APLIKASI PENDETEKSI DAN PENGENALAN NOMINAL UANG KERTAS DENGAN METODE LEARNING VECTOR QUANTIZATION SEBAGAIALATBANTUBAGIPENYANDANGTUNANETRA Mediterasanti Anindita I, Astri Novianty',M. Syaiful Sabril.' 1,2,3
Fakultas Elektro dan Komunikasi IT Telkom, Bandung Idita
[email protected], '
[email protected], '
[email protected]
Abstrak
1. Pendahuluan
Indonesia sebagai negara dengan jumlah tunanetra cukup banyak telah menyediakan blind code pada uang kertas untuk kemudahan tunanetra mengetahui nominal nang. Namun pada kenyataannya, blind code termasuk cuknp sulit diakses oleh tunanetra jika uang kertas tidak dalam kondisi baik. Pada penelitian ini dibangun aplikasi untuk mengidentifikasi nilai nominal uang kertas berbasis pengolahan citra digital menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization. Berdasarkan hasil pengujian, diperoleh akurasi rata-rata pengujian seluruh nominal uang adalah 89.39%. Parameter pembangun arsitektur jaringan yang paling optimal dalam tugas akhir ini yaitu menggunakan 50 epoch, .learning rate 0.09 dan node hidden layer 32. Sedangkan rata-rata waktu komputasi pengujian 0.151 detik.
Transaksi jual beli merupakan suatu hal yang tidak dapat lepas dari kehidupan orang sehari-hari guna memenuhi segala kebutuhan hidupnya. Dunia masa kini teleh mengenal beberapa alat tukar barang antara lain emas dan kartu kredit, yang menggantikan sistem barter di zaman beberapa ratus tahun lalu. Namun di antara semua media tsb, yang paling populer adalah penggunaan uang sebagai alat transaksi. Mengingat pentinguya mengetahui dan mengenal nominal nang demi kelancaran transaksi, saat ini masih terdapat sejwnlah orang yang kesulitan dalam hal ini. Salah satu di antaranya yaitu
Learning pengolahan citra, JST.
Kata Kunci:
Vector Quantization,
Abstract
Indonesia as the country with the blind pretty much been providing blind code on banknotes to ease visually impaired know the nominal money. But in fact, blind code including quite difficult to access by the visually impaired if the bills are not in good condition. This research built applications to identify the nominal value of paper money based on digital image processing using classification methods Neural Network Learning Vector Quantization. Based on the results of the research, obtained an average accuracy of testing the entire nominal value is 89.39%. Accuracy is obtained by forming a network architecture in the form of an input layer, one hidden layer and one output layer. Query builder most optimal network architecture in this thesis is using 50 epochs, learning rate of 0.09 and node hidden layer of 32. While the average computation time of testing 0151 seconds.
Keywords: Learning Vector Quantization, image processing, ANN.
tunanetra.
Aplikasi yang menjadi solusi altematif ini merupakan sistem yang dibangun secara real time dengan terlebih dahulu input citra nominal uang diakusisi oleh webcarn. Sedangkan untuk identifikasi nominal uang itu sendiri, digunakan metode klasifikasi jaringan syaraf tiruan Learning Vector Quantization.
Tujuan ini yaitu merancang aplikasi pendeteksi dan penenalan nominal uang kertas Indonesia, merancang arsitektur hardware pendukung aplikasi pendeteksi nominal nang kertas dengan output audio untuk penyandang tunanetra dan menganalisis performansi aplikasi berupa akurasi, waktu komputasi dan seberapa mudah digunakan aplikasi yang dirancang. Adapun batasan masalah dalarn ini adalah pemrograrnan menggunakan MATLAB 2009, input aplikasi berupa citra • .jpg, output berupa audio, nominal nang kertas dilakukan pada pecahan 1000 rupiah, 2000 rupiah, 5000 rupiah, 10000 rupiah, 20000 rupiah, 50000 rupiah dan tidak membahas autentikasi uang palsu. Aplikasi berupa aplikasi komputer (fixed) tidak digunakan untuk mobile 2.
