PENGENALAN KARAKTER NOMOR INDUK MAHASISWA

SEBAGAI PENGENAL DIRI BERBASIS SUPPORT VECTOR

MACHINE

Abstrak
Untuk kepentingan pengenalan sebuah nomor, dalam pengiriman data dgital
tidak menggunakan citra. Tetapi sebuah teks yang mudah dan ringkas. Jika berbentuk teks akan
lebih mudah dikirim dan dikenali dalam database. Dalam mengenali sebuah kendaraan dengan
bentuk teks, adalah dengan mengidentifikasi nomornya. Jadi jika terdapat citra nomor sebuah
identitas dengan kondisi tertentu, maka akan dikonversikan dari citra nomornya ke dalam
bentuk teks yang dimana akan memudahkan untuk tindakan selanjutnya yang diinginkan.
Dalam tugas akhir ini dirancang sebuah sistem optical character recognition yang dapat
mengenali karakter nomor dari citra nomor induk sebuah kartu mahasiswa dengan kondisi
tertentu yang diambil dari sebuah kamera digital. Sistem akan mengenali nomor dan
merubahnya ke dalam bentuk vektor yang dimaksudkan untuk menjadi inputan untuk sistem
klasifikasi Support Vector Machine, dimana sistem tersebut akan mengklasifikasi vektor dari
sebuah citra menjadi bentuk karakter teks. Dari hasil pengujian berdasar jumlah nomor yang
diujikan, didapatkan tingkat akurasi berdasar jumlah karakter total yang diujikan sebesar
98,54%. Ditinjau dari tingkat akurasi berdasar ketepatan pegidentifikasian satu nomor adalah
89.47% untuk setiap kartu dari citra yang di ujikan. Hasil tersebut didapatkan dengan
menggunakan metode one against one dengan kernel Gaussian.

Kata Kunci : Support Vector Machine (SVM), optical character recognition, sistem
klasifikasi.

1. LATAR BELAKANG
Dalam beberapa tahun terakhir penelitian tentang Intelligent Transportation System
(ITS) telah dibuat. Intelligence Infrastructure System dan Intelligent Vehicle System.
Sebagai bagian dari penegenalan nomor atau Vehicle License Plate Recognition
disingkat VLPR merupakan salah satu teknik penting yang dapat digunakan untuk
identifikasi nomor pada banyak aplikasi seperti pada keamanan pintu masuk, kontrol
parkir, kontrol lalu lintas, kontrol kecepatan, dan sebagainya. Penelitian berkaitan
dengan pengenalan karakter pada p nomor identitas masih sedikit dilakukan dan
sebagian besar penelitian tentang pengenalan karakter meliputi beberapa fase seperti
segmentasi, fitur extraksi dan klasifikasi yang sulit dilakukan. Metode neuralnetwork
telah digunakan untuk mengenali karakter nomor induk. Metode ini dapat memperoleh
hasil yang baik jika kualitas gambar yang diambil baik, namun kualitas gambar yang
digunakan sebagai masukan tidak sepenuhnya baik, hal ini dapat juga dipengaruhi oleh
kondisi misalnya debu dan distorsi atau karena lingkungan fotografi yang kurang baik.
Percobaan telah dilakukan namun menunjukkan kesulitan untuk mencapai pengenalan
pada posisi-posisi yang berbeda karena metode ini hanya mengekstraksi fitur dari
karakter dan dimasukkan ke dalam metode neural-network, beberapa penelitian juga
menunjukkan hasil bahwa dengan semakin banyak jumlah data training dalam dataset
maka neural network dapat menghasilkan ketepatan klasifikasi dengan baik, namun
permasalahan lain yang timbul neural network akan mengalami masalah overfitting jika
memiliki dataset dengan ukuran yang besar. Support Vector Machine tidak memiliki
masalah pada overfitting karena training hanya dilakukan satu, Support Vector
Machine pertama kali diperkenalkan oleh Vladimir Vanpik pada tahun 1992 sebagai
rangkaian harmonisasi konsep-konsep unggulan dalam bidang pengenalan pola.
 Support Vector Machine merupakan metode pembelajaran yang digunakan untuk
klasifikasi biner, ide dasarnya adalah mencari hyperplane terbaik yang berfungsi
sebagai pemisah dua class pada input space. Dibanding dengan neural-network,
Support Vector Machine memiliki kelebihan dalam mencari global optimum, meskipun
demikian kinerja tersebut ditentukan berdasarkan pemilihan kernel dan paramter kernel
yang tepat, SVM memiliki kelemahan pada sulitnya memilih parameter terbaik dari
suatu kernel termasuk parameter pinalti untuk data yang diklasifikasikan secara salah

2. Landasan Teori
2.1 Vehicle License Plate Recognition
Vehicle License Plate Recongition atau disingkat VLPR merupakan teknologi
pengolahan citra yang digunakan untuk mengidentifikasi kendaraan hanya dengan
mengenali plat nomor. Teknologi ini merupakan teknologi penting sebagai bagian dari
Intelligence Transportation System, banyak penelitian yang dilakukan berkaitan
dengan VLPR dan sebagian besar area penelitian dibagi menjadi tiga area penting yakni
License Plate Detection, Character Segmentation dan Character Recognition.
2.2 License Detection
Deteksi nomor identitas merupakan fase penting pada VLPR, bagian ini membahas
beberapa pekerjaan yang dilakukan sebelum tahap selanjutnya yakni segmentasi.
Hontani et. Al mengusulkan metode license detection untuk mengenali lokasi nomor
tanpa pengetahuan mengenai posisi dan ukuran sebelumnya. Teknik ini didasarkan
pada schale shape analysis dan asumsi bahwa karakter memiliki jenis bentuk secara
lokal dan gumpalan bentuk secara global.

3. Support Vector Machine

Support Vector Machine pertama kali diperkenalkan oleh Vladimir Vanpik pada tahun
1992 sebagai rangkaian harmonisasi konsep-konsep unggulan dalam bidang
pengenalan pola. Support Vector Machine merupakan metode pembelajaran yang
digunakan untuk klasifikasi biner, ide dasarnya adalah mencari hyperplane terbaik yang
berfungsi sebagai pemisah dua class pada input space Berbeda dengan pendekatan
neural network yang berusaha mencari hyperplane pemisah antar class, SVM mencoba
mencari dan memisah hyperplane yang terbaik yang berada pada dua kelas. Masalah
pada klasifikasi dapat di lakukan dengan usaha menemukan garis (hyperplane) yang
memisahkan kelompok tersebut. Hyperplane yang menjadi pemisah terbaik dapat
ditemukan dengan mengukur margin hyperplane dan mencari titik maksimalnya.
Margin adalah jarak antara hyperplane dengan pattern terdekat dari masing-masing
class. Pattern yang paling dekat tersebut disebut Support Vector.

4. METODE
Proses pengenalan karakter pada penelitian ini dilakukan dalam beberapa tahap yakni
proses pelatihan (training) dan proses pengenalan (recognition). Proses pelatihan
digunakan untuk memberikan pengetahuan awal (knowledge) dan data hasil pelatihan
akan digunakan sebagai pattern yang akan diklasifikasikan pada proses selanjutnya.
Sedangkan pada proses pengenalan sistem melakukan proses klasifikasi dari fitur yang
telah diekstraksi pada template dengan metode support vector machine untuk
mendapatkan kelas terbaik sebagai hasil dari pengenalan karakter.