapan penulis agar laporan penelitian ini dapat dimanfaatkan dan dikembangkan dengan lebih baik lagi. Bogor, Agustus 2013 Nugraha Putra Rachmadhani NIM G64090062 DAFTAR ISI DAFTAR GAMBAR viii DAFTAR LAMPIRAN viii PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2 METODE 3 Pengumpulan Data 4 Praproses Gambar 4 Deteksi Tepi Vertikal 4 Deteksi Kandidat 5 Verifikasi kandidat 7 Pemeriksaan Plat Nomor 7 Evaluasi dan Analisis Akhir 7 HASIL DAN PEMBAHASAN 8 Pengumpulan Data 8 Praproses Gambar 10 Deteksi Tepi Vertikal 10 Deteksi Kandidat 11 Verifikasi 16 Pengujian dan Evaluasi 19 SIMPULAN DAN SARAN 21 Simpulan 21 Saran 21 DAFTAR PUSTAKA 22 LAMPIRAN 23 DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 Skema penelitian Matriks konvolusi operator Sobel untuk deteksi tepi vertikal Pembagian plat nomor menjadi 4 bagian Contoh data yang diambil untuk penelitian Contoh plat nomor di Indonesia Keragaman plat nomor yang ada pada data latih A. Gambar grayscale B. Gambar Sobel C. Gambar biner Recall untuk threshold deteksi kasar Precision untuk threshold deteksi kasar Data no 4 dan hasil deteksi kasar Data no 9 dan hasil deteksi kasar Pembagian window menjadi 4 bagian Recall untuk threshold kondisi keseragaman Precision untuk threshold kondisi keseragaaman Recall untuk threshold kondisi akurasi Precision untuk threshold kondisi akurasi Ruang kosong yang ada Hasil deteksi halus data no 10 Hasil verifikasi dari 2 proses Recall untuk threshold verifikasi kepadatan Precision untuk threshold verifikasi kepadatan Recall untuk threshold verifikasi NP Precision untuk threshold verifikasi NP Hasil verifikasi yang masih terdapat window yang bukan plat nomor yang sesungguhnya Hasil deteksi data no 70 Hasil verifikasi data no 88 Window hasil deteksi oleh sistem pada data no 88 3 5 6 9 9 9 10 11 11 12 12 12 14 14 14 14 15 15 16 17 17 17 17 18 19 20 20 DAFTAR LAMPIRAN 1 2 Jumlah window hasil deteksi sistem pada data latih Jumlah window hasil deteksi sistem pada data uji 23 24 PENDAHULUAN Latar Belakang Sistem pengenalan plat nomor kendaraan bermotor adalah sistem yang dapat mendeteksi posisi plat nomor kendaraan pada gambar dan menerjemahkan plat nomor tersebut menjadi teks. Teks plat nomor kendaraan dapat disimpan dalam basis data dan diolah sesuai dengan kebutuhan. Sistem pengenalan plat nomor kendaraan terdiri atas 3 tahap: lokalisasi plat nomor, pemisahan karakter, dan pengenalan karakter. Lokalisasi plat nomor sangat berpengaruh terhadap hasil akurasi dari sistem pengenalan plat nomor kendaraan karena gambar plat nomor tidak selalu sama, tergantung kondisi cuaca saat gambar diambil dan kecepatan lokalisasi plat nomor juga berpengaruh bila sistem diterapkan secara riil (Tarabek 2012). Penggunaan sistem pengenalan plat nomor kendaraan di Indonesia masih sangat jarang diterapkan. Teknologi sistem pengenalan plat nomor kendaraan lebih banyak dikembangkan oleh developer dari negara lain daripada developer dari Indonesia (Arya dan Suwardi 2007). Hal ini sangat disayangkan karena sistem lalu lintas di Indonesia masih belum terorganisir dengan baik. Saat ini hanya sistem parkir otomatis yang diterapkan di Indonesia dan sistem ini hanya diterapkan di beberapa mal besar. Di beberapa negara maju, sistem pengenalan plat nomor kendaraan sudah banyak diterapkan untuk keperluan lalu lintas seperti sistem parkir otomatis, pengawasan lampu merah, pengawasan jalan raya dan pembayaran jalan tol otomatis (Arya dan Suwardi 2007). Sistem dan alat pendeteksi plat nomor yang digunakan di Indonesia juga diimpor dari negara maju yang sudah banyak mengembangkan sistem tersebut. Sudah banyak penelitian mengenai sistem pengenalan plat nomor kendaraan di Indonesia. Salah satunya penelitian yang dilakukan oleh Lesmana (2012) untuk identifikasi karakter pada plat nomor kendaraan menggunakan image centroid and zone (ICZ) dengan metode klasifikasi jaringan saraf tiruan bacpropagation. Penelitan berikutnya dilakukan oleh Octavia (2012) untuk klasifikasi plat nomor kendaraan menggunakan fitur image centroid and zone (ICZ) dengan klasifikasi support vector machine (SVM). Kedua penelitian tersebut hanya melakukan proses pemisahan dan pengenalan karakter dari plat nomor kendaraan, tetapi tidak melakukan lokalisasi plat nomor kendaraan sehingga untuk membuat sistem pengenalan plat nomor secara utuh diperlukan sistem untuk lokalisasi plat nomor kendaraan di Indonesia. Sudah ada beberapa orang yang meneliti khusus bagian lokalisasi plat nomor saja, karena lokalisasi plat nomor menjadi bagian penting yang akan memengaruhi akurasi dari sistem pengenalan plat nomor secara keseluruhan. Beberapa tahun terakhir ini banyak penelitian yang sudah dilakukan untuk mencari metode yang terbaik untuk lokalisasi plat nomor kendaraan. Saha et al. (2009) melakukan penelitian lokalisasi plat nomor kendaraan dengan metode An Edge Based Multi-Stage Approach. Penelitian ini menggunakan plat nomor kendaraan di India. Akurasi yang didapatkan dari penelitian tersebut sebesar 89.2%. Penelitian juga dilakukan oleh Tarabek (2012) menggunakan metode dasar vertical edge analysis. Penelitian ini menggunakan plat nomor kendaraan di 2 Yunani. Pada penelitian tersebut didapatkan akurasi sebesar 97.4%. Penelitianpenelitian tersebut menggunakan deteksi tepi pada dasar lokalisasi plat nomor. Oleh karena itu berdasarkan penelitian yang dilakukan oleh Lesmana (2012) dan Octavia (2012), perlu dibuat sistem lokalisasi plat nomor kendaraan di Indonesia agar bisa melengkapi