1.

PENGENALAN POLA KARAKTER PLAT NOMOR KENDARAAN

MENGGUNAKAN ALGORITMA MOMENTUM BACKPROPAGATION
NEURAL NETWORK
A. Pendahuluan
Besarnya peningkatan jumlah kendaraan ini ikut memberikan dampak pada
munculnya masalah lalu lintas seperti kemacetan lalu lintas. Kemacetan lalu lintas
adalah kondisi yang terjadi ketika jumlah kendaraan di jalan melebihi kapasitas
jalan, dan ditandai oleh deselerasi, keterlambatan waktu tempuh, dan antrian
panjang(Olusina dan Samson, 2014). Selain kemacetan, jumlah tindak
pelanggaran lalu lintas juga ikut meningkat.
Penelitian sejenis juga pernah dilakukan oleh Ganapathy dan Lui (2008) di
Malaysia. Namun sistem yang dibangun pada penelitian kali ini lebih ditujukan
untuk penerapan di suatu lahan parkir mobil.
Pada penelitian kali ini akan dibahas sistem untuk mengenali karakter pada citra
plat nomor kendaraan di Indonesia. Adapun algoritma yang digunakan oleh sistem
pada tahappengenalan karakter plat nomor adalah algoritma Momentum
Backpropagation Neural Network. Namun sebelum citra karakter masuk ke tahap
pengenalan, akan digunakan Haar Wavelet untuk mereduksi dan menyeragamkan
dimensi citra. Hasil dari penelitian ini diharapkan dapat menjadi awal untuk
mewujudkan sistem Lalu Lintas Cerdas di Indonesia demi kenyamanan seluruh
pengguna jalan.
B. Metode
Pada artikel ini, peneliti mengusulkan sistem untuk mengenali karakter yang ada
pada citra plat nomor kendaraan di Indonesia.
Mula-mula sistem akan menerima inputan berupa citra plat nomor berformat
RGB atau full color. Citra plat nomor adalah citra yang hanya mengandung bagian
plat nomor dari suatu kendaraan tanpa ada objek lain.Langkah selanjutnya adalah
melakukan pemrosesan awal pada citra plat nomor yaitu grayscaling dan
thresholding. Langkah ini akan mengubah citra input RGB menjadi citra
grayscale.Grayscalingadalah proses untuk menghasilkan citraaras keabuan dari
citra berwarna (Ibrahim et al., 2013). Sedangkan thresholding adalah proses untuk
mengubah citra aras keabuan menjadi citra biner atau citra yang hanya terdiri dari
warna hitam dan putih. Thresholding digunakan untuk memisahkan objek dari
latar belakang, mengurangi derau pada citra, danmeningkatkan kecepatan
komputasi pada tahapan berikutnya.
C. Hasil Dari Pembahasan
Transformasi Haar Waveletpada masing-masing citra karakter hasil segmentasi
nantinya akan menghasilkan matriks berukuran 32u32. Matriks ini kemudian
diubah menjadi vektor berukuran 1024 dan selanjutnya akan menjadi nilai inputan
untuk setiap node yang berada di lapisan input pada Jaringan Saraf Tiruan (JST).
Untuk langkah terakhir pada penelitian ini, yaitu pengenalan karakter,
digunakan dua jaringan yang masing-masing bertugas untuk mengenali karakter
huruf dan angka. Penggunaan dua jaringan ini bertujuan untuk menghindarkan
sistem dari kesalahan pengenalan yang sering terjadi pada sistem pengenalan
karakter dengan satu jaringan,terutama untuk karakter angka dan huruf yang
memiliki bentuk serupa, seperti angka “1” dikenal sebagai huruf “I” dan
sebaliknya. Hal ini dikarenakan, pada sistem yang menggunakan dua jaringan,
pelatihan masing-masing jaringan akan terfokus untuk salah satu jenis karakter
saja yaitu huruf atau angka.
D. Kesimpulan
Berdasarkan hasil pengujian terhadap sistem yang diusulkan, dapat ditarik
kesimpulan bahwa sistem mampu melakukan pengenalan pola dengan baik.
