��

�

1. Pendahuluan

Plat mobil merupakan nomor identitas dari setiap mobil yang ada. Tentunya setiap mobil yang ada mempunyai plat nomor yang berbeda untuk masing-masing menunjukkan identitas kendaraan tersebut. Terlepas dari itu semua untuk pengolahan citra plat mobil tidak lepas dari media komputer dalam mendeteksi letak plat dan pengenalan karakternya. Begitu pentingnya media komputasi untuk menghasilkan sebuah sistem yang dapat mendeteksi citra plat mobil dalam komunikasi visual dua dimensi untuk membandingkan hasilnya.�Salah satu cara yang digunakan para programmer untuk mendeteksi citra plat mobil adalah metode deteksi tepi.�

Sekarang ini sistem deteksi plat mobil masih menggunakan beberapa metode deteksi tepi yang ada. Metode deteksi tepi yang sering digunakan untuk mendeteksi plat mobil yaitu prewitt dan sobel. Namun dari kedua metode yang ada tersebut masih belum ditemukan titik optimal dari metode yang digunakan dalam mendeteksi sebuah plat mobil. Pada penelitian kali ini akan dibandingkan sistem deteksi plat mobil menggunakan metode deteksi tepi prewitt dan metode deteksi tepi sobel dimana kedua metode ini hampir mempunyai kesamaan yang mendasar. Dengan demikian akan dapat disimpulkan bahwa dari kedua metode deteksi tepi di atas bisa menghasilkan pendeteksian plat yang lebih akurat melalui perbandingan yang ada.

2. Tinjauan Pustaka

Image processing atau pengolahan citra merupakan proses pengolahan

dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Namun citra yang dihasilkan dari proses pengolahan citra memiliki kualitas yang lebih baik dibandingkan dengan citra aslinya. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer.

Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya, salah satu dari operasi itu adalah pengorakan citra (image analysis) yang mempunyai tujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik image analysis mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya.

Segmentasi adalah salah satu cara yang sering digunakan dalam memilah citra dalam data, yaitu membagi citra menjadi bagian yang diharapkan termasuk objek yang dianalisis. Segmentasi sering dideskripsikan sebagai proses analogi terhadap proses pemisahan latar depan dan latar belakang. Dengan demikian, citra terbagi atas dua bagian, yaitu bagian hitam dan bagian putih, atau warna yang membatasi setiap wilayah. Konsep dasar mengenai segmentasi daerah melalui operasi thresholding yang bertujuan memisahkan

��

�

daerah milik sebuah atau beberapa objek dan latar belakang untuk menghasilkan citra biner.

Threshold atau binerisasi yaitu pengelompokan pixel dalam citra berdasarkan batas nilai intensitas tertentu adalah salah satu contoh operasi tingkat titik. Untuk memperjelas pemisahan antara objek dengan latar belakang, citra di dirubah menjadi biner berdasarkan nilai ambang tertentu dengan metode otsu. Keakuratan dari segmentasi ini sangat menentukan keberhasilan dalam pemrosesan analisis citra secara otomatis. Konversi suatu citra abu-abu menjadi citra biner adalah bentuk sederhana dari segmentasi citra, di mana citra dipartisi menjadi dua bagian. Ada dua pendekatan yang digunakan dalam segmentasi objek yaitu segmentasi berdasarkan batas wilayah (tepi dari objek) dan segmentasi ke bentuk dasar.

Perbandingan citra dapat dilakukan ketika hendak menentukan perbedaan atau kesamaan apa saja yang terdapat pada ke dua citra tersebut. Banyak parameter yang dapat ditentukan dalam perbandingan ini, misalnya: ketajaman, resolusi dan ukuran yang ada pada citra. Dengan cara demikian maka sebuah kesimpulan dapat dihasilkan ketika perbandingan sudah dilakukan. Pada sebuah deteksi tepi citra, untuk dapat membandingkan hasil citra USG janin supaya teridentifikasi dengan jelas, perlu dilakukan perbandingan metode deteksi tepi apa yang dipakai. Dengan metode deteksi tepi yang digunakan tersebut bisa dibandingkan hasil citra USG janin yang bisa mendekati bentuk sebenarnya [1]. ORC (Optical Character Recognition) merupakan cara dalam pengenalan karakter yang ada pada citra plat mobil. Pada penelitian Automtic Vehicle Identification by Plate Recognition [2] menjelaskan tentang cara yang digunakan dalam mendeteksi plat dengan pengujian tingkat akurasi dari karakter yang dapat dideteksi.

