Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini bertujuan untuk mengenali karakter (berupa huruf dan angka) dari plat nomor mobil pribadi di Indonesia dari citra hasil pemotretan kamera digital dengan menggunakan Hidden Markov Model (HMM) sebagai metode pengenalan. Terdapat 3 fase utama yang menentukan keberhasilan dari pengenalan, yaitu : pendeteksian lokasi plat nomor mobil dari citra masukan, segmentasi karakter dari plat nomor, dan pengenalan karakter plat nomor. Dua fase utama adalah fase pra-proses Deteksi lokasi plat nomor dilakukan dengan menggunakan assymetric filter (rank filter) terhadap citra yang telah dilakukan proses vertical edge detection. Segmentasi karakter plat nomor dilakukan dengan menggunakan vertical dan horizontal projection dari citra. Setelah itu tiap karakter hasil segmentasi dilakukan proses pengenalan dengan Hidden Markov Model.Pembentukan parameter HMM untuk pengenalan dilakukan dengan pembentukan codebook database terlebih dahulu. Citra dari karakter untuk training diubah ke domain frekuensi menjadi bilangan vektor yang disebut sample point. Kumpulan beberapa sample point terdekat dikuantisasi menjadi sebuah nilai yang disebut centroid atau codeword yang disimpan dalam sebuah codebook. Dari codebook ini dihitung parameter-parameter HMM untuk tiap karakter. Pada proses pengenalan dihitung besar log of probability HMM yang tertinggi untuk tiap karakter yang menjadi hasil proses pengenalan. Dari percobaan yang dilakukan didapatkan tingkat akurasi sebesar 95 %.

---

This final project's aim is to be able to recognize Indonesian license plate number from digital camera image using Hidden Markov Model as recognition method. The system consists of 3 main phase, which are: License Plate Detection & Extraction, License Plate Character Segmentation & Extraction and Recognition Phase. The first two is the pre-processing phase. The License Plate is detected by applying asymmetric rank filter to the image that has been vertical edge detected. The License Plate Character Segmentation is done by using vertical & horizontal projection of the image. Then each character from the segmentation phase is recognized using the Hidden Markov Model.

To acquire Hidden Markov Model's parameters for recognition, we need to make codebook database of the sample character images. The sample character images are transformed from spatial domain to frequency domain to become sample point. The near by sample points are then quantized and become values which will be called centroids/ codewords. These centroids are then saved in a codebook. From the codebook, then the Hidden Markov Model Parameters can be calculated for each character. In the recognition phase, the highest log of probability of Hidden Markov Model of all character is the recognized character. From many simulations that had been tested, the system can achieve 95 % of accuracy."

"Pada sistem parkir yang ada saat ini, proses pengecekan plat nomor atau Tanda Nomor Kendaraan Bermotor TNKB dilakukan dengan mencocokkan plat nomor melalui foto yang diambil saat pengguna masuk ke area parkir. Hasil pengenalan plat nomor kemudian diinput ke komputer dengan cara diketik. Proses yang dilakukan secara manual oleh operator ini memakan waktu yang relatif lama. Tugas akhir ini mengembangkan pengenalan plat nomor otomatis untuk mengatasi masalah tersebut. Pengenalan plat nomor otomatis merupakan teknologi yang memudahkan ekstraksi karakter-karakter pada plat nomor. Pengembangan sistem parkir ini menggunakan OpenCV sebagai pustaka pengolah citra, algoritma KNN K-Nearest Neighbour untuk Optical Character Recognition, dan sistem basis data untuk sistem parkir. Berdasarkan hasil pengujian, kombinasi nilai variabel block size dan weight terbaik untuk proses thresholding dalam pengenalan plat nomor adalah b=71 dan w=20 dengan hasil akurasi segmentasi karakter sebesar 89, akurasi rekognisi sebesar 82, dan jumlah rekognisi yang tepat 100 sebesar 26. Sistem dapat membaca plat nomor dengan baik pada jarak optimal 60 cm dengan akurasi segmentasi karakter sebesar 89, akurasi rekognisi sebesar 79, dan jumlah rekognisi yang tepat 100 sebesar 26. Resolusi input gambar juga memengaruhi proses pengenalan plat nomor. Resolusi yang optimal untuk rekognisi adalah 1024 x 768 dengan hasil akurasi segmentasi karakter sebesar 89, akurasi rekognisi keseluruhan sebesar 81, jumlah rekognisi yang tepat 100 sebesar 26, dan dengan rata-rata waktu pemrosesan selama 0,174 detik. Akurasi rekognisi plat nomor juga diperngaruhi oleh faktor lain seperti pencahayaan dan kondisi plat nomor apakah rusak atau tidak, tertutup sesuatu atau tidak . Selain itu, kondisi plat nomor yang ideal diperlukan untuk pengenalan plat nomor otomatis secara optimal. Secara keseluruhan, sistem parkir otomatis memiliki akurasi rekognisi yang baik.

