PROPOSAL TUGAS AKHIR

SISTEM PENGENALAN PLAT NOMOR OTOMATIS MENGGUNAKAN

ALGORITMA CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN
YOLOV3 DENGAN FRAMEWORK KERAS

Diusulkan Oleh:

Farah Qoonita Syuhaila

NRP. 02311640000120

Dosen Pembimbing:
Dr.rer.nat.Ir. Aulia M.T. Nasution, M.Sc. NIP. 19671117 199702 1 001

DEPARTEMEN TEKNIK FISIKA

FAKULTAS TEKNOLOGI INDUSTRI DAN REKAYASA SISTEM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2020
 LEMBAR PENGESAHAN
PROPOSAL TUGAS AKHIR
DEPARTEMEN TEKNIK FISIKA FTI-ITS

Judul : Sistem Pengenalan Plat Nomor Otomatis

Menggunakan Algoritma Convolutional Neural
Network Menggunakan YOLO V3 Dengan
Framework Keras
Bidang Studi : Rekayasa Fotonika
1. a. Nama : Farah Qoonita Syuhaila
b. NRP : 02311640000120
c. Jenis Kelamin : Perempuan
2. Jangka Waktu : 5 Bulan
3. Pembimbing : Dr.rer.nat.Ir. Aulia M.T. Nasution, M.Sc.
4. Usulan Proposal ke : 1
5. Status : Baru

Surabaya, 11 februari 2019

Pengusul,

Farah Qoonita Syuhaila

NRP. 0231164000120

Menyetujui,

Pembimbing,

Dr.rer.nat.Ir.Aulia M.T. Nasution, M.Sc.

NIP. 19671117 199702 1 001

Kepala Laboratorium Rekayasa Fotonika

Prof. Dr. Ir. Sekartedjo, M.Sc.

NIP. 19500402 197901 1 001

2
 I. Judul
Sistem Pengenalan Plat Nomor Otomatis Menggunakan Algoritma Convolutional
Neural Network Menggunakan YOLO V3 Dengan Framework Keras
II. Mata Kuliah Bidang Minat yang Diambil
Image Processing, Jaringan Syaraf Tiruan

III. Pembimbing
Dr.rer.nat.Ir. Aulia M.T Nasution, M.Sc.

IV. Latar Belakang

Meningkatnya jumlah penduduk kota Surabaya sebagai ibukota Provinsi Jawa Timur,
berdampak pada tingginya frekuensi kegiatan di pusat-pusat perniagaan. Fenomena ini terjadi
sebagi dampak perkembangan teknologi informasi dan komunikasi, yang menyebabkan
semakin berkembang pula kebutuhan masyarakatnya. Mobilisasi masyarakat untuk memenuhi
kebutuhan sehari-hari yang semakin meningkat mengakibatkan jumlah pengguna jalan raya
semakin padat. Aktivitas lalu lintas yang padat diakibatkan oleh beberapa faktor, salah satunya
banyaknya sarana transportasi berupa kendaraan baik roda dua maupun roda empat, hingga
kendaran pengangkut barang seperti pick up dan truk. Transportasi sendiri sangatlah membantu
banyak aktivitas dari masyarakat untuk meningkatkan keefektifan mereka dalam memenuhi
kebutuhan. Akan tetapi dalam pemanfataannya, banyak sekali kasus pelanggaran lalu lintas di
jalan raya yang dilakukan oleh pengguna jalan yang cenderung mengakibatkan timbulnya
kecelakaan dan kemacetan lalu lintas menjadi semakin meningkat. [1]
Mematuhi marka jalan pada saat berkendara di jalan raya sangatlah penting demi kelancaran
dan keamanan saat berlalu lintas. [2] Tingginya tingkat pelanggaran lalu lintas dan kecelakaan
yang ditimbulkan oleh kejadian tersebut merupakan suatu peringatan bagi seluruh masyarakat,
swasta dan pemerintah akan pentingnya bertoleransi dijalan raya. Lalu lintas sebagai bagian
dari sistem transportasi merupakan hal yang sangat penting dan strategis dalam pembangunan
nasional [3] Pengaruh kelancaran transportasi dan dampaknya secara langsung terasa dalam
kehidupan masyarakat. Terutama dengan keselamatan dan keamanan gerak manusia dan
barang yang diperlukan. Kenyamanan dan kepastian tidak akan terjadi sesuatu yang
menyebabkan keselamatan jiwa dalam berkendara merupakan suatu hal yang selalu diingan
masyarakat ketika berkendara. Oleh karena itu, pelanggaran lalu lintas mempunyai dampak
yang besar sesuai dengan kondisinya, sehingga diperlukan strategi dan langkah-langkah
perbaikan sistem dan mekanisme penindakan pelanggaran lalu lintas jalan tertentu yang efektif
dan lebih baik.
Selain perkembangan teknologi dibidang transportasi, perkembangan teknologi juga terjadi
pada bidang komputerisasi. Salah satu yang mengalami perkembangan pesat pada bidang
komputerisasi adalah computer vision. Dalam computer vision terdapat beberapa permasalahan
diantaranya adalah Image classification, object detection, dan neural style transfer. Object
detection dengan jaringan saraf tiruan ini masih berkembang sebagai teknologi untuk
menduplikasi kemampuan manusia dalam memahami informasi dari sebuah gambar agar
komputer dapat mengenali objek pada gambar selayaknya manusia. Salah satu sub tipe jaringan
saraf tiruan yang menangani permasalahan computer vision adalah Convolutional Neural

3
Network. Jaringan saraf tiruan pada algoritma Convolutional Neural Network dilatih untuk
mencari berbagai fitur, seperti tepi, sudut, perbedaan warna dan menggabungkannya menjadi
bentuk yang lebih kompleks [4]. Untuk mendukung perkembangan ini, sistem kecerdasan
buatan yang memiliki performa yang baik sangatlah dibutuhkan. Penelitian tentang machine
learning telah banyak dilakukan terutama pada Deep Neural Network dengan tujuan untuk
melakukan tantangan dalam bidang computer vision yaitu klasifikasi, lokalisasi, maupun
segmentasi pada suatu objek. Saat ini, banyak metode yang telah dikembangkan seperti
RCNN, Faster RCNN,YOLO dan lain sebagainya.
Pada perkembangan teknologi object detection , penggunaan software YOLO ( You Only
Look Once) Disisi lain, teknologi lain yang berkembang pada citra digital adalah media
streaming. Media Streaming merupakan sebuah file multimedia yang diterima dan
dipresentasikan ke user saat masih disiarkan provider. Dengan bahasa yang lebih mudah, media
streaming merupakan sebuah media berupa citra yang dapat dilihat pada saat kita mengambil
gambar tersebut (real time), akan tetapi penggunaan kata streaming juga tidak hanya digunakan
pada media yang bersifat real time, akan tetapi juga pada media yang bersifat interaktif.
Berdasarkan uraian diatas, maka penulis ingin membuat sistem untuk mendeteksi Tanda
Nomor Kendaraan Bermotor pada media streaming ini akan diterapkan di Lingkungan
Departemen Teknik Fisika ITS, hal ini diperlukan untuk menjadi sistem monitoring terkait
keluar-masuknya kendaraan di Departemen Teknik Fisika ITS. Dengan algoritma yang
digunakan oleh sistem pada tahap pendeteksian Tanda Nomor Kendaraan Bermotor adalah
algoritma Convolutional Neural Network. Oleh karena itu peneliti membuat penelitian yang
berjudul “Sistem Pengenalan Plat Nomor Otomatis Menggunakan Algoritma
Convolutional Neural Network Menggunakan YOLO V3 Dengan Framework Keras “

V. Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, maka rumusan masalah
penelitian ini adalah:
a. Menerapkan pengenalan plat nomor serta pelanggaran kendaraan bermotor di
Departemen Teknik Fisika ITS menggunakan Algoritma Convolutional Neural
Network ( CNN) dengan menggunakan YOLO V3
b. Menguji tingkat akurasi pengenalan karakter pada plat nomor serta pelanggaran
kendaraan bermotor yang terdeteksi dengan metode yang di gunakan.

