contoh teknik pengujian gui
Post on 05-Jul-2018
406 Views
Preview:
TRANSCRIPT
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
1/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH
CITRA MENGUNAKAN JARINGAN SARAF TIRUAN
Decy Nataliana[1]
, Sabat Anwari[2]
, Arief Hermawan[3]
Jurusan Teknik Elektro
Institut Teknologi Nasional Bandung
ABSTRAK
Pengenalan pola merupakan bidang dalam pembelajaran mesin, salah satu
aplikasinya adalah pengenalan pola angka dan huruf dari sebuah citra menggunakan
jaringan saraf tiruan. Jaringan saraf tiruan sendiri merupakan sistem pemroses informasi
yang memiliki karakteristik seperti jaringan saraf biologis. Jaringan saraf tiruan ini sebelum
digunakan harus dilatih terlebih dahulu agar nantinya dapat digunakan untuk mengenali
suatu pola yang menyerupai pola yang sudah dilatih. Jaringan saraf tiruan yang digunakan
adalah JST backpropagation
Program yang dibuat akan menampilkan citra input kemudian mencari dan
mengekstrak plat nomor kendaraan, kemudian melakukan segmentasi citra plat nomor
menjadi citra karakter. Langkah terakhir yang dilakukan adalah mengenali tiap citra
karakter hasil segmentasi dengan menggunakan jaringan saraf tiruan backpropagation.
program yang digunakan dalam pembuatan program pengenalan karakter ini adalah
Matlab.
Pembuatan program ini dibagi menjadi dua tahap yanitu pembuatan GUI dan
pembuatan subprogram yang bersesuaian dengan GUI yang telah dibuat. Hasil pengenalan plat nomor kendaraan dengan menggunakan JST memiliki tingkat keberhasilan 46,32%
dengan waktu rata – rata yang dibutuhkan untuk mengenali tiap plat nomor adalah 1,76
detik, sedangkan metoda pembandingnya adalah metoda template matching yang memiliki
tingkat keberhasilan 72,37% dengan waktu rata – rata yang dibutuhkan untuk mengenali tiap
plat nomor adalah 21,14 detik.
Kata kunci: Pengenalan Pola, Plat Nomor Kendaraan, Jaringan Saraf Tiruan, Matlab
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
2/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
ABSTRACT
Pattern recognition is a field on machine learning, ones of application is number and
latter pattern recognition from an image using artificial neural network. Artificial neural
network is informational system processing that having characteristic like biological neural
network. This artificial neural network have to be trained before it can be used to recognition
a pattern that is like the pattern that have been trained. The artificial neural network that
have been used is backpropagation ANN.
This program will showing input image then the program will search and extract
license plat number and then doing segmentation plat number image to become character
image. The last step is recognition each of image character from the segmentation process
using backpropagation artificial neural network. This character recognition program is
made using Matlab.
The making of this program divided by two step : the making of GUI and the making od
subprogram that have correlation with GUI. the result of the license plat number recognition
by using ANN have success rate 46,23% with average time to recognition license plat number
is 1,76 second, meanwhile the other method, template matching, have success rate 72,73%
with average time to recognition license plate number is 21,14 second.
Keywords : Pattern Recognition, License Plate Number, Artificial Neural Network, Matlab
I. Pendahuluan
1.1. Latar Belakang
Pengenalan pola merupakan bidang
dalam pembelajaran mesin. Pengenalan
pola dapat diartikan sebagai sebuah
tindakan mengambil data mentah dan
bertindak berdasarkan klasifikasi data.
Salah satu aplikasinya adalah pengenalan
pola angka dan huruf dari sebuah citra
menggunakan jaringan saraf tiruan.
Jaringan saraf tiruan sendiri merupakan
sistem promroses informasi yang memiliki
karakteristik seperti jaringan saraf
biologis. Jaringan saraf tiruan ini sebelum
digunakan harus dilatih terlebih dahulu
agar nantinya dapat digunakan untuk
mengenali suatu pola yang menyerupai
pola yang sudah dilatih. Disini jaringan
saraf tiruan digunakan untuk mengenali
pola karakter dari sebuah citra plat nomorkendaraan
1.2. Tujuan
Tujuan dari pembuatan program ini
adalah program dapat mengenali karakter
dari plat nomor kendaraan dalam sebuah
citra.