sistem pengenalan plat nomor kendaraan secara utuh. Deteksi tepi menjadi metode dasar dalam lokalisasi plat nomor kendaraan agar proses pendeteksian dapat dilakukan dengan mudah dan efisien (Tarabek 2012). Deteksi tepi yang digunakan adalah deteksi tepi vertikal karena gambar mobil bagian plat nomor kendaraan memiliki banyak elemen tepi vertikal sedangkan bagian mobil yang lain lebih terlihat elemen horizontalnya. Pada penelitian kali ini teknik yang akan digunakan adalah vertical edge analysis sebagai metode dasar. Perumusan Masalah Perumusan masalah pada penelitian ini adaalah bagaimanakah algoritme yang baik untuk membangun sistem lokalisasi plat nomor kendaraan di Indonesia, karena susunan huruf dan nomor yang ada pada plat nomor kendaraan berbeda pada setiap negara. Tujuan Penelitian Tujuan dilakukannya penelitian ini ialah menerapkan dan menguji metode vertical edge analysis sebagai metode dasar dalam sistem lokalisasi plat nomor kendaraan bermotor di Indonesia dan mencari model pengenalan yang terbaik. Manfaat Penelitian Manfaat awal dari penelitian ini dapat menjadi pelengkap dari sistem yang telah dibuat oleh Lesmana (2012) dan Octavia (2012), dengan menggabungkan kedua penelitian menjadi sistem pengenalan plat nomor kendaraan secara utuh. Sistem tersebut dapat menjadi dasar pengembangan sistem pengenalan plat nomor kendaraan di Indonesia secara riil karena untuk membuat sistem pengenalan plat nomor kendaraan secara riil dibutuhkan waktu yang kurang dari 1 detik dalam pemrosesan lokalisasi plat, pemisahan karakter dan pengenalan karakter. Ruang Lingkup Penelitian Ruang Lingkup dari penelitian ini terbatas pada: 1 Data gambar yang akan diolah berformat JPEG. 2 Pengambilan gambar mobil dilakukan dari depan atau dari belakang kendaraan secara tegak lurus. 3 Plat nomor kendaraan yang akan digunakan hanya plat nomor kendaraan dengan latar berwarna hitam dan merah. 4 Ukuran plat nomor yang akan dilokalisasi adalah ukuran plat nomor kendaraan yang sesuai dengan yang ditetapkan oleh kepolisian Indonesia dengan ukuran 395x135 mm. 3 METODE Pada penelitian ini akan dilakukan lokalisasi plat nomor kendaraan bermotor dari sebuah gambar kendaraan. Skema metode penelitian ini dapat dilihat pada Gambar 1. Gambar 1 Skema penelitian 4 Pengumpulan Data Data yang digunakan pada penelitian ini adalah gambar mobil yang diambil menggunakan kamera handphone dengan resolusi sebesar 3 megapiksel. Gambar mobil yang diambil harus terlihat dari depan atau belakang secara tegak lurus sehingga bagian plat nomor mobil terlihat. Pengambilan gambar mobil akan dilakukan di beberapa tempat parkir mobil di dalam kampus IPB Dramaga. Data akan dibagi menjadi 2, yaitu data latih dan data uji. Data latih berfungsi untuk mendapatkan karakteristik plat nomor kendaraan di Indonesia. Pemilihan data latih harus mewakili keragaman plat nomor kendaraan di Indonesia. Praproses Gambar Agar diperoleh hasil akurasi yang tinggi, maka gambar yang akan diproses harus memiliki kualitas yang baik. Gambar yang sebelumnya berformat warna RGB diubah menjadi grayscale karena pada lokalisasi plat nomor kendaraan ini warna tidak terlalu berpengaruh, jadi lebih baik merubah format gambar menjadi grayscale agar proses komputasi dapat lebih cepat. Proses konversi RGB menjadi grayscale dapat menggunakan rumus sebagai berikut: Grayscale = 0.2989*R + 0.5870*G + 0.1140*B R adalah intensitas warna merah, G adalah intensitas warna hijau, B adalah intensitas warna biru. Gambar yang diambil dari kamera biasanya memiliki noise yang dapat mengurangi kualitas gambar dan menghilangkan informasi yang ingin didapatkan. Oleh karena itu, perlu dilakukan image enhancement pada gambar dengan menggunakan median filter. Median filter sangat cocok untuk menghilangkan noise yang berupa salt and pepper. Noise salt and papper jika kita lihat dengan kasat mata akan terlihat seperti bintik hitam dan putih. Median filter yang digunakan adalah median filter dua dimensi dengan batas matriks 3x3. Nilai piksel akan dirubah dengan membandingkan piksel tujuan dengan piksel tetangga, kemudian dicari nilai tengah dari piksel tersebut. Banyaknya piksel yang dibandingkan tergantung pada ukuran matriks yang telah ditentukan sebagai batasnya. Untuk penjelasan mengenai median filter dirujuk dari Putra (2010). Deteksi Tepi Vertikal Pada bagian ini gambar yang sudah bersih dari noise akan dilakukan proses pendeteksian tepi vertikal. Metode deteksi tepi yang digunakan untuk pendeteksian tepi vertikal ini adalah operator Sobel. Operator Sobel ini dipilih karena prosesnya ringan dan dapat mengurangi noise sebelum melakukan deteksi tepi. Operator Sobel merupakan metode deteksi tepi yang termasuk dalam gradient edge detector. Matriks konvolusi yang digunakan pada operator sobel untuk deteksi tepi vertikal dapat dilihat pada Gambar 2. Hasil yang diperoleh dari deteksi tepi vertikal ini adalah gambar biner dengan nilai piksel 1 atau 0. Untuk penjelasan mengenai operator Sobel dirujuk dari Putra (2010). 