e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25
IDENTIFIKASI PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN
METODE MULTI-STEP IMAGE PROCESSING BERBASIS ANDROID
I Gede Susrama Masdiyasa.
Sulianto Bhirawa.
Slamet Winardi.
Teknik Informatika.
UPN Veteran Jawa Timur Fakultas Ilmu Komputer.
Universitas Narotama Surabaya Email : gdesusrama@gmail.
com, sulianto.
bhirawa@gmail.
com, slamet.
winardi@narotama.
Abstrak Sistem plat nomor di Indonesia merupakan warisan dari Kolonial Hindia Belanda yang membagi berdasarkan wilayah karesidenan.
Setelah berjalan sekian lama acuan tersebut masih digunakan hingga sekarang yang terdiri dari dua baris, yaitu baris pertama terdiri dari Kode Wilayah Karesidenan diikuti nomor polisi dari jenis kendaraan bermotor tersebut dan terakhir adalah kode wilayah dari karesidenan tersebut, baris kedua merupakan masa berlaku plat nomor tersebut yang terdiri dari bulan dan tahun.
Plat nomor Kendaraan bermotor di Indonesia menggunakan bahan almunium dengan ketebalan 1mm dan mempunyai dimensi 250y105 mm untuk roda dua atau tiga sedangkan untuk roda empat atau lebih mempunyai dimensi 395y135 Peruntukannya berbeda-beda sesuai dengan warna dasar dari plat nomor tersebut, warna yang ada pada plat nomor adalah hitam, merah, kuning, dan putih.
Serta ada logo kepolisian sebagai hak cipta dan pemegang merk plat nomor di Indonesia.
Keberadaan plat nomor tersebut memberikan identitas dari setiap kendaraan bermotor yang beredar di Indonesia, sehingga mudah mengenali kendaraan tersebut berasal dari wilayah mana sesuai dengan kode plat nomor yang tertera pada posisi depan dan belakang kendaraan Identitas kendaraan tersebut kurang optimal penggunaannya untuk keperluan-keperluan tertentu yang membutuhkan identitas secara cepat dan akurat, sehingga untuk keperluan tersebut diperlukan sebuah ID digital yang dapat digunakan untuk identifikasi kendaraan bermotor secara cepat dan akurat.
Salah satu teknologi digitalisasi plat nomor kendaraan yang sudah digunakan di beberapa negara yaitu ANPR (Automatic Number Plate Recognition ).
Teknologi ini menggunakan pengolahan citra digital untuk mengenali dan membaca plat nomor kendaraan.
Gambar atau citra yang diolah didapatkan dari kamera pengawas dan juga kamera yang didesain khusus untuk proses pengolahan digital.
Mengingat ANPR menggunakan sebuah algoritma dalam pengolahan citra digital, maka memungkinkan untuk mengembangkan perangkat lunak dengan kemampuan serupa namun dalam perangkat yang lebih terjangkau dan murah.
Tentu saja juga memungkinkan untuk dikembangkan di perangkat smartphone berbasis sistem operasi Android.
Hal ini dikarenakan smartphone memiliki kamera serta kemampuan komputasi yang dibutuhkan untuk pengolahan citra digital.
Dengan metode Multi-step image processing ini mampu mengenali plat nomor kendaraan bermotor sampai dengan akurasi 95% dengan kamera minimal 5 megapixel yang dilakukan dalam tiga tahap yaitu threshold, contour dan kNearestNeighbors.
Dalam pemindaian jarak menentukan kemampuan untuk mendeteksi segmen plat nomor dan pencahayaan mempengaruhi tingkat akurasi pengenalan karakter sedangkan untuk pengenalan plat nomor yang memiliki dasar warna terang harus dilakukan invers terlebih dahulu.
Kata kunci : plat nomor, pengolahan citra digital, mobile application, android, multi-step image processing PENDAHULUAN Pada tahun 2014, kendaraan bermotor di Indonesia dari berbagai jenis mencapai 114 juta unit (Biro Pusat Statisti.
(Limantara, 2.
Dengan banyaknya kendaraan dan alat identifikasi yang hanya berupa plat nomor kendaraan menimbulkan beberapa masalah, misalnya proses pembuatan baru maupun perpanjangan masa berlaku nomor kendaraan yang memakan waktu yang lama, proses identifikasi kecelakaan kendaraan yang lama, pemalsuan plat nomor hingga identifikasi kasus pencurian kendaraan yang terkendala (Slamet.
Made.
Tubagus.
Agus, & Sri Wiwoho, 2.