VI. Tujuan
Berdasarkan rumusan masalah, maka tujuan dari penelitian ini adalah:
a. Menerapkan pengenalan plat nomor serta pelanggaran kendaraan bermotor di
Departemen Teknik Fisika ITS menggunakan Algoritma Convolutional Neural
Network ( CNN) dengan menggunakan YOLO V3
b. Menguji tingkat akurasi pengenalan karakter pada plat nomor serta pelanggaran
kendaraan bermotor yang terdeteksi dengan metode yang di gunakan.

VII. Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah sebagai berikut:

4
a. Ukuran plat nomor yang dilokalisasi adalah ukuran plat nomor kendaraan bermotor yang
telah ditetapkan oleh kepolisian Indonesia dengan ukuran 395x135mm.
b. Citra yang digunakan hanya citra kendaraan mobil dengan plat nomor Standar Negara
Indonesia ( SNI ).
c. Citra kendaraan bermotor yang ditangkap dalam keadaan diam.
d. Atribut yang digunakan dalam deteksi Tanda Nomor Kendaraan Bermotor pada media
streaming di khususkan untuk gambar maupun video yang pada kendaraan bermotor.
e. Data gambar/video diambil di wilayah Kota Surabaya.
f. Data gambar/video diambil di wilayah Kampus Institut Teknologi Sepuluh Nopember
g. Data gambar/video diambil di kampus Departemen Teknik Fisika
h. Data gambar/video yang di gunakan ialah Plat Nomor Kendaraan Bermotor beroda empat
i. Algoritma yang digunakan adalah Convolutional Neural Network
j. Alat bantu yang digunakan adalah Python dengan framework Keras
k. Pengambilan citra data di lakukan pada rentang waktu 09.00-15.00 WIB
l. Karakter yang dikenali adalah angka ( 0 sampai 9 ) dan huruf alphabet kapital ( A sampai
Z).

VIII. Tinjauan Pustaka

Adapun tinjauan pustaka yang digunakan pada penelitian kali ini adalah sebagai
acuan dari proposal tugas akhir ini ialah sebagai berikut :
Tabel 1. Hasil Penelitian Penulis terlebih dahulu

NO PENULIS DESKRIPSI HASIL

1 Sisco Jupiyandi engembangan Deteksi Citra Mobil Pada penelitian tersebut
et al Untuk Mengetahui Jumlah Tempat dilakukan pengembangan
Parkir Menggunakan Cuda Dan deteksi citra digital
menggunakan algoritma
Modified YOLO”, Jurnal Teknologi modified YOLO (M-YOLO).
Informasi dan Ilmu Komputer ( Dimana hasil training data
JTIK), Vol.6, No.4, Agustus 2019 menjelaskan bahwa dengan
menggunakan M-YOLO
objek yang di deteksi
mendapatkan hasil akurasi
100%.

2 K.G Shreyas “ Evaluation And Evolution Of pada penelitian tersebut

Dixit et al disebutkan jika menggunakan
Object Detection Techniques YOLO tipe YOLO V3 akan ada suatu
and R-CNN”. International Journal logistic regression yang bisa
Of Recent Technology And memprediksi kotak ( boxes)
Engineering ( IJRTE). ISSN :2277- dalam tiga level yang berbeda,
dan penggunaan YOLO V3
3878, Volume-8, Issue-2s3 sangat di sarankan jika ingin di
lakukan pengujian secara
realtime , hal ini dikarenakan
YOLO V3 memiliki performansi
sitem yang bagus untuk
mendeteksi objek bergerak di
bandingkan dengan tipe
Algoritma YOLO yang lainnya

5
 3 Shrutia Saunshi License Plate Recognition using
Pengenalan karakter
et al Convolutional neural network menggunakan Convolutional
Neural Network yang dilatih
pada sejumlah besar kumpulan
data dapat meningkatkan tingkat
keberhasilan lebih dari teknik
pencocokan template untuk
mengenali karakter yang
digunakan sebelumnya
4 Xingcheng Luoa A Deep Convolutional Neural Dalam tulisan ini digunakan
jaringan sembilan lapis. Hasil
Et al Network Model For Vehicle pengenalan kendaraan, dan
Recognition And Face Recognition keakuratan pengenalan
kendaraan mencapai lebih dari
92,

IX. Teori Penunjang

9.1. Kendaraan Bermotor
Menurut Undang-Undang Republik Indonesia Nomor 28 tahun 2009 Kendaraan
bermotor adalah semua kendaraan beroda beserta gandengannya yang digunakan di semua jenis
jalan darat, dan digerakkan oleh peralatan teknik berupa motor atau peralatan lainnya yang
berfungsi untuk mengubah suatu sumber daya energi tertentu menjadi tenaga gerak kendaraan
bermotor yang bersangkutan, termasuk alat-alat berat dan alat-alat besar yang dalam operasinya
menggunakan roda dan motor dan tidak melekat secara permanen serta kendaraan bermotor
yang dioperasikan di air. Termasuk dalam pengertian Kendaraan Bermotor adalah kendaraan
bermotor beroda beserta gandengannya, yang dioperasikan di semua jenis jalan darat dan
kendaraan bermotor yang dioperasikan di air dengan ukuran isi kotor GT 5 (lima Gross
Tonnage) sampai dengan GT 7 (tujuh Gross Tonnage) [5]

9.2. Tanda Nomor Kendaraan Bermotor

Menurut Peraturan Kepala Kepolisian Negara Republik Indonesia Nomor 5 Tahun 2012
Tanda Nomor Kendaraan Bermotor yang selanjutnya disingkat TNKB adalah tanda registrasi dan
identifikasi kendaraan bermotor yang berfungsi sebagai bukti legitimasi pengoperasian kendaraan
bermotor berupa pelat atau berbahan lain dengan spesifikasi tertentu yang diterbitkan Polri dan
berisikan kode wilayah, nomor registrasi, serta masa berlaku dan dipasang pada kendaraan
bermotor. Menurut Undang-Undang Republik Indonesia Nomor 22 Tahun 2009 Pasal 68 dikatakan
bahwa setiap kendaraan bermotor yang dioperasikan dijalan wajib dilengkapi dengan Surat Tanda
Nomor Kendaraan Bermotor dan Tanda Nomor Kendaraan Bermotor. Surat Tanda Nomor
Kendaraan Bermotor memuat data kendaraan bermotor, identitas pemilik, nomor registrasi
kendaraan bermotor, masa berlaku dan kode wilayah. Tanda Nomor Kendaraan Bermotor harus
memenuhi syarat bentuk, ukuran, bahan dan cara pemasangan. [5]

9.2.1 Plat Nomor Kendaraan Bermotor di Indonesia

Tanda Nomor Kendaraan Bermotor (TNKB), atau seringkali disebut plat nomor, adalah plat
aluminium tanda kendaraan bermotor di Indonesia yang telah didaftarkan pada Samsat
setempat.

