BAB II

LANDASAN TEORI

2.1 Tanda Nomor Kendaraan Bermotor (TNKB)

Tanda nomor kendaraan bermotor (TNKB) atau yang biasa disebut dengan

plat nomor polisi adalah plat yang terbuat dari alumunium yang menunjukkan

tanda kendaraan bermotor di Indonesia yang telah didaftarkan pada Kantor

Samsat. Samsat atau Sistem Administrasi Manunggal Satu Atap merupakan suatu

sistem administrasi terpadu antara Kepolisian Republik Indonesia, Dinas

Pendapatan Provinsi, dan PT. Jasa Raharja yang memberikan pelayanan

pencatatan kendaraan bermotor [H. Fitriawan].

Tanda nomor kendaraan bermotor berbentuk plat dengan cetakan tulisan

dua baris. Baris pertama menunjukkan kode wilayah (huruf), nomor polisi

(angka), dan kode atau seri terakhir wilayah (huruf). Baris kedua menunjukkan

bulan dan tahun masa berlaku [O. Mellolo].

2.2 Pengolahan Citra Digital

2.2.1 Citra Digital

Citra merupakan fungsi kontinyu (continue) dengan intensitas cahaya pada

bidang dua dimensi. Agar dapat diolah dengan komputer digital, maka suatu citra

harus dipresentasikan secara numerik dengan nilai-nilai diskrit. Repersentasi dari

fungsi kontinyu menjadi nilai-nilai diskrit disebut digitalisasi citra.

Sebuah citra digital dapat diwakili oleh sebuah matriks dua dimensi f(x,y)

yang terdiri dari M kolom dan N baris, dimana perpotongan antara kolom dan

baris disebut piksel (pixel = picture element) atau elemen terkecil dari sebuah
citra [Kusumanto, RD]. Citra digital, menurut intensitasnya dibagi menjadi 3

jenis: citra warna, citra grayscale, dan citra biner.

2.2.2 Citra Grayscale

Grayscale merupakan citra hasil proses normalisasi dari 3 buah kanal citra

warna RGB menjadi 1 kanal. Citra digital grayscale mempunyai warna gradasi

mulai dari hitam sampai putih dengan rentang nilai 0 hingga 255. Karena citra

digital grayscale sebenarnya merupakan hasil rata-rata (normalisasi) dari citra

warna RGB, maka persamaannya dapat dituliskan sebagai berikut:

𝐼𝐵𝑊 (𝑥,𝑦)=𝐼𝑅 (𝑥,𝑦)+𝐼𝐺 (𝑥,𝑦)+𝐼𝐵 (𝑥,𝑦)

...........(1)
3

Dimana IR(x,y) adalah nilai piksel warna merah di titik (x,y), IG(x,y)

adalah nilai piksel warna hijau di titik (x,y), dan IB(x,y) adalah nilai piksel warna

biru di titik (x,y) [Suryowinoto, Andy].

2.2.3 Pengolahan Citra Digital

Pengolahan citra adalah studi tentang algoritma yang mengambil gambar

sebagai masukan dan mengembalikan gambar sebagai output. Saat ini pengolahan

citra menjadi alat bantu penting dalam banyak cabang ilmu pengetahuan seperti

ilmu komputer, teknik listrik dan elektronik, robotika, fisika, kimia, ilmu

lingkungan, biologi, dan psikologi.

Pengolahan citra merupakan subkelas dari pemrosesan sinyal. Input dari

pemrosesan sinyal adalah gambar dan outputnya pun gambar atau karakteristik /

fitur yang berhubungan dengan gambar itu. Saat ini, pengolahan citra berkembang
pesat dan banyak penelitian tentang pengolahan citra untuk bidang teknik dan

teknik informatika [Wahyudi, Johan].

2.3 Deteksi Objek

Deteksi objek merupakan salah satu subjek penting dalam bidang

pengolahan citra digital. Tugas utama deteksi objek adalah untuk mencari lokasi

bidang target pada gambar secara akurat serta menjelaskan kategori pada objek

secara spesifik [Wang, Qimei].

