PERANCANGAN DAN PEMBANGUNAN SISTEM PENGENALAN TANDA NOMOR KENDARAAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ)
DOI:
https://doi.org/10.51804/ucaiaj.v1i1.1-6Keywords:
tnkb, learning vector quantization (lvq)Abstract
Sistem pengenalan citra pola tanda nomor kendaraan bermotor (TNKB) merupakan salah satu aplikasi dalam ilmu komputer, aplikasi ini dapat membantu proses pengolahan data pola tanda nomor kendaraan. Pengolahan data dilakukan dengan menggunakan metode Learning Vector Quantization sebagai pembantu yang dapat meningkatkan kinerja dari sistem kontrol dan informasi, khususnya dalam membantu suatu komputer untuk bisa meniru kegiatan manusia seperti melihat dan membaca suatu tulisan (angka dan huruf). Ada beberapa tahap dalam sistem pengenalan citra pola tanda nomor kendaraan bermotor yaitu citra pola plat nomor dihasilkan melalui proses pemotretan dari kamera handphone, kemudian dipotong secara manual, proses selanjutnya dilakukan Grayscale (derajat keabuan), Gaussian, Threshold, Deteksi contour, Segmentasi, Ekstrasi Ciri, dan Pengklasifikasian ke Learning Vector Quantization (LVQ). Pada proses pengenalan pola plat nomor, setelah dilakukan pengujian terhadap 25 data uji, kemampuan sistem dalam mengenali pola karakter semakin baik jika jumlah data (training) yang menyimpan bobot vektor semakin banyak, serta pencahayaan yang merata. Dari pengujian sistem ini mampu mengenali pola sebesar 66,15%.References
Andono, P. N., & Sutojo, T. (2017). Pengolahan Citra Digital. Penerbit Andi.
Apriliani, D., & Murinto. (2013). Analisis Perbandingan Teknik Segmentasi Citra Digital Menggunakan Metode Level-set Chan & Vese Dan Lankton. Jurnal Sarjana Teknik Informatika, 1(1), 232–240.
Arif, I., Purnama, I., & Hariadi, M. (2012). Identifikasi Obyek Pisau pada Citra X-ray di Bandara. Semantik 2012, 576–582.
Heranurweni, S. (2010). Pengenalan Wajah Menggunakan Learning Vector Quantization (LVQ). Prosiding SNST Fakultas Teknik, 1(1).
Munir, R. (n.d.). Citra Digital Bab 9 Kontur dan Representatif.pdf.
Permadi, Y., & Murinto. (2015). Aplikasi Pengolahan Citra Untuk Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik. Jurnal Informatika Ahmad Dahlan, 9(1).
Priyanto, H. (2017). Pengolahan CItra Digital Teori dan Aplikasi Nyata. Bandung: Informatika.
Putra, M. R., Wijayanto, I., & Ramatryana, I. N. A. (2016). Deteksi Dan Identifikasi Plat Nomor Kendaraan Mobil Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Berbasis Video. EProceedings of Engineering, 3(1).
Rohimah, W. (2017). Pengenalan Plat Nomor Kendaraan Indonesia Menggunakan Principal Component Analysis dan Metode K-Nearest Neighbor.
Santoso, A., Arif, I., & Hatta, M. (2017). Pembelajaran Supervised SVM Untuk Identifikasi Obyek Pisau Pada Mesin X-Ray Bandara Juanda. Nusantara Journal of Computers and Its Applications, 1(1).
Santoso, A., Uliontang, U., Arif, I., & Hatta, M. (2017). Deteksi Objek Senjata Tajam Pada Citra X-ray Dengan Metode Pengukuran Dimensi Citra. Teknika: Engineering and Sains Journal, 1(1), 1–10.
Solichin, A., Rahman, Z., & Luhur, U. B. (2015). Identifikasi Plat Nomor Kendaraan Berbasis Mobile dengan Metode Learning Vector Quantization. Jurnal TICOM Vol, 3(3).
Downloads
Published
Issue
Section
License
With the receipt of the article by UCaiAJ Editorial Board and the decision to be published, the copyright regarding the article will be transferred to UCaiAJ. The copyright transfer form can be downloaded here.
UCaiAJ has the right to multiply and distribute the article and every author is not allowed to publish the same article that was published in this journal.
UCaiAJ is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Under the following terms:
Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
