PENGENALAN PLAT KENDARAAN SECARA WAKTU NYATA MENGGUNAKAN FRAMEWORK AFORGE.NET

Abstract

Abstrak

Teknologi pengenalan sekarang ini sudah sangat berkembang. Salah satu aplikasi teknologi pengenalan yang menarik untuk dikembangkan adalah pengenalan plat kendaraan. Pengenalan plat kendaraan ini dapat dilakukan secara waktu nyata. Pengenelan ini menggunakan sebuah rangkaian metode. Sebelum citra dikenali, dilakukan prapengolahan. Prapengolahan ini terdiri dari pengubahan citra menjadi aras keabuan, pendeteksian tepi dan pengambangan. Setelahnya dilakukan penentuan lokasi plat pada citra. Metode yang digunakan untuk penentuan lokasi plat ini adalah analisis intensitas vertikal dan horizontal citra. Langkah berikutnya adalah memisahkan karakter pada plat menggunakan algoritma komponen terkoneksi dan membaca karakter pada plat tersebut dengan menggunakan algoritma K-Nearest Neighbors. Dari hasil pengujian, dapat disimpulkan bahwa sistem pengenalan plat kendaraan waktu nyata yang diujikan terhadap 30 data uji menghasilkan tingkat keberhasilan sebesar 83,33% pada K = 1.

Kata kunci : deteksi tepi, pengambangan, analisis intensitas, algoritma komponen terkoneksi, K-Nearest Neighbors.

Abstract

Recognition technology nowadays has been so advanced. One of its interesting application that can be developed is vehicle plate recognition. This recognition technology can run in real time. Vehicle plate recognition itself uses a series of methods. Before the system recognizes an image, it does some preprocessing. This preprocessing consist of grayscaling, edge detection and thresholding and afterward vehicle plate on the image is being located. This system uses vertical and horizontal intensity analysis from the image to locate vehicle plate. Next step is character segmentation. It is done by using connected component algorithm. And finally, K-Nearest Neighbors algorithm reads all these character. The test results show that this vehicle plate recognition system provides 83,33% success rate from 30 test data.

Keywords : edge detection, thresholding, intensity analysis, connected component algorithm, K-Nearest Neighbors.