Pengenalan Plat Nomor Kendaraan Secara Otomatis

Untuk Pelanggaran Lalu Lintas

Riza Prasetya Wicaksana
Teknik Komputer dan Telematika
J urusan Teknik Elektro
Insitut Teknologi Sepuluh Nopember Suarabaya

.

Abstrak- Nomor polisi yang tercantum pada plat
nomor kendaraan bisa digunakan oleh pihak berwajib
sebagai barang bukti pengendara melanggar rambu lalu
lintas. Selama ini pengenalan plat nomor kendaraan
dilakukan secara manual oleh petugas kepolisian, untuk
memudahkan pekerjaan tersebut maka dibutuhkan
sebuah sistem yang bisa mengenali plat nomor secara
otomatis.
Dalam penelitian ini, dibuat sistem atau program
untuk mengenali plat nomor kendaraan menggunakan
metode OCR (optical character recognition). Citra kenda-
raan dijadikan sebagai masukkan sistem, citra tersebut
lalu di olah dengan cara mendeteksi kontur obyek yang
berbentuk plat nomor pada citra untuk mendapatkan
lokasi plat nomor. Pada citra plat nomor inilah proses
ekstraksi obyek karakter dilakukan kemudian dikenali
dengan menggunakan metode OCR (optical character
recognition).
Hasil yang diperoleh setelah dilakukan pengujian
pada beberapa sample menunjukan bahwa pengenalan
plat nomor bisa dilakukan dengan menggunakan metode
OCR (optical character recognition). Dengan adanya
peneli-tian ini diharapkan bisa bermanfaat bagi pihak
yang berwajib untuk menegakkan hukum bagi para
pelanggar rambu lalu lintas. Sistem ini juga dikembang-
kan untuk melengkapi penelitian modul Intelligent
Transportation System.
Kata Kunci: ANPR, OCR, intelligent transportation system

1. PENDAHULUAN
eselamatan pengendara di jalan raya merupakan salah
satu hal yang sangat diperhatikan oleh banyak pihak.
Tentunya banyak faktor yang mempengaruhi kecelakaan di
jalan raya. Salah satunya adalah pelanggaran lalu lintas,
pelanggaran ini dipicu oleh ketidakpedulian pengendara dan
keteledoran aparat dalam hal menertibkan pengendara.
Untuk mempermudah kinerja aparat maka perlu
dibuatnya sistem deteksi dan pengenalan plat nomor
kendaraan bermotor secara otomatis. Sistem yang dibuat
disini bekerja dengan beberapa tahap yaitu modul deteksi
keberadaan plat dan modul pengenalan plat nomor. Hasil
gambar digital yang diperoleh akan diproses untuk selanjutnya
akan dikenali plat nomor sebagai identitas kendaraan tersebut.
Hasil dari pengenalan plat nomor tersebut digunakan
sebagai bukti untuk menindak pengendara yang telah
melanggar rambu-rambu lalu lintas. Dengan adanya tindakan
berupa denda atau kurungan diharapkan ada efek jera bagi
pengendara. Sehingga dikemudian hari pengendara lebih
disiplin dalam mematuhi rambu-rambu lalu lintas.


2. DESAIN DAN IMPLEMENTASI SISTEM
Secara umum sistem terbagi menjadi dua bagian utama
pendeteksian plat nomor dan pengenalan plat nomor. Program
yang dibuat dalam tugas akhir ini dijelaskan pada gambar blok
diagram berikut :












Gambar 2.1. Blok Diagram Sistem

Dari gambar 2.1, terdapat bagian load image yaitu
menentukan masukkan untuk sistem berupa citra digital.
Sedangkan di dalam garis merah putus-putus merupakan
tahap pendeteksian plat nomor kendaraan dan dalam garis
biru putus-putus merupakan tahap pengenalan karakter yang
nantinya akan diproses menjadi keluaran dari sistem.
Keluaran dari sistem adalah pengenalan plat nomor
berupa nomor polisi yang bisa disimpan dan dimanfaatkan
untuk kepentingan yang lainnya.

2.1. Deteksi Plat Nomor
Proses deteksi plat nomor ini berfungsi untuk
menemukan lokasi plat nomor berada pada citra. Pada blok
diagram di gambar 3.2 akan dijelaskan design sistem pada
bagian pendeteksian plat nomor.