1.3. Batasan Masalah
Dalam pembuatan program untuk tugas
akhir ini terdapat beberapa batasan
masalah agar tidak meluas :
•
Program hanya dapat mendeteksi
sebuah plat nomor yang berwarna
hitam dalam sebuah citra.
•
Program hanya dapat mengenali nomorkendaraan, tidak beserta dengan masa
berlakunya.
•
Menggunakan gambar berformat bmp
dan jpeg berukuran 1280 x 1024
piksel.
• Plat nomor kendaraan yang digunakan
sesuai dengan standar yang berlaku
dan terlihat jelas dalam citra.
•
Pengenalan menggunakan jaringan
saraf tiruan backpropagation
II.
Dasar teori2.1. Penglolahan Citra Digital
[1,2]
Ada beberapa pengertian tentang citra
digital. Salah satunya adalah bahwa citra
digital merupakan suatu matrik dimana
indeks baris dan kolomnya menyatakan
suatu titik pada citra tersebut dan elemen
matriknya menyatakan intensitas pada titik
tersebut. Jika citra dinyatakan dalam
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
3/14
No.3 , Vol
bentuk
gambar
Gambar 2.
informas
tersebut
dengan
Wikiped
penggun
melakuk
digital.
S
citra di
menjadi
•
Outp
Peng
ini
mentlain,
meni
men
nya l
•
Outp
Pada
digu
kom
lanju
men
2.2. JariJarin
pertama
McCullo
McCullo
bahwa
sederhan
akan
komputa
. 2, Septemb
koordinat
erikut ini
1 Citra Dalam
eskipun ci
i akan tet
harus diola
itra kebutu
ia pengolah
aan algorit
an pemrose
ecara gari
ital menu
dua, yaitu :
utnya citra
olahan citra
berhubung
ransformasiseperti
ngkatkan
kompres c
ebih kecil.
utnya komp
kategori
akan untu
onen dari c
t. Biasany
enali suatu
gan Sarafgan saraf
kali
ch dan P
ch dan
kombinasi
a menjadi
meningka
sinya. Bob
J
r – Desembe
maka aka
Koordinat
tra memili
pi sering
kembali a
an yang ad
an citra dig
ma kompu
san citra d
besar, p
ut outputn
digital pa
n denga
an citra mmemperbai
ualitas c
tra agar u
onen / atrib
ini pengol
menghasi
itra untuk d
a digunak
ola tertent
Tiruan[8]
tiruan
iperkenalk
itts di ta
Pitts men
beberapa
ebuah syst
kan k
t dala jari
RNAL I
2011
n seperti
i banyak
kali citra
gar sesuai
. Menurut
ital adalah
ter untuk
alam citra
engolahan
ya dibagi
a kategori
teknik
njadi citraki citra,
tra, atau
uran file-
t citra
han citra
kan suatu
iolah lebih
an untuk
dari citra
sederhana
n oleh
un 1943.
yimpulkan
neuron
em neural
mampuan
gan yang
FORMA
diusul
untuk
Fungs
fungs
Ja
siste
memi jaring
sebea
dari j
:
a.
P
ba
b. Si
ne
c.
P
ya
m
d.
U
ne
ya
ya
ke
th
2.2.1.
tiga h
a. P
ja b.
M
pe
pe
c.
F
2.2.2.
keterb
Kele
mena
lapisa
dan llapisa
memi
beber
meme
backp
mend
kema
TIKA
kan oleh
melakukan
i aktivasi
threshold .
ringan sar
pemros
liki karak an saraf
ai general
ringan sara
mrosesan
nyak eleme
nyal dikiri
uron melal
nghubung
ng akan
emperlema
tuk men
uron meng
ng diterap
ng diterim
mudian
reshold .
Jaringan s
Jaringan sa
al, yaitu :
la hubunga
ingan).etode unt
nghubung
latihan).
