Post on 02-Feb-2016
description
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
168 http://research.pps.dinus.ac.id
PENGENALAN PLAT NOMOR KENDARAAN GANJIL GENAP
MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)
BERBASIS VARIANS PROJECTION
Annahl Riadi1 dan Ricardus Anggi Pramunendar2
1,2Pascasarjana 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
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
http://research.pps.dinus.ac.id , 169
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.
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
170 http://research.pps.dinus.ac.id
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. TINJAUAN PUSTAKA
2.1. 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
Peneliti Masalah
Metode
Hasil Pre-Processing
Segmentasi
Karakter Klasifikasi
[12]
varians projection
melakukan segmentasi
karakter untuk
membagi dan
memisahkan region
karakter China dengan
region karakter yang
lainnya serta
meningkatkan akurasi
pengenalan karakter
• Membanding-
kan metode
otsu dan
metode
bernsen
• algoritma
Bernsen +
filter
gaussian
connected
componen
t labeling
+ varians
projection
SVM
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%.
[13]
menghilangkan
gangguan hasil
binerisasi
menggunakan metode
mean filter dan metode
varians projection
Metode
threshold otsu
Varians
projection
+ Mean
Filter
-
metode varians projection
yang ditingkatkan dapat
lebih baik dari segmentasi
karater plat nomor
kendaraan
[20]
Menemukan metode
Bernsen untuk
menghilangkan
gangguan akibat
kemiringan
Membandingka
n gray image,
Otsu method
dan traditional
Bernsen
method.
Varians
projection -
Hasil akurasi yang
didapatkan dari penelitian
ini 97,41% dengan
menggunakan 226 sample
gambar plat nomor
kendaraan yang berbeda
[6]
Memisahkan karakter
dan latar belakang plat
nomor kendaraan
Edge detection,
Metode Otsu
Varians
projection
,
connected
componen
t label
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
http://research.pps.dinus.ac.id , 171
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 garis-
garis 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
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
172 http://research.pps.dinus.ac.id
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:
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
http://research.pps.dinus.ac.id , 173
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.
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
174 http://research.pps.dinus.ac.id
Gambar 2.1 Diagram Alir Metode Penelitian
EXPERIMENT
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
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.
Input database
Metode Otsu
Pengklasifikasian SVM
Pengenalan Plat nomor Kendaraan
Data hyperplane
Varians Projection (Vertikal & Horisontal)
Fungsi gaussian
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
http://research.pps.dinus.ac.id , 175
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
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
176 http://research.pps.dinus.ac.id
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 :
Induction
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
Data
Training
Data Testing
Learning Algoritma
Learn Model SVM Model SVM
Apply Model SVM
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
http://research.pps.dinus.ac.id , 177
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
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
178 http://research.pps.dinus.ac.id
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 Otsu-
Gaussian seperti yang tertuang dalam tabel 4.2 berikut.