5 Gambar 2 Matriks konvolusi operator Sobel untuk deteksi tepi vertikal Deteksi Kandidat Pada proses deteksi kandidat sampai proses verifikasi kandidat merujuk dari algoritme yang telah dilakukan oleh Tarabek (2012), tetapi akan ada modifikasi pada bagian deteksi halus dan verifikasi yang menyesuaikan pada plat nomor di Indonesia. Nilai-nilai thereshold yang digunakan juga menyesuaikan dengan kondisi plat nomor di Indonesia yang didapat dari penelitian yang akan dilakukan pada gambar-gambar data latih. Deteksi Kasar Untuk mendapatkan calon plat nomor digunakan teknik sliding window. Window akan bergerak menelusuri gambar dari pojok kiri atas gambar sampai kanan bawah gambar. Setelah 1 putaran selesai, window mencapai bagian kanan bawah gambar, window akan kembali ke bagian kiri atas gambar dan ukuran window akan membesar kemudian melakukan proses pergerakan menelusuri gambar lagi sampai bagian kanan bawah. Hal ini dilakukan sampai ukuran window lebih dari batas yang ditentukan. Proses tersebut membutuhkan waktu yang sangat lama, maka dilakukan pembatasan besar ukuran window yang disesuaikan dengan ukuran plat nomor kendaraan di Indonesia. Saat window berada pada bagian gambar dilakukan penghitungan nilai edge density dari window tersebut. Window akan diseleksi dari hasil nilai edge density-nya. Edge density adalah kepadatan piksel bernilai 1 pada window yang ada pada gambar biner. Nilai edge density dapat dihitung dengan rumus: ∑ ∑ Nilai w adalah lebar window, h adalah tinggi window, dan e(x,y) adalah nilai biner dari piksel. Persamaan ini dirujuk dari penelitian yang dilakukan oleh Tarabek (2012). Karena perhitungan edge density di atas merupakan penjumlahan persegi panjang maka prosesnya dapat direduksi menggunakan konsep integral edge image. Hal ini dapat dilakukan dengan menggunakan rumus: ( ( ) ) ( ( - - ) ) Nilai adalah jumlah kumulatif baris, e(x,y) adalah nilai biner piksel, I(x,y) adalah integral edge image, dengan (x,-1) = 0 dan I(-1,y) = 0. 6 Perhitungan edge density menggunakan integral edge image dapat dilakukan dengan rumus: ( )- ( )- ( ) ( ) (1) I adalah integral edge image dan , , , adalah batas-batas kordinat pada window. Rumus turunan ini dirujuk dari penelitian yang dilakukan oleh Tarabek (2012). Deteksi Halus Ada tiga kondisi yang perlu diperhatikan untuk deteksi halus, yaitu kondisi edge density keseluruhan, kondisi keseragaman distribusi edge dan kondisi akurasi. Dari ketiga kondisi tersebut hanya kondisi kedua dan ketiga yang dilakukan, yaitu kondisi keseragamaan distribusi edge dan kondisi akurasi. Kondisi edge density keseluruhan Pertama evaluasi dilakukan dengan membandingan nilai edge density pada dan dengan persamaan: adalah nilai edge density dari window dalam masing-masing dan . Kondisi keseragaman distribusi edge Pada kondisi ini window dibagi menjadi 4 bagian seperti Gambar 3. Pada setiap bagian, nilai piksel yang aktif dihitung dan nilai piksel aktif keempat bagian tersebut akan dibandingkan. Keempat bagian tersebut harus memiliki persebaran piksel aktif yang merata. Bila persebarannya merata, window akan disimpan. Ada juga kondisi plat nomor yang nilai piksel aktif bagian kirinya lebih kecil dari bagian kanannya sehingga kondisi ini juga dijadikan parameter untuk tahap ini. Gambar 3 Pembagian plat nomor menjadi 4 bagian Kondisi akurasi Kondisi ini bertujuan membuang window yang berisi plat tetapi terlalu besar atau meliputi bagian latar belakang yang bukan bagian plat. Langkah pertama menghitung edge density bagian tepi window. 7 Verifikasi kandidat Di Indonesia ada beberapa kendaraan yang menggunakan plat nomor dengan ukuran yang tidak sesuai dengan yang ditetapkan kepolisian, jadi pada penelitian kali ini hanya plat dengan ukuran yang ditetapkan kepolisian yang dapat diproses, yaitu plat nomor kendaraan dengan ukuran 395x135 mm. Verifikasi kandidat plat dapat mengikuti persamaan: dan adalah lebar dan tinggi kandidat plat nomor kendaraan, adalah nilai threshold dan AREA adalah jumlah dari piksel yang aktif dalam daerah kandidat plat. Untuk menghapus calon kandidat plat yang salah tetapi terdeteksi karena memiliki pola yang menyerupai plat nomor yang sesungguhnya, dilakukan perhitungan horizontal projection dari calon kandidat plat. Nilai piksel vertikal tertinggi harus lebih besar dari 0.6*tinggi dari kandidat plat dan harus lebih kecil dari 0.9*tinggi kemudian dijumlahkan menjadi number of peaks (NP). NP harus memenuhi kondisi: Nilai adalah nilai threshold yang bernilai 4 pada penelitian ini. Hal ini dilakukan untuk mengecek apakah calon plat memiliki garis-garis vertikal yang biasanya terdapat pada angka atau huruf. Persamaan yang ada pada tahap verifikasi dirujuk dari penelitian yang dilakukan Tarabek (2012). Pemeriksaan Plat Nomor Pada tahap ini diperiksa apakan daerah plat nomor lebih dari 0, bila lebih dari 0 maka akan didapatkan daerah plat nomor kendaraan. Bila daerah plat nomor kendaraan kurang dari 0, dilakukan proses histogram equalization pada gambar dan dilakukan kembali proses pendeteksian dari deteksi tepi vertikal sampai verifikasi. Evaluasi dan Analisis Akhir Pada tahap evaluasi akan dilakukan pengecekan terhadap data uji dengan memrosesnya kedalam sistem. Sebelum melakukan pengecekan terhadap data uji dilakukan perhitungan jumlah window yang seharusnya terdeteksi sebagai plat nomor sesungguhnya pada data uji. Pada tahap pengujian akan dilakukan klasifikasi window yang merupakan plat nomor sesungguhnya. Pada tahap pengecekan akan didapat jumlah semua window yang terdeteksi. Kemudian dari semua window yang terdeteksi dilakukan pengecekan secara manual untuk mendapatkan window yang salah deteksi. Dari pengecekan tersebut akan didapat jumlah window yang terdeteksi dan merupakan plat nomor yang sesungguhnya dan window yang terdeteksi dan bukan plat nomor yang sesungguhnya. Dari pengecekan tersebut dapat dihitung nilai recall dan precision. 