Automatic Vehicle License-Plate Recognition System [3] juga menggunakan pengujian dengan tingkat akurasi pada deteksi plat mobil dan pengenalan plat nomor berdasarkan karakter yang bisa dideteksi. Untuk perhitungan akurasi dalam deteksi citra plat mobil bisa menggunakan perhitungan berikut:

Akurasi deteksi plat nomor = (Jumlah deteksi plat nomor berhasil/Jumlah sampel citra) x 100% Akurasi Pengenalan Plat Nomor = (Jumlah pengenalan plat yang benar/Jumlah sampel citra) x 100%

Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Sedangkan deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari objek-objek citra, tujuannya adalah Untuk menandai bagian yang menjadi detail citra Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra. Proses deteksi tepi pada citra dilakukan dengan dua arah yaitu secara vertikal dan secara horizontal sehingga menghasilkan suatu citra dari proses deteksi tepi yaitu berupa tepi-tepi dari suatu citra. Hasil

��

�

yang diperoleh dari proses deteksi tepi citra dapat disimpulkan bahwa tepi suatu citra terletak pada titik-titik yang memiliki perbedaan tinggi.

Tepi Citra

Gambar 1 Proses Deteksi Tepi Citra

Berdasarkan prinsip-prinsip filter pada citra maka tepi suatu gambar dapat diperoleh menggunakan HPF (High Pass Filter), yang mempunyai karakteristik:

fungsi citra f(x,y)adalah: 1 1 1 1 1 1 1 1 1 0 1 1 1 0 0 1 1 0 0 0 1 0 0 0 0

Dengan menggunakan filter : H (y,x) =[-1 1] Maka Hasil filter adalah:

Deteksi tepi dengan metode turunan pertama yaitu metode robert yang sering disebut juga operator silang. Gradien robert dalam sumbu x dan sumbu y dihitung dengan persamaan 1 dan 2.

0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0

��

�

Image Processing

(2) R+ (x, y) = f (x +1, y +1)- f (x, y) R- (x, y) = f (x, y +1)- f (x +1, y) Dalam bentuk mask persamaan 1 dan 2 metode robert adalah:

Metode Prewitt adalah pengembangan dari metode robert yang

merupakan teknik differensial pada arah horisontal dan differensial pada arah vertikal, dengan menggunakan filter HPF (High Pass Filter) yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi laplacian yang dikenal sebagai fungsi untuk membangkitkan HPF.

Metode Sobel merupakan pengembangan metode robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi Laplacian dan Gaussian yang dikenal sebagai fungsi untuk membangkitkan HPF. Kelebihan dari metode sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi.

3. Desain Sistem

Gambar 2 System Flowchart

Pada intinya sistem deteksi citra plat mobil terbagi menjadi dua bagian saja yaitu plat extraction mewakili proses deteksi plat nomor, sedangkan character segmentation dan character identification mewakili proses pengenalan plat nomor.

Deteksi plat nomor

Deteksi plat nomor ini berfungsi untuk menemukan lokasi plat nomor yang berada pada citra. Pada tahap deteksi plat nomor ini proses grayscale, threshold, deteksi tepi dan deteksi kotak merupakan tahap plate extraction dan outputnya berupa letak plat nomor yang sudah digaris kotak berwarna hijau.

Image Acquisition

Plate Extraction

Character Segmentation

Character Identification Display ID

(1)

��

�

(3)

Gambar 3 Diagram Alir Deteksi Plat Nomor

Proses preprocessing perlu dilakukan untuk menyesuaikan apa yang dibutuhkan untuk proses selanjutnya. Yang pertama sistem akan merubah objek RGB menjadi objek grayscale. dengan menggunakan persamaan 3.