2.3.1 Deteksi Plat Nomor

Salah satu pengembangan dari Deteksi Objek adalah Deteksi Plat Nomor

(License Plate Detection). Deteksi plat nomor adalah suatu teknik deteksi objek

untuk mengekstraksi area plat nomor kendaraan dari suatu gambar tanpa

intervensi manusia. Deteksi plat nomor juga merupakan salah satu tahapan

penting dari Pengenalan Karakter Plat Nomor [Azam, Samiul]. Pada Tugas Akhir

ini, deteksi plat nomor menggunakan algoritma YOLO (You Only Look Once)

2.4 You Only Look Once (YOLO)

YOLO merupakan jaringan saraf konvolusi tunggal yang memprediksi

bounding box dengan probabilitas kelasnya dari sekali baca. Bukan memilih

daerah yang menarik dari gambar, YOLO memodelkan masalah deteksi objek

sebagai masalah regresi dimana deteksi objek dan klasifikasi berada dalam satu

jaringan saraf tunggal [Jamtsho, Yonten]. Dalam perkembangannya, algoritma

YOLO terdapat 3 versi: YOLOv1, YOLOv2, dan YOLOv3.

2.4.1 YOLOv1

YOLOv1 membagi gambar masukan menjadi 7x7 sel grid. Jika pusat dari

suatu objek didapati pada suatu sel grid, maka sel grid tersebut bertanggung jawab

untuk mendeteksi objek tersebut.

Setiap sel grid memprediksi bounding box (B) dan confidence score untuk

untuk box-box tersebut. Confidence score merefleksikan seberapa yakin model

pada box yang berisikan suatu objek dan juga seberapa akurat box yang

diprediksi. Secara formal, confidence score digambarkan sebagai Pr(Object) *

IOUtruthpred. Jika tidak ada objek dalam suatu sel grid, confidence score pasti

bernilai 0.

Setiap bounding box berisikan 5 prediksi: x, y, w, h, dan confidence score.

Koordinat (x,y) merepresentasikan pusat dari suatu box relatif terhadap ikatan dari

sel grid. Lebar (w) dan tinggi (h) diprediksi relatif terhadap keseluruhan gambar.

Setiap sel grid juga memprediksi kelas probabilitas kondisional (C),

Pr(Classi|Object). Probabilitas ini dikondisikan pada sel grid yang berisikan objek.

YOLOv1 hanya memprediksi satu set probabilitas kelas per sel grid, tanpa

memperhatikan jumlah box B.

Pada waktu pengujian, YOLOv1 mengalikan probabilitas kelas

kondisional dan prediksi confidence score box individu,

Pr(Classi|Object) * Pr(Object) * IOUtruthpred = Pr(Classi) * IOUtruthpred ... (2)

Yang memberikan confidence score kelas secara spesifik untuk setiap box

(B). Skor ini mengkodekan probabilitas kelas yang muncul di dalam kotak dan

seberapa baik kotak yang diprediksi cocok dengan objek. Keseluruhan prediksi

dikodekan sebagai suatu S x S x (B * 5 + C) tensor [Redmon, Joseph].

 Gambar 2.1 Model YOLOv1

Gambar 2.2 Arsitektur YOLOv1

2.4.2 YOLOv2

YOLOv2 atau YOLO9000 merupakan pengembangan dari YOLOv1.

Salah satu pengembangan pada YOLOv2 adalah konvolusi dengan kotak jangkar.

YOLOv2 memprediksi koordinat-koordinat bounding box secara langsung

menggunakan fully connected layer pada tahap atas dari ekstraktor fitur

konvolusional [Redmon, Joseph (YOLOv2)].

2.4.3 YOLOv3

Sistem pada YOLOv3 memprediksi bounding box menggunakan cluster

dimensi sebagai kotak jangkar. Jaringan memprediksi 4 koordinat untuk setiap

bounding box: tx, ty, tw, dan th. YOLOv3 memprediksi skor objektivitas untuk

setiap bounding box menggunakan regresi logistik. Skor seharusnya bernilai 1

jika bounding box sebelumnya tumpang tindih atau overlap dengan objek ground

truth lebih dari kotak pembatas sebelumnya [Redmon, Joseph (YOLOv3)].

2.5 Segmentasi Karakter

Pada saat ini pembacaan suatu karakter yang terdapat pada citra yang

mengandung teks dapat dilakukan oleh komputer. Untuk membuat suatu sistem

pembacaan karakter pada citra yang mengandung teks, maka terlebih dahulu harus

melakukan proses segmentasi area karakter. Hal tersebut dilakukan karena

terkadang karakter telah bercampur dengan objek-objek lainnya, sehingga objek-

objek lain tersebut dapat dianggap sebagai background dari citra tersebut.