8 w nd w ecall w nd w w nd w ec s n w nd w Agar hasil dari sistem lokalisasi plat nomor yang telah dibuat dapat langsung digunakan untuk tahap pemisahan karakter dan pengenalan dilakukan perhitungan akurasi. Perhitungan akurasi dilakukan dengan mengecek hasil deteksi pada sistem lokalisasi plat nomor, 1 data gambar mobil harus menghasilkan 1 plat nomor kendaraan yang langsung dapat diproses ke tahap pemisahan dan pengenalan karakter. Perhitungan akurasi dapat dilakukan dengan membagi jumlah data uji yang terdeteksi plat nomornya dengan jumlah keseluruhan data uji. Untuk analisis akhir akan dilakukan pemeriksaan penyabab dari plat nomor yang tidak terdeteksi dengan baik. Bisa saja plat nomor tidak terdeteksi atau tidak terdeteksi sempurna. Ada banyak faktor yang dapat menyebabkan hal itu terjadi. Pada tahap evaluasi akan dihitung juga waktu proses pendeteksian untuk 1 data. Pada penelitian yang dilakukan oleh Tarabek (2012) waktu proses pendeteksian untuk 1 data sekitar 36ms. Hal ini dilakukan karena diperlukan waktu proses yang cepat untuk penerapan secara riil. HASIL DAN PEMBAHASAN Pengumpulan Data Dalam penelitian ini data yang diperlukan adalah gambar mobil yang terlihat bagian plat nomornya. Data pada penelitian ini didapat dengan melakukan pengemabilan gambar mobil yang terlihat plat nomornya di parkiran yang ada di lingkungan kampus IPB Darmaga Bogor. Jarak pemotretan mobil-mobil tersebut kira-kira 1.5 sampai 2 meter secara tegak lurus dari depan atau dari belakang. Jumlah data yang diambil pada penelitian ini adalah 90 gambar mobil yang berbeda. Data diambil menggunakan kamera handphone dengan resolusi 3 megapiksel. Dari 90 gambar mobil diambil 20 gambar untuk mengetahui ukuran plat nomor dan karakteristik dari plat nomor yang ada di Indonesia. Karena data latih dipisahkan untuk mengetahui karakteristik plat nomor yang ada di Indonesia maka data latih yang dipilih harus mewakili keragaman jenis susunan huruf dan angka yang ada pada plat nomor di Indonesia. Pada penelitian ini pemilihan data latih hanya berdasarkan keragaman dari susunan huruf dan angka plat nomor kendaraan di Indonesia. Pada data latih penelitian ini ada 5 keragaman susunan angka dan huruf plat nomor, yaitu: H AAAA H, H AAAA HH, H AAAA HHH, HH AAAA HH dan H AAA HH, sedangkan keragaman susunan angka dan huruf 9 Gambar 4 Contoh data yang diambil untuk penelitian Gambar 5 Contoh plat nomor di Indonesia Gambar 6 Keragaman plat nomor yang ada pada data latih pada data latih ada 4, yaitu: H AAAA H, H AAAA HH, H AAAA HHH dan H AA HH. H adalah huruf dan A adalah angka. Dari pembagian keragaman pada data latih dan data uji didapati susunan HH AAAA HH dan H AAA HH pada keragaman data uji tidak ada pada keragaman data latih dan susunan H AA HH pada keragaman data uji tidak ada pada keragaman data latih. Tetapi untuk susunan H AA HH pada keragaman data uji dapat terwakili dengan susunan H AAA HH pada keragaman data latih, karena dari kedua susuan tersebut hanya berbeda 1 angka saja. Dari 20 puluh gambar plat nomor dilakukan perhitungan secara manual perbandingan plat nomornya. Dari data yang didapat, ukuran perbandingan plat nomor untuk tinggi dan lebarnya sekitar 1 : 4.5. Contoh data yang diambil dapat dilihat pada Gambar 4 dan contoh plat nomor kendaraan di Indonesia dapat dilihat pada Gambar 5. Keragaman susunan huruf dan angka yang ada pada data latih dapat dilihat pada Gambar 6. 10 Praproses Gambar Data yang diperoleh dari memotret secara langsung kadang tidak memiliki kualitas gambar yang baik. Bisa saja terdapat noise atau terdapat bagian yang tidak diperlukan dalam pemrosesan. Noise dapat membuat akurasi yang didapat dari proses lokalisasi tidak akurat dan bila ada bagian-bagian yang tidak diperlukan juga dapat memperlambat proses lokalisasi. Oleh karena itu, diperlukan praproses gambar agar gambar yang akan diproses sudah baik dan siap untuk diproses. Karena ukuran gambar dari hasil pengambilan gambar secara langsung berukuran 2048 x 1536 piksel akan memakan waktu lama saat proses lokalisasi sehingga dilakukan proses resize 30% dari gambar aslinya menjadi 614 x 460 piksel. Model warna yang didapat dari data foto adalah RGB. Model warna ini memiliki tiga layer warna, yaitu red, green dan blue. Pada proses lokalisasi ini metode yang digunakan tidak terlalu fokus pada warna dari gambar mobil sehingga dapat dilakukan proses konversi model warna dari RGB menjadi grayscale. Dengan model data grayscale proses komputasi akan lebih cepat. Setelah model data menjadi grayscale langkah berikutnya adalah membersihkan noise yang ada pada gambar dengan menggunakan median filter. Setelah dilakukan median filter akan didapat gambar yang bersih dari noise. Tahap pra-proses gambar ini akan menghasilkan gambar dengan ukuran 614x460 piksel, dengan model data grayscale dan bersih dari noise. Deteksi Tepi Vertikal Setalah didapat gambar yang bersih dari noise dan siap diproses dilakukan deteksi tepi vertikal pada gambar. Teknik yang digunakan dalam deteksi tepi vertikal ini adalah operator Sobel. Operator Sobel dipilih karena proses komputasinya relatif ringan. Deteksi tepi vertikal dilakukan karena bagian badan mobil lebih dominan tepi horizontalnya, sedangkan plat nomor mobil lebih dominan tepi vertikalnya sehingga saat dilakukan deteksi tepi vertikal menggunakan sobel operator akan menghasilkan gambar yang mendeteksi bagian tepi vertikal saja. Gambar 7 A. Gambar grayscale B. Gambar Sobel C. Gambar biner 11 Gambar yang diperoleh dari deteksi tepi ini ternyata masih gambar grayscale