Gray = (R + G + B)/3 Proses pada persamaan 3 tersebut dilakukan pada setiap pixel pada

citra, dengan cara persamaan 3 tersebut maka setiap pixel memiliki satu jenis warna dengan intensitas yang berbeda-beda. Di dalam tahap thresholding terdapat dua batas tepi, yang pertama tepi batas atas yang nantinya dirubah menjadi warna putih dan tepi batas bawah yang nantinya dirubah menjadi warna hitam. Sehingga nantinya bisa menghasilkan citra biner atau gambar yang berkomposisikan warna hitam dan putih.

Thresholding atau binerisasi yaitu citra dirubah dari grayscale menjadi citra hitam putih. Pada kedua metode deteksi tepi yang digunakan, proses ini menghasilkan citra yang tidak begitu berbeda antara metode deteksi tepi prewitt dan deteksi tepi sobel. Jika diamati dengan seksama perbedaan tampak pada garis putih yang merupakan tepi dari citra plat mobil dimana deteksi tepi prewitt lebih kecil dan deteksi tepi sobel cenderung lebih tebal.

(a) (b) Gambar 4 Thresholding Pada Deteksi Tepi Prewitt (a) dan Deteksi

Tepi Sobel (b)

Deteksi tepi

Threshold

Grayscale

Deteksi Kotak

Start

Selesai

Input Citra

��

�

(7)

(8)

(9)

Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari objek-objek citra. Tepi-tepi ini akan menandai bagian detail citra. Tepi-tepi pada gambar tersebut terletak pada titik-titik yang memiliki perbedaan tinggi. Dengan perbedaan tinggi tersebut tercipta suatu pola atau guratan yang membentuk suatu objek dapat diperoleh menggunakan High Pass Filter (HPF).

Pada deteksi tepi ini menggunakan deteksi tepi prewitt dan sobel sebagai perbandingan hasil deteksi plat. Tingkat akurasi pengenalan karakter plat mobil dipengaruhi oleh deteksi tepi yang digunakan. Persamaan dari deteksi tepi prewitt dan sobel adalah dari keduanya sama-sama pengembangan dari deteksi tepi robert dan keduanya sama-sama menggunakan HPF. Jika suatu pengaturan pixel disekitar pixel (x,y): Metode prewitt dan sobel adalah magnitude gradient yang dihitung dengan:

� ��= √ ����+ �����

Dan turunan parsialnya dari persamaan 5 adalah: Sx = (a2 + ca3 + a4) – (a0 + ca7 + a6) Sy = (a0 + ca1 + a2) – (a6 + ca5 + a4) Deteksi tepi sobel mempunyai persamaan konstanta c = 2 dimana jika dibuat dalam bentuk dalam mask persamaan 4, maka persamaan 6 dan persamaan 7 dapat dinyatakan sebagai sebagai persamaan 8. Untuk deteksi prewitt mempunyai persamaan konstanta c = 1. Inilah yang membedakan antara deteksi tepi prewitt dan deteksi tepi sobel. Jika dibuat dalam bentuk mask persamaan4, maka persamaan 6 dan persamaan 7 deteksi prewitt dapat dinyatakan sebagai persamaan 9. Menentukan sisi horizontal menggunakan persamaan 10.

(4)

(6)

(5)

(10)

�

�

Dimana fT (l, i) adalah proyeksi horizontal sesudah morphology secara metematik, T adalah threshold. Kemudian scanning fungsi dari fT (l, i) dan tunjuk bagian dimana nilai menunjukkan dari 0 ke 1 dan dari 1 ke 0.

Deteksi kotak bergantung pada proses sebelumnya yaitu deteksi tepi karena penyusun dari kotak adalah kumpulan dari garis. Ketika citra plat mobil dirubah menjadi grayscale dan kemudian di threshold yang akhirnya di cari daerah mana yang paling pekat dari citra yang menggunakan deteksi tepi, maka program bisa menentukan daerah plat mobil yang daerahnya dideteksi paling pekat kemudian di crop.

