PENGENALAN CITRA RAMBU LALU LINTAS MENGGUNAKAN EKSTRAKSI FITUR MOMENWARNA DAN K-NEAREST NEIGHBOR

Abstract

The traffic signs are signs with specific shape and symbols, letters, numbers, or words which have the aim to warn or inform the road users. However, there are many road users who are not aware of the meaning of each signs. In this research, we develop an application which can classify a road sign image into three classes, priority four-way crossroad, do-not-park sign, and follow-this-road sign. Initially, the system will do preprocessing step such as grays calling, histogram equalization, and input image segmentation. Next, the feature extraction step will be conducted, namely the spatial moment feature extraction, normalized centering, and color statistics. Lastly, the feature representation from both extraction methods will be used to classify the image using K-nearest neighbor. Experiment result shows that the combination of both feature extraction methods gives promising result. From 21 training images and 15 testing images, the system can recognize the traffic signs with 100% accuracy with K=3, 86.6% with K=5, and 86.6% with K=7.

Rambu lalu lintas merupakan salah satu alat perlengkapan jalan dalam bentuk tertentu yang memuat lambang, huruf, angka, kalimat yang digunakan untuk memberikan perintah, larangan, peringatan dan petunjuk bagi pengguna jalan agar tertib berlalu lintas. Namun, banyak di antara pengguna jalan yang belum mengetahui arti dari setiap rambu lalu lintas yang terpasang.Pada penelitian ini, dibuatlah suatu aplikasi yang mampu melakukan klasifikasi citra rambu ke dalam 3 kelas yaitu: peringatan simpang empat prioritas, larangan parkir dan perintah memasuki jalur atau lajur yang ditunjuk. Mula-mula sistem akan melakukan prapemrosesan seperti seperti: grayscalling, histogram equalization, dan segmentasi pada citra input. Selanjutnya, tahap ekstraksi ciri akan dilakukan pada citra hasil pra-pemrosesan. Adapun metode ekstraksi ciri yang digunakan pada penelitian kali ini adalah ekstraksi fitur momen spasial dan pusat ternormalisai (momen) dan ekstraksi fitur statistika warna (warna). Terakhir, nilai fitur yang dihasilkan oleh kedua metode tersebut akan diklasifikasi mengguakan K-Nearest Neighbor. Hasil uji coba menunjukkan bahwa metode ekstraksi fitur gabungan momen-warna memberikan hasil yang menjanjikan. Dari 21 citra latih dan 15 citra uji yang digunakan, sistem mampu mengenali rambu dengan tepat 100% pada K=3 , 86,6% pada K=5, dan 86,6% pada K=7.