6
 Gambar 1. Jenis Plat Nomor Kendaraan Bermotor di Indonesia

9.2.2 Spesifikasi Teknis

Tanda Nomor Kendaraan Bermotor berbentuk plat aluminium dengan cetakan tulisan dua baris.
Baris pertama menunjukkan: kode wilayah (huruf), nomor polisi (angka), dan kode/seri akhir wilayah
(huruf) dan baris kedua menunjukkan bulan dan tahun masa berlaku.

Bahan baku TNKB adalah aluminium dengan ketebalan 1 mm. Ukuran TNKB untuk
kendaraan bermotor roda 2 dan roda 3 adalah 250x105 mm, sedangkan untuk kendaraan
bermotor roda 4 atau lebih adalah 395x135 mm. Terdapat cetakan garis lurus pembatas lebar
5 mm diantara ruang nomor polisi dengan ruang angka masa berlaku. Pada sudut kanan atas
dan sudut kiri bawah terdapat tanda khusus (security mark) cetakan lambang Polisi Lalu
Lintas; sedangkan pada sisi sebelah kanan dan sisi sebelah kiri ada tanda khusus cetakan
"DITLANTAS POLRI" yang merupakan hak paten pembuatan TNKB oleh Polri. [5]
9.2.3 Warna Tanda Nomor Kendaraan Bermotor
Warna Tanda Nomor Kendaraan Bermotor ditetapkan sebagai berikut:
a. kenda raan bermotor bukan umum dan kendaraan bermotor sewa: Warna
dasar hitam dengan tulisan berwarna putih
b. kendaraan bermotor umum : Warna dasar kuning dengan tulisan berwarna
hitam
c. Kendaraan bermotor milik Pemerintah : Warna dasara merah dengan tulisan
berwarna Putih
d. Kendaraan bemotor Corps Diplomatik Negara Asing : Warna dasar merah
dengan tulisan berwarna hitam
9.3 Citra Digital
9.3.1 Definisi Citra
Citra atau image adalah suatu cahaya pada bidang dua dimensi. Ditinjau dari sudut pandang
matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi. Sumber
cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut.
Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, misalnya mata pada manusia, kamera,
scanner, dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam. Citra
sebagai keluaran dari suatu sistem perekaman data dapat bersifat :

a. Optik berupa foto

b. Analog berupa sinyal video seperti citra pada monitor televisi
c. Digital yang dapat langsung disimpan pada suatu pita magnetik
7
 Citra atau image juga dapat didefinisikan sebagai fungsi dua dimensi f(x,y) di mana x dan
y adalah koordinat spasial dan amplitudo f pada setiap pasang (x,y) disebut intensitas citra
pada titik tersebut [6]

9.3.2 Definisi Citra Digital

Agar dapat diolah dengan menggunakan komputer digital, maka suatu citra harus
direpresentasikan secara numerik dengan nilai-nilai diskrit. Proses representasi citra kontinu
menjadi nilai-nilai diskrit disebut digitalisasi. Citra digital adalah hasil proses digitalisasi [7].
Suatu citra digital mempunyai fungsi dua dimensi f(x,y) yang memiliki ukuran M baris dan
N kolom dimana x dan y adalah koordinat pada bidang dwimatra dan f(x,y) adalah intensitas
cahaya (brightness) atau amplitudo atau derajat keabuan (grey level).

Citra digital merupakan suatu matriks dimana indeks baris dan kolomnya menyatakan suatu
titik pada citra tersebut dan elemen matriksnya yang disebut sebagai elemen gambar atau
piksel menyatakan nilai Derajat keabuan pada titik tersebut. Citra digital berukuran N x M
(tinggi = N, lebar = M) dinyatakan dengan matriks N x M. Bentuk matriks citra digital dapat
dilihat pada gambar dibawah ini [7] :

N = jumlah baris 0 ≤ y ≤ N – 1
M = jumlah kolom 0 ≤ x ≤ M –1
L = maksimal warna intensitas 0 ≤ f(x,y) ≤ L – 1

Gambar 2. Representasi Citra Digital 2 Dimensi

9.3.3 Format Citra Digital

Ada dua jenis format file citra yang sering digunakan dalam pengolahan citra, yaitu citra
bitmap dan citra vektor. Berikut ini adalah penjelasan dari kedua jenis format file citra
adalah sebagai berikut [8] :

1. Citra Bitmap
8
 Citra bitmap sering disebut juga dengan citra raster. Citra bitmap menyimpan data kode
citra secara digital dan lengkap. Cara penyimpanan citra bitmap adalah perpiksel. Citra
bitmap dipresentasikan dalam bentuk matriks atau dipetakan dengan menggunakan
bilangan biner atau sistem bilangan lain. Citra ini memiliki kelebihan untuk memanipulasi
warna, tetapi untuk mengubah objek lebih sulit.

Tampilan bitmap mampu menunjukkan kehalusan gradasi bayangan dan warna dari sebuah
gambar. Tetapi bila tampilan diperbesar maka tampilan di monitor akan tampak pecah-
pecah. Oleh karena itu, bitmap merupakan media elektronik yang paling tepat untuk
gambar-gambar dengan perpaduan gradasi warna yang rumit, seperti foto dan lukisan
digital.

Citra bitmap biasanya diperoleh dengan cara Scanner, Camera Digital, Video Capture, dan
lain-lain

2. Citra Vektor
Citra vektor merupakan citra vektor yang dihasilkan dari perhitungan matematis dan tidak
terdapat piksel, yaitu data yang tersimpan dalam bentuk vektor posisi, dimana yang tersimpan
hanya informasi vektor posisi dengan bentuk sebuah fungsi. Pada citra vektor, mengubah
warna lebih sulit dilakukan, tetapi membentuk objek dengan cara mengubah nilai lebih
mudah. Oleh karena itu, bila citra diperbesar atau diperkecil, kualitas citra relatif tetap baik
dan tidak berubah. Citra vektor biasanya dibuat menggunakan aplikasi-aplikasi citra vektor
seperti CorelDRAW, Adobe Illustrator, Macromedia Freehand, Autocad, dll.