Hasilnya, dari total 276 karakter yang terdiri dari huruf dan angka, sistem
mampu mengenali 268 karakter diantaranya. Sehingga akurasi sistem yang
diusulkan pada penelitian kali ini mencapai 97,01%.Meskipun hasil yang
didapatkan sudah cukup memuaskan, untuk masa yang akan datang masih
diperlukan penelitian tentang pengenalan karakter plat nomor kendaraan terutama
untuk mengenali karakter plat nomor pada kendaraan yang sedang bergerak
bahkan dalam kecepatan tinggi.
2. APLIKASI PENGENALAN POLA PADA HURUF TULISAN TANGAN
MENGGUNAKAN JARINGAN SARAF TIRUAN DENGAN METODE
EKSTRAKSI FITUR GEOMETRI
A. Pendahuluan
Untuk dapat mengenali huruf tulisan tangan, harus ada beberapa data yang akan
mewakili setiap bentuk huruf tersebut yang diambil dari beberapa objek, yang
merupakan suatu data digital. Data digital tersebut dapat diperoleh dengan
melakukan scan gambar dengan format bitmap. Dari hasil scan tersebut, diperoleh
citra yang kemudian dilakukan operasi praproses yang terdiri dari pola dan bentuk
huruf tulisan tangan. Dari proses input citra ini, maka dapat dibangun suatu sistem
cerdas yang memanfaatkan komputer untuk membaca tulisan tangan.
Pada penelitian yang dilakukan oleh Andi Prasojo yang berjudul “Pengenalan
Karakter Alfabet Menggunakan Jaringan Syaraf Tiruan”. Metode klasifikasi yang
digunakan adalah jaringan saraf tiruan perambatan-balik (backpropagation).
Dalam penelitian yang dilakukannya, jaringan saraf tiruan menggunakan 234
karakter huruf besar untuk tiap jenis font dan diuji dengan 702 karakter yang
terdiri atas 234 karakter data latih dan 468 karakter data baru untuk setiap jenis
font.
Ekstraksi fitur geometri citra batik digunakan untuk membantu komputer dalam
mengenali pola atau motif batik. Penelitian tersebut menghasilkan sistem ekstraksi
fitur geometri citra batik dan merepresentasikan fitur geometri tersebut
menggunakan kurva cardinal spline.
B. Metode
Penelitian ini menggunakan metode penelitian yang mencakup studi literatur,
ke-mudian dilakukan analisa kebutuhan akan komponen-komponen yang
dibutuhkan da-lam pembuatan aplikasi pengenalan setiap karakter huruf alfabet
berdasarkan pola citra dari huruf tulisan tangan hasil segmentasi dan ekstraksi
fitur geometri setiap karakter huruf, selanjutnaya perancangan sistem, kemudian
dilakukan tahap implementasi dan pengujian, serta analisis. Tahap terakhir adalah
kesimpulan dan saran.
C. Hasil Dari Pembahasan
Hasil ekstraksi setiap karakter huruf pada featureout.mat diproses dengan net
(hasil pelatihan) untuk menemukan karakter yang tepat. Pengujian juga dilakukan
terhadap sampel lain dengan bentuk jenis tulisan tangan yang bebeda. Hal ini
dilakukan untuk menguji sistem apakah berjalan dengan yang diharapkan.
Faktor lain yang menunjang keberhasilan aplikasi dalam melakukan pengenalan
karakter adalah bentuk penulisan memiliki pola karakter yang mirip dengan data
latih. Oleh karena itu, aplikasi ini diperlukan banyak data pelatihan. Dengan
semakin mirip penulisan karakter huruf tulisan tangan dan karakter yang tidak
berdekatan, nilai akurasi dari identifikasi akan semakin tinggi tingkat keberhasilan
yang diperoleh.
