Laman

Senin, 05 November 2012

Desain dan Implmentasi Color Code untuk Verifikasi Nomor Kendaraan Bermotor pada Sistem Parkir


  

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.