Pengenalan plat yang berupa nomor polisi sebagai hasil dari proses sebelumnya, diperlukan aspek perbandingan atau aspect ratio yang digunakan sebagai perbandingan lebar ke daerah yang dominan pada citra plat mobil menggunakan persamaan 11.

Aspect Ratio = Panjang Kotak/Lebar Kotak Selain aspek perbandingan yaitu sisi kepadatan dimana menghilangkan sisa-sisa daerah yang tidak termasuk dalam daerah deteksi plat mobil. Daerah yang masih terseleksi untuk proses deteksi, mengambil persamaan persegi panjang seperti bentuk umum plat mobil yang ada di Indonesia.

Pengenalan Plat Nomor

�

�

�

�

�

�

�

�

Gambar 5 Desain Sistem Pengenalan Plat Nomor

Proses preprocessing ini dilakukan kembali proses grayscale dan

thresholding pada objek citra plat nomor yang telah di ekstraksi pada proses sebelumnya. Dan proses ini dilakukan untuk mendapatkan objek plat nomor dengan citra biner. Dan citra biner ini dibutuhkan unuk proses selanjutnya.

Threshold

ORC

Grayscale

Noise Filtering

Plat yang di Crop

Mulai

Selesai

(11)

�

�

Noise filtering dibutuhkan untuk memenuhi parameter-parameter yang dibutuhkan untuk proses selanjutnya yaitu OCR (Optical Character Recognition). Untuk proses yang dilakukan tahap ini adalah proses erosi dan dilatasi. Proses ini dilakukan untuk memperbaiki objek plat nomor sehingga bisa digunakan sebagai masukan pada tahap OCR. Erosi adalah suatu operasi yang akan mengurangi pixel pada batas antar objek dalam suatu citra digital. Cara kerjanya adalah melakukan pengecekkan terhadap pixel hitam yang akan dierosi dengan melewatkan mask yang ada terhadap pixel hitam tersebut, dan jika memenuhi semua syarat dalam mask maka pixel hitam itu akan diubah warnanya menjadi putih. Sedangkan dilatasi adalah suatu operasi yang akan menambahkan pixel pada batas antar objek dalam suatu citra digital. Cara kerjanya adalah dalam citra biner jika ada pixel tetangga yang bernilai 1 maka output pixel akan ubah menjadi 1.

OCR (Optical Character Recognition)

�

�

Gambar 6 Blok Diagram OCR (Optical Character Recognition)

Langkah pertama adalah proses segmentasi yang mempunyai tujuan

untuk memisahkan wilayah (region) objek dengan wilayah latar belakang agar objek di dalam citra mudah dianalisis dalam rangka mengenali objek. Pada Gambar 7 adalah perbandingan segmentasi sebuah karakter menggunakan metode deteksi tepi prewitt dan deteksi tepi sobel.

Fiture Extraction

Segmentation

Normalization

Recognition

Mulai

Selesai

Plat yang sudah dideteksi letaknya

���

�

(a) (b)

Gambar 7 Segmentasi Karakter Menggunakan Deteksi Tepi Prewitt (a) dan Deteksi Tepi Sobel (b)

Hasil dari karakter yang sudah di segmentasi tidak mengelami banyak perbedaan antara hasil menggunakan deteksi tepi prewitt atau deteksi tepi sobel. Perbedaan hasilnya dikarenakan ke dua metode yang digunakan tergantung pada proses thresholding pada pengenalan plat nomor.

Proses selanjutnya adalah normalization yang didalamnya terdapat beberapa tahap yaitu: scalling dan thinning. Scalling adalah fungsi yang mengubah ukuran suatu citra dimana scalling cenderung merupakan sebutan untuk perbesaran dan shrink cenderung merupakan sebutan untuk memperkecil ukuran sebuah citra. Thinning adalah operasi morfologi yang digunakan untuk menghapus pixel foreground yang terpilih dari citra biner, biasanya digunakan untuk proses mencari tulang sebuah objek.