D. Kesimpulan
Dari hasil penelitian yang dilakukan dengan menerapkan jaringan saraf tiruang
dengan ekstraksi fitur geometri untuk pengenalan pola pada huruf tulisan tangan,
dapat diambil kesimpulan bahwa :
1) Pada pengujian yang telah dilakukan, penulisan harus sesuai dengan data
pelatihan pada setiap huruf besar yang jelas dan karakter yang tidak
berdekatan mampu dikenali dengan baik oleh aplikasi tanpa terjadi kesalahan.
Fitur huruf diekstrak secara terpisah untuk setiap zona 50x50 piksel dan
pencocokan fitur geometri tersebut disimpan di dalam featureout.mat agar
 dapat diproses dengan jaringan syaraf tiruan untuk menemukan karakter huruf
yang tepat.
2) Pengujian pada aplikasi dengan menerapkan jaringan syaraf tiruan dengan
ekstraksi fitur geometri berhasil melakukan pengenalan karakter terhadap citra
pada pengujian dengan tingkat keberhasilan 86,535%.
3) Pada pengujian “OPPORTUNITY” berjumlah 11 karakter yang ditulis
mengahasilkan 12 jumlah ekstraksi. Hal ini terjadi ketika huruf yang di tulis
terpisah atau putus. Kesalahan pada identifikasi spasi disebabkan karena tidak
terbacanya database spasi oleh aplikasi. Contoh pada input “SISTEM
KOMPUTER” yang terbaca “SISTEMKOMPUTER” oleh aplikasi.
3. PENGENALAN POLA PERILAKU SEORANG MANUSIA DALAM
PERMAINAN SUTEN MENGGUNAKAN METODE JARINGAN SARAF
TIRUAN PROPAGASI BALIK
A. Pendahuluan
Dalam ilmu komputer, khususnya di bidang kecerdasan buatan, dikenal sebuah
metode yang disebut dengan jaringan saraf tiruan. Jaringan saraf tiruan
merupakan suatu paradigma pemrosesan informasi yang mengambil permodelan
dari cara kerja jaringan saraf biologi dalam memroses informasi. Latar belakang
perkembangan jaringan saraf tiruan didasari oleh keinginan agar komputer
mampu menirukan kemampuan manusia dalam memroses informasi.
Jaringan saraf tiruan telah terbukti mampu untuk menyelesaikan berbagai
masalah yang mengandung ketidak pastian di dalamnya, yang biasanya hanya
bisa diselesaikan oleh manusia. Beberapa masalah tersebut antara lain adalah
peramalan, pengenalan wajah, pengenalan tulisan tangan, dan pengenalan suara.
Masalah-masalah ini tidak dapat diselesaikan oleh metode-metode perhitungan
pada umumnya. Dapat dikatakan bahwa jaringan saraf tiruan merupakan salah
satu paradigma pemrosesan informasi yang paling mendekati kemampuan
pemrosesan informasi manusia.
Melihat kemiripan paradigma pemrosesan data antara jaringan saraf tiruan dan
otak manusia tersebut, timbul suatu pertanyaan yaitu sejauh mana jaringan saraf
tiruan mampu mengenali pola perilaku yang dihasilkan dari otak manusia.
Namun, diperlukan suatu media yang baik untuk membatasi pola tersebut
sehingga menjadi pola yang dapat dibaca dengan mudah oleh komputer.
Permainan suten dapat digunakan untuk membatasi pola perilaku manusia.
Permainan suten memberikan pola yang terbatas namun dapat mencerminkan
kecenderungan dari perilaku manusia yang memainkannya. Pada penelitian ini,
jaringan saraf tiruan akan mengenali pola permainan suten yang dikeluarkan oleh
subjek penelitian.
B. Metode
1. Jaringan Saraf Tiruan (Artificial Neural Network)
Menurut Siang (2005), jaringan saraf tiruan adalah sistem pemroses
informasi yang memiliki karakteristik mirip jaringan saraf biologi. Jaringan
saraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan
saraf biologi, dengan asumsi :
1) 1.Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2) 2.Sinyal dikirimkan diantara neuron-neuron melalui penghubung-
penghubung.