ngsi aktiva
JST BackpJST denga
atasan da
ahan ini
bahkan sa
n tersembu
pisan outpn tersemb
liki keleb
pa kasus,
rlukan wak
Seperti a
ropagation
patkan
puan jarin
cCulloch d
fungsi logi
yang digu
f tiruan
san info
teristik miologis. J
isasi mode
f biologis, d
informasi
sederhana
kan diant
i penghubu
neuron m
mempe
sinyal
ntukan o
gunakan f
an pada
a. Besarny
dibandingk
raf tiruan
raf tiruan
antar neu
k menen
(training
i
opagation
lapis tun
lam peng
bisa dia
tu lapisan
yi diantara
t. Meskipuunyi lebi
ihan ma
akan tetapi
u yang lebi
rsitektur
melatih ja
keseimban
an untuk
n Pitts diat
a sederhan
akan adal
JST) adal
masi ya
irip dengST dibent
matemati
engan asum
terjadi pa
(neuron)
ra neuron
g
miliki bob
rkuat at
tput, seti
ngsi aktiva
umlah inp
a output i
n deng
ibentuk ol
on (arsitekt
ukan bob
learning
gal memili
nalan pol
tasi deng
tau bebera
lapisan inp
pengguna dari sa
faat unt
pelatihann
lama.
yang lai
ringan unt
an anta
engenali po
8
r
a.
h
h
g
nk
a
si
a
–
ot
u
p
si
t
i
n
h
r
ot
/
i
a.
n
a
t
nu
k
a
n,
k
a
la
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
4/14
No.3 , Vol
yang di
kemamp
respon
yang se
selama p
a.
Arsit
Back unit neu
Gambar
arsitektu
neuron
bias), s
terdiri p
sebuah
output.
Gambar 2.
Vijke unimerupak
bias di
tersemb
bobot da
unit outp
bias di
keluaran
b.
Fase
Back
yang har
fase maj
dari lapi
dengan
aktivasi.
selisih
output y
kesalaha
dirambat
. 2, Septemb
gunakan se
an jaringa
ang benar
upa denga
elatihan.
ektur backp
ropagatioron dalam
berikut
backpropa
input (dita
buah lapis
unit neur
ias), serta
2 Arsitektur B
erupakan b
lapisanan bobot
unit masu
nyi z j), sed
ri unit lapi
ut yk (wk0)
lapisan t
zk ).
backpropag
ropagatio
us dilakuka
, pola inpu
san input
mengguna
Fase kedua
antara out
ng diingink
atau erro
kan mundu
J
r – Desembe
lama pelat
untuk m
terhadap
pola ya
opagation
memilikilapisan te
ini adala
gation den
bah deng
n tersemb
n (ditamb
m buah n
ackpropagatio
bot dari u
tersembuyiang meng
kan ke u
ngkan wkj
an tersemb
merupakan
ersembunyi
ation
memiliki
. Fase perta
t dihitung
ingga lapi
kan suat
adalah fas
ut jaringa
an (target)
. Error ini
r, dimulai
RNAL I
2011
ihan serta
emberikan
ola input
g dipakai
beberapasembunyi.
contoh
an n buah
n sebuah
nyi yang
h dengan
uron unit
it input xi
z j (v j0 ubungkan
it lapisan
erupakan
unyi z j ke
bobot dari
ke unit
tiga fase
ma adalah
aju mulai
an output
fungsi
e mundur,
n dengan
erupakan
kemudian
dari yang
FORMA
berhu
lapisa
Fase
untuk
1. Fa
S
(xi) dimeng
ditent
lapisa
dipro
terse
meng
Demi
outpu
S
diban
dicap
outpu
jika
tolera
akan
error
tolera
akan
kesala
2.
Fa
B
factor
untukyk k
terhu
digun
berhu
D
factor
terse
bobot
di ba
semu
berhu
dihituD
faktor
sebag
yang
di ba
semu
berhu
masu
TIKA
ungan lan
n output s
ketiga ada
menurunka
se I : propa
lama prop
propagasikaunakan fu
kan. Kel
n tersemb
agasikan
bunyi
unakan
ian seterus
jaringan (y
lanjutnya
ingkan de
i (tk ). Se
adalah sua
ilai error i
si yang
dihentikan.
masih l
sinya, ma
dimodifik
han yang a
se II : prop
rdasarkan
δk (k = 1,
mendistribe semua
ung langs
akan untuk
ungan lang
ngan cara
δ j di set
bunyi se
yang bersa
ahnya. De
factor δ
ungan lan
ng.ngan cara
δ j di setiap
ai dasar per
erasal dari
ahnya. De
faktor δ
ungan l
an dihitung
sung deng
mpai ke l
lah memod
error yan
asi maju
gasi maju,
n ke lapisagsi aktivas
aran dari
unyi (z j)
maju
selanjutnya
uatu fun
ya hingga
k )
output j
gan targe
lisih antara
u nilai kesa
ni lebih ke
itentukan
Akan teta
bih besar
a bobot d
si untuk
a.