---

In current parking system, number plate checking is done by matching it through the photo taken when user enters the parking area. The operator then types the recognised number plate into computer. The process, which is done manually by operator, takes a relatively long time. This thesis develops an automatic license plate recognition to overcome the problem. Automatic license plate recognition is a technology which makes computer able to recognize characters in a license plate. The development of the system uses OpenCV as image processing library, KNN algorithm for Optical Character Recognition OCR, and database system for parking data.

Based on the test result, the combination of the best block size and weight value for the thresholding process in the recognition of the number plate is b 71 and w 20 with character segmentation accuracy of 89, recognition accuracy of 82, and the number of fully recognized number plate of 1. The system can read the number plate well at an optimal distance of 60 cm with character segmentation accuracy 89, recognition accuracy of 79, and fully recognized number plate 26. Image input resolution also affects the number plate recognition process.

The optimal resolution for recognition is 1024 x 768 with character segmentation accuracy of 89, overall segmentation accuracy of 81, the number of fully recognized number plate of 26, and with average processing time of 0.174 seconds. The accuracy of plate number recognition is also affected by other factors such as lighting and the condition of the number plate whether it is damaged or not, obstructed by something or not. In addition, the ideal number plate conditions are required for optimal number plate recognition. Overall, the automated parking system has a good recognition accuracy."

"Skripsi ini bertujuan untuk membuat suatu pengenalan plat nomor mobil menggunakan Hidden Markov Model dengan proses ekstraksi fitur berupa segmentasi dan skeletonisasi. Hasil gambar plat nomor mobil didapat menggunakan kamera dijital. Kemudian dilakukan proses segmentasi terhadap gambar plat yang didapat untuk memisahkan karakter-karakter angka dan huruf yang ada dalam plat tersebut. Selanjutnya dilakukan proses skleletonisasi untuk mendapatkan bentuk kerangka dari setiap karakter yang ada.Hasil skeletonisasi inilah yang akan dikenali oleh sistem pengenal. Proses pengenalan plat nomor mobil dalam skripsi ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja agar dapat mengetahui setiap jenis karakter angka dan huruf yang ada, serta proses pengenalan plat nomor mobil itu sendiri (recognition) yang digunakan untuk mengenali plat nomor yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak untuk memecahkan masalah-masalah matematis . Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali plat nomor yang diuji dengan tingkat akurasi mencapai 90%.

---

A Software of car license plate recognition using hidden markov model is developed. The input image is extracted by using segmentation and skeletonization process. The images of car license plate are captured using a digital camera. Then the images will be segmented to separate the number and letter characters. After that, the segmented characters will be skeletonized to obtain the skeleton shape of each character. Then, these skeletonized shapes will be recognized by the recognition system.

The identification process of car license plate in this final assignment is using Hidden Markov Model that will be executed in 2 steps. The first step is data training process whose objective is to train the recognition system so it can recognize each kind of the existing number and letter characters, and the second one is the recognition process of the car license plate that will be used to recognize all the tested license plates. All processes are done by using a mathematic problem solution software. From the obtained test results, this system has the ability to recognize the tested car license plate with 90% accuracy."

"Dalam skripsi ini dirancang suatu perangkat lunak yang dapat mengidentifikasi tidak hanya nilai nominal tetapi juga keaslian dari mata uang kertas rupiah melalui proses image processing dengan menggunakan Hidden Markov Model. Algoritma image recognition digunakan untuk mengekstraksi pola unik yang terdapat di setiap mata uang dan digunakan mengidentifikasi keaslian menggunakan kamera dengan sinar UV. Sedangkan pola gambar dari nilai nominal dari setiap mata uang juga diambil menggunakan scanner.Setelah dilakukan image pre-processing, kedua pola ini digunakan sebagai data pelatihan dan disimpan dalam database bernama codebook menggunakan kuantisasi vektor. Terdapat 10 buah sampel data yang digunakan sebagai pelatihan dari setiap mata uang mulai dari Rp1000, Rp5000, Rp10.000, Rp20.000, Rp50000 dan Rp100.000. Kedua pola mata uang akan diidentifikasi menggunakan Hidden Markov Model melalui program simulasi.Analisis menunjukkan variasi ukuran codebook, jumlah training, dan tingkat intensitas berpengaruh terhadap akurasi dari perangkat lunak. Berdasarkan hasil uji coba yang dilakukan didapatkan bahwa tingkat akurasi perangkat lunak mencapai 100 % pada ukuran codebook 256 bit dan jumlah pelatihan sebanyak 10 kali. Peningkatan ukuran codebook memperlambat waktu komputasi dari perangkat lunak.