Untuk proses feature extraction adalah suatu proses image analysis dalam mengidentifikasi sifat-sifat yang melekat dari tiap-tiap karakter atau disebut juga dengan fitur dari sebuah objek yang terdapat dalam citra. Karakteristik ini digunakan dalam mendeskripsikan sebuah atribut dari sebuah objek, kemudian fitur yang dimiliki oleh karakter dapat digunakan sebagai proses recognition. Setelah mendapatkan citra biner, proses segmentasi citra setiap karakter dilakukan dengan cara pemetaan warna yaitu mencari komponen-komponen warna yang terhubung satu sama lain. Dengan menyesuaikan ukuran dari citra karakter dengan template karakter maka selanjutnya tinggal membandingkan antara citra karakter dengan citra templatenya. Pada proses template ini, data gambar alphanumeric yang diambil ada 36 yang mencakup angka nol sampai sembilan dan huruf A-Z.

Diagram alir pada Gambar 8 merupakan gambaran deteksi plat mobil yang diimplementasian pada sebuah sistem dalam sebuah interface. Ketika program mulai berjalan dan sampai tahap akhir yaitu pengenalan plat yang kemudian ditampilkan hasil karakter, pada diagram alir ini menggambarkan bagaimana program berkerja untuk deteksi plat mobil dan pengenalan plat

���

�

nomor. Tahap awal yaitu mulai merupakan awal program Matlab 6.5 dibuka. Open image adalah proses membuka citra plat mobil dari interface yang telah dibuat. Kemudian citra yang di buka tersebut dirubah menjadi grayscale dan diproses dengan metode deteksi tepi prewit atau sobel yang bertujuan untuk deteksi plat nomor pada citra plat mobil. Setelah menentukan bisa mengenali plat nomor maka dilakukan tahap pengenalan karakter atau optical character recognition. Karakter yang sudah di segmentasi kemudian dicocokkan dengan database yang berisi nomor-nomor plat yang akan diuji. Jika plat nomor berhasil dideteksi maka akan muncul informasi “plat nomor ditemukan pada database”. Tetapi jika tahap pengenalan karakter gagal maka akan muncul informasi “tidak ditemukan pada database”. Setelah hasil pengenalan karakter dicocokkan dengan database, gagal atau berhasil proses akan selesai dengan menampilkan hasil identifikasi citra plat mobil.

(a) (b)

Gambar 8 Diagram Alir Sistem Deteksi Citra Plat Mobil Pada Interface Menggunakan Deteksi Tepi Prewitt (a) dan Deteksi Tepi Sobel (b)

� � ��� �� � � ��� ��

Mulai

Grayscale

Deteksi Kotak

Optical Character Recognition

Cocokkan Karakter Dalam Database

Cocok

Plat Nomor Tidak Ditemukan Pada Database

Plat Nomor Ditemukan Pada Database

Selesai

Open Image

Deteksi Tepi Prewitt

Mulai

Grayscale

Deteksi Kotak

Optical Character Recognition

Cocokkan Karakter Dalam Database

Cocok

Plat Nomor Tidak Ditemukan Pada Database

Plat Nomor Ditemukan Pada Database

Selesai

Open Image

Deteksi Tepi Sobel

���

�

4. Hasil dan Pembahasan

Tahap implementasi adalah tahap dimana suatu perancangan terealisasi menjadi sebuah interface. Dalam proses analisis perbandingan citra plat mobil ini menggunakan software berbasis Graphical User Interface (GUI) yaitu dengan Matlab 6.5. Untuk membuat sebuah tampilan GUI harus membuka software Matlab 6.5. Dari Blank GUI kita bisa membuat interface menurut kebutuhan dalam proses deteksi citra plat mobil. Untuk menampilkan sebuah citra pada GUI maka diperlukan dua buah axes yang mempunyai fungsi untuk menampilkan citra ketika sebuah citra dibuka dan setelah citra diproses pada pencarian letak plat mobil. Tombol Push Button yang diberi nama Detect Now berfungsi untuk proses Image Processing dalam hal ini sampai tahap pengenalan karakter dari plat mobil yang sedang diolah. Kemudian dibutuhkan juga menu Static Text yang bertugas menampilkan hasil dari deteksi plat mobil yang sudah diolah oleh software kemudian dicocokkan dengan notepad sebagai database.