gasi mundu
nilai error
2, …, m)
sikan kesaunit terse
ng dengan
mengubah
sung denga
yang sa
iap unit d
agai dasa
sal dari uni
ikian sete
i unit terse
sung deng
yang sa
unit di laya
bahan bob
unit tersem
ikian sete
i unit terse
ngsung
.
n unit – u
apisan inp
ifikasi bob
ada.
sinyal inp
tersembuni yang sud
setiap u
selanjutn
e lapis
deng
si aktiva
enghasilk
ringan (y
yang har
target d
lahan (erro
cil dari bat
maka itera
pi jika nil
dari bat
lam jaring
menguran
r
, dihitungl
yang dipak
lahan di u bunyi ya
yk . δk ju
bobot ya
unit outpu
a, dihitu
alam lapis
perubah
tersembun
usnya hing
mbunyi ya
an unit inp
a, dihitu
tersembun
t semua ga
unyi di lay
usnya hing
mbunyi ya
engan u
8
it
t.
ot
t
ih
it
a
n
n
i.
n
k )
s
n
),
s
si
ai
s
n
gi
h
ai
itg
a
g
.
g
n
n
i
a
g
t
g
i
is
ar
a
g
it
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
5/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
3. Fase III : perubahan bobot
Setelah semua faktor δ dihitung, semua
bobot juga dimodifikasi secara bersamaan.
Perubahan suatu bobot didasarkan atas
factor δ neuron lapisan di atasnya, sebagai
contoh perubahan bobot pada lapisan
output didasarkan atas δk yang ada di unitoutput.
Ketiga fase tersebut diulang – ulang
terus hingga kondisi penghentian
terpenuhi. Umumnya kondisi penghentian
yang sering digunakan adalah jumlah
iterasi atau nilai error . Iterasi akan
dihentikan jika jumlah iterasi yang
dilakukan sudah melebihi jumlah iterasi
maksimum yang ditentukan, atau jika nilai
error sudah lebih kecil dari batas toleransi
yang ditetapkan.
c.
Algoritma backpropagation
Berikut ini adalah algoritma
backpropagation yang umum digunakan :
1.
Inisialisasi bobot (ambil bobot awal
dengan nilai random yang cukup
kecil).
2. Kerjakan langkah – langkah berikut
selama kondisi berhenti bernilai salah.
3. Untuk tiap pasangan elemen yang akan
dilakukan pembelajaran, kerjakan :
Feedforwarda.
Tiap – tiap unit input (xi, i = 1, 2, …,
n) menerima sinyal xi dan meneruskan
sinyal tersebut ke semua unit pada
lapisan yang ada di atasnya (lapisan
tersembunyi).
b. Tiap – tiap unit pada suatu lapisan
tersembunyi (z j, j = 1, 2, …, p)
menjumlahkan sinyal – sinyal input
terbobot
_ 1
gunakan fungsi aktivasi untuk
menghitung sinyal output
_ dan kirimkan sinyal tersebut ke semua
unit tersembunyi di lapisan atasnya
(unit – unit output)
c. Tiap – tiap unit output (Yk , k = 1, 2,
…, m) menjumlahkan sinyal – sinyal
input terbobot.
_ 2
gunakan fungsi aktivasi untukmenghitung sinyal output
_ Dan kirimkan sinyal tersebut ke semua
unit tersembunyi di lapisan atasnya
(unit – unit output). Langkah ini
dilakukan sebanyak jumlah lapisan
tersembunyi
Backpropagation
a.
Tiap – tiap unit output (Yk , k = 1, 2,
…, m) menerima target pola yang
berhubungan dengan pola input
pembelajaran, hitung informasi error -nya :
2 _ 2 2
kemudian hitung koreksi bobot (yang
nantinya akan digunakan untuk
memperbaiki nilai w jk ) :
∆ 2 Hitung koreksi bias (yang nantinya
akan digunakan untuk memperbaiki
nilai b2k ) : ∆2 2 Langkah ini dilakukan sebanyak
jumlah lapisan tersembunyi, yaitu
menghitung informasi error dari suatu
lapisan tersembunyi ke lapisan
tersembunyi sebelumnya.
b.