Hal ini terjadi karena semua data nomor kendaraan terpusat dipihak Tanda Nomor Kendaraan Bermotor atau sering disebut plat nopol .
ingkatan dari nomor polis.
adalah plat aluminum yang dipasang pada bagian depan dan belakang kendaraan bermotor sebagai nomor identifikasi kendaraan yang terdaftar di Kantor Bersama Samsat.
Plat ini memiliki http://jurnal.
id/index.
php/narodroid e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25 spesifikasi panjang 250 mm dan 105 mm untuk sepeda motor, sedangkan untuk mobil memiliki panjang 395 mm dan lebar 13.
5 mm.
Salah satu teknologi identifikasi yang sudah digunakan di beberapa negara yaitu ANPR (Automatic Number Plate Recognition ).
Teknologi ini menggunakan pengolahan citra digital untuk mengenali dan membaca plat nomor (Taufiq.
Hidayatno, & Isnanto, 2.
Gambar atau citra yang diolah didapatkan dari kamera pengawas dan juga kamera yang didesain khusus untuk proses pengolahan Menjalankan algoritma pengolahan citra digital membutuhkan komputasi yang Komputasi yang kompleks secara otomatis membutuhkan resources yang besar.
Kapasitas memory, kecepatan processor serta perhitungan yang kompleks mempengaruhi kinerja algoritma pengolahan citra digital.
Oleh karena itu menjalankan algoritma pengolahan citra digital pada perangkat smartphone memerlukan banyak pertimbangan dan METODOLOGI PENELITIAN Pada diagram alir berikut ini, dijelaskan bahwa aplikasi menggunakan 3 subprogram utama untuk membaca dan mengenali plat nomor kendaraan.
Sedangkan untuk subprogram pemindaian dijalankan langsung oleh framework Android dan menghasilkan keluaran berupa image binary untuk selanjutnya dijadikan image masukan pada program.
Gambar 1.
Flowchart Program Utama Gambar 2.
Flowchart Preprocessing Pada Preprocessing, algoritma menghasilkan keluaran image dalam format Grayscale dan Threshold.
Untuk menghasilkan keluaran tersebut terdapat beberapa langkah, pertama image dikonversi dari format RGB ke dalam format HSV kemudian diambil nilai Value dari image Kedua, memaksimalkan kontras Ketiga, image difilter dengan Gaussian Blur untuk kemudian langkah terakhir yaitu Adaptive Threshold.
Output dari subprogram ini selanjutnya diproses oleh subprogram Detect Plat.
Pada subprogram Detect Plat, berdasarkan contour.
Hasil segmentasi tersebut berupa island atau kelompok-kelompok segmen pada image.
Segmen-segmen ini dikelompokan lagi berdasarkan jarak dan ukuran kedalam satu rectangle.
http://jurnal.
id/index.
php/narodroid e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25 yang paling umum diantara k tetangga terdekat, jika k=1 maka objek diklasifikasikan kepada tetangga terdekat tunggal.
Gambar Gambar 3.
Flowchart Deteksi Plat Nomor Untuk proses selanjutnya yaitu proses pengenalan atau recognizing.
Untuk proses ini secara khusus peneliti menggunakan metode K-Nearest Neighbour.
Secara umum, dibuat suatu set data berdasarkan sample data yang telah diketahui klasifikasinya.
Set data ini merupakan Training Set atau data pelatihan.
Kemudian berdasarkan data tersebut, program diharapkan untuk dapat memprediksi klasifikasi pada suatu data baru.
Ilustrasi Klasifikasi Neighbors k-Nearest Pada gambar 5 diatas, objek lingkaran hijau harus diklasifikasikan baik untuk kelas pertama .
otak bir.
maupun kelas kedua .
egitiga mera.
Jika k = 3 .
ada lingkaran garis teba.
maka objek dikasifikasikan sebagai kelas kedua .
egitiga mera.
karena terdapat 2 kelas kedua dan 1 kelas pertama.
Jika k = 5 .
ingkaran putus-putu.
diklasifikasikan sebagai kelas pertama karena terdapat 3 kelas pertama dan 2 kelas kedua.
Mengingat algoritma membutuhkan resource dan komputasi yang kompleks, maka digunakan bahasa pemrograman yang memiliki akses pada level memory .
ow level languag.
agar sumber daya yang digunakan Untuk diimplementasikan menggunakan bahasa pemrograman C/C yang secara khusus dikemas dalam framework Android Native Development Kit (NDK).
Gambar 4.