9.3.4 Tipe Citra Digital

Berdasarkan format penyimpanan nilai warnanya, citra digital terbagi dalam tiga tipe yaitu :

1. Citra Biner
Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan:
hitam dan putih. piksel yang bernilai 1 melambangkan warna hitam, sedangkan piksel yang
bernilai 0 adalah warna putih. Dinyatakan dalam suatu fungsi :

(𝑥,𝑦)∑{0,1}

Berikut ini adalah contoh citra biner dan representasi nilai tiap piksel seperti pada gambar
dibawah ini [9] :

9
Gambar 3. Representasi Citra Biner
2. Citra Greyscale (Skala Keabuan)
Citra yang terdiri dari satu layer warna dengan derajat keabuan tertentu. Untuk kebanyakan
citra digital 8 bit, maka sistem Grey-scale diukur berdasarkan skala intensitas kecerahan, yang
bernilai 0 –255, dimana yang hitam pekat adalah 0 dan yang terputih ada lah 255. Dinyatakan
dalam suatu fungsi [9] : (𝑥,)∑[0…225] (9.2)

3. Citra Berwarna
RGB merupakan model warna yang dapat menghasilkan nilai RGB yang berbeda,
karena elemen warna tersebut bervariasi. Setiap warna pada dasarnya memiliki rentang nilai.
Misalnya ketika dimasukan ke monitor RGB, tiga warna tersebut dapat memiliki kedalaman 24
bit, dimana setiap warnanya memiliki 8 bit. Jumlah bit yang digunakan untuk
mempresentasikan setiap piksel dalam ruang RGB disebut kedalam piksel. Setiap pikselnya
merupakan kombinasi dari ketiga elemen warna tersebut dengan tingkat warna dengan rentang
nilai antara 0-225 [10]

RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan
dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat
diberi rentang nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar
= 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang
digunakan oleh mesin komputer. Dengan cara ini, akan diperoleh warna campuran sebanyak
256 x 256 x 256 = 16.777. 216 jenis warna. [7]

Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang 3 dimensi yang
biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu
komponen - x, komponen - y dan komponen - z. Misalkan sebuah vektor dituliskan sebagai r =
(x,y,z). Untuk warna, komponen - komponen tersebut digantikan oleh komponen R (Red),
G(Green), B (Blue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut: warna =
RGB(xxx, xxx, xxx). Putih = RGB (255,255,255), sedangkan untuk hitam= RGB(0,0,0).
Representasi dalam citra digital dinyatakan dalam persamaan [7] :

(𝑥,𝑦)∑[0…225]

10
 (𝑥,𝑦)∑[0…225]

(𝑥,𝑦)∑[0…225] ( 9.3)

9.3.5 Resolusi Citra

Resolusi citra merupakan tingkat detail suatu citra. Semakin tinggi resolusi citra maka
semakin tinggi pula tingkat detail dari citra tersebut. Satuan dalam pengukuran resolusi citra
dapat berupa ukuran fisik berupa jumlah garis per mm/jumlah garis per inchi ataupun dapat juga
berupa ukuran citra menyeluruh dengan jumlah garis pertinggi citra. Resolusi sebuah citra dapat
diukur dengan berbagai cara sebagai berikut [11] :

4. Resolusi piksel
5. Resolusi spasial
6. Resolusi spectral
7. Resolusi temporal
8. Resolusi radiometrik

9.3.6 Resolusi Piksel

Resolusi piksel merupakan perhitungan jumlah piksel dalam sebuah citra digital. Sebuah citra
digital dengan tinggi N piksel dan lebar M piksel berarti memiliki resolusi sebesar M x N.
Resolusi piksel akan memberikan dua buah angka integer yang secara berurutan akan mewakili
jumlah piksel lebar dan jumlah piksel tinggi dari citra tersebut.Pengertian lainnya dari resolusi
piksel adalah merupakan hasil perkalian jumlah piksel lebar dan tingginya dan kemudian dibagi
dengan 1 juta. Jenis resolusi piksel seperti ini sering kali dijumpai dalam kamera digital. Suatu
citra yang memiliki lebar 2.048 piksel dan tinggi 1.536 piksel maka akan memiliki total piksel
sebanayk 2.048 x 1.536 = 3.145.728 atau 3,1 mega piksel.

Perhitungan lainnya menyatakan dalam satuan piksel perinchi. Satuan ini menyatakan
banyaknya piksel yang ada sepanjng 1 inchi baris dalam citra. [11]

9.4 Computer Vision

Pada hakikatnya, computer vision mencoba meniru cara kerja sistem visual manusia. Dalam
proses penglihatan manusia, manusia melihat objek dengan menggunakan indera penglihatan yang
berupa mata, lalu citra objek diteruskan ke otak untuk diinterpretasikan sehingga manusia mengerti
objek apa yang tampak. Hasil interpretasi ini kemudian digunakan untuk pengambilan keputusan
[9].

Tabel 2. Garis Besar Human Vision dan Computer Vision

11
Secara garis besar, computer vision adalah sebuah teknologi mesin yang mampu mengenali objek
yang diamati. Kemampuan untuk mengenali ini merupakan kombinasi dari pengolahan citra dan
pengenalan pola. baik atau lebih mudah diinterpretasikan, sedangkan pengenalan pola adalah
proses identifikasi objek pada citra. Proses-proses dalam computer vision secara garis besar dapat
dibagi menjadi [7]:

1. Proses mengakuisisi citra digital (Image Acquisition)

2. Proses pengolahan citra (Image Processing)
3. Proses analisis data citra (Image Analysis)
4. Proses pemahaman data citra (Image Understanding)
Computer vision merupakan kombinasi antara image processing dan pattern recognition. Computer
vision adalah pembangunan deskripsi objek fisik yang eksplisit dan gamblang dari sebuah gambar.
Output dari computer vision adalah deskripsi atau interpretasi atau beberapa pengukuran kuantitatif
struktur dalam adegan 3D [12].

9.5 Image Processing

Menurut Murni pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak
melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran
berbentuk citra. Teknik pengolahan citra menggunakan komputer untuk mendijitasi pola bayangan
dan warna dari gambar yang sudah tersedia. Informasi yang telah terdijitasi ini kemudian ditransfer
ke layar dari monitor video. Pengolahan citra banyak digunakan dalam dunia fotografi misalnya
mengubah intensitas cahaya sebuah foto, dunia perfilman misalnya animasi, dunia kedokteran
misalnya untuk membuat analisa medis, dan dunia game [12] .

9.3.Pattern Recognition
Pattern Recoginition atau pengenalan pola juga disebut pembelajaran mesin yang mempelajari
berbagai teknik matematika seperti teknik statistik, jaringan syaraf tiruan, mesin vektor pendukung,
dan lain-lain untuk mengklasifikasikan pola yang berbeda. Data masukan untuk pengenalan pola
dapat berupa data. Teknik pengenalan pola banyak digunakan dalam computer vision [12].
Pengenalan pola memiliki arti bidang studi yang melakukan proses analisis gambar yang bentuk
masukannya adalah gambar itu sendiri atau dapat juga berupa citra digital dan bentuk keluarannya
adalah suatu deskripsi [9]. Tujuan dari adanya pengenalan pola ini adalah untuk meniru kemampuan
manusia dalam mengenali suatu objek atau pola tertentu.

9.4.Object Detection
Object detection atau deteksi objek menentukan keberadaan suatu objek dan atau ruang
lingkupnya, dan lokasi pada gambar. Hal ini dapat diperlakukan sebagai pengenalan objek kelas dua,
di mana satu kelas mewakili kelas objek dan kelas lain mewakili kelas non-objek. Deteksi objek
dapat dibagi lagi menjadi soft detection dan hard detection. Soft detection hanya mendeteksi adanya
objek sedangkan hard detection mendeteksi keberadaan dan lokasi objek [13]

Bidang deteksi objek biasanya dilakukan dengan mencari setiap bagian gambar untuk melokalisasi
bagian, yang sifat fotometrik atau geometriknya sesuai dengan objek target dalam database
pelatihan. Hal ini dapat dilakukan dengan memindai template objek di gambar di lokasi, skala, dan
rotasi yang berbeda, dan deteksi dideklarasikan jika kemiripan antara template dan gambar cukup
tinggi. Kesamaan antara template dan area gambar dapat diukur dengan korelasi. Selama beberapa
tahun terakhir telah ditunjukkan bahwa detektor objek berbasis gambar sensitif terhadap data
pelatihan [13].