Dasar Teori
2.1 Citra Digital Citra merupakan suatu fungsi kontinyu dalarn dna dimensi. Sedangkan citra digital dapat diartikan sebagai citra kontinyu yang diubah ke dalam bentuk diskrit, baik koordinat maupun intensitas cahayanya.
Aplikasi Pendeteksi danPengenalan NominalDang Kertas dengan Metode Learning VectorQuantization sebagai Alat Bantu Bagi Penyandang Tunanetra [Mediterasanti AninditaJ
137
Citra digital dapat dinyatakan sebagai fungsi ttx,y), dimana x dan y menyatakan koordinat, sedangkan f menyatakan intensitas atau tingkat kecerahan. Satu sinyal terkecil dari citra digital biasa disebut sebagai pixel.
untuk mendapatkan derajat sinyal keluaran tertentu y=F(x,w). Fungsi keluaran dari neuron dinyatakan dalam:
2.1.1 Citra RGB
Learning Vector Quantization (LVQ) merupakan salab satu bagian dari supervised learning dimana metode pembelajaran ini memiliki output yang diharapkan yang telab diketabui sebelumnya. Suatu lapisan kompetitif pada LVQ akan belajar untuk mengklasiftkasikan vektor-vektor input seeara otomatis. Jika terdapat dua vektor input yang hampir sarna, maka lapisan kompetitif akan mengklasifikasikan kedua vektor tersebut ke dalam kelas yang sarna.
Disebut juga sebagai 'true color '. . Merupakan kombinasi dari elemen warna Red (merab), Green (hijau), dan Blue (biru), Format RGB ini direpresentasikan dengan menggunakan 3 layer. Setiap pixel-nya merupakan kombinasi dari ketiga elemen warna tsb, dengan tingkat warna 0 ± 255. 2.1.2 Citra Grayscale
y=
L
n
x. *w.,
;=1'
(I)
Grayscale sendiri merupakan derajat keabuan dari suatu citra yang digambarkan pada matriks bilangan dengan entri antara nol (hitam) dan satu (putih). Grayscale dilakukan untuk meratakan nilai piksel dari tiga nilai RGB menjadi satu nilai yang
sarna. 2.1.3 Citra Black and White Merupakan format citra dengan warna hitam dan putih, yaitu matriks bernilai 0 (noI) dan I (satu). Piksel dengan derajat keabuan yang lebib besar dari nilai batas (threshold) akan diberi nilai :, sedangkan untuk piksel dengan derajat keabuan lebih kecil akan diberi nilai O. 2.2 Jaringan Syaraf Tiruan LVQ Pembuatan struktur jaringan syaraf tiruan diilhami oleh struktur jaringan biologi, khususnya jaringan otak manusia. Jaringan Syaraf Timan ini dieirikan dengan adanya proses pembelajaran (learning) yang berfungsi mengadaptasi parameterparameter jaringannya.
