ABSTRAKSI: Dalam suatu sistem parkir, pencatatan nomor kendaran merupakan suatu hal yang penting. Selain digunakan dalam menjaga sekuritas kendaraan, pencatatan nomor kendaraan dapat membantu dalam menghitung biaya penggunaan tempat parkir. Plat nomor kendaraan merupakan suatu identitas unik dari sebuah kendaraan yang terdiri dari susunan karakter angka dan huruf. Setiap kendaraan memiliki plat nomor yang berbeda satu dengan yang lainnya.
Dalam tugas akhir ini dibuat sebuah sistem yang dapat mengenali plat nomor kendaraan. Dengan menggunakan Principal Component Analisis (PCA) sebagai metoda dalam mengekstraksi ciri dan JST Learning Vector Quantization (LVQ) sebagai metoda dalam mengklasifikasikan karakter, sistem ini mampu mengenali 60 plat data uji dengan akurasi 93.333%. PCA mampu mereduksi data namun tetap mempertahankan karakteristik data tersebut, sehingga data input untuk proses klasifikasi dapat direduksi namun tetap menghasilkan akurasi yang tinggi. Sedangkan, JST LVQ merupakan salah satu bentuk jaringan syaraf tiruan yang melakukan pebelajaran pada lapisan kompetitif yang terawasi (supervised learning). Karena LVQ memiliki linear layer, dalam proses pengklasifikasiannya, metode ini memiliki kemampuan learning yang cepat sekaligus mempertahankan tingkat keakuratan yang tinggi. Adapun parameter terbaik PCA dan LVQ dalam tugas akhir ini, yaitu : 150 PC, 2000 Epoch, Learning Rate 0.0075, 34 hidden layer.Kata Kunci : Plat Nomor Kendaraan, Principal Component Analysis, Learning Vector QuantizationABSTRACT: In a parking sistem, number plate recording is one of important things. Besides being used to secure the parking sistem, number plate recording is able to help count on the parking charge. Number plate is a unique identity of a vehicle which consists of numbers and letters. Each vehicle has its own number plate different one to another.
In this final project, it’s made a sistem which is able to recognize number plate. Using Principal Component Analysis (PCA) as a method in the future extraction and Learning Vector Quantization (LVQ) Neaural Network as a method in the classification, this system is able to recognize 60 plates of testing set with accuration 93.333%. PCA can reduce data, but still keep the characteristic, thus the input for the classicfication can be reduced but still produce the good accuration. Meanwhile, LVQ is one of neural network which works supervisedly in competitive layer. Since LVQ has a linear layer, in classification process this method has the ability to learn fast along with high accuration. The best parameters of PCA and LVQ are 150 PCs, 2000 epochs, 0.0075 learning rate, 34 hidden layers.Keyword: Number Plate, Principal Component Analysis, Learning Vector Quantization