9.5.Neural Network

12
 Jaringan saraf tiruan adalah sistem pemrosesan informasi yang memiliki karakteristik kinerja
tertentu yang sama dengan jaringan saraf biologis. Jaringan saraf tiruan telah dikembangkan sebagai
generalisasi model matematika dari pemahaman manusia atau saraf biologi, berdasarkan asumsi
bahwa :
1. Pengolahan informasi terjadi pada banyak elemen sederhana yang disebut neuron.
2. Sinyal dilewatkan antara neuron melalui jalur yang terhubung.
3. Setiap jalur yang berhubungan memiliki bobot.
4. Setiap neuron berlaku fungsi aktivasi (biasanya non linier) untuk menentukan sinyal output.
Neural Network telah diaplikasikan di berbagai bidang. Hal ini dikarenakan Neural Network memiliki
kelebihan-kelebihan [14] :

1. Dapat memecahkan problema non-linear yang umum dijumpai,

2. Kemampuan memberikan jawaban terhadap pattern yang belum pernah dipelajari (generalization)
3. Dapat secara otomatis mempelajari data numerik yang diajarkan pada jaringan tersebut. Neural
Network mampu melakukan berbagai hal berikut [15]:

1. Klasifikasi : memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan
2. Asosiasi : menggambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek
lain,
3. Self organizing : kemampuan mengolah data-data input tanpa harus mempunyai target,
4. Optimasi : menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya.

9.6. Convolutional Neural Network

Pada tahun 1960an, ketika Hubel dan Wiesel meneliti neuron yang digunakan untuk orientasi sensitif
lokal-selektif dalam sistem visual kucing

, mereka menemukan bahwa struktur jaringan khusus dapat secara efektif mengurangi kompleksitas
jaringan saraf umpan balik dan kemudian mengusulkan Convolutional Neural Network (CNN).
Convolutional Neural Network adalah algoritma pengenal yang efisien dan banyak digunakan dalam
pengenalan pola dan pengolahan citra.

Convolutional Neural Network memiliki banyak fitur seperti struktur sederhana, parameter pelatihan
yang kurang dan kemampuan beradaptasi. Convolutional Neural Network telah menjadi topik hangat
dalam analisis suara dan pengenalan gambar. Bobotnya struktur jaringan bersama membuatnya lebih
mirip dengan jaringan saraf biologis. Ini mengurangi kompleksitas model jaringan dan jumlah bobot.
[16] .Umumnya, struktur CNN mencakup dua lapisan satu adalah lapisan ekstraksi fitur, masukan setiap
neuron terhubung ke bidang reseptif lokal dari lapisan sebelumnya, dan mengekstrak fitur lokal. Setelah
fitur lokal diekstraksi, hubungan posisi antara itu dan fitur lainnya juga akan ditentukan.\

Yang lainnya adalah lapisan peta fitur, setiap lapisan komputasi jaringan terdiri dari sejumlah peta fitur.
Setiap peta fitur adalah pesawat, berat neuron di pesawat sama. Struktur peta fitur menggunakan fungsi
sigmoid sebagai fungsi aktivasi dari jaringan konvolusi, yang membuat peta fitur memiliki pergeseran
invariance Selain itu, karena neuron di pesawat pemetaan sama berbagi bobot, jumlah parameter bebas
dari jaringan berkurang. Setiap lapisan konvolusi di jaringan syaraf konvolusi diikuti oleh lapisan
komputasi yang digunakan untuk menghitung rata-rata lokal dan ekstrak kedua, dua lapisan ekstraksi
fitur unik ini mengurangi resolusi. [16] CNN terutama digunakan untuk mengidentifikasi perpindahan,
zoom dan bentuk inversi grafis dua dimensi yang distortif. Karena lapisan deteksi fitur CNN belajar
dengan data pelatihan, ia menghindari ekstraksi fitur eksplisit dan secara implisit belajar dari data
pelatihan saat kita menggunakan CNN. Selanjutnya, neuron di bidang peta fitur yang sama memiliki
bobot yang sama, sehingga jaringan bisa belajar secara bersamaan. Ini adalah keuntungan besar dari

13
jaringan konvolusi sehubungan dengan jaringan neuron yang terhubung satu sama lain. Karena struktur
khusus dari bobot berbagi lokal CNN membuatnya memiliki keunggulan unik dalam pengenalan suara
dan pemrosesan gambar. Tata letaknya lebih dekat ke jaringan saraf sebenarnya. Bobot bersama
mengurangi kompleksitas jaringan. Secara khusus gambar vektor input multi-dimensi dapat langsung
masuk ke jaringan, yang menghindari kompleksitas rekonstruksi data dalam ekstraksi fitur dan proses
klasifikasi. [16] .

9.9.1 Prinsip Convolutional Neural Network ( CNN)

Algoritma jaringan saraf konvolusi adalah perceptron multilayer yang merupakan desain khusus untuk
identifikasi informasi gambar dua dimensi. Selalu memiliki lebih lapisan: lapisan masukan, lapisan
konvolusi, lapisan sampel dan lapisan keluaran. Selain itu, dalam arsitektur jaringan yang dalam, lapisan
konvolusi dan lapisan sampel dapat memiliki banyak.. CNN tidak seperti mesin boltzmann yang
dibatasi, harus sebelum dan sesudah lapisan neuron di lapisan yang berdekatan untuk semua koneksi,
algoritma jaringan syaraf tiruan, setiap neuron tidak perlu melakukan citra global, hanya merasakan
area lokal dari gambar. Selain itu, setiap parameter neuron disetel sama, yaitu pembagian bobot, masing-
masing neuron dengan kernel konvolusi yang sama dengan citra dekonvolusi. [16]

Algoritma CNN memiliki dua proses: konvolusi dan sampling. Proses konvolusi: gunakan filter yang
dapat dilatih Fx, dekonvolusi gambar masukan (Tahap pertama adalah gambar input, masukan dari
konvolusi setelah adalah fitur gambar masing-masing layer, yaitu Feature Map), lalu tambahkan bias
bx, kita bisa mendapatkan lapisan konvolusi Cx. Proses sampling: n piksel setiap lingkungan melalui
langkah penyatuan, menjadi piksel, dan kemudian dengan bobot skalar Wx + 1 tertimbang, tambahkan
bias bx + 1, dan kemudian oleh fungsi aktivasi, menghasilkan n kali lipat fitur peta Sx + 1. [16]

Gambar 4 Main Process of CNN

Teknologi kunci CNN adalah field reseptif lokal, pembagian bobot, sub sampling berdasarkan
waktu atau ruang, sehingga bisa mengekstrak fitur dan mengurangi ukuran parameter pelatihan.
Keuntungan algoritma CNN adalah untuk menghindari ekstraksi fitur eksplisit, dan secara
implisit untuk belajar dari data pelatihan. Bobot neuron yang sama pada permukaan pemetaan
fitur, sehingga jaringan dapat dipelajari secara paralel, mengurangi kompleksitas jaringan.
Mengadopsi struktur sub sampling berdasarkan waktu atau ruang, dapat mencapai tingkat
ketahanan tertentu, skala dan deformasi perpindahan; Input informasi dan topologi jaringan
bisa menjadi pertandingan yang sangat baik, Ini memiliki keunggulan unik dalam pengenalan
suara dan pengolahan gambar. [16].