Tabel54.1.Perbandingan Nilai Threshold Otsu Gaussian
No Nomor Plat Otsu Otsu-Gaussian
1 BD 7046 AY 0,517647059 0,701820283
2 BD 1377 LV 0,4 0,675144187
3 BD 1949 AK 0,580392157 0,72334723
4 BD 9211 AB 0,474509804 0,664978441
5 BD 1781 AI 0,309803922 0,672201467
6 D 1882 LP 0,560784314 0,645881805
7 BD 1877 AH 0,560784314 0,731406203
8 BD 1 FA 0,423529412 0,63832299
9 BD 1704 AY 0,549019608 0,723131884
10 BG 1403 LH 0,454901961 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
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
http://research.pps.dinus.ac.id , 179
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
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
180 http://research.pps.dinus.ac.id
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 Contrast Correlation Energy Entropy Homogenity Recognition
BD 7046 AY 5,94E+15 7,28E+14 2,39E+14 2,20E+15 7,76E+14 Genap
BD 1377 LV 4,55E+15 5,72E+14 5,46E+14 1,46E+15 8,37E+14 Ganjil
BD 1949 AK 7,20E+15 6,58E+14 2,61E+14 2,09E+15 7,72E+14 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 4,28E+15 7,31E+14 4,41E+14 1,67E+15 8,36E+14 Ganjil
BD 1 FA 2,69E+15 6,59E+14 6,81E+14 9,56E+14 9,18E+14 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 Numerik
Genap 1
Ganjil 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
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
http://research.pps.dinus.ac.id , 181
(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 Original-Otsu
Otsu-Otsu
Gaussain
9340,591 12913,78 21970,28
7318,667 5220,957 5563,387
14051,48 9122,771 8508,217
12543,62 9655,182 6431,041
6520,086 6107,091 2159,097
7674,845 7750,02 4524,357
10219,3 21716,59 13886,1
10157,14 6839,842 5964,107
13394,31 17021,07 13215,47
10660,17 9621,612 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
1 5 1
2 0 9
Jumlah Data Test 15.00
Hasil Benar 14.00
Hasil Salah 1.00
Training & Testing Time (Seconds) 0.8750
Akurasi 93,33%
Laju Error 6,67%
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
182 http://research.pps.dinus.ac.id
Tabel54.6. Nilai Data Uji Sebanyak 40%
Kelas 1 2
1 4 0
2 1 6
Jumlah Data Test 11.00
Hasil Benar 10.00
Hasil Salah 1.00
Training & Testing Time (Seconds) 0.7917
Akurasi 90.91%
Laju Error 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
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
http://research.pps.dinus.ac.id , 183
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 8 fitur 7 fitur 5 fitur
50% 93,33% 86.67% 80.00%
40% 90,91% 90.91% 81.82%
5. 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 masing-
masing 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.
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
184 http://research.pps.dinus.ac.id
[2] “http://jakarta.okezone.com/read/2012/12/26/500/737463/aturan-plat-ganjil-genap-langkah-
radikal-jokowi,” p. 737463, 2012.
[3] Y. Wen et al., “An Algorithm for License Plate Recognition Applied to Intelligent Transportation
System,” vol. 12, no. 3, pp. 830-845, 2011.
[4] 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.
[5] 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.
[6] S. Saha, S. Basu, and M. Nasipuri, “Automatic Localization and Recognition of License Plate
Characters for Indian Vehicles,” no. 4, pp. 520-533, 2011.
[7] 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.
[8] 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.
[9] 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.
[10] X. Li, F. Ling, X. Lv, Y. Li, and J. XU, “Research on character segmentation in license plate
recognition,” pp. 345-348, 2010.
[11] 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.
[12] Y. Wen et al., “An Algorithm for License Plate Recognition Applied to Intelligent Transportation
System,” vol. 12, no. 3, pp. 830-845, 2011.
[13] 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.
[14] 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.
[15] M. I. Khalil, “Car Plate Recognition Using the Template Matching Method,” vol. 2, no. 5, pp. 3-7,
2010.
[16] 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.
[17] C.-W. H. and C.-J. Lin, “Machines, A Comparison of Methods for Multi-class Support Vector,”
2012.
[18] 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.
[19] E. Dwika Putra, “PENINGKATAN SEGMENTASI PADA INDENTIFIKASI PLAT NOMOR
KENDARAAN INDONESIA MENGGUNAKAN METODE OTSU DENGAN GAUSSIAN,”
2012.
[20] 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.
[21] H. Guo, “A Simple Algorithm for Fitting a Gaussian Function [DSP Tips and Tricks],” vol. 28, no.
5, p. 2011, 2011.
[22] 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
http://research.pps.dinus.ac.id , 185
[23] 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.
[24] 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.
[25] A. S. Nugroho, “SUPPORT VECTOR MACHINE : PARADIGMA BARU DALAM,” pp. 92-99,
2008.
[26] 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.
[27] E. Kulak, “Analysis of Textural Image Features for Content-Based Retrieval,” p. 2002, 2002.
[28] 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.