yang hanya mendeteksi bagian tepi vertikal dari gambar aslinya sehingga masih kurang baik untuk proses selanjutnya. Karena hal itu dilakukan proses thresholding terhadap hasil dari hasil deteksi tepi tadi agar menjadi gambar biner, karena gambar biner dapat mempercepat proses komputasi. Nilai threshold 200 diambil karena nilai intensitas piksel grayscale yang lebih dari 200 terlihat lebih jelas. Hal ini akan menyebabkan tepi-tepi vertikal yang jelas saja yang terdeteksi. Hasil deteksi tepi vertikal menggunakan operator Sobel dapat dilihat pada Gambar 7. Deteksi Kandidat Recall Deteksi kandidat dilakukan untuk mencari lokasi kandidat plat nomor yang ada pada gambar. Ada 2 tahap dalam deteksi kandidat, yaitu deteksi kasar dan deteksi halus. Pada dasarnya akan dilakukan sliding window untuk melakukan pendeteksian lokasi kandidat plat nomor. Ada berberapa kriteria yang harus dipenuhi oleh sliding window agar dideteksi sebagai kandidat. Ukuran tinggi window awal adalah 15 piksel, ukuran lebar 4.5 kali dari ukuran tinggi, ukuran 100 90 80 70 60 50 40 30 20 10 0 Recall 0.13 0.14 0.15 0.16 0.17 0.18 Threshold 0.19 0.2 0.21 Gambar 8 Recall untuk threshold deteksi kasar 0.03 Precision Precision 0.025 0.02 0.015 0.01 0.005 0 0.13 0.14 0.15 0.16 0.17 0.18 Threshold 0.19 Gambar 9 Precision untuk threshold deteksi kasar 0.2 0.21 12 maksimal tinggi window adalah 30 piksel, pergeseran horizontal window = 10% dari ukuran lebar awal dan pergeseran vertikal window = 15% dari tinggi awal. Deteksi Kasar Pada deteksi kasar akan dilakukan penghitungan edge density dari gambar biner yang ada pada sliding window. Untuk deteksi kasar ini digunakan nilai edge Gambar 10 Data no 4 dan hasil deteksi kasar Gambar 11 Data no 9 dan hasil deteksi kasar Gambar 12 Pembagian window menjadi 4 bagian 13 density harus lebih besar dari 0.18. Nilai threshold 0.18 didapat dari penelitian yang dilakukan terhadap data latih. Dengan kondisi nilai recall maksimal dan nilai precision maksimal. Grafik recall dapat dilihat pada Gambar 8 dan grafik precision dapat dilihat pada Gambar 9. Hasil dari deteksi kasar ini masih belum baik karena masih banyak daerah yang terdeteksi tetapi bukan plat nomor yang sesungguhnya. Sebelum melakukan deteksi kasar dilakukan proses penghitungan jumlah piksel aktif yang ada pada gambar biner dengan konsep integral edge image. Pada proses ini akan dilakukan perhitungan jumlah piksel yang bernilai 1 dari kiri atas sampai kanan bawah dari gambar biner. Nilai perhitungannya akan dimasukkan ke dalam matriks baru yang nilai matriks terakhirnya adalah jumlah dari penjumlahan piksel yang bernilai 1 yang ada pada gambar. Dari matriks jumlah piksel dilakukan perhitungan dengan rumus 1 untuk mendapatkan kepadatan window. Dari percobaan tersebut, 20 gambar terdeteksi semua bagian plat nomornya. Jumlah calon kandidat plat nomor yang terdeteksi ada 124464 window. Setelah terdeteksi calon kandidat plat tersebut disimpan ke dalam storage. Hasil deteksi kasar ini masih sangat banyak. Hal ini bisa disebabkan karena latar belakang gambar mobil pada data. Data latih yang digunakan saat ini rata-rata latar belakangnya adalah pohon-pohon, pohon memiliki banyak tepi vertikal sehingga pada saat deteksi tepi vertikal banyak bagian pohon yang terdeteksi. Hal ini menyebabkan nilai perhitungan kepadatan piksel yang dihasilkan menjadi besar dan bagian pohon tersebut terdeteksi. Hal ini dapat dilihat pada data latih yang mendeteksi window paling banyak, yaitu data no 4 yang mendeteksi 25991 window. Data gambar no 4 dan hasil deteksi kasarnya dapat dilihat pada Gambar 10. Akan terlihat perbedaan dengan data gambar no 9 yang mendeteksi paling sedikit, yaitu 377 window. Hal ini karena gambar no 9 latar belakangnya tidak banyak pohon atau objek yang berbentuk vertikal. Data gambar no 9 dan hasil deteksi kasarnya dapat dilihat pada Gambar 11. Deteksi Halus Pada tahap deteksi halus window yang sudah terdeteksi pada deteksi kasar akan dideteksi lagi dengan membaginya menjadi 4 bagian. Bagian-bagian tersebut akan diberi label, yaitu bagian 1, bagian 2, bagian 3 dan bagian 4 seperti yang dapat dilihat pada Gambar 12. Dari pembagian tersebut dihitung jumlah piksel aktif setiap bagian. Setelah didapat jumlah piksel aktif setiap bagian dihitung edge density-nya, kemudian keempat edge density tersebut dibandingankan. Kondisi selisih setiap edge density tidak boleh lebih dari 0.04. Nilai threshold 0.04 didapat dari melakukan penelitian terhadap data latih dan menghitung recall dan precision sampai mendapatkan yang maksimum. Grafik recall dapat dilihat pada Gambar 13 dan grafik precision dapat dilihat pada Gambar 14 . Hal ini dilakukan karena plat nomor umumnya memiliki persebaran piksel aktif yang merata. Tetapi untuk plat nomor di Indonesia ada plat nomor yang tidak memiliki persebaran piksel aktif secara merata, misalnya untuk plat nomor dengan huruf depan 1 huruf dan huruf belakang 3 huruf, maka dibutuhkan proses khusus yang bisa membuat plat nomor seperti itu terdeteksi. Hal ini dapat diatasi dengan membandingkan 4 bagian yang sudah dibagi tadi dengan kondisi bagian 2 > 14 100 80 Recall 60 40 20 0 0.01 Recall 0.02 0.03 0.04 Threshold 0.05 0.06 0.07 Gambar 13 Recall untuk threshold kondisi keseragaman 0.04 Precision Precision 0.03 0.02 0.01 0 0.01 0.02 0.03 0.04 Threshold 0.05 0.06 0.07 Recall Gambar 14 Precision untuk threshold kondisi keseragaaman 100 80 60 40 20 0 Recall 0.01 & 0.01 0.02 & 0.01 0.03 & 0.01 Threshold 0.04 & 0.01 