Flowchart Deteksi Karakter K-Nearest Neighbors atau k-NN adalah metode non-parametric untuk klasifikasi dan Untuk klasifikasi, output merupakan keanggotaan dalam suatu kelas.
Sebuah objek diklasifikasikan berdasarkan voting atau suara terbanyak dari objek tetangga terdekatnya HASIL DAN PEMBAHASAN Pada proses penerapan algoritma, dibagi menjadi beberapa subprogram terpisah untuk memudahkan identifikasi jika terdapat kesalahan, baik kesalahan alur program Beberapa subrpogram tersebut dalam bentuk diagram alir yang kemudian diterapkan ke dalam bentuk psuedocode sederhana.
Namun, pengujian dari algoritma sendiri harus dilakukan dengan menggunakan software atau script mengingat dalam implementasi algoritma ini menggunakan banyak variable, http://jurnal.
id/index.
php/narodroid e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25 data sample dan perhitungan yang kompleks.
Dalam hal ini, peneliti menggunakan script dengan bahasa pemrograman C/C pada perangkat laptop.
Pada method KNN dilakukan pengujian apakah objek kNearest telah AuterlatihAy dengan mengujinya menggunakan klasifikasinya untuk kemudian dicocokkan dengan hasil klasifikasi kNearest.
Gambar 7.
Sample data untuk pengujian kNearest.
Gambar 6.
Diagram Deteksi Plat Nomor Gambar 8.
Process recognition.
Dari diagram diatas dapat disimpulkan bahwa proses pengenalan plat nomor ditentukan oleh proses deteksi karakter.
Namun, untuk optimasi proses deteksi karakter, maka diperlukan juga proses konversi dan thresholding.
Jadi, image inputan dilakukan Preprocessing, langkah-langkah Preprocessing adalah sebagai berikut :
Konversi image ke format HSV.
Extract Value sebagai image baru dalam format Grayscale.
Menambahkan kontras Grayscale.
Operasi Gaussian Blur pada image Grayscale.
Operasi adaptive threshold dengan image blur sebagai masukan.
Dalam langkah Preprocess ini didapatkan output image Grayscale dan image Threshold.
Tujuan Preprocess ini adalah untuk memaksimalkan contour dan segmentasi pada Contour kemungkinan karakter angka dan huruf.
Kemungkinan karakter angka dan huruf ini kemungkinan plat nomor.
Untuk setiap kemungkinan plat nomor ini kemudian dilakukan pengenalan karakter dan ekstraksi Pada pengujian diatas dihasilkan string hasil pembacaan pengenalan karakter yaitu AuABC123Ay.
Dalam beberapa pengujian dengan sample data yang serupa, program dapat mengenali dengan baik.
Namun kesalahan muncul ketika data sample pengujian diubah dengan variasi kebalikan dari data sample yang digunakan untuk trainning.
Jika data sample memiliki background dengan warna gelap maka program mengenali karakter namun tidak akurat.
Gambar 9.
Data pengujian memiliki warna background lebih gelap dari warna karakter.
Pada pengujian kebalikan atau invert, program mendeteksi bahwa karakter diatas adalah AuRDC889Ay.
Hal ini dikarenakan pada saat training data yang digunakan adalah data non-inverse atau warna karakter lebih gelap dari background.
Untuk menyiasati ini, maka sebelum dilakukan proses pengenalan maka dilakukan operasi invert pada image.
Operasi http://jurnal.
id/index.
php/narodroid e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25 invert sendiri pada OpenCV adalah operasi CV_THRESH_BINARY_INV.
cv::threshold.
mgOriginalScene, imgInverted,100, 255,CV_THRESH_BINARY_INV).
Setelah project mendukung native development, maka secara otomatis semua source dalam format C/C dapat dikenali sebagai bagian dari project berdampingan dengan source Java dan XML yang merupakan source default.
Output image yang disimpan pada variable imgInverted dengan imgOriginalScene sebagai image masukan.
Nilai 100 adalah nilai threshold dan nilai 255 adalah nilai maximal.
Dengan operasi diatas maka data pengujian yang merupakan data kebalikan diubah menjadi data yang sama dengan data training.
Implementasi pada Android Studio Mengingat penelitian ini bertujuan untuk melakukan komputasi yang kompleks dan menggunakan bahasa pemrograman lowlevel yaitu C/C , maka pada saat implementasi pada Android Studio harus menggunakan plugin untuk mendukung native development yaitu CMake.
CMake adalah sistem yang mengelola proses kompilasi pada sistem operasi yang tidak tergantung pada compiler tertentu.