Input ~
Output y
Gambar I. Timan Fungsi neuron Pada model jaringan syaraf timan, sejumlab dikalikan dengan sinyal input x [ [«[Q masing-masing bobotnya yang dinotasikan dengan w. Penjumlaban terhadap seIuruh basil perkalian tersebut dilewatkan ke dalam suatu fungsi aktivasi 138
Gambar 2. Contoh Arsitektur Jaringan LVQ Setiap neuron input (x) mencari jarak suatu vektor input ke bobot yang bersangkutan (wI dan w2). wI merupakan vektor bobot penghubung setiap neuron pada layer input ke neuron pertama pada layer output, sedangkan w2 adalab vektor bobot yang menghubungkan setiap neuron pada layer input ke neuron kedua pada layer output. Fungsi aktivasi FI akan memetakan y_ini ke yI=I apabila [x-wl I < Ix-w2l, dan yI=O jka sebaliknya. Demikian pula yang terjadi pada fungsi aktivasi F2. Algoritrna LVQ adalab sebagai berikut: I. Menetapkan bobot (w), maksimum epoh (maxEpoh), error minimum yang diharapkan (Eps), dan Learning rate (t ) 2. Memasukkan input x(m,n) dan target T(l,o) 3. Menetapkan kondisi awal: epoh=O dan err= I 4. Mengerjakan bila (epoh<maxEpoh) atau (err>Eps) a. Epoh=epoh+ I b. Kerjakan untuk i=I sampai n Tentukan J sedemikian hingga IIx-wjll minimum; sebut sebagai Cj Perbaiki wj dengan ketentuan sbb: Jika T=Cj maka wj(baru)=wj(lama) + t (x-wj(lama» Jika T .. Cj maka
ITTelkom Journal on leT, Volume 1 Nomor 2 September Tahun 2012
wj(baru)=wj(lama) - t (x-wj(lama)) c. Kurangi nilai t , dengan menggunakan t t - dect atau dengan cara t = t t *dect Model dan Perancangan Sistem
3.
Ioput citra diarnbil menggunakan webcarn dan merupakan citra dalam format *.jpg. Citra yang didapaikan ini akan digunakan untuk dua proses, yaitu proses latih (citra dijadikan citra latih) dan proses pengujian (citra dijadikan citra uji). 3.2.1 Pengambilan Citra Uang Kertas
3.1 Rancangan Sistem Umum Secara umum, sistem dari aplikasi' imtuk mendeteksi nominal uang kertas terdiri dari 3 blok utama, yaitu preprocessing, preclassification, dan klasifikasi menggunakan Jaringan Syaraf Timan (JST) LVQ. lIustrasi dari rancangan sistem dapat dilihat dari garnbar flowchart (diagram alir) di bawah ini:
Citra inputan nominal uang kertas diarnbil dengan webcam dalam format *.jpg. Ukuran citra yang digunakan yaitu 320x240. Pada tugas akhir ini, jarak antara webcam dengan uang kertas yang digunakan untuk diidentifikasi adalah 5 em dan 9 em. 3.2.2
Prepro~esslng
Gambar 3. Blok Diagram Sistem Aplikasi Input citra berupa nominal uang kertas pecahan 1000 rupiah, 2000 rupiah, 5000 rupiah, 10000 rupiah, 20000 rupiah dan 50000 rupiah akan diolah o!eh sistem pada aplikasi sehingga menghasilkan output berupa audio yang diharapkan dapat berguna untuk penyandang tunanetra. 3.2
Rancangan Identiflkasl Nominal Uang Kertas
Berikut adalah flowchart identifikasi nominal uang kertas:
dari
sistem
Gambar 5. Flowchart Preprocessing I. Cropping Proses ini merupakan proses pemotongan citra yang dimaksudkan memfokuskan bidang yang akan diproses dalam aplikasi, Dalam hal ini, yaitu nominal uang kertas. Pemotongan dilakukan sesuai dengan range wilayah yang dibatasi border merah. Ukuran dari border merah ini telah ditentukan dan disesuaikan dengan jarak webcam dan citra pada proses pengambilan citra. Untuk citra dengan jarak 5 em, di-eropping dengan ukuran 100xl90 pixel dengan koordiat (x,y) = (50,50). Sedangkan untuk citra dengan jarak 9 em, di-cropping dengan ukuran 65x110 pixel dengan koordiat (x,y) = (100,70). 2. Pengubahan citra ke format Grayscale Citra RGB yang telah di-erop, dirotasi sebesar 90 derajat berlawanan arab dengan jarum jam kemudian diubah ke format grayscale dengan meneliti derajat keabuan yang akan dipilih. 3. Pengubahan citra ke format Black and White Proses ini dilakukan untuk membinerisasi citra nominal uang kertas. Threshold atau ambang batas penentuan hitam dan putih ditentukan berdasdarkan trial and error, melihat hasil yang terbaik.