K
1

Gambar 2.2. Desain Sistem Deteksi Plat Nomor

Pada tahap deteksi plat nomor kendaraan, terdapat dua
proses diantaranya garis putus biru find plate candidate dan
garis putus hijau plate selection.

2.1.1 Pre-Processing
Proses pre_processing perlu dilakukan untuk
menyesuaikan apa yang dibutuhkan untuk proses selanjutnya.
Yang pertama sistem akan merubah obyek RGB menjadi
obyek grayscale. dengan menggunakan cara :

Gray =(R +G +B)/3

Proses tersebut dilakukan pada setiap piksel pada citra,
dengan cara ini maka setiap piksel memiliki satu jenis warna
dengan intensitas yang berbeda-beda.
Setelah proses ini dilakukan proses selanjutnya adalah
proses thresholding. Thresholding adalah operasi non-linier
yang merubah gambar grayscale atau citra berderajat
keabuan menjadi citra biner atau hitam putih sehingga dapat
diketahui daerah mana yang termasuk obyek dan background
dari citra secara jelas.
2

Di dalam tahap thresholding terdapat dua ambang

batas, yang pertama ambang batas atas yang nantinya dirubah
menjadi warna putih dan amabang batas bawah yang
nantinya dirubah menjadi warna hitam. Sehingga nantinya
bisa menghasilkan citra biner atau gambar yang
berkomposisikan warna hitam dan putih. Untuk menentukan
amabang batas ini maka perlu dilakukan pendekatan dan
percobaan untuk menentukan ambang batas yang cocok.









(a) (b)












(c)
Gambar 2.3. (a) citra RGB (b) citra grayscale (c) citra
biner

2.1.2 Deteksi Garis
Dengan memanfaatkan ciri khusus dari plat nomor
yaitu kotak. Maka langkah selanjutnya adalah proses
pendeteksian tepi yang bertujuan untuk menemukan garis
pada citra.
Deteksi tepi pada suatu citra adalah suatu proses yang
menghasilkan tepi-tepi dari obyek-obyek 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)
Keberadaan tepi unsur ditandai dengan tingginya
perubahan nilai piksel atau kontras. Tepi unsur pada citra
dideteksi dengan operator deteksi (detektor) tepi diantaranya
berupa matriks template berukuran tertentu.




(a) (b)





(c)
Gambar 2.4. (a) Matriks Template vertikal Mx; (b) Matriks
Template horizontal My; (c) Proses Konvolusi

Dalam mendeteksi tepi, dilakukan perkalian elementer
antara matriks template pada Gambar 2.4 di atas dengan
kelompok piksel pada citra input. Pada hasil perkalian yang
diperoleh, nilai setiap elemen dijumlahkan dan dijadikan
nilai dari elemen matriks hasil konvolusi.









(a) (b)
Gambar 2.5. (a) Citra masukkan (b) Hasil Deteksi garis
2.1
gar
dar

G
kan
beb
sel
2.1
me
per
bat
Ba
2.2

unt
ber
pla
det

















1.3 Deteksi K
Pada pros
ris pada proses
ri kotak adalah









(a)
Gambar 2.6. (a

Hasil de
ndidat kotak y
berapa kandid
lanjutnya yaitu

1.4 Seleksi Ko
Pada pros
enyeleksi setia
rbandingan rat

Ratio =pa

Setelah m
tasan untuk m
atasan ditentuka

2. Pengenala
Pada desa
tuk mengenal
rupa nomor po
at nomor. Pad
tail menegenai
Gamba
Kotak
ses deteksi kot
s sebelumnya d
h kumpulan dar