Tiap – tiap unit tersembunyi (z j, j =1,
2, …, p) menjumlahkan delta input
(dari unit – unit yang berada di lapisan
atasnya) :
∑==
m
k jk k j win 1 2 _
δ δ
Kalikan nilai ini dengan turunan dari
fungsi aktivasinya untuk menghitung
informasi error :
1 _ _ 1 1 1 1
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
6/14
No.3 , Vol
Kem
nanti
mem
Hitu
nanti
mem
c.
Tiap
…,
(j =
w jk (
b2k (
tiap
…, p
(i =
vij (b
b1 j (4.
Tes
2.3. Mat
Matl
dapat di
pengenal
dalam
memuda
saraf t
Toolbox.
Dala
terdapatmacam
pengatur
dibutuhk
fungsi a
Selai
fitur yan
GUI pro
Fitur in
program
didapatk
hanya de
III. Per
S
seperti b
. 2, Septemb
dian hitun
nya akan
pebaiki bila
g juga
nya akan
perbaiki b1 j
– tiap unit
) memperb
, 1, …, p) :
aru) = w jk (
aru) = b2k
tiap unit te
) memperba
, 1, …, n) :
aru) = vij (la
aru) = b1 j (ondisi berh
lab[2,4]
b adalah sa
unakan un
an plat n
atlab sudah
kan pembu
ruan, yait
Neural
fungsi unt jaringan
an paramet
an, seperti
tivasi dan l
n itu Matla
g dapat digu
ram yang
memudah
dengan G
an bisa lebi
ngan meng
ncangan P
ecara umu
ok diagram
J
r – Desembe
koreksi b
digunaka
vij) :
oreksi bi
digunaka
:
ourput (Yk ,
iki bias da
lama) + Δw
lama) + Δ b
rsembunyi
iki bias da
ma) + Δvij
ama) +Δ b1nti
lah satu soft
uk membu
mor kend
terdapat to
atan progra
u Neural
Network
k membuasaraf tiru
er – para
metode
innya.
juga dapa
nakan untu
enarik, yai
kan dalam
I sehingga
maksimal
unakan m-f
ogram
sistem aka
berikut :
RNAL I
2011
bot (yang
n untuk
as (yang
n untuk
k = 1, 2,
bobotnya
k
2k
z j, j =1, 2,
bobotnya
j
ware yang
t program
araan. Di
lbox yang
jaringan
Network
Toolbox
t berbagaian, serta
eter yang
pelatihan,
t memiliki
membuat
u GUIDE.
membuat
hasil yang
dibanding
le saja.
n berkerja
FORMA
Gamba
kemu
sudah
plat
Setela
segm
dapat
penge
backp
melal
digun
untuk
menja
GUI
3.1. P
PGUI
dapat
muda
berik
untuk
nomo
Gamba
TIKA
r 3.1 Blok Dia
Citra di
ian ditamp
disediakan
nomor dit
h diekstr
ntasi kara
dipisahkan.Proses
nalan kara
ropagation
i GUI.
akan meto
mengenali
Perancang
di dua ba
an peranca
erancanga
rancanganE Matlab
dilakukan
. Gambar
t ini adalah
pelatihan
kendaraan
r 3.2 Pelatiha
gram Pengena
gital dija
ilkan melal
, lalu citra
mukan la
ak dilaku
ter agar
selanjutn
ter dengan
dan hasilny
Sebagai
da templa
arakter pla
an progra
gian yaitu
gan subpro
GUI
GUIsehingga
dengan
3.2 serta
rancangan
ST dan pe
JST
lan Karakter
ikan inp
ui GUI ya
diproses ag
u diekstra
kan pros
iap karakt
a adal
metoda JS
a ditampilk
pembandi
te matchi
nomor.
ini diba
perancang
gram.
enggunak perancang
relatif leb
gambar 3
ampilan G
genalan pl
8
t
g
ar
k.
es
er
h
T
n
g
g
gi
n
nn
ih
.3
I
at
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
7/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
Gambar 3.3 Pengenalan Plat Nomor
3.2. Perancangan Subprogram
Perancangan subprogram untuk program pengenalan plat nomor kendaraan
terdiri dari beberapa program
a.
Pelatihan JST
Dalam subprogram pelatihan JST ini
arsitektur yang digunakan adalah
backpropagation dengan tiga lapisan,
lapisan input, hidden dan output. Metode
pelatihan yang digunakan adalah trainlm.