9.9.1 Desain Arsitektur Convolutional Neural Network ( CNN)

Algoritma CNN membutuhkan pengalaman dalam desain arsitektur, dan perlu melakukan
debug tanpa henti dalam aplikasi praktis, agar bisa mendapatkan arsitektur aplikasi CNN yang
paling sesuai. Berdasarkan contoh pada gambar abuabu dengan input 96x96. Pada tahap
preprocess, mengubahnya menjadi 32x32 dari ukuran gambar. Desain kedalaman lapisan 7
14
model konvolusi: lapisan input, lapisan konvolusi C1, lapisan sub sampling S1, lapisan
konvolusi C2, lapisan sampling S2, lapisan tersembunyi H dan lapisan keluaran F. [16].

Gambar 5 Architecture of CNN in training faces

kuran pool disesuaikan berdasarkan besarnya masukan. Keluaran dari ROI max pooling
memiliki dimensi yang sama, karena hasil dari lapisan ini akan diteruskan ke FC-layer yang
selalu memiliki dimensi masukan yang sama[9]

9.7.Algoritma YOLO
You Only Look Once (Yolo) adalah sebuah algoritma yang dikembangkan untuk
mendeteksi sebuah objek secara real-time. Sistem pendeteksian yang dilakukan adalah
dengan menggunakan repurpose classifier atau localizer untuk melakukan deteksi.

Sebuah model diterapkan pada sebuah citra di beberapa lokasi dan skala. Daerah dengan
citra yang diberi score paling tinggi akan dianggap sebagai sebuah pendeteksian [17]

Yolo menggunakan pendekatan jaringan saraf tiruan (JST) untuk mendeteksi objek pada
sebuah citra. Jaringan ini membagi citra menjadi beberapa wilayah dan memprediksi setiap
kotak pembatas dan probabilitas untuk setiap wilayah. Kotak-kotak pembatas ini kemudian
dibandingkan dengan setiap probabilitas yang diprediksi.

Yolo memiliki beberapa kelebihan dibandingkan dengan sistem yang berorientasi pada
classifier, terlihat dari seluruh citra pada saat dilakukan test dengan prediksi yang
diinformasikan secara global pada citra Hal tersebut juga membuat prediksi dengan sintesis
jaringan saraf ini tidak seperti sistem Region-Convolutional Neural Network (R-CNN) yang
membutuhkan ribuan untuk sebuah citra sehingga membuat Yolo lebih cepat hingga
beberapa kali daripada R-CNN. [18]

15
 Gambar 6. Ilustrasi ROI max pooling.

Pada Gambar 3 merupakan contoh hasil deteksi beberapa objek dengan menggunakan
Yolo-Darknet.

9.8.Python
Python merupakan salah satu contoh bahasa tingkat tinggi. Contoh lain bahasa tingkat
tinggi adalah Pascal, C++, Pert, Java, dan sebagainya. Sedangkan bahasa tingkat rendah
merupakan bahasa mesin atau bahasa assembly. Secara sederhana, sebuah komputer hanya
dapat mengeksekusi program yang ditulis dalam bentuk bahasa mesin. Oleh karena itu, jika
suatu program ditulis dalam bentuk bahasa tingkat tinggi, maka program tersebut harus
diproses dulu sebelum bisa dijalankan dalam komputer. Hal. ini merupakan salah satu
kekurangan bahasa tingkat tinggi yang memerlukan waktu untuk memproses suatu program
sebelum program tersebut dijalankan. Akan tetapi, bahasa tingkat tinggi mempunyai
banyak sekali keuntungan. Bahasa tingkat tinggi mudah dipelajari, mudah ditulis,

mudah dibaca, dan tentu saja mudah dicari kesalahannya. Bahasa tingkat tinggi juga mudah
diubah portabel untuk disesuaikan dengan mesin yang menjalankannya. Hal ini berbeda
dengan bahasa mesin yang hanya dapat digunakan untuk mesin tersebut. Dengan berbagai
kelebihan ini, maka banyak aplikasi ditulis menggunakan bahasa tingkat tinggi. Proses
mengubah dad bentuk bahasa tingkat tinggi ke tingkat rendah datam bahasa pemrograman
ada dua tipe, yakni interpreter dan compiler. [19]

9.9.Keras
Keras adalah High Level Neural Network API yang dapat dijalankan di atas framework-
framework machine learning seperti TensorFlow, CNTK, atau Theano. Keras ditulis dalam
bahasa Python [20]. Lebih lanjut, Keras menyediakan API yang mempermudah user dalam

16
 membangun arsitektur ANN. Keras juga menyediakan Keras Applications yang merupakan
deep learning models yang digunakan bersama dengan pre-trained weights. Model-model
tersebut dapat digunakan untuk memprediksi, melakukan feature extraction atau fine-tuning.
Model-model tersebut di antaranya adalah Xception, VGG16, VGG19, ResNet50,
InceptionV3, InceptionResNetV2, MobileNet, DenseNet & NasNet. Penelitian ini akan
membandingkan tingkat akurasi dari tiga Pre-trained model Keras yaitu ResNet50,
Xception, dan VGG16
9.10. Tensorflow
TensorFlow adalah perpustakaan perangkat lunak, yang dikembangkan oleh Tim
Google Brain dalam organisasi penelitian Mesin Cerdas Google, untuk tujuan melakukan
pembelajaran mesin dan penelitian jaringan syaraf dalam. TensorFlow kemudian
menggabungkan aljabar komputasi teknik pengoptimalan kompilasi, mempermudah
penghitungan banyak ekspresi matematis dimana masalahnya adalah waktu yang dibutuhkan
untuk melakukan perhitungan. Fitur utamanya meliputi (TensorFlow):

1. Mendefinisikan, mengoptimalkan, dan menghitung secara efisien ekspresi matematis

yang melibatkan array multi dimensi (tensors).
2. Pemrograman pendukung jaringan syaraf dalam dan teknik pembelajaran mesin
3.
4. Penggunaan GPU yang transparan, mengotomatisasi manajemen dan optimalisasi
memori yang sama dan data yang digunakan. Tensorflow bisa menulis kode yang sama
dan menjalankannya baik di CPU atau GPU. Lebih khusus lagi, TensorFlow akan
mengetahui bagian perhitungan mana yang harus dipindahkan ke GPU.
5. Skalabilitas komputasi yang tinggi di seluruh mesin dan kumpulan data

17
X. Metodologi Penelitian
Metodologi yang digunakan pada penelitian ini adalah sebagai berikut:

Gambar 7. Diagram Alir Penelitian

XI. Jadwal Kegiatan

Adapun Jadwal Kegiatan yang akan di kerjakan dalam penyusunan tugas akhir ini
ialah sebagai berikut :
Tabel 3. Jadwal Kegiatan dalam Tugas Akhir Farah Qoonita

`
 Bulan
No. Kegiatan
1 2 3 4 5
1. Studi literatur
- Vehicle Plat Recognition System
- Automatic Plat Recognition System
- Deep Learning
- Convolutional Neural network
- Real Time Image Processing
-

2. Persiapan Pemodelan
- Pembuatan database system
- Pemotretan Tanda Nasional
Kendaraan Bermotor di lingkungan
ITS
- Latihan training data

3. Proses Analisa System

- Proses memasukan data training
- Training data menggunakan CNN
- Training data menggunakan YOLO
- Training Neural Network
4. Pengimplementasian System
5. Analisa Data
6. Penyusunan dan penulisan laporan

1. Studi Literatur
Penelitian ini dimulai dengan melakukan studi literatur terkait pemrosesan citra secara Real
Time,pertimbangan metode analisis menggunakana Convolutional Neural Network (
Faster R-CNN), hasil pengolahan data menggunakan YOLO V3 dan referensi pembuatan
sistem pendeteksi menggunakan algoritma CNN dengan menggunakan software YOLO
V3 berdasarkan penelitian-penelitian yang telah dipublikasikan sebelumnya.

