Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Skripsi ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi plat nomor mobil melalui proses image processing dengan ekstraksi fitur skeletonisasi menggunakan metode pengenalan Neural Network.

Selama ini pencatatan plat nomor setiap mobil yang memasuki area parkir secara umum masih dilakukan secara manual oleh manusia, namun saat ini mulai muncul suatu sistem baru sehingga identifikasi plat nomor dapat dilakukan secara otomatis. Skripsi ini bertujuan untuk menganalisa pengenalan plat nomor mobil dalam bentuk Image dengan mengekstrak fitur/karakter pada plat dengan proses skeletonisasi menggunakan metode pembelajaran Neural Network (jaringan syaraf tiruan) yang selanjutnya akan dihasilkan output dalam bentuk tulisan karakter yang terdapat dalam plat nomor tersebut. Proses pengenalan ini dilakukan dengan memasukkan citra/image ke dalam pemrogaman MatLabTM dan proses ini dilakukan dalam 2 tahap, yaitu: pembentukan basis data untuk training serta proses recognition/identifikasi.

Pada proses pembuatan basis data, gambar akan dibagi-bagi per karakter terlebih dahulu agar lebih memudahkan proses. Setiap karakter tersebut kemudian diekstrak dengan proses skeletonisasi sehingga dihasilkan skeleton/kerangka dari setiap karakter tersebut. Selanjutnya dilakukan proses training terhadap jaringan syaraf tiruan dengan memasukkan nilai-nilai piksel skeleton yang dihasilkan dari proses skeletonisasi untuk mendapatkan nilai bobot yang tepat. Nilai bobot ini kemudian akan disimpan untuk dapat digunakan pada proses selanjutnya yaitu proses recognition plat nomor. Proses recognition plat nomor yang dilakukan menggunakan metode pembelajaran ini mencapai tingkat akurasi sebesar 80%.

---

This final assignment is made to design a program that could be used to identify cars’ licensed plates through image processing with skeletonization feature extraction using Neural Network recognition method.

Up to these days, licensed plate identification to every car entering the parking area is still commonly run by humanbeing, but nowadays there comes a new system that enables the identification to be run automatically. The aim of this final assignment is to analyse this automatic process in the image format by extracting features/characters using skeletonization and also applying Neural Network learning method to produce output consisting of the characters as mentioned on the plate. This identification is run by inserting an image into the MatLabTM program which is run in 2 stages comprises the making of training database and the recognition/identification itself.

In making the database, the image is divided into characters to make the next process easier. Each of these characters is then extracted with skeletonization to produce the skeleton and then continued by training the Neural Network by inserting the values of the skeletons in order to produce the right weights. The weights themselves are furthermore saved to be used in the identification/recognition. The recognition using Neural Network run in this final assignment yields the percentage of accuracy up to 80%.

Abstrak :
SIBI (Sistem Isyarat Bahasa Indonesia) merupakan bahasa isyarat resmi yang digunakan oleh penyandang tunarungu di Indonesia untuk berkomunikasi sehari- hari baik dengan sesama penyandang tunarungu maupun orang non-tunarungu. Adanya aplikasi penerjemah gerakan Bahasa isyarat ke teks akan sangat membantu proses komunikasi antara tunarungu dan non-tunarungu. Salah satu fitur yang dibutuhkan untuk pengembangan model penerjemah SIBI adalah informasi kerangka manusia (skeleton). Penelitian ini bertujuan untuk mengembangkan metode ekstraksi fitur kerangka manusia dari citra video telepon pintar untuk melatih model pembelajaran mesin LSTM (Long Short-Term Memory) pengenal gerakan kata dasar SIBI. Metode ekstraksi fitur yang dikembangkan menggunakan Haar Cascade untuk identifikasi titik bahu, algoritma Lucas-Kanade untuk melacak titik tangan, dan menggunakan interpolasi antara titik bahu dan tangan untuk mengidentifikasi titik siku. Dari titik-titik skeleton tersebut, dihitung sudut antara bahu dan lengan atas, serta bahu dan lengan bawah. Hasil ekstraksi digunakan sebagai input untuk model pembelajaran mesin LSTM yang telah dikembangkan sebelumnya. Penelitian ini berhasil mengembangkan metode ekstraksi skeleton yang saat dimasukkan ke model LSTM menghasilkan model dengan akurasi terbaik hingga 84.64%. Model dengan akurasi terbaik tersebut adalah model LSTM 2 layer dan dilatih dengan parameter jumlah hidden unit 512, jumlah batch 100, dan iterasi training 1800 epoch. ......SIBI (Indonesian Language Sign System) is the official sign language system used by deaf people in Indonesia to communicate with each other and with non-deaf people. An application that can translate the sign language movement from video to text would be very useful to help communication between deaf and non-deaf people. One of the features needed to develop a model to translate sign language gesture is the subject’s skeleton. This research aims to develop a method to extract skeleton feature from smartphone video image to be used to train an LSTM (Long Short-Term Memory) machine learning model to translate gestures of SIBI base words. The developed method used Haar Cascade to identify shoulder points, Lucas-Kanade Algorithm to track hand points, and interpolate elbow points based on the location of previously known shoulder and hand points. From those skeleton points, the angles between shoulder and upper arm, and the shoulder between upper and lower arm are computed. This extraction result is then fed into a previously- developed LSTM machine learning model as training data. This research successfully develops a skeleton extraction method that when fed into LSTM model resulted in a model that can achieve accuracy up to 84.64%. This best model is LSTM with 2 layers, and trained with 512 hidden units, 100 batch size, and 1800 training epoch.