;=7
~ ~
Garnbar 4. Flowchart Identifikasi Nominal Uang Kertas
4. Filtering Merupakan proses penghilangan atau penghaIusan noise pada citra. Noise berupa area titik-titik putih di sekitar nominal uang kertas. Proses filtering pada tugas akbir ini
Aplikasi Pendeteksi danPengenalan NominalUangKertas dengan MetodeLearning VectorQuantization sebagalAlatBantu Bagi Penyandang Tunanetra [Mediterasanti Anindita]
139
menggunakan median jilter penghilangan noise.
dan
algoritma
5. Thinning . Proses thinning (penipisan) merupakan salah satu metode yang berguna untuk mendeteksi tepi dati sebuah citra. Deteksi tepi sangat berguna untuk blok proses berikutnya, yaitu k1asifikasi citra. Berikut ini citra hasil thinning yang kemudian langsung di-crop. 6. Normalisasi Citra yang telah di-crop, memiliki ukuran yang berbeda-beda. Maka dilakukan normalisasi untuk mendapatkan ukuran citra yang sarna, yaitu 40x130 pixel untuk seliap nominal uang kertas.
Pada proses training, citra yang te1ah dipilih diberikan target sebagai acuan pembelajaran sistem. Target merupakan kelas dati hasil k1asifikasi, dalam hal ini terdapat enam kelas yang mewakili masingmasing nominal nang kertas. Citra latih yang digunakan pada ini berjumlah 35 buah. Terdiri dati nominal seribu rupiah 6 buah, dua ribu rupiah 5 buah, lima ribu rupiah 7 buah, sepuluh ribu rupiah 7 buah, dua puluh ribu rupiah 5 buah, dan lima puluh ribu rupiah 5 buah, Gambar 7 adalah flowchart pelalihan JST LVQ, sedangkan citra yang diujikan pada sistem berjumlah 66 buah. Berikut ini flowchart pengujian JST LVQ.
• " "1 ( ,
j
/ I
1_. _
-,, i
"
I -"'/
I
I
I
I I II
I
1
I
• __ \
,-'
II I
'• • ,'
I
,
.'
Gambar 6. Citra Hasil Normalisasi Kemudian, citra ini di-reshape menjadi matriks ukuran I x5200. Citra siap diklasifikasi. I
3.2.3 Klasifikasi LVQ
Carijarak minimum
L
=::I::--'-
i~"lk'aSifikaSIar ] -"~L
D~"'" dtrililtih
(
,~nd --)
Gambar 8. Flowchart Testing JST LVQ Arsitektur jaringan yang dibuat terdiri dati liga layer, yaitu satu layer input, satu hidden layer, dan satu layer output. Untuk layer input, terdiri dati 5200 node dan layer output 6 node. Sedangkan jumlah node pada hidden layer ditentukan berdasarkan untuk mendapatlcan yang terbaik. 3.3 Perancangan Analisis Performansi 3.3.1 Software
"
~_
..... :1 __ ....,
IKura"li nllallearnlnl rate I
.-
'--"-'=r~'-'I
Tam~n~
Gambar 7. Flowchart Training JST LVQ
1. Black Box Yaitu pengujian dimana kita bertindak sebagai pengguna biasa tanpa mengetahui program di dalarnnya. Pengujian ini bertnjuan mengelahui apakah terdapat kesalahan perancangan interface (dalarn hal ini GUI), termasuk kevalidan fungsifungsi button di dalarnnya. 2. White Box Yaitu pengujian untuk mengelahui apakah terdapat bug atau kesalahan pada algoritrna program, yang tidak tampak pada pengujian black box. 3. Akurasi
140
IT Telkom Journal on leT, Volume 1 Nomor 2 September Tahun 2012
Akurasi sistem dihitung dengan membandingkan jumlah data teridentifikasi benar dengan jumlah total data uji yang diguuakan.