Pada saat area karakter secara keseluruhan dapat diketahui keberadaanya

maka selanjutnya dilakukan proses segmentasi terhadap area karakter tersebut

sehingga menghasilkan citra karakter tunggal. Hasil dari proses segmentasi

karakter menjadi citra karakter tunggal tersebut nantinya dapat digunakan pada

suatu sistem pengenalan karakter [Septiarini, Anindita].

2.6 Pengenalan Karakter

Teknik pengenalan karakter mengasosiasikan identitas simbolik dengan

gambar karakter. Masalah replikasi fungsi manusia oleh mesin (komputer) ini

melibatkan pengenalan karakter mesin yang dicetak dan karakter tulisan

tangan/kursif.

Pengenalan karakter lebih dikenal sebagai Optical Character Recognition

(OCR) karena berurusan dengan pengenalan karakter yang diproses secara optikal

daripada yang diproses secara magnetis [Govindan, V. K.].

Optical Character Recognition merupakan salah satu teknik yang

mengkonversi dokumen gambar yang dipindai atau dicetak menjadi dokumen teks

yang dapat diedit. Teknik ini telah menjadi bidang utama karena sudah diterapkan

di berbagai aplikasi, seperti pengenalan plat nomor otomatis, klasifikasi

pengenalan skrip, mengenali teks dari rambu lalu lintas, dan banyak lagi [Robby

G., Abdul].

2.6.1 Pengenalan Plat Nomor

Pengenalan plat nomor merupakan salah satu teknologi penting pada

Sistem Lalu Lintas Cerdas. Teknologi ini memanfaatkan pengolahan citra untuk

mengidentifikasi kendaraan dari citra plat nomornya. Namun, keragaman pada

plat dan lingkungan sekitarnya seperti ukuran font, jenis font, warna font, lokasi

plat nomor, dan perbedaan intensitas karena lampu atau lingkungan dapat

menyebabkan masalah pada saat pengenalan plat nomor [Avianto, Donny].

2.7 Machine Learning

Machine learning merupakan bentuk kecerdasan buatan yang

memungkinkan suatu sistem untuk belajar dari data daripada melalui

pemrograman eksplisit. Machine learning menggunakan berbagai algoritma yang

secara iteratif belajar dari data untuk meningkatkan, mendeskripsikan data, dan

memprediksi hasil. Saat algoritma mencerna data pelatihan, maka dimungkinkan

untuk menghasilkan model yang lebih tepat berdasarkan data tersebut. Model

pembelajaran mesin adalah output yang dihasilkan saat algoritma machine

learning dilatih dengan data.

Setelah proses pelatihan, saat model diberikan input, maka akan

menghasilkan output. Misalnya, algoritma prediksi akan membuat model prediksi,

kemudian saat akan diberikan data model prediksi, maka akan menghasilkan

prediksi berdasarkan data yang melatih model tersebut [Hurwitz, Judith]. Metode

pembelajaran machine learning dibagi dua, yaitu:

1. Supervised Learning

Supervised learning adalah model pembelajaran yang dibangun untuk

membuat prediksi, diberikan contoh input yang tidak terduga.

Supervised learning mengambil dataset input yang diketahui output-

nya untuk mempelajari model regresi atau klasifikasi. Algoritma

pembelajaran kemudian melatih model untuk menghasilkan prediksi

untuk respon terhadap data baru atau dataset uji. Supervised learning

menggunakan algoritma klasifikasi dan teknik regresi untuk

mengembangkan model prediksi [Gangadhar, Shobha].

2. Unsupervised Learning
 Unsupervised learning atau metode pembelajaran tak terawasi

merupakan metode pembelajaran yang tidak memerlukan output. Pada

metode ini, tidak dapat ditentukan hasil yang seperti apakah yang

diharapkan selama proses pembelajaran [Warsito, Budi].

2.8 Support Vector Machine

Support Vector Machine (SVM) adalah sistem pembelajaran yang menggunakan

ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (feature

space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan

pada teori optimasi dengan mengimplementasikan learning bias yang berasal dari

teori pembelajaran statistik. Teori yang mendasari SVM sendiri sudah

berkembang sejak 1960-an, tetapi baru diperkenalkan oleh Vapnik, Boser, dan

Guyon pada tahun 1992 dan sejak itu SVM berkembang dengan pesat. SVM

adalah salah satu teknik yang relatif baru dibandingkan dengan teknik lain, tetapi

memiliki performansi yang lebih baik di berbagai bidang aplikasi seperti

bioinformatics, pengenalan tulisan tangan, klasifikasi teks, dan lain sebagainya

[Munawarah, Raudlatul].