Gambar 3.4 berikut ini adalah flowchart
subprogram pelatihan JST
Gambar 3.4 Pelatihan JST
b. Menampilkan Citra
Dalam subprogram ini akan
menampilkan citra yang dipilih melalui
GUI, subprogram ini dihubungkan dengan
tombol Citra Kendaraan. Setelah
ditampilkan citra dirubah ke format
grayscale untuk pemrosesan lebih lanjut.Gambar 3.5 adalah flowchart untuk
subprogram yang digunakan
Gambar 3.5 Menampilkan Citra
c.
Mencari Kandidat Plat NomorSubprogram ini akan membagi citra
input menjadi enam bagian kemudian
program akan mencari plat nomor di tiap
bagian. Gambar 3.6 adalah flowchart
untuk subprogram ini
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
8/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
Gambar 3.6 Kandidat Plat Nomor
d. Ekstraksi Plat Nomor
Dalam subprogram ini program akan
melakukan ekstraksi plat nomor kendaraan
dari kandidat plat nomor yang sudah
ditemukan. Ekstraksi disini adalah
memotong batas atas bawah dan batas kirikanan dari citra kandidat plat nomor yang
berhasil didapatkan oleh subprogram
sebelumnya. Gambar 3.7 adalah flowchart
untuk subprogramnya
Gambar 3.7 Ekstraksi Plat Nomor
e.
Segmentasi Karakter
Segmentasi karakter dilakukan agar
tiap citra hanya memiliki satu karakter
sehingga proses selanjutnya atau proses
pengenalan krakter dapat berjalan dengan
baik. Gambar 3.8 adalah flowchart untuksubprogram ini
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
9/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
Gambar 3.8 Segmentasi Karakter
f.
Pengenalan Karakter Menggunakan
JST
Pengenalan karakter hasil segmentasi
dilakukan dengan menggunakan jaringan
saraf tiruan backpropagation. Gambar 3.9
adalah flowchart untuk subprogram pengenalan karakter menggunakan JST
Gambar 3.9 Pengenalan Menggunakan JST
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
10/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
g. Pengenalan Karakter Menggunakan
Template Matching
Metoda ini digunakan hanya sebagai
pembanding, karakter hasil segmentasi
dibandingkan dengan karakter yang ada di
dalam data. Gambar 3.10 adalah flowchart
untuk subprogram pengenalan karaktermenggunakan template matching
Gambar 3.10 Pengenalan Menggunakan Template
Matching
IV. Pengujian dan Analisa
Dalam pengujian program pengenalan
plat nomor kendaraan ini dilakukan sesuai
dengan bagian – bagian yang sudah dibuat.
1.
Pengujian GUI
Pengujian GUI dilakukan untuk
mengetahui apakah GUI yang dibuat
bekerja dengan baik dan hasilnya GUI
bekerja dengan baik karena semuakomponen sudah berada pada tab – tab
yang sudah ditentukan seperti ditunjukkan
pada gambar 4.1 dan 4.2
Gambar 4.1 Tab Pelatihan JST
Gambar 4.2 Tab Pengenalan Karakter
2. Pengujian Pelatihan JST
Dalam pengujian pelatihan JST
backpropagation, jaringan diberikan input berupa angka yang dinyatakan dalam
matrik. Gambar 4.3 adalah gambar saat
pelatihan dilakukan
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
11/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
Gambar 4.3 Pelatihan JST
3.
Pengujian Input Citra
Saat program diberi input citra maka
yang ditampilkan saat pemilihan citra
adalah citra yang berformat bmp dan jpeg
saja, seperti ditunjukkan pada gambar 4.4
Gambar 4.4 Memilih Citra
Setelah dipilih citra kemudian ditampilkan
dalam tempat yang sudah ditentukan,
seperti ditunjukkan pada gambar 4.5
Gambar 4.5 Menampilkan Citra
4.
Pengujian Pencarian Kandidat Citra
dan Ekstraksi Citra
Pencarian kandidat citra dan ekstraksicitra sudah dapat dilakukan, walaupun
masih terdapat noise pada hasilnya, seperti
yang ditunjukkan pada gambar 4.6
Gambar 4.6 Pencarian dan Ekstraksi Citra
Dari sejumlah citra yang digunakan
tidak semuanya dapat menghasilkan output
yang diharapkan, masih terdapat kesalahan
dalam pencarian dan ekstraksi plat nomor
kendaraan. Secara umum hasilnya dapat
dibagi menjadi empat kelompok, yaitu :
a.
Plat nomor dapat ditemukan dan dapatdiekstrak dengan baik
b.