a) Hasil deteks
eteksi kotak
yang akan dip
dat ini sebag
u proses seleksi
otak
ses seleksi ko
ap kandidat ko
io dengan rum
anjang kotak /
melakukan pro
menentukan m
an sesuai deng
an Plat Nomor
ain sistem pen
li plat nomor
olisi. Input yang
da gambar 2.3
i desain sistem
ar 2.7. Desain S
tak ini bergantu
deteksi garis. K
ri garis.
(
si garis (b) Has
ini menghas
pilih sebagai p
gai masukkan
i kotak.
tak ini dilakuk
otak dengan ca
mus :
lebar kotak
oses pembagi
mana plat yan
gan ciri dari pla
ngenalan plat n
r dan mendap
g diterima suda
akan dijelask
pengenalan pl
Sistem Pengen
ung pada dete
Karena penyus
(b)
sil deteksi kota
silkan bebera
plat nomor. D
n untuk pro
kan dengan c
ara menggunak
ian maka dib
ng akan dipil
at nomor.
nomor berfung
patkan hasilny
ah berupa obye
kan desain leb
lat nomor.
alan Plat Nomo
ksi
sun
ak
apa
Dari
ses
ara
kan
beri
lih.
3
gsi
ya
ek
ih
or
2.2.1 P
P
graysca
telah di
P
kan ob
dibutuh

2.2.2 N
P
parame
OCR (
dilakuk
Proses
sehingg
E
pada ba
adalah
dierosi
tadi, jik
hitam ta

menam
digital.
pixel te
menjad

2.2.3 O
P
untuk
gambar

















L
bertujua
wilayah
dianalis
citra y
segmen
P
proses n
Pre-Processing
Proses prepro
ale dan thres
i ekstraksi pada
Proses pre-pro
byek plat nom
hkan untuk pro
Noise Filtering
Proses ini dib
eter yang dibu
(Optical Chara
kan pada tahap
ini dilakuakan
ga bisa digunak
Erosi adalah S
atas antar obye
melakukan pen
dengan melew
ka memenuhi
adi diubah war
Sedangkan di
mbahkan pixel p
Cara kerjany
etangga yang
di 1.
OCR(Optical C
Pada tahap OC
menggunakan
r 2.8
Gamba
Langkah per
an untuk mem
h latar belaka
sis dalam rang
yang besar t
ntasi menjadi m
Proses selanju
normalisasi ini
g
ocessing ini d
sholding pada
a proses sebelu
ocessing ini d
mor dengan ci
ses yag selanju
g
butuhkan untu
utuhkan untuk
acter Recogni
p ini adalah
n untuk memp
kan sebagai ma
uatu operasi ya
ek dalam suatu
ngecekan terha
watkan mask ya
semua syara
rnanya menjad
ilatasi adalah
pada batas ant
ya adalah Dala
bernilai 1 ma
Character Rec
CR ini proses p
n metode OC
Segmentatio
Normalizatio
Feature
Extraction
Recognition
Hasil
ar 2.8. Blok di
tama adalah
misahkan wilay
ang agar obje
gka mengenali
erdiri dari o
masing-masing
utnya adalah
i terdapat bebe
dilakukan kem
a obyek plat
umnya.
ilakukan untuk
itra biner. Cit
utnya.
uk memenuhi
k proses selanj
ition). Untuk
proses erosi d
perbaiki obyek
asukkan pada t
ang akan meng
u citra digital. C
adap pixel hita
ang ada terhada
at dalam mask
di putih.
Suatu operas
tar objek dala
am binary ima
aka output pix
cognition)
pengenalan kar
CR akan dijel
on
on
n
n
iagram OCR
proses segm
yah (region) o
ek di dalam c
i objek. denga
obyek karakte
karakter.
normalization
rapatahap dian
mbali proses
nomor yang
k mendapat-
tra biner ini
i parameter-
njutnya yaitu
proses yang
dan dilatasi.
k plat nomor
tahap OCR.
gurangi piksel
Cara kerjanya
am yang akan
ap pixel hitam
k maka pixel
si yang akan
am suatu citra
age, jika ada
xel akan diset
akter, proses
laskan pada
mentasi ini
objek dengan
citra mudah
an demikian
er dapat di
, di dalam
ntaranya :
Scalling
Scalling adalah fungsi yang mengubah ukuran
suatu gambar dimana scalling cenderung merupakan
sebutan untuk perbesaran dan shrink cenderung
merupakan sebutan untuk memperkecil ukuran
gambar.
Thinning
Thinning adalah operasi morfologi yang
digunakan untuk menghapus piksel foreground yang
terpilih dari gambar biner, biasanya digunakan untuk
proses mencari tulang dari seuah obyek.