2. Proses Input Database Tanda Nomor Kendaraan Bermotor

Persiapan dilakukan dengan menyiapkan perolehan data, seperti pembuatan database
kepemilikan kendaraan roda empat oleh civitas akademika dan mahasiswa Institut
Teknologi Sepuluh Nopember. Pembuatan database ini akan berisi nama Pemilik, Status,
Nomor Kendaraan dan Fakultas. Dan mempersiapkan Data Training berupa Plat Nomor
dari tiap tiap orang yang akan di dapat setelah persetujuan dari pihak pihak terkait .Adapun
yang perlu di persiapkan dalam penelitian ini ialah Data-set, software Python 2.7, YOLO
V3.

`
 Gambar 8. Workflow Tugas Akhir Farah Qoonita

3. Proses analisa sistem . input data set dari Kamera DSLR NIKKON D5500 dan
dilakukan proses Konvolusi yang bersamaan dengan di prosesnya dataset pada
kodingan YOLO V3.
3.1 Analisis Sistem
Analisis sistem membahas permasalahan bagaimana data yang diinputkan diproses
sehingga dapat menghasilkan output yang sesuai. Sistem mencakup pengambilan fitur,
model neural network untuk training, dan sistem untuk testing. Desain arsitektur neural
network yang akan dibentuk dapat dilihat pada diagram blok pada gambar 10. Pada
proses ini di buat juga bounding box secara manual pada plat nomor kendaraan bermotor
di Teknik Fisika.
3.1.1 Training Neural Network
Pada model neural network semua weight diinisialisasi menggunakan random weight
mengikuti normal distribution. Terdapat 3 (tiga) bagian network utama, yaitu RPN dan
CNN untuk Faster R-CNN, dan YOLO. Ketiga neural network akan melakukan training
secara terpisah. Konfigurasi awal seperti jumlah epoch, nilai learning rate dan jumlah batch
akan disamakan. Dataset yang digunakan untuk ketiga neural network juga sama

3.1.1.1 RPN
RPN akan menerima input berupa feature map yang telah diproses oleh konvolusi lalu
menjalankan sliding window untuk menghasilkan proposal berdasarkan anchor yang telah
ditentukan. Untuk setiap proposal akan dilakukan konvolusi untuk menghasilkan nilai
objektivitas (0-1) dimana nilai tersebut menandakan keberadaan objek atau foreground.
Proposal-proposal yang dihasilkan oleh RPN kemudian dibandingkan dengan Ground
Truth Box menggunakan Intersection Over Union. Jika hasil dari IoU lebih kecil dari
threshold negative overlap (default: 0.3) maka proposal tersebut akan dianggap
background dan tidak akan lanjut ke tahap berikutnya. Selain itu proposal akan dianggap
mengandung foreground atau objek [19]

3.1.1.2 CNN

`
Network terakhir pada Faster R-CNN yang digunakan untuk klasifikasi dan regresi untuk
menentukan lokasi atau region yang mengandung objek pada sebuah gambar dan class dari
objek tersebut adalah CNN. Setelah mendapatkan region yang mengandung objek, region-
region tersebut akan melalui tahap yang dinamakan ROI Pooling. ROI Pooling berfungsi
untuk menyamakan dimensi width dan height dari region-region yang telah didapatkan
oleh RPN. Hal ini dilakukan karena CNN hanya dapat menerima input dengan dimensi
yang sama. ROI Pooling akan menyamakan dimensi region-region proposal yang
didapatkan menjadi 56 x 56. Ukuran 56 karena CNN yang digunakan adalah VGGNET
dengan jumlah layer yang dikurangi sehingga input yang awalnya adalah 224 x 224
menjadi 56 x 56. Activation function yang digunakan adalah ReLU. Loss function yang
digunakan adalah cross entropy.

3.1.1.3 YOLO
Neural Network YOLO mirip dengan model CNN. Fitur yang diberikan kepada YOLO
akan melalui 24 konvolusi, 4 max pooling dan 2 fully connected layer untuk mendapatkan
grid yang mengandung nilai untuk diklasifikasi dan diregresi. Activation function yang
digunakan pada layer terakhir adalah linear activation function, sedangkan pada layer
lainnya menggunakan leaky ReLU. Setelah mendapatkan grid-grid yang dihasilkan dari
konvolusi, classification akan dilakukan diawali dengan melakukan perkalian antara
confidence score tiap bounding box dengan semua class score pada grid-nya sehingga
mendapatkan S x S x 2 tensor. Kemudian mengubah nilai class dari setiap grid yang lebih
rendah dari nilai threshold yang telah ditentukan menjadi 0. NMS akan dilakukan untuk
mencari redundant boxes (2 atau lebih bounding box yang mengandung 1 objek yang
sama) dan kemudian score untuk class tersebut akan diubah menjadi 0. Dan nilai class
tertinggi akan menjadi class pada bounding box tersebut.

3.1.2 Testing Neural Network

Testing akan dilakukan secara terstruktur, tidak terpisah seperti sewaktu training. Testing
yang akan dilakukan terbagi menjadi 2 jenis sebagai perbandingan bagaimana pengaruh
YOLO terhadap Faster R-CNN. Yang pertama adalah dari RPN langsung ke classification
& regression (Faster R-CNN biasa) dan yan RPN dan YOLO untuk meningkatkan
proposal yang dihasilkan, lalu menuju ke classification dan regressiong kedua adalah dari
RPN menuju suatu proses yang menghitung output dari

4. Implementasi Sistem
Implementasi sistem dilakukan pada computer dengan spesifikasi RAM: 12.0GB
DDR3, GPU: Nvidia GeForce GTX 820M, HDD: 1 TB, CPU: Core i5, dan OS Windows
10 Professional. Implementasi pengkodean sistem, menggunakan Bahasa pemrograman
Python dengan versi 2.7.0. Framework yang digunakan untuk sistem ini adalah Tensorflow.
Adapun beberapa library yang mendukung sistem ini adalah Matplotlib, CV2, dan Numpy.
Selain itu aplikasi web pada php akan menjalankan file python menggunakan command
exec yang ada pada php untuk melakukan prediksi pada gambar yang di-upload

5. Analisa Data
Pengujian sistem mengevaluasi performa daripada sistem training dan sistem testing
yang telah dibuat. Pencatatan pengujian akan dibedakan berdasarkan jenis mobil yang
`
diprediksi dan diklasifikasi. Prediksi region akan menggunakan metode perhitungan IoU
yang dirata-ratakan sementara klasifikasi akan menggunakan confusion matriks.

6.Penyusunan Laporan
Penyusunan laporan Tugas Akhir merupakan pembukuan serta dokumentasi yang
menghasilkan sebuah tulisan ilmiah sebagai tahap akhir dari penelitian ini.
ghasilkan sebuah tulisan ilmiah sebagai tahap akhir dari penelitian ini.