---

In this final project, a software for rupiah bank notes nominal and authenticity identification is developed, using image processing technique and Hidden Markov Model. An image recognition algorithm is applied to extract the unique pattern of each bank note and used to identify the originality using a camera with UV lighting. The image of nominal value of each bank note is also retrieved using a scanner.

After image pre-processing, these two patterns are used as training data and stored in a database called codebook using vector quantization. There are 10 samples taken as training data for each bank note ranged from 1000, 5000, 10000, 20000, 50000 and 100000 rupiahs. Both patterns of a bank note will be recognized using Hidden Markov Model, in a simulation programme.

Result analysis shows codebook size variation, number of training, and the input image intensity influence the identification accuracy. Having this analysis result, the recognition accuracy level reaches 100 % based on 256 codebook size for 10 training test. The analysis also shows that the increment of codebook size will also increase the computing time."

"Sistem pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, dimana aplikasi dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), maupun pencarian identitas individu pada database kepolisian. Tujuan Penulisan laporan tugas akhir ini adalah untuk membangun sebuah perangkat lunak pengenalan citra wajah manusia menggunakan metode HiddenMarkov Models (HMM) dengan input database Pain Ekspression Subset dan database Hasil Foto Sendiri dengan memanfaatkan aplikasi GUI. Hasil pengujian sistem menunjukkan bahwa sistem pengenalan wajah (face recognition) membandingkan percobaan pengenalan sesuai dengan codebook (32, 64,128, 256) dan iterasi (5, 10). Sistem pengenalan wajah manusia menggunakan metode Hidden Markov Models (HMM) mencapai tingkat akurasi pengenalan sebesar84,28%, dengan database 70 gambar yang terdiri dari 10 individu dengan masing-masing individu memiliki 7 variasi ekspresi yang berbeda.

---

ABSTRACTHuman face recognition system is one area that is developing now, where applications can be applied in the field of security (security system) such as permit access into the room, monitoring locations (surveillance), or search for individual identity in the police database. Purpose of this final report is to build a software image of human face recognition using Hidden Markov Models method (HMM) with input Pain Ekspression Subset database and Image itself database applications of GUI. Test results show that the system of face recognition systemstrial comparing the introduction according to the codebook (32, 64.128, 256) and iteration (5, 10). Human face recognition system using Hidden Markov Models (HMM) reached the level of recognition accuracy of 84,28%, with 70 database that consists of 10 individuals with each individual has 7 variations of expressions."

"Skripsi ini berisi tentang perbandingan dari 3 jenis algoritma VQ (Vector Quantization) yaitu Traditional K-Means Clustering, LBG (Linde, Buzo, and Gray), dan Sucessive Binary Split yang digunakan dalam proses pengenalan sinyal akustik (Suara) dari berbagai jenis ikan. Dalam proses pengenalan sinyal akustik ikan yang menggunakan HMM (Hidden Markov Model), sinyal akustik ikan yang akan dideteksi, terlebih dahulu dikuantisasi dengan menggunakan algoritma VQ.Pada sistem pengenalan sinyal akustik ikan, sinyal akustik ikan diubah terlebih dahulu ke dalam bentuk diskrit dengan cara sampling. Sinyal diskrit ini diekstraksi agar diperoleh karakteristiknya dengan menggunakan MFCC (Mel Frequency Cepstrum Coefficient). Vektor data yang terbentuk kemudian dikuantisasi dengan menggunakan 3 jenis algoritma VQ. Pada tahap pengenalan sinyal akustik ikan (recognition) yang memanfaatkan model HMM, ketiga jenis algoritma VQ ini diteliti unjuk kerjanya berdasarkan tingkat akurasi yang diperoleh.Berdasarkan hasil simulasi, algoritma Sucessive Binary Split merupakan algoritma paling optimum untuk sistem pengenalan sinyal akustik ikan karena memiliki tingkat akurasi tertinggi (pada ukuran codebook < 64) dengan kebutuhan kapasitas memori dan waktu komputasi (saat pembuatan codebook dan model HMM) paling kecil. Untuk memperoleh sistem pengenalan sinyal akuslik ikan dengan tingkat akurasi yang paling baik, algoritma LBG dapat digunakan dengan ukuran codebook > 128 tetapi kapasitas memori dan waktu komputasi yang dibutuhkan makin besar. Tingkat akurasi (recognition rate) pada sistem pengenalan sinyal akustik ikan yang menggunakan VQ dan HMM dapat ditingkatkan dengan memperbesar ukuran codebook, jumlah iterasi algoritma VQ, dan jumlah iterasi pada Baum Welch Algorithm."