Gambar 15 Recall untuk threshold kondisi akurasi Precision 0.0216 Precision 0.0214 0.0212 0.021 0.0208 0.01 & 0.01 0.02 & 0.01 0.03 & 0.01 Threshold 0.04 & 0.01 Gambar 16 Precision untuk threshold kondisi akurasi 15 bagian 1 dan bagian 4 > bagian 3. Dengan proses tersebut plat nomor yang persebarannya tidak merata dapat terdeteksi. Setelah proses tersebut akan dilakukan pendeteksian kondisi akurasi, yaitu melakukan pendeteksian terhadap tepi dari calon kandidat plat nomor. Proses ini menghitung jumlah piksel aktif dari bagian atas dan bawah kandidat plat nomor ukurannya 15% dari tinggi dan bagian kanan dan kiri kandidat plat nomor ukurannya 15% dari lebar. Bagian-bagian tersebut dihitung edge density-nya dan harus memenuhi kondisi bagian atas dan bawah > 0.03 dan bagian kanan dan kiri > 0.01. Nilai threshold tersebut didapat dari melakukan penelitian terhadap data latih dengan menghitung nilai recall dan precision-nya sampai mendapatkan yang maksimum. Grafik recall dapat dilihat pada Gambar 15 dan grafik precision dapat dilihat pada Gambar 16. Dari ke 2 proses tersebut didapat 93516 window yang terdeteksi. Deteksi ini bisa mengurangi sekitar 25% dari hasil deteksi kasar, tetapi hasil ini masih kurang baik karena kandidat yang tedeteksi masih sangat banyak. Maka diperlukan proses tambahan pada deteksi halus yang menunjukkan karakteristik plat nomor kendaraaan di Indonesia. Setelah melakukan pengamatan pada plat yang terdapat pada data latih, ternyata plat nomor di Indonesia memiliki ruang kosong pada bagian antara huruf dan angka yang ada pada plat nomor tresebut. Ruang kosong plat nomor tersebut Gambar 17 Ruang kosong yang ada di antara huruf dan angka Gambar 18 Hasil deteksi halus data no 10 16 dapat dilihat pada Gambar 17. Ada 2 bagian yang akan dideteksi lagi, yaitu bagian kiri dan kanan. Kedua bagian tersebut dihitung piksel aktifnya kemudian dibandingkan lagi dengan kondisi bagian kiri < 10 piksel dan bagian kanan < 15 piksel. Nilai threshold untuk bagian kanan lebih banyak karena tidak semua jumlah huruf belakang untuk setiap plat nomor sama. Dari deteksi tambahan ini didapat 4683 window yang tedeteksi sebagai kandidat plat. Jumlah ini sangat jauh lebih sedikit dari proses sebelumnya. Hal ini karena ruang kosong yang ada pada plat nomor di Indonesia ini sebagai karakteristik yang hanya sebagian objek lain yang menyerupainya. Dari deteksi tambahan ini didapat 4683 window yang terdeteksi sebagai kandidat plat. Dari data latih yang dicoba pada deteksi halus data no 10 didapati jumlah window yang terdeteksi paling sedikit. Data no 10 dapat dilihat pada Gambar 18. Verifikasi Pada tahap verifikasi akan dilakukan penghitungan AREA untuk menentukan apakah yang terdeteksi adalah plat yang sesungguhnya atau bukan. AREA adalah nilai piksel aktif yang ada pada kandidat calon plat. proses ini berfungsi untuk mengetahui kepadatan kandidat plat nomor apakah memenuhi kriteria plat nomor yang sesungguhnya dengan kondisi tinggi kandidat dikali lebar kandidat dibagi AREA harus kurang dari sama dengan 5.5. Nilai threshold 5.5 didapat dari penelitian kepadatan plat nomor dari data latih dan perhitungan recall dan precision. Grafik recall dapat dilihat pada Gambar 20 dan grafik precision dapat dilihat pada Gambar 21. Dengan nilai threshold 5.5 semua kandidat plat nomor yang sesungguhnya terdeteksi semua dengan window yang terdeteksi minimum. Gambar 19 Hasil verifikasi dari 2 proses 17 Recall 100 80 Recall 60 40 20 0 5 5.1 5.2 5.3 5.4 Threshold 5.5 5.6 5.7 Precision Gambar 20 Recall untuk threshold verifikasi kepadatan 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 Precision th_v = 5 th_v = 5.1 th_v = 5.2 th_v = th_v = 5.3 5.4 Threshold th_v = 5.5 th_v = 5.6 th_v = 5.7 Recall Gambar 21 Precision untuk threshold verifikasi kepadatan 100 80 60 40 20 0 Recall NP > 1 NP > 2 NP > 3 NP > 4 Precision NP > 5 NP > 6 Gambar 22 Recall untuk threshold verifikasi NP 10 Precision Precision 8 6 4 2 0 NP > 1 NP > 2 NP > 3 NP > 4 Threshold NP > 5 Gambar 23 Precision untuk threshold verifikasi NP NP > 6 18 Kemudian dilakukan perhitungan horizontal projection untuk menentukan berapa garis vertikal piksel aktif minimum yang memenuhi kriteria plat nomor di Indonesia. Setelah melakukan pengamatan dari data latih yang dimasukkan ke dalam proses ini di dapat nilai threshold untuk batas minimal jumlah garis vertikal piksel aktif, yaitu 5. Nilai threshold 5 didapat dari penelitian pada data latih dan perhitungan recall dan precision. Grafik recall dapat dilihat pada Gambar 22 dan grafik precision dapat dilihat pada Gambar 23. Dari dua proses ini didapat 901 window yang terdeteksi pada data latih. Dari proses ini rata-rata dari 20 data latih, 1 data masih menghasilkan lebih dari 40 window dan masih banyak window yang salah deteksi untuk objek yang bukan plat nomor sesungguhnya, diperlukan proses tambahan yang membedakan objek yang menyerupai plat nomor sesungguhnya dan plat nomor yang sesungguhnya. Dari pengamatan terhadap hasil dari kedua proses diatas ternyata plat nomor yang sesungguhnya bagian sekitarnya memiliki kepadatan piksel aktif yang rendah, hal ini dapat dilihat pada Gambar 19. Oleh karena itu dilakukan proses perhitungan nilai kepadatan untuk daerah sekitar calon kandidat plat. Dari hasil perhitungan tersebut didapat 151 window yang terdeteksi. Hasil ini memang masih banyak menghasilkan window calon kandidat, tetapi memang hampir semua sudah mengarah pada plat nomor yang sesungguhnya. Setelah semua