Plat nomor dapat ditemukan tetapi
tidak dapat diekstrak dengan baik
c.
Plat nomor dapat ditemukan tetapi
tidak dapat diekstrak
d. Plat nomor tidak dapat ditemukan
sehingga tidak dapt diekstrak
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
12/14
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
13/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
Tabel 4.4 Hasil Metoda Template Matching
Dari tabel terlihat bahwa tingkat
keberhasilan yang didapat adalah antara
42,85% sampai 100% sedangkan waktu
yang diperlukan untuk proses pengenalan
karakter adalah antara 18,84 detik sampai
22,93 detik.
V. Kesimpulan dan Saran
5.1. Kesimpulan
Dari pengujian yang sudah dilakukan
terhadap program pengenalan plat nomor
dapat diambil kesimpulan sebagai berikut :
1. Subprogram untuk menampilkan citra
input sudah dapat digunakan untuk
menampilkan citra dan secara otomatis
progam hanya menampilkan citra yang
memiliki format bmp dan jpeg.
2.
Subprogram pencarian plat nomor
kendaraan sudah dapat digunakanuntuk mencari plat nomor kendaraan,
walaupun hasil yang didapat masih
belum sempurna.
3. Subprogram segmentasi karakter dapat
melakukan segmentasi karakter dengan
baik untuk citra yang memiliki noise
sedikit.
4. Subprogram peltaihan JSt
membutuhkan waktu yang cukup
bervariasi tergantung data dan
parameter pelatihan yang digunakan.
5.
Subprogram pengenalan karakter
metoda JST memiliki tingkat
keberhasilan rata – rata 46,32% denganwaktu rata – rata yang dibutuhkan
adalah 1,76 detik.
6. Subprogram pengenalan JST dengan
metoda template matching memiliki
tingkat keberhasilan rata – rata 72,37%
dengan waktu rata – rata yang
dibutuhkan adalah 21,14 detik.
5.2. Saran
Berikut ini adalah saran yang dapat
diberikan untuk meningkatkan
kemampuan program :
1.
Algoritma pencarian plat nomor
kendaraan dan ekstraksi perlu dirubah
agar program dapat menemukan plat
nomor kendaraan yang posisinya tidak
hanya ditengah serta dapat melakukan
ekstraksi plat nomor kendaraan dengan
lebih baik
2.
Perlu ditambahkan algoritma untuk
menghilangkan noise yang ada dalam
citra plat nomor kendaraan hasil
ekstraksi, agar proses segmentasi dapat bekerja dengan lebih baik.
3. Program pelatihan jaringan saraf tiruan
perlu disempurnakan agar dapat
melakukan pelatihan jaringan saraf
tiruan selain dengan metoda pelatihan
trainlm.
4.
Menambahkan data untuk pelatihan
jaringan saraf tiruan agar didapat hasil
yang lebih baik untuk pengenalan
karakter.
DAFTAR PUSTAKA1.
Gonzales, Rafael C, 2002, “ Digital
Image Processing” 2nd
Edition,
Prentice Hall.
2.
Gonzales, Rafael C, 2004, “ Digital
Image Processing Using Matlab” 1st
Edition, Prentice Hall.
-
8/16/2019 CONTOH TEKNIK PENGUJIAN GUI
14/14
JURNAL INFORMATIKA
No.3 , Vol. 2, September – Desember 2011 48
3.
Kusumadewi, Dewi, 2003, “ Artificial
Intelligence (Teknik dan Aplikasinya)”,
Graha Ilmu.
4. Hermawan, Arief, 2006, “ Jaringan
Saraf Tiruan (Teori dan Aplikasi)”,
Andi.5.
Hery Purnomo, Mauridhi, Agus
Kurniawan, 2006, “Supervised Neural
Networks dan Aplikasinya”, Graha
Ilmu
6.
Jemmy, “ Aplikasi Kamera Web Untuk
Mengidentifikasi Plat Nomor Mobil”,
Universitas Kristen Maranatha, 2008.
7. Marasi Manurung, Patardo,
“Perangkat Lunak Pengenalan Plat
Nomor Mobil Mengunakan JaringanKompetitif dan Jaringan Kohonen”,
Universitas Indonesia, 2007.
8. Simon Haykin, Neural Networks :
Acomprehensive Foundation, Pearson
Education, cetakan ke-3 di India, 1999
top related