I. PENDAHULUAN
Kegiatan bermotor
merupakan salah satu penunjang kegiatan manusia yang
penting. Data Dinas Perhubungan
DKI Jakarta tahun 2002-2007 menunjukkan, jumlah kendaraan pribadi di Jakarta 9 persen pertahun lebih besar dibandingkan
pertumbuhan luas jalan relatif
tetap yang hanya 0,01 persen pertahun. Fenomena ini terlihat antara mobilitas manusia yang semakin tinggi dengan semakin
banyaknya pencurian terhadap
kendaraan bermotor. Data Kepolisian Daerah Metro Jaya, pencurian kendaraan roda 2 meningkat 9,67 %. Sementara roda empat
meningkat lebih banyak 37
unit pada tahun 2009 dengan 2010.(detiknews.com, 2010). Model sistem parker mulai
dari karcis parkir sekali pakai, RFID, sampai penggunaan kartu parker telah banyak mengalami perkembangan untuk meningkatnya
faktor keamanan. Sistem pendataan
parkir, yang memuat identitas pemilik kendaraan bermuotor dengan penggunaan Color Code, merupakan kode warna 2 dimensi
terdiri dari blok warna berukuran
3x3 yang dikonfigurasi color code sebanyak 49 = 262.144 kombinasi 4 warna hitam, merah, biru dan hijau.
Metode pengenalan karakter yaitu K-Nearest neighbor (KNN) proses mengenali warna digunakan
metode deteksi pada komponen
YCbCr dari warna color code. Kemudian dibuat sensor warna dan sensor background setiap sensor warna akan mensampling komponen
YCbCr untuk mengenali tiap
warnanya selanjutnya dilakukan proses pencarian posisi plat nomor kendaraan.
II.
LANDASAN TEORI
A. Citra
Citra kontinu dihasilkan dari system optik yang menerima sinyal analog, seperti mata. Citra
diskrit dihasilkan melalui
proses digitalisasi terhadap citra kontinu misalnya kamera digital. Citra merupakan gambar dua dimensi yang merupakan fungsi
kontinu dari identitas cahaya.
Citra digital berbentuk persegi panjang yang dinyatakan sebagai panjang (M) x lebar (N) dengan derajat keabuan f (x,y)dinyatakan
dalam matriks .
B. Color Code
Color code adalah sejumlah
kode yang mewakili angka-angka tertentu yang telah disepakati sebelumnya. Yang terdiri dari blok 2 warna berukuran 3x,
warna yang digunakan hiam,
merah, biru dan hijau dengan background putih sehingga didapatkan konfigurasi color code 49 = 262.144 kombinasi warna.
C. K-Nearest Neighbor
Algoritma KNN adalah melakukan
klasifikasi terhadap objek berdasarkan data pembelajaran yg jaraknya dekat. Data pembelajaran diproyeksikan ke ruang
berdimensi banyak, dimana masing-masing
dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data
pembelajaran. Sebuah titik dari
ruang ini disebut c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut.
Dekat atau jauhnya tetangga
biasanya dihitung berdasarkan jarak Euclidean.
III. Perumusan Masalah
1. Bagaimana cara mengatasi perkembangan
pesat penjualan di zaman teknologi internet untuk Desain dan Implmentasi Color Code
untuk Verifikasi Nomor Kendaraan Bermotor pada Sistem Parkir ?
IV. Tujuan
1. Mampu
meningkatkan penjualan serta mengurangi kesalahan dalam pembuatan dokumen yang
berhubungan dengan Desain dan Implmentasi Color Code untuk Verifikasi Nomor
Kendaraan Bermotor pada Sistem Parkir
V. METODE PENELITIAN
Secara umum sistem verifikasi plat nomor kendaraan dengan database dapat dijelaskan oleh blok diagram berikut:
A. Akuisisi Citra
Proses akuisisi
citra merupakan proses pengambilan (capturing) citra dalam uatu objek pada
pembacaan color code dan peng-captur-an
kendaraan. Dengan menggunakan
wabcam SOMC dengan resolusi 10 megapixel, jarak 12 cm antara webcam dengan kartu color code yang di capture. Alat yang
digunakan sebagai tempat kartu
dimasukkan terbuat dari akrilik hitam dengan ukuran panjang 25 cm, lebar 12 cm, tinggi 10 cm dan ketebalan 2 mm. ditambah dengan 8
buah led sebagai penerangan.