tahap diimplementasikan dilakukan pengujian terhadap data latih. Dari pengujian yang dilakukan terhadap data latih didapat recall sebesar 100% dan precision 15.38%. Perhitungan recall dan precision ini masih kurang maksimal karena setiap data gambar tidak menghasilkan 1 window plat nomor yang sesungguhnya, tetapi 1 gambar bisa menghasilkan lebih dari 1 window yang mendeteksi plat nomor yang sesungguhnya. Hanya ada 6 window yang bukan plat nomor sesungguhnya yang terdeteksi pada data latih. Contoh window yang bukan plat nomor yang sesungguhnya tetapi terdeteksi dapat dilihat pada Gambar 24. Dari gambar tersebut terlihat bagian window yang masih mendeteksi bagian latar mobil sebagai plat nomor dan ada juga window yang mendeteksi sebagian plat nomor saja. Jumlah window yang terdeteksi oleh sistem pada data latih dapat dilihat pada Lampiran 1. Gambar 24 Hasil verifikasi yang masih terdapat window yang bukan plat nomor yang sesungguhnya 19 Pengujian dan Evaluasi Dari tahap-tahap deteksi yang sudah dijalankan dapat dikatakan sistem siap diujikan pada data uji yang telah disiapkan sebelumnya. Pengujian akan dilakukan pada 70 data uji yang telah dipisahkan dengan data latih. Data uji tersebut akan diujikan ke dalam sistem satu demi satu. Sebelum pengujian dilakukan perhitungan jumlah window yang harusnya terdeteksi sebagai plat nomor yang sesungguhnya. Dari perhitungan ini didapat 282 window yang harusnya tedeteksi sebagai plat nomor yang sesungguhnya. Dari pengujian yang dilakukan didapat 65 data yang terdeteksi bagian plat nomornya dengan jumlah window yang terdeteksi adalah 400 window. Dari 400 window didapat 243 window yang terdeteksi sebagai plat nomor yang sesungguhnya. Dari hasil tersebut didapat recall sebesar 86.17% dan precision sebesar 60.75%. Perhitungan recall dan precision ini masih kurang maksimal karena setiap data gambar tidak menghasilkan 1 window plat nomor yang sesungguhnya, tetapi 1 gambar bisa menghasilkan lebih dari 1 window yang mendeteksi plat nomor yang sesungguhnya. Hal ini disebabkan karena perbesaran window yang hanya 10% bisa menyebabkan terjadinya tumpukan window yang mendeteksi plat nomor yang sesungguhnya. Penumpukan window yang mendeteksi plat nomor yang sesungguhnya dapat dilihat pada Gambar 25. Untuk pengecekan window yang relevan yang didapat dari sistem dilakukan secara manual dengan melihat kondisi window apakah memenuhi kriteria sebagai plat nomor yang sesungguhnya atau tidak. Sebagai contoh, pada data no 88 didapat 9 window yang tedeteksi sebagai plat nomor, tetapi dari 9 window tersebut tidak semuanya relevan. Dari 9 window yang terdeteksi hanya 4 window yang relevan sebagai plat nomor, sedangkan saat pengecekan window yang seharusnya relevan yang dilakukan secara manual saat awal pengujian didapat 5 window yang relevan. Jumlah window yang dideteksi pada 1 data gambar berjumlah 182798 Gambar 25 Hasil deteksi data no 70 yang mendeteksi bagian plat lebih dari 1 window 20 window. Untuk data no 88 ini dari 182798 window yang dideteksi didapat 9 window yang tedeteksi oleh sistem sebagai plat nomor, 4 window yang relevan dan 5 window yang seharusnya relevan. Gambar hasil verifikasi data no 88 dapat dilihat pada Gambar 26. Hasil window yang dideteksi oleh sistem pada data no 88 dapat dilihat pada Gambar 27. Pada Gambar 27 dapat dilihat window yang relevan adalah yang bernomor 3, 4, 5 dan 6. Untuk window nomor 1, 2 dan 7 bagian huruf terakhir plat terpotong dan untuk window nomor 8 dan 9 latar belakang samping kanan dan kiri plat telalu besar. Untuk jumlah window yang terdeteksi pada data uji lainnya dapat dilihat pada Lampiran 2. Dari data uji yang dideteksi ada 5 data gambar yang tidak terdeteksi bagian plat nomor yang sesungguhnya. Ada beberapa faktor yang menyebabkan bagian plat nomor tersebut tidak terdeteksi, diantaranya bagian plat nomor yang gelap, ukuran plat nomor yang lebih panjang dari ukuran yang sudah ditetapkan dan Gambar 26 Hasil verifikasi data no 88 Gambar 27 Window hasil deteksi oleh sistem pada data no 88 21 bagian plat nomor yang terkena cahaya sehingga silau. Kondisi cuaca, kondisi pencahayaan, penempatan plat dalam gambar, kerusakan mekanik plat dan keterangan lain dalam gambar merupakan faktor-faktor yang bisa menyebabkan dampak negatif pada hasil identifikasi plat nomor (Broumandnia dan Fathi 2005). Untuk perhitungan akurasi data yang dapat langsung diproses ke tahap pemisahan dan pengenalan karakter didapat akurasi sebesar 92.85%. Akurasi ini didapat dari perhitungan jumlah data uji yang terdeteksi bagian plat nomornya dibagi dengan jumlah data uji. Untuk mendapatkan data yang tedeteksi bagian plat nomornya dilakukan pengurutan terhadap window kandidat plat nomor berdasarkan kepadatan yang paling tinggi. Akurasi yang didapat lebih rendah dari yang dilakukan oleh Tarabek (2012) karena untuk plat nomor kendaraan di Indonesia memiliki keragaman kepadatan plat nomor yang banyak. Ada plat nomor yang hanya tersusun dari 3 huruf dan angka dan plat nomor yang tersusun dari 9 huruf dan angka. Dari 70 data uji didapat waktu rata-rata proses pendeteksian 59 ms untuk 1 data, sedangkan pada penelitian yang dilakukan oleh Tarabek (2012) waktu yang rata-rata yang didapat sebesar 36 ms. Pada penelitian ini waktu yang diperoleh masih lebih lama daripada yang telah dilakukan oleh Tarabek (2012). Hal ini disebabkan adanya penambahan deteksi ruang kosong dan deteksi daerah sekitar plat nomor. SIMPULAN DAN SARAN Simpulan Penelitian ini berhasil