Gambar 9 Interface GUI

Open Image adalah proses dimana sebuah citra sebagai inputan yang bertujuan untuk pengolahan citra plat mobil. Untuk membuka file citra plat mobil kita bisa menggunakan cara membuka file kemudian open image yang terletak di pojok kiri atas dari interface. Citra yang diinputkan mempunyai resolusi 400x300 pixel. Citra dengan resolusi tersebut tergolong citra yang mempunyai ukuran yang kecil sehingga sangat memudahkan dalam pengolahannya.

Mula-mula citra yang sudah di buka kemudian dibuat menjadi grayscale. Perintah yang digunakan ketika ingin merubah citra plat mobil menjadi grayscale bisa dilihat pada koding dibawah ini:

�

���

�

Kode Program 1: Citra Menjadi Grayscale

�

�

Sesudah citra plat mobil menjadi grayscale kemudian dirubah menjadi

citra biner untuk mendapatkan tepi dari citra plat mobil. Pada penelitian kali ini menggunakan deteksi tepi prewitt dan deteksi tepi sobel untuk mendeteksi tepi citra plat mobil. Kode Program 2: Deteksi Tepi Prewitt

Untuk membandingkan antara kedua metode deteksi yang digunakan

adalah dengan melihat fungsi yang dimunculkan. Untuk penggunaan metode deteksi tepi sobel dengan hanya merubah fungsi yang dimunculkan. Kode Program 3: Deteksi Tepi Prewitt

Setelah dilakukan deteksi tepi maka bisa diperoleh deteksi kotak yang ditandai garis persegi panjang berwarna hijau yang menandakan di kotak hijau tersebut adalah letak plat nomor. Hasil dari plat yang digaris kotak berwarna hijau dapat dilihat pada Gambar 10.

Gambar 10 Deteksi Kotak Plat Mobil

function pushbutton1_Callback(hObject, eventdata, handles) I = handles.image; Gambar = mat2gray(double(I)); [M N O] = size(I); I = rgb2gray(I);

W_vertikal = fspecial('prewitt')'; I_filtered = imfilter(I,W_vertikal); I_filtered2 = imfilter(I2,W_vertikal);

W_vertikal = fspecial('sobel')'; I_filtered = imfilter(I,W_vertikal); I_filtered2 = imfilter(I2,W_vertikal);

���

�

Dengan menemukan plat nomor langkah selanjutnya adalah proses OCR dan menemukan karakter yang ada pada plat mobil dengan metode feature extraction. Pada Gambar 11 ditampilkan tentang proses dari metode feature extraction. Proses ini tidak ditampilkan ketika mendeteksi karakter menggunakan interface dari program deteksi plat mobil tetapi proses ini akan ditampilkan ketika hanya membuatan program manual.

Gambar 11 Feature Extraction

OCR mempunyai algoritma korelasi dengan template yang tersimpan pada database atau dilakukan penyesuaian dengan template yang ada pada database. Template tersebut berjumlah 36 yang mencakup angka nol sampai sembilan dan huruf A-Z. Kode Program 4: Korelasi Template�

Kode Program 4 menjelaskan korelasi angka nol sampai sembilan dan huruf A-Z yang berjumlah 36 template. Selain itu menampilkan tulisan “Menganalisa matching template segmen ke-..” dan progress berwarna merah ketika tombol detect now di tekan.