Alat ini dibuat agar posisi user tag tepat pada sensor warna dan sensor background. Sehingga proses sampling warna pada
color code matrix menjadi
lebih mudah dan tidak diperlukan kalibrasi yang berulang – ulang karena tidak tergantung pada kondisi cahaya Akuisisi dalam pengambilan gambar kendaraan
dilakukan dengan menggunakan webcam Logitech Pro 9000 dengan resolusi 960
x 720 pixel. Untuk jarak pengambilan
gambar sepeda motor berjarak rata-rata 130 cm, sedangkan untuk mobil rata-rata berjarak 240 cm. pengambilan citra
kendaraan dilakukan pagi, siang
dan malam hari.
B. Preprocessing
Kalibrasi Langkah-langkah
yang dilakukan agar tujuan
diatas tercapai antara lain sebagai berikut:
1. Ambil posisi sensor warna dan
background yang sebelumnya sudah
dideklarasikan dan disimpan saat menjalankan webcam.
2. Kenalkan pola warna pin
kalibrasi dideklarasikan matriks 3x3
3. Ambil nilai YCbCr disemua
posisi dari informasi posisi sensor warna dan background yang sudah di load tadi, sistem akan meng-crop gambar
yang ditangkap oleh webcam
pada posisi tersebut dan mengambil rata-rata nilai RGB nya yang dinyatakan sebagai matriks 15x3.
4. Packing warna Ambil rata-rata nilai RGB pada matriks 15 x 3 yang dihasilkan langkah diatas.
Untuk menentukan nilai akhir
RGB merah dihitung dari rata-rata nilai RBG pada posisi 1 dan 9 (dinyatakan pada baris 1 dan 9), RGB hijau dihitung dari
rata-rata nilai RGB pada
posisi 2 dan 8, RGB biru dihitung dari rata-rata nilai RGB pada posisi 3 dan 7, RGB hitam dihitung dari rata-rata nilai RGB pada
posisi 5, RGB sensor background
dihitung dari rata-rata nilai RGB pada posisi 10. Selain itu, ditentukan pula threshold dari masing-masing warna.
Threshold diperoleh dengan mencari
nilai maximum dari tiap warna ditambah delta sebesar 10 pixel. Untuk threshold sensor background, langsung di tentukan sebesar
25 pixel.
5. Periksa hasil kalibrasi Melakukan cropping pada setiap posisi sensor, kemudian dicek besar nilai RGB
(merah,hijau,biru,hitam) dikurangi
nilai RGB warna referensi. Apabila pengecekan pertama (merah) nilai nya lebih kecil atau sama dengan threshold merah yang
ditentukan sebelumnya maka
warna yang terdeteksi adalah merah. Namun jika nilainya lebih besar lakukan pengecekan pada warna hijau,biru dan hitam. Agar
admin (pengelola sistem)
dapat mengetahui kesalahnnya jika terjadi kesalahan bacaan.
6. Tampilkan hasil kalibrasi
Mencocokkan hasil pembacaan
dengan poal user tag kalibrasi. Jika sama, maka nilai-nilai hasil pembacaan ditampilkan pada gui main. Jika tidak sama,
maka akan muncul keterangan
tidak berhasil atau diulangi.