"Sejak awal ditemukannya komputer hingga kini, manusia berinteraksi dengan komputer melalui papan ketik (keyboard). Upaya untuk memberikan kemampuan guna mengenali ucapan oleh komputer akan memperluas lingkup penggunaanya. Meciptakan komputer yang dapat mengenali ucapan manusia merupakan hal yang kompleks dan melibatkan berbagai disiplin ilmu. Dalam skripsi ini akan digrnikan perancangan sistem pengenalan ucapan untuk mengenali ke-6 vokal dalam Bahasa Indonesia dan kata dalam bahasa Indonesia dengan metoda-metoda yang sebagian besar merupakan peniruan dari fungsi (kemampuan) manusia. Metoda-metoda yang digunakan meliputi pemisahan sinyal ucapan dengan bukan ucapan (kesenyapan atau derau latar belakang). Ekstraksi ciri dengan pengkodean prediksi linear (Linear Predictive Code, LPQ yang dapat dengan baik merepresentasikan produksi suara manusia. Jaringan Saraf Tiruan ART 2 yang bersifat adaptif digunakan untuk pengenalan vokal, serta Hidden Markov Model digunakan untuk pengenalan kata karena dapat mendeteksi informasi dari masukan yang temporal."

"Penelitian ini membahas rancangan sistem informasi tilang elektronik yang terintegrasi berbasis automatic number plate recognition ANPR sebagai upaya deteksi pelanggaran lalu lintas di jalur Bus Transjakarta. Tujuan penelitian ini menghasilkan rancangan sistem informasi tilang elektronik dengan melekatkan sanksi denda maksimal. Metode penelitian yang digunakan adalah kualitatif eksploratif dengan melakukan observasi lapangan untuk mengetahui permasalahan, menganalisis data, dan menghasilkan rancangan sistem informasi tilang elektronik yang terintegrasi. Kesimpulan penelitian ini adalah rancangan sistem informasi tilang elektronik terintegrasi berbasis automatic number plate recognition ANPR mampu memberikan suatu bentuk sistem pengawasan, penegakan dan penindakan pada setiap pelanggaran lalu lintas pada jalur Bus Transjakarta. Penerapan sanksi denda tilang maksimal kepada pelanggar jalur Bus Transjakarta dan pemilik kendaraan bermotor merupakan bentuk upaya pencegahan pelanggaran lalu lintas pada jalur Bus Transjakarta serta sarana edukasi sehingga mampu meningkatkan kepatuhan pengendara kendaraan bermotor terhadap peraturan yang berlaku.

---

This research discusses the design of information systems integrated electronic ticketed based on automatic number plate recognition ANPR in an effort to detect traffic violations on Transjakarta busway. The purpose of this research is building the design of information systems of electronic tickets by embedding the maximum financial penalties. The method used in this research is a qualitative exploratory that going to field to know the problems, analyze data, and produce design information system integrated electronic ticketed.

The conclusion of this research is resulting information systems integrated electronic ticketed based on automatic number plate recognition ANPR that able to provide a nature of system monitoring, enforcement, and prosecution on any traffic violations on Transjakarta Busway. The application of maximum financial penalties tickets, to the violators Transjakarta Busway and vehicle owners, is a nature of prevention of traffic violations on Transjakarta Busway and as an education to increase society compliance with regulations."