3) 3.Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4) 4.Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
yang dikenakan pada jumlahan input yang diterima. Besarnya output ini
selanjutnya dibandingkan dengan batas ambang.
2. Algoritma Backpropagation
Algoritma pelatihan propagasi balik (backpropagation) adalah
pengembangan dari algoritma pelatihan perceptron yang menggunakan
arsitektur jaringan layar banyak. Algoritma pelatihan propagasi balik mampu
mengatasi keterbatasan pengenalan pola pada algoritma-algoritma
sebelumnya.
3. Model Unified Software Development Process (USDP)
 Menurut Nugroho (2010), USDP merupakan metode
pengembangan/rekayasa perangkat lunak yang berbasiskan komponen, yang
berarti sistem perangkat lunak yang kelak dihasilkan akan terdiri atas
komponen-komponen perangkat lunak yang saling terhubung melalui
antarmuka yang terdefinisi dengan baik.
C. Hasil Dari Pemnbahasan
Kesimpulan yang didapatkan sebagai hasil penelitian ini ditarik berdasarkan
data statistik kemenangan yang didapatkan dari hasil pengujian. Pertama,
dihitung selisih antara persentase kemenangan komputer yang menggunakan
jaringan saraf tiruan dengan yang tidak menggunakan jaringan saraf tiruan untuk
setiap pengguna. Kemudian dihitung rata-rata dari seluruh selisih persentase
tersebut. Nilai rata-rata tersebut menjadi tolak ukur efektivitas jaringan saraf
tiruan dalam mengenali pola perilaku manusia dalam permainan suten pada
penelitian ini.
D. Kesimpulan
Dengan adanya hasil penelitian yang dilaksanakan, maka peneliti menarik
kesimpulan berdasarkan dari uraian yang telah dibahas, yaitu :
1) Jaringan saraf tiruan umpan maju dengan layar banyak menggunakan
algoritma pelatihan propagasi balik dengan arsitektur empat neuron layar
input, tujuh neuron layar tersembunyi, dan satu neuron layar output mampu
mengenali pola perilaku manusia dalam permainan suten.
2) Dalam permainan suten antara komputer dan subjek penelitian, terdapat
peningkatan persentase kemenangan komputer yang menggunakan jaringan
saraf tiruan dibandingkan dengan komputer yang tidak menggunakan jaringan
saraf tiruan. Rata-rata peningkatan persentase kemenangan adalah 18,33%.
4. PENGENALAN POLA LOGO MERK MOBIL DENGAN MENGGUNAKAN
ALGORITMA DETEKSI TEPI PREWITT DAN JARINGAN SARAF TIRUAN
BACKPROPAGATION
A. Pendahuluan
Pengenalan pola menggunakan jaringan saraf tiruan merupakan ilmu yang
berkembang dengan pesat. Banyaknya metode serta kebutuhan dari pengguna
akan kecerdasan komputasi dalam menentukan pola, mendorong ilmu ini untuk
terus berkembang.
Algoritma Prewitt merupakan salah satu algoritma deteksi tepi (edge detection)
yang cukup mudah untuk diimplementasikan dan memiliki keakuratan yang
cukup baik sedangkan Backpropagation merupakan satu dari sekian banyak
algoritma pelatihan jaringan saraf tiruan. Dengan menggabungkan kedua
algoritma ini, diharapkan akan memberikan hasil yang cukup akurat.
B. Metode
Pada jurnal ini, akan dilakukan pengenalan pola logo mobil pada jaringan
dimana terdapat sebelas logo mobil yang berbeda yang akan dilakukan pelatihan
dan kemudian jaringan akan diuji dengan logo-logo mobil pengujian akan
dilakukan sebanyak delapan kali dimana semuanya akan diuji dari gambar yang
berbeda dari yang dilatihkan.