7. Simpan hasil kalibrasi yang terakhir Jika dibutuhkan bisa digunakan
kembali tanpa melakukan kalibrasi dari awal. Pembacaan User
Tag User tag dapat dimanfaatkan setelah sistem memiliki informasi range
warna. Saat sistem distart akan mengambil informasi posisi sensor warna, background dan nilai kalibrasi, system akan
membaca kembali warna yang
tertangkap sensor. Jika sama maka sistem akan mencabut user tag tersebut. Jika
sensor background membaca warna
hitam artinya user tag
sepenuhnya dicabut, ditandai oleh warna merah. Jika sensor background warna putih maka nilai kalibrasi akan membaca warna
terbaru, apabila sama dengan
denfan sebelumnya maka user tag akan dicabut. Jika tidak ukuran berubah matriks
1x9 maka akan dicocokkan dengan user tag pada database mysql. Data yang ditemukan akan menampilkan color code, nama user, nim, no plat kendaraan, jenis, tahun kendaraan dan foto user. Pola color code akan tercatat disertai dengan tanggal dan jam color code, jika tidak ditemukan maka user tidak terdaftar. Sistem Pencarian dan Pengenalan Plat Nomor Kendaraan Pada citra ini dilakukan pengcapturan dari webcam, untuk motor dilakukan dengan jarak minimal 130 cm dari webcam,
edangkan mobil dengan jarak
240 cm. Format hasil gambar jpg berukuran 960x720 pixel. Langkah-langkah yang dilakukan dalam pengolahan citra uji adalah :
1. Mengubah citra uji ke
dalam citra grayscale Pengubahan dari citra RGB menjadi grayscale untuk mempermudahkan pemrosesan
citra latih.
2. Imresize citra uji Ukurannya diubah menjadi
960 x 640 pixel untuk mempercepat pemrosesan.
3. Mengubah citra uji ke
dalam citra black dan white Nilai
threshold dalam pengubahannya
yaitu 128 untuk motor dan 120 untuk mobil
4. Remove intensitas yang luasnya besar + threshold pertama Proses
penghapusandilakukan dengan mengubah pixel menjadi pixel 0, kemudian dikalikan
dengan citra sebelum dijalankan
fungsi remove intensitas. Nilai threshold untuk motor 300,500 dan 700, sedangkan mobil 350,550 dan 750.
5. Konvolusi citra Prinsip kerja konvolusi citra adalah memperluas pixel putih dari citra yang
berpixel putih ke sekelilingnya
dengan ukuran yang ditetapkan. Untuk motor dan mobil dengan nilai dari konvolusi yang sama 10,20 dan 30.
6. Remove intensitas yang
luasnya besar + threshold
kedua Nilai threshold ditentukan melalui tiga percobaan yang mengubah pixel 0
kemudian dikalikan dengan
citra sebelum dijadikan fungsi remove intensitas. Untuk motor 12500, 17500 dan 22500, sedangkan mobil 900,11000 dan 16000.
7. Remove intensitas yang
luasnya kecil Menggapus semua luas citra putih yang luas kecil, hanya menyisakan yang paling
besar
8. Croping posisi plat
nomor Cropping posisi plat nomor dilakukan pada luas putih, dan citra yang dicrop
adalah citra black and white.
9. Pelurusan plat nomor Menggunakan metode hough
transform mencari sudut kemiringan dengan mempetimbangkan pixel putih yang dikenai garis dari hough transform.
10. Croping plat
nomor Didasarkan pada pencarian pixel putih awal dari baris sampai didapat
pixel hitam pada baris berikutnya,
sehingga yang diambil pixel hitam pada plat nomor
11. Slide plat
nomor Jumlah karakter akan di segmentasi, dengan mengurangkan karakter awal sampai
karakter sebelum akhir dikurangkan
karakter kedua sampai akhir. Didapat jumlah pixel awal dan akhir yang dibagi dua untuk mendapatkan total karakter yang
dikenali.
12. Pembagian posisi
nomor Akan di deteksi pixel putih pertama dan terakhir dan dilakukan pengcropan
dengan hasil pengcropan menjadi
data uji KKN.
C. Identifikasi dengan KNN
Pengolahan Citra Latih Digunakan 4 dan 2 buah citra latih
dari masing-masing kelas, berformat jpg, diambil dari tugas akhir sebelumnya dan editan dari adobe photoshop cs2, dan diubah kedalam
citra blac and white. Dilakukan
cropping atas dan bawah dan dirubah ukuran menjadi 66 x 34 pixel, selanjutnya diubah formatnya dengan menjadikan kedalam
satu kolom 1 x 2244 pixel.