"Skripsi ini dibuat untuk merancang dan mengimplementasikan perangkat lunak yang dapat mengenali karakter (berupa angka dan huruf) pada plat nomor mobil pribadi di Indonesia dari citra hasil pemotretan kamera digital dengan menggunakan jaringan syaraf tiruan tipe Kohonen dan kompetitif.sebagai metode pengenalan.Terdapat 3 tahapan proses yang digunakan dalam pembuatan perangkat lunak yaitu tahap pre-processing, tahap pelatihan jaringan syaraf tiruan tipe kohonen dan kompetitif dan tahap pengenalan. Pada tahap pre-processing bertujuan untuk mendeteksi lokasi dan ekstraksi plat nomor lalu mengekstaksi karakter huruf dan angka dari plat nomor. Untuk mendeteksi plat nomor digunakan assymetric filter (rank filter) terhadap citra yang telah dilakukan proses vertical edge detection. Untuk mengekstraksi karakter angka dan huruf dilakukan proses background equalization terlebih dahulu. Pada tahap pelatihan jaringan bertujuan untuk pembentukan suatu database angka dan database huruf yang akan dibutuhkan pada tahap pengenalan. Perbedaan pola dari masing-masing angka dan huruf merupakan suatu ciri yang akan digunakan untuk data masukan jaringan syaraf tiruan. Tahap pengenalan merupakan suatu pattern recognition untuk mengenali angka dan huruf pada plat nomor. Jaringan syaraf tiruan tipe Kohonen digunakan untuk pengenalan huruf dan tipe kompetitif untuk pengenalan angka. Analisis yang dilakukan bertujuan untuk menentukan pengaruh jumlah sampel pada tahap pelatihan jaringan, pengaruh tipe jaringan syaraf tiruan, dan penyebab kesalahan pada tahap pre-processing dan tahap pengenalan.Berdasarkan hasil simulasi, perangkat lunak pengenalan plat nomor yang dibuat telah berhasil mengenali pola huruf dengan tingkat akurasi 88,89% dan pola angka dengan tingkat akurasi 98.3% dan pengenalan plat dengan tingkat akurasi 60%.

---

This final project is created to design and to implement software which can recognize Indonesian license plate number from digital camera image using competitive and Kononen Neural Network as recognition method.There are 3 process which are used in making software which are: pre-processing phase, training phase of kohonen and competitive neural network and recognition phase. The purposes of pre-processing phase are to be able to localize and to extract license plate then to extract number and letter from the license plate. The license plate is detected by applying asymmetric rank filter to the image that has been vertical edge detected. Background equalization process is needed first for the License Plate Character Segmentation. The purposes of training phase are able to make number database and letter database that wil be needed in recognition phase. Pattern difference from each number and letter is a characteristic that will be used for input data of neural network. Recognition phase is a pattern recognition to recognize letter and number from license plate. Kohonen neural network is used to recognize letter and competitive neural network is used to recognize number. The final project analyzed the influence from a number of sample, the influence of neural network type, and cause of error in pre-processing phase and recognition phase.From the simulation output, the software can achieve 88,89% accuracy in recognize theletter, 98.3% accuracy in recognize the number, and 60% accuracy in recognize plate."

"Tugas akhir ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi retina manusia melalui proses image processing dengan menggunakan Hidden Markov Model. Dalam pembuatan perangkat lunak indetifikasi ini terdiri atas dua bagian, yakni pembentukan database dan proses identifikasi itu sendiri. Pembentukan database akan menghasilkan codebook dan nilai probabilitas HMM. Identifikasi dilakukan dengan mengambil hasil scanning retina dari rumah sakit. Kemudian dilakukan proses normalisasi dan ekstraksi terhadap gambar retina yang didapat untuk memindai pola pembuluh darah kapiler pada retina. Proses pengenalan retina dalam tugas akhir ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja agar dapat mengetahui setiap jenis pola pembuluh darah yang ada, serta proses pengenalan retina itu sendiri (recognition) yang digunakan untuk mengenali retina yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak untuk memecahkan masalah-masalah matematis. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali retina yang diuji dengan tingkat akurasi mencapai 100%.

---

This final project is created to design a software that can identify human retina through image processing using hidden markov model. This identification software consist of two part, that are database development and identification itself. The database development produce codebook and HMM probability value. Identification using retinal scanning from hospital. Then the images will be normalisated and extracted to separate retinal vessel.

The identification process of retinal in this final assignment is using Hidden Markov Model that will be executed in 2 steps. The first step is data training process whose objective is to train the recognition system so it can recognize each kind of retinal vessel, and the second one is the recognition process of all retinal image. All processes are done by using a mathematic problem solution software. From the obtained test results, this system has the ability to recognize the tested retinal image with 100% accuracy."