• Document: PENGENALAN PLAT NOMOR KENDARAAN GANJIL GENAP MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) BERBASIS VARIANS PROJECTION
  • Size: 483.13 KB
  • Uploaded: 2019-05-17 17:24:21
  • Status: Successfully converted


Some snippets from your converted document:

Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 PENGENALAN PLAT NOMOR KENDARAAN GANJIL GENAP MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) BERBASIS VARIANS PROJECTION Annahl Riadi1 dan Ricardus Anggi Pramunendar2 1,2 Pascasarjana 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 168 http://research.pps.dinus.ac.id Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 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

Recently converted files (publicly available):