Kemudian dikelompokkan berdasarkan karakter dan disimpan menjadi data latih. Pengenalan
Karakter dengan KNN Membuat data uji berdasarkan Euclidean distance yang berupa angka atau huruf dirubah ukurannya
menjadi 34 x 66 pixel dan
diubah lagi menjadi 1 x 2244 pixel sesuai dengan ukuran data latih. Sesuai rumus euclidean distance tiap piksel dari data uji akan
dikurangkan dengan piksel
yang sama etiap data latih, maka akan didapat nilai dari masing – masing group, group yang nilai paling kecil akan dibaca sebagai
angka terpilih.
D. Perbandingan Plat Nomor database dengan yang teridentifikasi Setelah
plat nomor hasil deteksi dengan metode
KNN dan plat nomor yang terdapat pada database kemudian di load. Kemudian dibandingkan antara kedua plat nomor tersebut,
dengan karakter huruf besar
semua tanpa spasi.
VI. Inti Pembahasan
Tampilan pengujian
perangkat Kendaraan Sistem diuji pada pagi, siang dan sore hari, masing – masing 10 sample kendaraan bermotor dengan
total 60 citra uji. Pengujian Pencarian Plat Nomor Kendaraan Dalam pengujian
digunakan 60 citra, pada kondisi pagi (07.00-09.00), siang (11.00-13.00)
dan sore (15.00-17.00). Tingkat akurasi dalam pencarian plat nomor kondisi pagi hari 98,3% terdapat 1 gambar tidak
terdeteksi. Dapat disimpulkan
kondisi waktu tidak mempengaruhi tingkat akurasi akan tetapi pantulan cahaya yang mempengaruhi. Pengujian Pengenalan Karakter dengan K-Nearest Neighbor Dalam pengenalan
karakter dengan dua dan empat citra latih, digunakan nilai 1,3 dan
5. Tabel
1. Hasil
Uji Pendeteksian Plat Nomor Sepeda Motor dengan 2 Citra
Latih Kendaraan Kondisi
Total Karakter Total Karakter yang Terdeteksi
K=1 K=3 K=5
Sepeda Motor Pagi 64 39 38 35 , Siang 72 53 51 55, Sore
73 49 48 48 ,Total 209 141 137
138, Akurasi (%)
67,46 65,55 66,03, Waktu
rata - rata (detik) 9,02 9,13 9,36
Tabel 2. Hasil
Uji Pendeteksian Plat Nomor Sepeda Motor dengan 4 Citra
Latih
Kendaraan Kondisi Total Karakter Total Karakter
yang Terdeteksi K=1
K=3 K=5
Sepeda Motor Pagi 64 33 36 38
Siang 72 51 52 50
Sore 73 53 51 46
Total 209 137 139 134
Akurasi (%) 65,55 66,51 64,11
Waktu rata - rata (detik) 9,98 10,3 10,58
Tabel 3. Hasil
Uji Pendeteksian Plat Nomor Mobil dengan 2 Citra Latih
Kendaraan Kondisi Total Karakter Total Karakter
yang Terdeteksi
K=1 K=3 K=5
Mobil Pagi 68 59 58 59
Siang 70 58 59 59
Sore 72 55 57 56
Total 210 172 174 174
Akurasi (%) 81,9 82,86 82,86
Waktu rata - rata (detik) 8,98 9,03 9,12
Tabel 4. Hasil
Uji Pendeteksian Plat Nomor Mobil dengan 4 Citra Latih
Kendaraan Kondisi Total Karakter Total Karakter
yang Terdeteksi
K=1 K=3 K=5
Mobil Pagi 68 59 57 58
Siang 70 59 60 58
Sore 72 60 57 57
Total 210 178 174 173
Akurasi (%) 84,76 82,86 82,38
Waktu rata - rata (detik) 9,85 10,17 10,47
Pada table tersebut, bahwa hasil pendeteksian dengan nilai K=1 sepeda motor akurasi
terbesar 67,46%, pada penggunaan
2 citra latih, sedangkan pada mobil akurasi terbesar 84,67% pada penggunaan 4 citra dengan begitu untuk selanjutnya
digunakan nilai K = 1 pada pendeteksian
plat nomor motor dan mobil. Pengujian
Pengaruh Jumlah Citra Latih Dari
tabel 1 dan 2 disimpulkan pendeteksian plat nomor sepeda motor, penggunaan 2 citra latih mempunyai tingkat akurasi lebih
tinggi 67,46%. Disebabkan
karena secara umum sudah tidak standar, yaitu plat nomor yang tipis dan beragam. Dari
tabel 3 dan 4 disimpulkan pendeteksian plat nomor mobil, penggunaan 4 citra latin mempunyai tingkat akurasi lebih tinggi
84,76%. Disebabkan karena secara
umum plat nomor mobil sudah mengikuti standar yang ditetapkan kepolisian. Oleh
karena itu, selanjutnya penelitian digunakan 2 citra latih pada pendeteksian plat nomor sepeda motor dan 4 citra latih
pada mobil.