1. Algoritma Deteksi Tepi Prewitt
Dalam pengenalan pola pada jaringan saraf tiruan, algoritma deteksi tepi
Prewitt akan digunakan sebagai feature extraction yang akan merubah citra
logo mobil menjadi citra biner yang sudah terdeteksi tepiannya. Pada
umumnya cara kerja deteksi tepi Prewitt mirip dengan cara kerja deteksi tepi
Sobel, namun perbedaannya hanya terletak pada template yang tidak
menggunakan nilai yang sama.
2. Algoritma Backpropagation
Algoritma Backpropagation bekerja melalui koreksi bobot pada jaringan
saraf tiruan. Bobot yang awalnya dipilih secara acak antara 0 hingga 1
kemudian akan terus dikoreksi hingga maksimum epoh ataupun nilai eror
sudah lebih kecil dari target eror.
C. Hasil Dari Pembahasan
Pada melakukan training, program dibuat dengan menggunakan bahasa Java dan
IDE NetBeans, spesifikasi komputer yang digunakan adalah MacBook Pro
dengan processor i5 dan RAM 8 GB. Resolusi gambar adalah 640x480 pixel.
Setelah melakukan training maka selanjutnya adalah tahapan pengujian jaringan
dengan menggunakan 8 gambar logo mobil dimana sebagian logo adalah logo
yang sama yang digunakan pada saat training namun dengan warna dan gambar
yang berbeda.
Dari hasil recognition tersebut dapat dilihat bahwa jaringan mampu mengenali
sebagian besar logo yang sudah dilatihkan namun masih ada kesalahan pada
menentukan hasil. Dari 8 logo mobil yang sudah diuji, jaringan hanya mampu
mengenali dengan tepat 1 logo saja, sedangkan 3 logo yang dikenali lainnya
memiliki hasil yang salah, 4 logo yang tidak diuji juga diprediksi dengan tepat
sebagai logo yang tidak dikenali namun terdapat 1 logo yaitu logo Mazda yang
merupakan kesalahan pengenalan.
Nilai threshold yang digunakan ketika melakukan pengujian adalah sama
dengan nilai target eror yaitu 0.01 sehingga apabila nilai selisih MSE dari gambar
uji dengan gambar training lebih besar dari 0.01 maka akan dianggap tidak
dikenali.
D. Kesimpulan
Dari hasil pengujian, dapat disimpulkan bahwa jaringan dengan arsitektur di
atas dapat digunakan dalam mengenali logo-logo mobil, namun kita harus
menambah data training agar hasil pada pengenalan logo bisa lebih baik dimana
saat pengujian dilakukan, dari 4 logo hanya terdapat 1 logo saja yang diprediksi
tepat, 2 logo dapat dikenali namun tidak tepat dan 1 logo salah dalam pengenalan.
Pada logo-logo yang belum ditraining, jaringan dapat melakukan pengenalan
dengan baik dimana semua logo tersebut tidak dikenali.
Pada proses training, nilai rata-rata training untuk setiap logo adalah 25076 ms.
5. SISTEM IDENTIFIKASI DAN PENGENALAN POLA CITRA TANDA-TANGAN
MENGGUNAKAN SISTEM JARINGAN SARAF TIRUAN (ARTIFICIAL
NEURAL NETWORKS) DENGAN METODE BACKPROPAGATION
A. Pendahuluan
Pengenalan tanda-tangantermasuk masalah yang sulit dalam pengenalan pola,
hal tersebut dikarenakan setiap tanda-tangan seseorang memiliki ciri-ciri yang
identik namun tidak sama. Dengan ciri-ciri yang unik yang berbeda setiap
orangnya dapat kita gunakan untuk mengidentifikasinya. Dalam hal tersebut kita
butuhkan sistem perangkat lunak untuk menganalisis dan mengidentifikasi tanda-
tangan seseorang.
Telah banyak penelitian yang dilakukan untuk mengenali tanda-tangan, salah
satunya adalah penelitian yang dilakukan oleh Riadi (2001) yang menggunakan
metode JST propagasibalik yang memiliki arsitektur multi layer neural network
dengan satu lapisan tersembunyi. Penelitian ini menggunakan JST dengan melalui
tiga representasi pola input, yaitu representasi biner, bipolar dan kontinu.