Setelah selesai dengan proses deteksi plat mobil dan pengenalan plat nomor pada citra plat mobil, hasil dari proses ditampilkan pada axes2 yaitu citra yang telah diidentifikasi letaknya yang ditandai dengan kotak persegi panjang berwarna hijau. Hasil dari citra yang ditampilkan di axes2 bisa

for x=1:36 waitbar( ((i-

1)*36+x)/(length(index_segmen)*36),wait,['Menganalisa matching template segmen ke- ' num2str(i) '...' ]);

j=num2str(x); a_mask = imread(['F:\Kuliah\Skripsi\Car_detect_GUI\standar\' j '.jpg']);

���

�

disimpan untuk keperluan yang lain dengan menggunakan menu save image. Citra yang sudah diketahui letaknya kemudian dikenali karakternya, ditampilkan pada static text yang bernama “nomor plat yang dideteksi”. Kemudian karakter yang sudah diketahui dicocokkan pada notepad sebagai databasenya dan memberikan informasi “ditemukan pada database index ke . .” atau “plat tidak ada dalam database” jika karakter plat mobil tidak cocok dengan database. Menampilkan hasil pengenalan karakter plat mobil yang dibaca oleh program bukan dalam format citra lagi tetapi dalam format alphanumeric. Karakter tersebut kemudian dicocokkan dengan nomor plat yang dimasukkan pada notepad sebagai database. Untuk memasukkan nomor plat mobil pada database, tinggal mengetikkan dalam bentuk baris plat nomor yang ingin dicocokkan. Pada Gambar 12 adalah tampilan notepad sebagai database yang memuat beberapa nomor plat mobil.

Gambar 12 Database

Pengujian

Tampilan pengujian yang benar meliputi keberhasilan dalam deteksi plat nomor dan pengenalan plat nomor. Pada Gambar 13 adalah tempilan deteksi plat yang berhasil dalam mendeteksi plat nomor dan pengenalan plat nomor.

���

�

Gambar 13 Hasil Indentifikasi Keseluruhan

Dari keseluruhan percobaan, ada proses yang gagal dalam mendeteksi citra plat mobil. Gambar 14 adalah gambar bagaimana proses deteksi citra plat mobil gagal dalam proses deteksi plat nomor.

Gambar 14 Gagal Pada Tahap Deteksi Plat Nomor

Ketika program tidak berhasil dalam proses deteksi plat nomor maka secara otomatis proses pengenalan plat nomor juga akan gagal karena daerah yang dideteksi bukan merupakan daerah yang bisa dikenali oleh template yang berada pada database. Tetapi ada percobaan yang berhasil dalam deteksi plat nomor namun gagal pada proses pengenalan nomor plat. Gambar 15 adalah tampilan proses yang berhasil dalam mendeteksi plat nomor tetapi gagal pada proses pengenalan plat nomor.

���

�

Gambar 15 Gagal Pada Tahap Pengenalan Plat Nomor

Dari pengujian 30 sampel citra plat mobil berdasarkan perbandingan pada proses thresholding dan segmentasi dapat diperoleh hasil dengan menggunakan metode deteksi tepi prewitt memiliki tingkat keberhasilan lebih tinggi dalam sistem. Hal ini terlihat pada hasil yang telah diperoleh dari pengujian menggunakan kedua metode deteksi tepi. Keberhasilan deteksi plat nomor menggunakan metode deteksi tepi prewitt sebesar 76,7% dan menggunakan metode deteksi tepi sobel sebesar 66,7%. Untuk pengujian pengenalan plat nomor menggunakan metode deteksi tepi prewitt sebesar 10% dan menggunakan metode deteksi tepi sobel sebesar 3,3%. Dalam pengujian masih ada beberapa citra plat mobil yang tidak bisa dideteksi atau tidak bisa mendeteksi plat nomor maupun pengenalan plat nomor. Berdasarkan dari hasil analisis, kondisi ini bisa dipengaruhi oleh beberapa faktor: a) Pencahayaan kurang baik sehingga membuat proses deteksi tepi tidak bisa memperoleh hasil yang baik untuk deteksi plat nomor. b) Adanya variasi pada mobil yang berlebihan membuat deteksi plat nomor jadi tidak berhasil yang disebabkan adanya noise yang terlalu pekat didaerah lain pada proses thresholding dari kedua metode. c) Salahnya identifikasi karakter yang disebabkan hampir miripnya bentuk dari dua buah karakter. Seperti angka 1 dengan huruf I dan angka 8 dengan angka 3 pada proses feature extraction. d) Proses pengambilan objek citra plat mobil sangat berpengaruh pada pengenalan plat nomor dimana sudut pemotretan dan tingkat pencahayaan yang membuat bayangan di sekitar karakter plat mobil. Jika dilihat perbandingan dari kedua pengujian menggunakan diagram dapat dilihat pada Gambar 16 dapat disimpulkan bahwa deteksi tepi prewitt memiliki tingkat keberhasilan paling tinggi dibandingkan deteksi tepi sobel. Bar yang berwarna biru merupakan akurasi deteksi plat nomor, sedangkan bar yang berwarna merah adalah akurasi pengenalan plat nomor.