Akurasi
Jumlah Data Benar xlOO"Io (2) Jumlah Total _ Data
4. Waktu Komputasi Waktu komputasi merupakan keeepatan sistern untuk memproses eitra hingga menjadi output. Pada ini, sistem diharapkan dapat bekerja seeara realtime.
3.3.2 Hardware dan Lingkungan
I. Pengaruh jarak webeam Pengujian ini dilaleukan untuk mengetahui kapasitas webeam, yaitu mendapatkan jarak antara objek dengan webeam yang paling optimal. 2. Pengaruh intensitas cahaya Yaitu mengetahui kemampuan sistern untuk mengeluarkan output yang benar dikorelasikan dengan kondisi lingkungan, dalam hal ini yaitu intensitas cahaya yang ditangkap webeam. 3.3.3 MOS (Most Opinion Score) MOS merupakan sebuah metode pengujian yang merepresentasikan pandangan subjektif manusia terhadap leualitas sistem. Pengujian MOS ini dilakukan terhadap tunanetra untuk mengetahui tingkat user friendly dan leualitas aplikasi yang dibuat. 4.
Analisis dan Pengujian
4.1.1 Analisis dan Pengnjian K1asifikasi JST LVQ
I. Epoch Epoch merupakan nilai iterasi atau perulangan dari pembelajaran JST LVQ. Semakin besar nilai epoch, semakin banyak kesempatan bagi JST untuk melakukan pembelajaran. Variasi epoch yang diguuakan yaitu 50, 100 dan 200. Tabel I. Pengaruh Epoch LR
deca
,rr
50 100 200
0.09 0.09 0.09
0.01 0.01 0.01
0.01 0.01 0.01
Akurasi Trainirm
100% 100% 85.71%
2. Learning Rate Merupakan jangkanan eksplorasi dari JST LVQ. Semakin besar nilai learning rate, area yang dijangkau semakin besar, namun konsekuensinya kemampuan observasi lebih rendah. Nilai awal learning rate yang diguuakan pada tugas akhir kali ini adalah 0.09 dan 0.05 Tabel2. Pengaruh Learning Rate LR
0.09 0.05
,rr
ceca 0.Q1
50 50
0.01
Akurasi
Akurasi Testioo 100% 85.71%
Trainina 0.01 0.01
Tabel di alas menunjukkan akurasi terbaik yang dicapai dari semua set pengujian yang dilakukan. Terlihat bahwa learning rate 0.09 memiliki akurasi testing yang lebih tinggi dibandingkan learning rate 0.05. Maka learning rate 0.09 lebih optimal. 3. Jumlah node hidden layer Rumus untuk mendapatkan nilai node hidden layer adalah:
¥QRGHLQSXW[QRGHRXWSXW
(3)
Maka, dengan jumlah node input 5200 dan . node output 6 buah, didapatkan nilai node hidden layer 176.
4.1 Pengujian Performansi Sistem
Epoch
jenuh (konvergensi bobot ke nilai yang tetap), sehingga dengan menaikkan nilai epoch jauh melebihi titik konvergensi pun tidak memberikan perubahan akurasi yang signifikan. Titik konvergensi berada di kisaran epoch 20± 30. Maka, epoch yang optimal adalah 50.