Sedangkan data tanda-tangan berupa tanda-tangan kasar (raw signature image)
tanpa dilakukan ekstraksi ciri dari citra tanda-tangan.
Penelitian lain dilakukan oleh Hidayatno, dkk (2008) dengan menggunakan
metode-metode propagasi balik standar, data tanda-tangan yang digunakan
sebagai masukan bukan lagi tanda-tangan kasar, tetapi citra tanda-tangan yang
telah dilakukan tahap segmentasi dan ekstraksi ciri. Namun tahap segmentasi
hanya menggunakan proses klasterisasi, tanpa dilakukan pengolahan citra lebih
lanjut. Penelitian-penelitian tersebut masih dapat dikembangkan bukan hanya
sebagai pengidentifikasi melainkan juga sebagai pengenal citra tanda-tangan
dengan penggunakan metode praproses serta penggunaan jaringan saraf tiruan
yang lain sebagai pembanding.
B. Metode
1. Akusisi Citra
2. Segmentasi Citra
3. Ekstraksi Citra
4. Jaringan Saraf Tiruan
5. Pelatihan JST
6. Simpan Bobot
7. Pengujian JST
8. Pengenalan Pola
C. Hasil Dari Pembahasan
Pengenalan pola dilakukan terhadap 10 citra tanda-tangan luaran dengan
menggunakan 5 jumlah pola pelatihan. Hasil pengenalan terlihat pada Tabel 4.
Dari data dapat terlihat bahwa sama halnya pada proses pengujian dengan 1 pola
pelatihan, pengujian dengan 5 pola pelatihan masih memiliki persentase besar
dalam menguji pola yang juga digunakan dalam proses pelatihan yaitu sebesar
91% sedangkan pada proses pengujian terhadap pola citra uji diluar pola yang
digunakan dalam proses pelatihan memiliki persentase keberhasilan cukup besar
yaitu 70%.Persentase keberhasilan terbesar dimiliki oleh nama kenal Riezka
Rosalia yaitu dengan persentase keberhasilan mencapai 90%.
Keberhasilan pengenalan pola terhadap nama kenal Riezka Rosalia mungkin
dikarnakan hampir setiap pola tanda-tangan yang dimiliki tidak mengalami
perubahan yang signifikan dan cendrung mirip antara citra tanda-tangan satu
dengan yang lainnya.Keberhasilan pengenalan pola paling rendah dengan
persentase 60%, dan dimiliki oleh nama kenal Riza Amelia dan Zaitun. Hal ini
 terjadi mungkin disebabkan oleh terjadinya perubahan yang signifikan pada setiap
citra pola tanda-tangan masing-masing nama kenal, sehingga sistem memiliki
kekurangan kemampuan untuk mengidentifikasi setiap pola masukkan yang
diujikan.
D. Kesimpulan
Sistem pengenalan pola tanda-tangan merupakan sistem yang dapat dirancang
untuk mengenali pola tanda-tangan yang serupa dengan menampilkan persentase
kecocokan.Pengenalan pola dilakukan dengan pencocokan nilai representasi input
citra pola tanda-tangan pengujian dengan citra referensi yang ada pada pola
pelatihan membandingkan nilai representasi input pada kedua citra
tersebut.Lamamya waktu pelatihan ditentukan oleh besarnya nilai laju
pemahaman dan banyaknya jumlah unit pada lapisan tersembunyi.Sistem
memiliki pelatihan dengan waktu tercepat yaitu 14 detik dengan nilai laju
pemahaman 0.3 dan banyaknya unit layar tersembunyi 10.Semakin banyak
jumlah pola citra tanda-tangan yang digunakan pada proses pelatihan, akan
membuat sistem semakin besar kemungkinan untuk mengenali setiap pola luaran
yang diujikan.Jika pola pelatihan sebanyak 1 buah, maka sistem mampu
mengenali pola luaran sebesar 50% sedangkan dengan pola pelatihan 5, sistem
mampu mengenali pola tanda-tangan luaran sebesar 70%.