Dalam hal CMake kompilasi framework OpenCV menjadi library yang nantinya digunakan dalam aplikasi.
Langkah pertama yaitu membuat project pada Android Studio, kemudian dibuat deklarasi kelas-kelas yang sudah dirancang sebelumnya kedalam bentuk C/C .
(Chen & Luo, 2.
Secara default, project belum mmenggunakan native framework.
Oleh karena itu, perlu dilakukan penyesuaian yaitu AuLink C project With GradleAy.
Gambar 11.
Tampilan project pada Android Studio.
Langkah selanjutnya adalah membuat layout tampilan aplikasi.
Aplikasi ini dibagi menjadi 3 activity.
Dari 3 activity tersebut didesain 2 layout, 1 layout sebagai main activity dan 1 layout sebagai template scanner activity.
Layout ini dibuat dengan XML untuk mendeklarasikan setiap komponen yang digunakan seperti RelativeLayout.
ImageView.
Button dan sebagainya.
Gambar 12.
Layout untuk main activity.
Gambar 10.
Pop up window Link C Project With Gradle Dalam layout main activity ini terdapat 3 button yaitu button untuk import data klasifikasi ke media penyimpanan perangkat, button untuk scanner plat nomor kendaraan dan button untuk scanner plat nomor kendaraan dengan variasi resolusi image yang dapat diubah.
Layout berikutnya yaitu http://jurnal.
id/index.
php/narodroid e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25 activity_camera_preview.
Ini merupakan template untuk 2 activity yaitu scanner plat nomor dan scanner plat nomor dengan resolusi yang berbeda.
Karena kedua activity tersebut memiliki fungsi utama yang sama maka layoutnya digabung menjadi satu namun beberapa komponen akan di non-aktifkan jika tidak digunakan.
Seperti spinner untuk mengubah resolusi dan spinner untuk mengganti default kamera.
Gambar 13.
Layout untuk activity scanner.
Dalam layout activity scanner terdapat RelativeLayout sebagai placeholder untuk ImageView menampilkan debugging proses pengenalan plat nomor.
TextView untuk menampilkan string hasil pengenalan plat nomor.
Beberapa menampilkan debug process.
Dalam aplikasi ini, inputan image didapatkan langsung dari camera yang terdapat pada perangkat.
Android sudah menyediakan API untuk memanipulasi dan memanfaatkan fitur camera.
Untuk itu dibuat suatu class khusus untuk mendapatkan image dari camera dan secara realtime memprosesnya secara Class ini mengimplementasikan callback onPreviewFrame() camera untuk mendapatkan image berupa byte array untuk selanjutnya memprosesnya ke dalam native method.
Native method memproses byte array sebagai image matrix dan menghasilkan bitmap untuk ditampilkan sebagai debug process serta array String sebagai hasil proses pengenalan plat.
Dalam cuplikan onPreviewFrame diatas, dapat dilihat bahwa dalam pengolahan image hanya memproses image dengan format YCrCb digunakan untuk gambar, yang menggunakan format encoding NV21.
Hal ini untuk memastikan bahwa aplikasi dapat berjalan di semua perangkat Android karena default format camera adalah NV21.
Langkah melakukan kompilasi di perangkat Android.
Hal ini dilakukan untuk memastikan bahwa layout, native library serta activity berjalan dengan lancar pada perangkat.
Perlu diketahui bahwa variasi perangkat Android sangat beragam, mulai dari ukuran layar, density atau kerapatan pixel pada layar hingga architecture processor.
Hal ini akan menimbulkan perbedaan antara layout yang sudah didesain di Android Studio dengan yang tampil pada perangkat.
Untuk mencoba tampilan yang berbeda pada variasi perangkat yang berbeda, selain menggunakan perangkat sebenarnya penulis juga menggunakan emulator untuk memudahkan pengujian.
Gambar 14.
Tampilan main activity pada perangkat HP dengan ukuran layar 600x1024 pixel Pengujian perangkat yang ukuran layarnya 600x1024 pixel dan tampilan sesuai dengan rancangan http://jurnal.
id/index.
php/narodroid e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25 pada Android Studio.
Pengujian juga berjalan lancar pada emulator dengan ukuran layar 1600x2560 pixel.
Namun pengujian gagal ketika membuka activity scanner dikarenakan gagal untuk mengakses camera pada Pada emulator fitur camera sengaja di non-aktifkan untuk mengurangi pemakaian resource oleh emulator.