Akurasi Testina 89.39% 89.39% 78.78%
LR merupakan nilai learning rate, deca adalah nilai pengurangan learning rate, err merupakan error minimal yang diharapkan dari sistem. Pada pengujian yang dilakukan, terlihat bahwa dengan epoch yang semakin besar, tidak menjamin sistem memiliki akurasi yang paling baik. Hal ini disebabkan sistem pembelajaran JST memiliki titik
Tabel3. Pengaruh Node Hidden Layer nhidden
epoch
LR
Akurasi Trainina
Akurasi Tes!ing
32 64 100 176
50 50 50 50
0.09 0.09 0.09 0.09
. 100% 85.71% 85.71% 85.71%
89.39%
78.78% 74.24% 78.78%
Berdasarkan tabel hasil pengujian di atas, dengan jumlah node hidden layer 176 temyata memiliki nilai maksimal akurasi training hanya 85.71 %. Sedangkan dengan node hidden layer 32 dapat meneapai akurasi training 100%. Maka node hidden layer yang terbaik adalah 32. 4.1.2 Analisis dan Pengnjian Software I. Waktu Komputasi Tabel 4. Pengaruh Epoch terhadap Waktu Komputasi Epo
LR
nhidden
W",tu
Training 50 100 200
0.09 0.09
0.09
32 32 32
Aplikasi Pendeteksi dan Pengenalan Nominal Uang Kertas dengan Metode Leaming Vector Quantization sebagei Alat Bantu Bagi Penyandang Tunanetra [Mediterasanti Anindita]
5.3644 11.1516 20.9706
W",tu
Komputasi 0.1518745 0.1521619 0.1519241
141
Tabel5. Pengaruh Node Hidden Layer terhadap Waktu Komputasi nhidden
32 64 100 176 O.
LR
epoch
0.09 0.09 0.09 5032.03
50 50 50 .167334
Waldu Traiolnc
WaJdu Kom"utasi
5.3473 12.9561
0.1564931
18.7397
0.15966
0.151619
Berdasarkan tabel 4 dan tabel 5, waktu komputasi tercepat didapatkan dengan menggunakan epoch dan node hidden layer yang lebih kecil, yaitu 50 dan 32.
Beberapa kali rnasih terjadi error pada blok pengecekan sisi uang yang benar. Sisi yang benar terdeteksi salah sisi, dan sebaliknya sisi yang salah dikenali sebagai sisi yang benar untuk kemudia dinormalisasi dan disimpan. Error terjadi karena citra uang setelah dipreprocessing memiliki luas pixel putih yang harnpir sarna antara sisi benar dan sisi salah. Sehingga range luas pixel putih sisi benar yang telah ditentukan kurang valid dan tidak berhasil 100% mengenali sisi yangbenar. c.
2. Black box Pengujian black box berfokus pada persyaratan fungsional dari aplikasi yang dibangun. Berikut ini tabel rencana pengujian dari aplikasi:
Klasifikasi
•
Tabel 6. Rancangan Pengujian Menu Capture
••
Detail Pen ulan
Diu I
rest
webc:am merqc,...,tunflominal uera. Akuisisi
K1asifikasi nominal uang Estimasl waklu k~~~~si Reset tam Ian 'as; Keluar dari ikasi
Qellr Close
Jenis Blackbox
;
Blackbox Blackbox Blackbox
Berdasarkan keempat menu yang diuji pada black box di atas, aplikasi dikatakan dapat berjalan dengan baik. 3. White box Pengujian white box dilakukan pada titik-titik tertentu: a. Akuisisi webcam meng-capture nominal uang Gambar II. White box Klasifikasi
.4-?
Penghitungan jarak Euclidean:
:Capture sampel cit'"
,
l;>tlh
D(j) ~
" l:(x, -wif)2
(4)
/.,
Berikut pembuktian antara perhitungan secara manual dengan perhitungan berdasarkan program yang dibuat: Tabel 7. Pengujian White Box Euclidean
,
Gambar 9. White box akuisisi
I 1 o. 0.76566 I 0.51351
w
b.
Preprocessing
1
0.43226
euclidean hasillV"l'llVl'Im
,..,
euclidean (manual)
......
: lx-wlA2 :
023433 0.05491 0.70613
.Q.5735
0.32692
O.56m 0.32230
: funbhl llO.5
Pada tabel di atas, data inputan diberi variabel x, bobot awal (w) di tentukan secara random, dan node hidden layer yang digunakan adalah I. Gambar 10. White box Preprocessing
142
d.