menerapkan metode vertical edge analysis sebagai metode dasar dalam sistem lokalisasi plat nomor kendaraan bermotor di Indonesia dengan dilakukan pengembangan terhadap metode yang telah dilakukan oleh Tarabek (2012) untuk A real-time license plate localization method based on vertical edge analysis. Pengembangan dilakukan dengan menambahkan proses pendeteksian ruang kosong dan pendeteksian daerah sekitar plat nomor. Walaupun waktu proses yang dibutuhkan untuk 1 data masih cukup lama dari penelitian yang dilakukan oleh Tarabek (2012), yaitu 59 ms, hal ini disebabkan adanya penambahan deteksi ruang kosong dan deteksi daerah sekitar plat nomor. Pengujian sistem yang telah dibuat untuk plat nomor kendaraan di Indonesia mendapatkan recall sebesar 86.17% dan precision 60.75%. Akurasi untuk data yang dapat diproses langsung ke tahap pemisahan dan pengenalan karakter sebesar 92.85%. Saran Saran untuk penelitian selanjutnya adalah: 1 Mencari implementasi algoritme yang dapat mendeteksi plat nomor kendaraan lebih cepat 2 Mencari metode yang dapat mengatasi kondisi cuaca, kondisi pencahayaan dan ukuran plat yang tidak sama 22 3 Menggabungkan sistem lokalisasi plat nomor dengan sistem pemisahan karakter dan pengenalan karakter yang telah dibuat oleh Lesmana (2012) dan Octavia (2012) DAFTAR PUSTAKA Arya F, Suwardi IS. 2007. License plate recognition system for Indonesian vehicles. Di dalam: . Proceedings of the International conference on electrical engineering and informatics. 17-19 Jun 2007; Bandung, Indonesia. Indonesia(ID): ITB pers. hlm 657-659. Broumandnia A, Fathi M. 2005. Application of pattern recognition for Farsi license plate recognition. ICGST. 5(2): 25-31. Lesmana AR. 2012. Identifikasi karakter pada plat nomor kendaraan menggunakan zone based feature extraction dengan metode klasifikasi backpropagation [Skripsi]. Bogor (ID): Institut Pertanian Bogor. Octavia IA. 2012. Identifikasi karakter plat nomor kendaraan menggunakan fitur image centroid and zone (ICZ) dengan klasifikasi support vector machine [Skripsi]. Bogor (ID): Institut Pertanian Bogor. Putra D. 2010. Pengolahan Citra Digital. Westriningsih, editor. Yogyakarta(ID): Penerbit ANDI. Saha S, Basu S, Nasipuri M, Basu DK. 2009. License plate localization from vehicle images: an edge based multi-stage approach. IJRTE. 1(1): 284-288. Tarabek P. 2012. A real-time license plate localization method based on vertical edge analysis. Di dalam: Ganzha M, Maciaszek LA, Papryzki M, editor. Federated conference on computer science and information systems. 2012 sep 8 – 12; Wroclaw, Poland. Piscataway(US): IEEE Digital library. hlm 149 – 154. 23 Lampiran 1 Jumlah window hasil deteksi sistem pada data latih No data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Jumlah window yang akan dideteksi 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 Jumlah window hasil deteksi kasar 15635 9784 3401 25991 10958 1115 2446 844 377 2387 3216 1068 7359 1571 4213 1010 5660 11443 14230 1756 Jumlah window hasil deteksi halus 196 369 182 764 284 58 217 63 16 24 224 86 295 131 168 38 312 497 627 132 Jumlah window hasil verifikasi 3 6 12 5 5 3 3 9 8 7 12 6 14 9 5 5 6 4 19 9 Jumlah window relevan 2 6 6 3 4 2 3 9 4 7 8 4 5 5 5 5 4 1 10 5 24 Lampiran 2 Jumlah window hasil deteksi sistem pada data uji No data Jumlah window yang akan dideteksi 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 Jumlah window hasil deteksi kasar 13020 1230 3382 1647 5278 2886 8140 1568 903 3280 3348 2204 4313 12732 2672 5622 9637 4306 11146 7349 2707 17547 8131 675 2182 1521 9993 1888 5958 2112 10091 3952 4656 2273 11739 9379 599 425 251 2381 Jumlah window hasil deteksi halus 283 94 202 95 215 141 359 75 62 155 93 68 185 569 150 284 291 187 587 600 285 456 283 60 248 152 502 115 377 136 509 272 283 101 258 305 24 33 37 195 Jumlah window hasil verifikasi Jumlah window relevan 2 1 5 9 3 7 8 1 3 4 3 7 7 9 7 9 0 1 3 6 2 7 4 8 3 2 2 1 0 4 3 3 2 9 4 1 8 2 7 8 2 1 3 4 2 3 6 0 3 3 2 4 5 3 3 4 0 1 3 5 1 4 3 4 3 2 2 1 0 3 2 2 2 4 2 1 4 1 4 4 Jumlah window yang seharusnya relevan 2 1 5 4 3 4 6 2 3 3 2 4 4 4 5 5 2 1 3 6 5 4 3 4 3 4 2 2 2 3 2 2 2 4 4 2 4 2 4 4 25 Lampiran 2 Lanjutan No data Jumlah window yang akan dideteksi 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 182798 Jumlah window hasil deteksi kasar 5791 9038 6883 7575 3327 2455 104 10641 4636 3566 8600 495 7872 2677 6187 7030 1256 2281 12622 4076 14542 16657 4874 15035 8485 12481 9798 9685 993 2918 Jumlah window hasil deteksi halus 156 203 362 312 80 92 12 360 137 117 303 31 112 132 169 241 141 230 461 187 551 620 229 470 373 670 480 404 97 234 Jumlah window hasil verifikasi Jumlah window relevan 7 7 3 6 2 6 11 1 6 8 16 4 4 13 12 0 14 9 12 3 7 1 11 4 15 11 5 9 7 11 5 7 2 4 2 4 4 1 3 8 8 4 4 7 7 0 7 7 7 2 2 1 8 3 5 6 5 4 5 5 Jumlah window yang seharusnya relevan 5 7 3 4 2 4 6 3 3 8 8 4 4 7 7 2 7 7 7 3 3 4 8 4 5 6 5 5 5 5 26 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 7 april 1991. Ayah dari penulis bernama Rachamdi dan ibu dari penulis bernama Henny Handayani. Penulis adalah anak pertama dari 3 bersaudara. Adik penulis bernama Dwi Rizky Rachmadhani dan Galuh Paramita Rachmadhani. Penulis menempuh pendidikan dari SD Angkasa VII, SMPN 80 Jakarta dan SMAN 42 Jakarta. Penulis lulus SMA pada tahun 2009, kemudian melanjutkan pendidikan ke jenjang sarjana di Intitut Pertanian Bogor (IPB) jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis masuk IPB melalui jalus Undangan Seleksi Masuk IPB (USMI).
