People Innovation Excellence

Penerapan Computer Vision Dalam License Plate Reader (LPR)

Nergi Rahardi , Carvin Wirama, Jonathan , Kevin Chandra , Michael Young , dan Rini Wongso, S.Kom., M.T.I

License Plate Reader (LPR) merupakan salah satu hasil perkembangan dari bidang computer vision, di mana proses pencatatan plat nomor kendaraan dapat diotomasi. Di negara luar LPR sudah banyak dikembangkan sehingga dapat diterapkan dan dimanfaatkan pada berbagai sistem seperti sistem parkir, sistem tol dan sistem lalu lintas untuk tindak pelanggaran. Namun di Indonesia sendiri LPR masih jarang dilakukan pengembangannya. Salah satu permasalahan untuk LPR kendaraan di Indonesia adalah banyaknya ragam font huruf yang digunakan dan jarak antar huruf/angka yang bisa berbeda-beda sesuai keinginan pengguna, seperti terlihat pada Gambar 1 di bawah ini.

Gambar 1. License Plate Indonesia (www.worldlicenseplates.com)

Meskipun sudah banyak pengembangan yang dilakukan di luar negeri kita tidak dapat mengandalkannya karena struktur plat nomor setiap negara berbeda-beda sebagaimana dapat dilihat pada Gambar 2. Hingga saat ini, baik di Indonesia sendiri, LPR masih terus dikembangkan dengan mencoba berbagai algoritma untuk menguji metode mana yang menghasilkan akurasi terbaik.

Gambar 2. License Plate berbagai Negara (www.worldlicenseplates.com)

Metode yang digunakan secara umum dapat digambarkan sebagai berikut:

Gambar 3. Metode yang digunakan dalam pengenalan plat nomor

Input berupa gambar plat akan diproses terlebih dahulu dalam Preprocessing dengan tujuan mengurangi gangguan / noise pada gambar yang akan dilatih. Setelah proses tersebut dilakukan pemotongan tiap karakter untuk dapat dikenali sebagai alphabet A-Z dan digit 0-9. Proses ini dikenal sebagai Segmentation, dimana metode yang dibahas dalam artikel ini adalah dengan menggunakan algoritma BFS (Breadth First Search). Segmentasi karakter adalah pemisahan satu karakter dengan karakter yang lainnya agar setiap karakter nantinya bisa dideteksi secara terpisah dari satu sama lain.

Data-data tersebut kemudian dikumpulkan dan diekstraksi untuk mendapatkan fitur yang disimpan dalam database sebagai acuan pengenalan dalam nantinya. Proses pengenalan (Recognition) ini akan menggunakan salah satu metode machine learning yakni Artificial Neural Network. Hasil dari pengenalan berupa nomor plat kendaraan lengkap. Secara lengkap metodologi dapat dilihat pada artikel: Penerapan Computer Vision dalamLicense Plate Reader (LPR): Metodologi.

Hasil dari aplikasi yang dibangun dengan metodologi di atas dibuat menggunakan Java dengan tambahan libraryJavaFX untuk Graphic User Interface (GUI). Model Artificial Neural Network (ANN) dibuat dan dilatih menggunakan GNU Octave. Format aplikasi adalah aplikasi desktop dengan ekstensi .jar.

Gambar 4. Hasil Aplikasi Car Plate Recognition

Hasil uji dari metode di atas didapatkan akurasi deteksi karakter sebesar 92.74% dengan akurasi pembacaan keseluruhan plat sebesar 51%. Segmentasi karakter memiliki akurasi yang cukup tinggi dikarenakan syarat pengambilan data plat mobil yang sudah diharuskan untuk cukup bersih dan tidak ada huruf atau angka yang menempel 1 dengan yang lainnya sehingga metode Breadth-First-Search dapat berjalan dengan baik dalam tahap segmentasi karakter tersebut. Beberapa huruf dan angka pada plat mobil memiliki font yang berbeda dengan font yang digunakan di komputer seperti angka 4, huruf W, huruf O, dan beberapa huruf lainnya. Tidak standarnya font pada plat nomor kendaraan ini juga terjadi di banyak negara.

Gambar 5. Perbedaan angka dan huruf pada font komputer (kiri) dengan font plat mobil (kanan)

Walaupun akurasi deteksi karakter pada kedua ANN sangat tinggi, namun hasil pembacaan plat secara keseluruhan tidak begitu tinggi. Hal ini disebabkan karena banyak plat yang memiliki kesalahan deteksi, hanya memiliki kesalahan pada 1 huruf atau angkanya  saja.

References:

  • Liu, C., Suen, C., Cheriet, M., Kharma, N. (2007). Character Recognition Systems: A Guide for Students and Practitioners. 1st Edition,John Willy & Sons, INC: New Jersey
  • Khan, S. A. (1998).Character segmentation heuristics for check amount verification (Doctoral dissertation, Massachusetts Institute of Technology).
  • Nugroho, D. (2012).Perbandingan dan Implementasi Sistem Deteksi Citra Plat Mobil Menggunakan Metode Deteksi Tepi Prewitt dan Deteksi Tepi Sobel (Doctoral dissertation, Program Studi Teknik Informatika FTI-UKSW).
  • Setiawan, A. (2008). Sistem pengenalan plat nomor mobil untuk aplikasi informasi karcis parkir [skripsi].Surabaya: Teknik Komputer, Institut Teknologi Sepuluh Nopember.
  • Yuniarti, A., & Amaliah, B. (2011). Pengenalan Merek Mobil Berbasis Deteksi Plat dan Logo Menggunakan Jaringan Syaraf Probabitistik.

 


Published at :
Written By
Rini Wongso, S.Kom., M.T.I
Subject Content Coordinator Intelligent Systems | School of Computer Science

Periksa Browser Anda

Check Your Browser

Situs ini tidak lagi mendukung penggunaan browser dengan teknologi tertinggal.

Apabila Anda melihat pesan ini, berarti Anda masih menggunakan browser Internet Explorer seri 8 / 7 / 6 / ...

Sebagai informasi, browser yang anda gunakan ini tidaklah aman dan tidak dapat menampilkan teknologi CSS terakhir yang dapat membuat sebuah situs tampil lebih baik. Bahkan Microsoft sebagai pembuatnya, telah merekomendasikan agar menggunakan browser yang lebih modern.

Untuk tampilan yang lebih baik, gunakan salah satu browser berikut. Download dan Install, seluruhnya gratis untuk digunakan.

We're Moving Forward.

This Site Is No Longer Supporting Out-of Date Browser.

If you are viewing this message, it means that you are currently using Internet Explorer 8 / 7 / 6 / below to access this site. FYI, it is unsafe and unable to render the latest CSS improvements. Even Microsoft, its creator, wants you to install more modern browser.

Best viewed with one of these browser instead. It is totally free.

  1. Google Chrome
  2. Mozilla Firefox
  3. Opera
  4. Internet Explorer 9
Close