Alasan lainnya yaitu untuk mengetahui error jika aplikasi tidak mendapat permission untuk mengakses kamera pada perangkat sebenarnya yang menggunakan API 23.
Pengujian selanjutnya adalah proses import data klasifikasi dari assets directory aplikasi ke media penyimpanan perangkat.
Hal ini untuk memastikan bahwa proses pengenalan karakter dapat menggunakan data klasifikasi tersebut.
File klasifikasi berupa file dengan extensi .
xml berisi data training dan data klasifikasi yang dimuat oleh kelas DetectChar.
cpp sebagai parameter untuk konstruksi object kNearest.
Pada pengujian import data klasifikasi dan data training, aplikasi berjalan lancar pada perangkat, namun proses import gagal pada emulator.
Hal ini dikarenakan secara default aplikasi meng-import file ke external storage, namun pada emulator external storage secara default tidak tersedia.
Untuk itu perlu dilakukan pengecekan terlebih dahulu sebelumm proses import apakah external storage tersedia atau tidak.
Pengujian pengenalan plat nomor dilakukan dengan perangkat dan beberapa sample plat nomor kendaran sebagai objek scanning.
Proses scanning dilakukan langsung menggunakan perangkat kepada plat nomor kendaraan yang terpasang pada kendaraan.
Gambar 15.
Plat Nomor Kendaraan Sebagai Objek Scanning Pengujian dilakukan terhadap 10 plat nomor kendaraan dan smartphone dengan spesifikasi kamera 2 Megapixel hasil pengujian sebagai berikut.
Dari tabel dibawah dapat disimpulkan bahwa kemampuan deteksi plat pada pencahayaan matahari 80% dengan Hal ini disebabkan oleh beberapa faktor yaitu pada beberapa plat mempengaruhi white balance kamera, bentuk nomor Au6Ay.
Au0Ay,Ay8Ay,Ay9Ay yang identik.
Tabel 1.
Hasil pengujian dengan pencahayaan matahari dan smartphone dengan resolusi kamera 2 Megapixel Pada pengujian yang dilakukan dengan pencahayaan matahari, jarak pemindaian ternyata tidak mempengaruhi http://jurnal.
id/index.
php/narodroid e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25 akurasi pembacaan.
Namun jarak optimal pemindaian adalah 80-100 cm.
Dari tabel pengujian diatas dapat disimpulkan bahwa resolusi kamera dapat meningkatkan akurasi pembacaan plat nomor yaitu hingga 95%.
Namun dalam beberapa kasus, aplikasi kesulitan mengenali plat nomor ketika terjadi lekukan atau goresan tertentu pada area kotak plat sehingga tidak terdeteksi sebagai plat nomor.
Gambar 16.
Pemindaian dari jarak A1m Pengujian perangkat dengan resolusi kamera 5 Megapixel.
Hal ini ditujukan untuk menguji apakah dengan resolusi lebih tinggi dapat meningkatkan akurasii pembacaan plat nomor, dan hasilnya sebagai berikut :
Tabel 2.
Hasil pengujian dengan pencahayaan matahari dan smartphone dengan resolusi kamera 5 Megapixel Dari hasil pengujian pada plat nomor yang sama namun dengan variasi jarak didapatkan tabel sebagai berikut:
Tabel 3.
Hasil pengujian berdasarkan jarak Dari hasil pengujian diatas, dapat disimpulkan bahwa algoritma yang diterapkan pada proses simulasi memiliki kemampuan yang berbeda Pada saat simulasi image yang merupakan image yang sudah terlebih dulu dicapture dan berupa file, sehingga pixel yang dibaca merupakan data statis.
Sedangkan pada aplikasi perangkat Android, image masukan merupakan image hasil pembacaan langsung / real time sehingga pixel pada image selalu berubah.
Peneliti parameter untuk menyesuaikan dengan image http://jurnal.
id/index.
php/narodroid e-NARODROID Volume V.
Januari 2019
ISSN 2407-7712
Halaman 17-25 masukan namun belum terjadi perubahan yang signifikan.
Pada saat pemindaian, jarak mempengaruhi kemampuan untuk mendeteksi segmen plat nomor.
Sedangkan pengenalan karakter.
Tingkat akurasi pengenalan plat mencapai 95% dengan menggunakan perangkat smartphone yang memiliki fitur kamera beresolusi 5 Megapixel atau lebih.
Untuk mendeteksi plat nomor dengan warna dasar terang harus dilakukan pengenalan karakter dapat lebih DAFTAR PUSTAKA