Langkah selanjutnya adalah feature extraction,
Feature Extraction adalah suatu proses image analysis dalam
mengidentifikasi sifat-sifat yang melekat dari tiap-tiap
karakter atau disebut juga dengan fitur dari sebuah obyek
yang terdapat dalam citra. Karakteristir ini digunakan dalam
mendeskripsikan sebuah obyek atau atribut dari sebuah obyek,
kemudian fitur yang dimiliki oleh karakter dapat digunakan
sebagai proses recognition.
Setelah mendapatkan citra biner proses segmentasi
gambar setiap karakter dilakukan dengan cara pemetaan
warna, yaitu mencari komponen-komponen warna yang
terhubung satu sama lain.
Dengan menyesuaikan ukuran dari gambar karakter
dengan template karakter yang dimiliki oleh library
tessnet2_32. J ika proses ini berhasil maka langkah selanjutnya
adalah membandingkan antara gambar karakter dengan
templatenya. J ika sukses maka akan didapatkan hasil berupa
karater tersebut.











Gambar 2.9. proses pengenalan karakter

3. PENGUJ IAN DAN ANALISA
Untuk mengetahui kehandalan dari sebuah sistem
dilakukan dengan beberapa metode pengujian diantaranya :
1. Pengujian deteksi lokasi plat nomor
2. Pengujian pengenalan karakter pada obyek plat
nomor
3. Pengujian sistem secara keseluruhan

3.1 Pengujian Lokasi Plat Nomor
Pengujian pada aplikasi pengenalan plat nomor
dilakukan dengan mengambil sample dari beberapa gambar
plat menurut lokasi pengambilan gambar. Hal ini perlu
dilakukan untuk mengetahui posisi yang ideal untuk
pengambilan gambar kendaraan.













Gambar 3.1 pengujian lokasi plat berhasil














Gambar 3.2 pengujian lokasi plat tidak berhasil

Dari hasil yang ditunjukkan pada percobaan beberapa
sampel yang ada. Pada gambar 3.1 lokasi plat dapat
ditemukan karena posisi pengambilan gambar lurus dan
pencayahaan yang cukup. Sedangkan untuk gambar 3.2 tidak
berhasil menemukan lokasi plat dikarenakan posisi kamera
yang miring.

3.2 Pengujian Pengenalan Karakter pada Obyek Plat
Nomor
Pengujian yang lainnya adalah pengujian karakter pada
plat nomor. Pengujian ini diperlukan untuk menguji program
OCR (Optical Chaacter Recognition) dapat berjalan dengan
baik dan benar dalam hal mengenalai karakter pada citra.












(a) (b)


4

(c) (d)
Gambar 3.3 Pengujian Pengenalan Karakter

Pengujian ini dilakukan untuk mengetahui apa sistem
dapat mendeteksi gambar karakter dengan baik. Dari
percobaan juga diketahui bahwa aplikasi bisa membaca
karakter 0, 1, 2, 3, 4, 5, 6, 7, 8, 9.
Beserta beberapa karakter yang lain.

3.3 Pengujian Sistem Secara Keseluruhan
Pengujian berikutnya adalah pengujian aplikasi secara
keseluruhan yang meliputi deteksi plat nomor dan
pengenalan karakter plat nomor. Pengujian ini diperlukan
untuk membuktikan bahwa sistem secara keseluruhan dapat
berjalan dengan baik atau tidak.











5

(a)


















(b)





















(c)
Gambar 3.4. Pengujian Sistem Secara Keseluruhan

Pada gambar 3.4.a dan 3.4.b pengujian sistem bisa
berjalan dengan baik, dengan hasil pengenalan plat yang
sesuai pada citra. Tetapi terdapat error pada bagian plate
selection. Itu disebabkan karena pencahayaan pada gambar
sehingga mempengaruhi proses pengenalan kotak pada objek.
Pada gambar 3.4.c pengujian sistem terdapat error
diantaranya proses plate selection dan proses segmentasi
karakter pada plat. Ini disebabkan karena pencahayaan yang
kurang baik, sehingga terdapat kotak-kotak yang lain
menyerupai plat nomor. Lalu untuk proses segmentasi terjadi
error disebabkan oleh pencahayaan kurang baik. Terlalu gelap
sehingga pengenalan nomor menjadi tidak sempurna.
Pengujian aplikasi telah dilakukan pada 25 sampel
gambar dengan kondisi penchayaan yang cukup dan posisi
dilakukan dari su ut yang tepat didapatkan d :
Akurasi=||
]umIuh Ctu ung kcnuI
umIuh SumpcI Ctu

]
||x100%
=||
18
25
||x 1uu %
% =72
Dari perhitungan error di atas, didapatkan bahwa
tingkat akurasi untuk sampel picture yang diambil dalam
kondisi tertentu adalah 72%.