��

�

Gambar 16 Diagram Perbandingan Deteksi Plat Nomor dan Pengenalan Plat Nomor Menggunakan Prewitt dan Sobel

5. Simpulan

� Menggunakan dua metode deteksi tepi pada identifikasi citra plat mobil bisa menghasilkan tingkat akurasi yang berbeda, sehingga dapat disimpulkan metode deteksi tepi mana yang baik digunakan pada pemrosesan citra plat mobil. Adanya kesalahan identifikasi bisa disebabkan oleh adanya karakter yang memiliki kedekatan bentuk yang sama atau sudut dari pengambilan objek sehingga menimbulkan pencahayaan yang menyebabkan bayangan di sekitar karakter. Pada pengujian berdasarkan perbandingan thresholding, deteksi tepi dan segmentasi deteksi plat nomor, metode deteksi tepi yang mempunyai tingkat keberhasilan pengenalan paling tinggi adalah metode deteksi tepi prewitt yaitu sebesar 76,7%. Sedangkan metode deteksi tepi sobel memiliki tingkat keberhasilan sebesar 66,7%. Pada pengujian pengenalan plat nomor, metode deteksi tepi yang mempunyai tingkat keberhasilan pengenalan paling tinggi adalah metode deteksi tepi prewitt yaitu sebesar 10%. Sedangkan metode deteksi tepi sobel memiliki tingkat keberhasilan sebesar 3,3%.

6. Daftar Pustaka [1] Indira, Merly, dkk. 2008. Perbandingan Metode Pendeteksi Tepi Studi

Kasus: Citra USG Janin. Kommit 2008. [2] Ozbay, Serkan, dkk. 2005. Automatic Vehicle Identification by Plate

Recognition. World Academy of Science/ Engineering and Technology 9/ 2005.

[3] Gupta, Deepak Kumar, dkk. 2009. Automatic Vehicle License - Plate Recognition System. Image Processing and Computer Vision 2009.

[4] Bowo, Subchan AA. 2011. Analisis Deteksi Tepi Untuk Mengidentifikasi Pola Daun. Undergraduate Thesis Teknik Elektro Universitas Diponegoro 2011.

[5] Nadiah, Siti. 2007. Edge Detection of Malaysian License Plate Number Image by Using The Prewitt Algorithm. UiTM 2007.

��

�

[6] Niam, Bahrun. 2011. Analisis Deteksi Tepi Pada Citra Berdasarkan Perbaikan Kualitas Citra. Undergraduate Undip 2011.

[7] Putra, Dharma. 2010. Pengolahan Citra Digital. Yogyakarta: CV Andi Offset.

[8] Sugiharto, Aris. 2006. Pemrograman GUI dengan Matlab. Yogyakarta: CV Andi Offset.

[9] Verma, Er. Amit. 2010. Vehicle Number Plate Detection Using Sobel Plate Detection Technique. IJCST Vol1/Issue2/2010.

[10] Wicaksana, Prasetya Riza. 2009. Pengenalan Plat Nomor Kendaraan Secara Otomatis Untuk Pelanggaran Lalu Lintas. ITS Undergraduate 2009.

[11] Wijaya, Marvin CH dan Prijono, Agus. 2007. Pengolahan Citra Digital Menggunakan Matlab. Bandung: Informatika Bandung.