`
 DAFTAR PUSTAKA

[1] C. d. F. N. 1. Milka, "ANALISIS KESIAPAN INOVASI E-TILANG MELALUI

CAMERACLOSED CIRCUIT TELEVISION (CCTV) DI KANTOR KEPOLISIAN
RESORT KOTA BESAR SURABAYA," surabaya, 2017.

[2] A. Y. Putri, "Efektivitas Sanksi Terhadap Pelanggar Marka Jalan Berdasarkan Undang-
Undang Nomor 22 Tahun 2009 tentang Lalu Lintas dan Angkutan Jalan Oleh Kepolisian
Resor Kota Pekanbaru," JOM Fakultas Hukum Volume II Nomor II, 2015.

[3] R. M. Aulia, "UPAYA POLRESTABES SURABAYA DALAM MENANGGULANGI

PELANGGARAN LALU LINTAS," 2013.

[4] r. d. novyantika, DETEKSI TANDA NOMOR KENDARAAN BERMOTOR PADA

MEDIA STREAMING DENGAN ALGORITMA CONVOLUTIONAL NEURAL
NETWORK MENGGUNAKAN TENSORFLOW, yogyakarta: UNIVERSITAS ISLAM
INDONESIA, 2018.

[5] PERATURAN MENTERI DALAM NEGERI REPUBLIK INDONESIA, 2018.

[6] iriyanto, "pengantar citra digital," 2017, p. 25.

[7] b. lutif febriandita, "mpelementasi Metode Histograms of Oriented Gradients dengan

Optimasi Algoritma Frei-Chen untuk Deteksi Citra Manusia," elib unikom, 2016.

[8] sutojo, Teori Pengolahan Citra Digital, yogyakarta: penerbit andi, 2009.

[9] munir, pengolahan citra digital, bandung , 2004.

[10] N. B. I. d. U. A. A. Febriana, "open library telkom," [Online]. Available:

https://openlibrary.telkomuniversity.ac.id/pustaka/files/121888/jurnal_eproc/perancangan-
dan-implementasi-histogram-of-oriented-gradients-dan-k-neare%20st-neighbour-untuk-
deteksi-huruf-hiragana-jepang-pada-aplikasi-mobile-pen%20erjemah-kata-dalam-bahasa-
j. [Accessed sunday january 2020].

[11] d. putra, Pengolahan Citra Digital, bandung: informatika, 2004.

[12] H. H. Le, "http://www.academia.edu," 2015. [Online]. Available:

http://www.academia.edu/27143145/Dvision_intro.

[13] F. Jalled, Object Detection Using Image processing, Chicago, 2016.

[14] s. Yahya, Fuzzy Logic, Neural Network, Genetic Algorithm & Knowledge Based Expert
System and Computational Intelligence, Bandung: Politeknik Negeri Bandung, 2012.

[15] T. Yusuf, " Kelebihan dan Kekurangan ANN (Artificial Neural Network," Politeknik
Negeri Bandung, bandung, 2016.

[16] T. d. Liu, "Implementation of Training Convolutional Neural Network," beijing, 2015.

[17] UNSKY, "GitHub," github, 2017. [Online]. Available: https://github.com/unsky/yolo-for-

windows-v2.. [Accessed 27 january 2020].

`
[18] F. R. S. Y. P. M. R. D. Sinco Jupiyandi, "PENGEMBANGAN DETEKSI CITRA
MOBIL UNTUK MENGETAHUI JUMLAH TEMPAT PARKIR MENGGUNAKAN
CUDA DAN MODIFIED YOLO," Jurnal Teknologi Informasi dan Ilmu Komputer
(JTIIK), Vols. Vol. 6, No. 4, Agustus 201, no. Akreditasi KEMENRISTEKDIKTI, No.
30/E/KPT/2018, pp. 413-419, 2019.

[19] E. d. S. R. Utami, Logika, Algoritma dan Implemetasinya dalam Bahasa Python di

GNU/Linux, Yogyakarta: Andi Offset, 2004.

[20] KERAS, "keras documentation," [Online]. Available: http://keras.io. [Accessed thursday

30 january 2020].

[21] M. A, "Object Detection and Classification Using R-CNN," telesens, 2018. [Online].
Available: http://www.telesens.co/2018/03/1/object-detection-and-classification-using-r-
cnns/. [Accessed 27 january 2020].

[22] R. Nachabe, D. Evers, B. Hendriks, G. Lucassen, M. van der Voort, J. Wesseling and T.
Ruers, "Effect of bile absorption coefficients on the estimation of liver tissue optical
properties and relatedimplications in discriminating healthy and tumorous samples,"
Biomedical Optics Express, vol. 2, no. 3, pp. 600-614, 2011.

[23] P. Beard, "Biomedical photoacoustic imaging," Interface Focus, vol. 1, no. 4, pp. 602-
631, 2011.

[24] S. Prince and S. Malarvizhi, "Modelling of Diseased Tissue Diffuse Reflectance and
Extraction of Optical Properties," Electrical Engineering and Applied Computing, vol. 90,
pp. 649-660, 2011.

[25] B. Susantono, "Sepeda motor : peran dan Tantangan," 2014.

[26] R. M. Saputra, "ANALISIS PERENCANAAN PENERAPAN AREA TRAFFIC

CONTROL SYSTEM DI KOTA PANGKAL PINANG," p. 2, 2017.

[27] L. F. S. M. S. H. Arsi Amallah Binhaq, "Makalah Kajian Pengukuran Layanan Smart

City: Area Traffic Control System," bandung, 2019.

[28] anonymous, "SURABAYA INTELLIGENT TRANSPORT SYSTEM (SITS) DALAM

UPAYA PENINGKATAN MANAJEMEN DAN REKAYASA LALU LINTAS KOTA
SURABAYA," surabaya, 2019.

[29] anonymous. [Online]. Available: http://sits.dishub.surabaya.go.id.

[30] S. Florence, "(Studi tentang Surabaya Intelligent Transport System dalam Meningkatkan
Kualitas Pelayanan Publik di Dinas Perhubungan Kota Surabaya)," ISSN 2303 - 341X ,
2018.

[31] J. D. T. D. a. J. M. R. Girshick, "Region-based convolutional networks for accurate object

detection and segmentation," IEEE transactions on pattern analysis and machine
intelligence,, pp. vol. 38, no. 1, pp. 142–158,, 2016..

[32] I. S. a. G. E. H. A. Krizhevsky, "Imagenet classification with deep convolutional neural

networks," Advances in neural information processing systems, p. 1097–1105, , 2012.

`
[33] perjalanan e-tilang di Kota Pahlawan, 2017.

[34] PERATURAN MENTERI DALAM NEGERI REPUBLIK INDONESIA, 2018.

[35] PERATURAN MENTERI DALAM NEGERI REPUBLIK INDONESIA, 2018.

[36] A. C. Agil, Cara Cepat Bikin Live TV di Blog dan Website, yogyakarta: ANDI Offset,
2010.

[37] E. winarno, Panduan Lengkap Berinternet, jakarta: PT.Elex Media Komputindu, 2015.

[38] t. d. studio, mengoperasikan software visual effect, jakarta: PT. Elex Media Komputindo,
2005.

[39] J. D. S. G. R. REDMON, You Only Look Once: Unified, Real Time Image Detection,
minnesotta, 2016.

[40] U. e. al, . Logika, Algoritma dan Impelementasinya dalam Bahasa Python di GNU/Linux,
yogyakarta: 2004, 2004.

`
`
`