4. KESIMPULAN
Pada bagian ini akan diulas tentang kesimpulan dari
seluruh percobaan dan pengujian dari beberapa metode yang
kami uji. Dari uji coba yang dilakukan, dapat diambil suatu
kesimpulan sebagai berikut
1. Proses pengenalan nomor plat kendaraan dapat diperoleh
secara ideal ketika pengambilan gambar dengan posisi
kamera tegak lurus dengan kendaraan.
2. Proses pendeteksian plat dan pengenalan nomor juga
dipengaruhi oleh tingkat pencahayaan pada obyek.
3. Dari hasil tersebut, maka dapat dikatakan bahwa jumlah
piksel input akan menentukan tingkat keberhasilan dan
akurasi citra, semakin besar ukuran piksel citra input,
maka semakin baik hasil citra output.
4. Tingkat akurasi yang diperoleh pada beberapa sample
menggunakan input berupa obyek dengan jenis plat
berbeda dan diambil dari posisi ideal menunjukkan hasil
terbaik sebesar 72 %

DAFTAR PUSTAKA

1. Rachmawati. ESTIMATION OF GEOMETRIC OBJECT
PARAMETERS BASED ON DIGITAL IMAGE
PROCESSING. IT Telkom. 2008
2. Tjokorda Agung Budi. PEMANFAATAN OPERASI
MORPHOLOGI UNTUK PROSES PENDETEKSIAN
SISI PADA PENGOLAHAN CITRA DIGITAL. STT
Telkom. Bandung. 2006
3. Faizal Ridwan. Mengenal lebih jauh apa itu point process.
http://www.Ilmukomputer.com diakses tanggal 15 juni
4. Rinaldi Munir. Aplikasi Image Thresholding Untuk
Segmentasi Objek. STEI. ITB. 2006
5. Nixon dan Aguado, deteksi tepi unsur pada citra,
universitas sumatera utara. 2002
6. Othman Khalifa. Malaysian Vehicle License Plate
Recognition. The International Arab J ournal of
Information Technology, october 2007
7. Amri Mohd Yasin. Travel Time Measurement in Real-
Time using Automatic Number Plate. Journal of The
Eastern Asia Society for Transportation Studie, 2009.
8. Remus BRAD. License Plate Recognition System.
University, Sibiu, Romania
9. Rosa Ariani, Landasan Teori Thinning. STEI. ITB. 2008
10. Munir, Rinaldi. 2004. Pengolahan Citra Digital Dengan
Pendekatan Algoritma. Bandung : Penerbit Informatika


Riza Prasetya Wicaksana
dilahirkan di kota Surabaya, 25
juni 1988. Penulis memulai
jenjang pendidikannya di TK
Don Bosco dan SDK Santo
Vincentius II Surabaya hingga
lulus tahun 2000. Setelah itu
penulis melanjutkan studinya di
SLTPN 12 Surabaya. Tahun
2003, penulis diterima sebagai
murid SMAN 2 Surabaya
hingga lulus tahun 2006. Pada
tahun yang sama penulis masuk
ke D3 Teknik Elektro Institut
Teknologi Sepuluh Nopember Surabaya, dan mengambil
program studi Computer Control hingga lulus pada tahun
2009. Kemudian penulis melanjutkan studi S1 melalui
program Lintas J alur di J urusan Teknik Elektro Institut
Teknologi Sepuluh Nopember Surabaya dengan NRP.
2209105042 dan mengambil bidang studi Teknik Komputer
dan Telematika. Penulis dapat dihubungi melalui alamat email
riza_ndwt@yahoo.com.

6