Pengujian Pembacaan Color Code
Keberhasilan system ditentukan
oleh tingkat akurasi pembacaan color code
yang digunakan sebagai pemanggil database user. Dalam sistem ini digunakan
sebanyak 20 kartu color code. Pada pengujian tabel 5, diperoleh tingkat akurasi sebesar 100%, menunujukkan bahwa sistem berhasil
mengenali setiap color code. Dengan total gabungan dari color code sampai pembacaan karakter untuk mobil tingkat
akurasi 84,76% sedangkan
sepeda motor 67,46%.
Tabel 5. Hasil
Uji Pembacaan User Tag Color Code
Jumlah Percobaan Persentasi Deteksi Rata-rata Waktu
(detik) 20 100% 8,49
VI. KESIMPULAN
Dari hasil analisis terhadap
pengujian yang dilakukan sistem verifikasi nomor kendaraan bermotor pada sistem parkir, maka diperoleh kesimpulan sebagai
berikut:
1. Pada penelitian
ini telah dirancang dan direalisasikan program sistem verifikasi nomor kendaraan bermotor, pada kondisi pagi, siang dan
sore hari. Untuk keberhasilan
sistem dalam pencarian plat nomor sepeda motor 96,67% kurang akurat dibandingkan pencarian plat nomor mobil yang
akurat 100%.
2. Keberhasilan dalam
pencarian plat nomor motor,akurasi pembacaan karakter lebih besar pada siang hari 73,61% dibandingkan pagi yang hanya 60,94% dan
sore 67,23%.
3. Keberhasilan dalam
pencarian plat nomor mobil, akurasi pembacaan karakter lebih besar pada pagi hari 86,76% dibandingkan siang yang hanya 84,29% dan
sore 83,33%.
4. Parameter terbaik
yang digunakan processing pencarian plat nomor adalah remove intensitas pertama dibandingkan remove intensitas kedua.
5. Keberhasilan KNN pada sepeda motor 67,46% dengan waktu rata-rata 9,02
detik dan mobil 84,76% dengan
waktu rata-rata 9,85 detik
Penulis : Widiastuti , Lulu
Chaeranu Munggaran
Tahun terbit : 2012
Penerbit : Stikom Bali
Daftar Pustaka
A. Suhendar dan Hariman
Gunardi, Visual Modeling menggunakan UML dan Rational Rose, Penerbit
Informatika, Bandung, 2002.
Ali Bahrami., Object
Oriented System Development : Using The Unified Modeling Language, Mc
Graww-Hill International Edition, 1999.
Andi Maha Wijaya,
Perancangan Sistem Penjualan melalui Internet, Skripsi, 2001.
Ariesto Hadi Sutopo.,
Analisis dan Desain Berorientasi Obyek, Edisi pertama, Penerbit J&J Learning, Yogyakarta, 2002.
Greenstein, Marilyn and
Feinman, Todd M., Electronic Commerce : Security, Risk Management and Control,
McGraw-Hill, Singapore, 2000.
Sri Dharwiyanti dan Romi
Satria Wahono, Pengantar Unified Modeling Language (UML), Kuliah Umum Ilmu
Komputer.com, 2003.