Setting Keyboard
IT Telkom Journal on leT, Volume 1 Nomor 2 SeptemberTahun 2012
c
---,
kedua dilakukan kepada 6 respond en dengan menggunakan kotak akuisisi 2. Berikut ini beberapa hasil yang didapatkan:
_ ..
IlClik TDI1IboI p6KLJr---- Caprure:;:~ ellnl'!
.L_._ i
1C1ik TomboJ
p=1
t... . _
f...-,..
IClasifibsi
'
/'
2
',y
~ ,OI.NW1l.PERO~;!---+/' /
,
r:
,
6 -,------5 4 +-~~~ 3
Reset tampilan
.. Pengujian I • Pengujian 2
I
'
l K~~_~~I_~~~J-+,
_ KeluarAptiba
_I, :
End
'
',._-, •.. .........-/.
G~mbar
13. Usia Responden
Gambar 12. White box Setting Keyboard 4.1.3 Analisis dan Pengujian Hardware dan Lingkungan
I. Hardware
-
Tabe18. Pengujian Pengaruh Jarak 5 em dan 9 em Jamk
5cm 5cm gcm
nhidden
epoch
32
51)
32 32
51) 51)
LR
AJ(uras;
0.09 0.09. 0.09
Trainina 100% 85.71% 85.71%
Tosti'"
89.39% 78.78% 67.74%
Pada jarak 9 em, proses training yang dilakukan tidak dapat meneapai akurasi 100% sebagaimana pada jarak 5 em. Terdapat dua kemungkinan yang memungkinkan hal ini terjadi, yaitu data testing pada jarak 5 em lebih baik atau sistem memang lebih optimal pada jarak 5 em. Sistem masih dapat digunakan pada jarak 3 em. Hanya saja, jarak ini merupakan jarak terdekat antara webeam dengan citra, sebab jika citra dicapture pada jarak 2 em maka nominal 50000 rupiah akan terpotong. Sedangkan jarak terjauh berdasarkan hasil pengujian adalah 18 em. 2. Lingkuogan Yang dimaksud dengan lingkuogan adalah pengaruh intensitas eahaya lingkuogan terhadap keberhasilan aplikasi untnk mengenali nominal uang kertas. Setelah dilakukan pengujian, temyata faktor eahaya memiliki pengaruh yang besar terhadap sistem. Citra nominal uang dapat salah diklasifikasikan atau bahkan dianggap sisi nang yang salah jika intensitas eahaya tidak mencukupi, 4.2 Pengujian MOS Pengujian MOS terhadap aplikasi yang dibangun, dilakukan dengan dill' kali pengujian. Pengujian pertama dilakukan kepada 7 responden dengan menggunakan kotak akuisisi I. Pengujian
Gambar 14. Kualitas suara output Pengujian 2
Garnbar 15. Tingkat User Friendly Aplikasi Menurut kurikulum di SLB A Wiyata Guna Bandung, siswa telah mendapatkan pelajaran komputer sejak SMP. Dan dari hasil pengujian meenekan tombol keyboard yang digunakan dalarn aplikasi ini ± yaitu Shift (capture), Z (test), X (clear) dan C (close) ± 100% responden berstatus siswa SMA dapat mengaksesnya dengan mudah. Pada pengujian pertama, 85.7% responden mengalami kesulitan dalam memasukkan nang ke plat kaea yang disediakan, Setelah kotak akuisisi diperbaiki dan dilakukan penguj ian kedua, 100% responden berpendapat kotak akuisisi mudah digunakan. Dari sisi output audio, 50% responden pada pengujian kedua berpendapat audio untnk nominal sepuluh ribu dan 'sisi salah' masih kurang baik. Sedangkan audio lainnya sudah eukup baik, Saran terbuka yang diberikan kepada aplikasi ini adalah hardware (kotak akuisisi) yang dibuat lebih keci!.
Aplikasi Pendeteksi dan Pengenalan Nominal Dang Kertas dengan Metode Learning Vector Quantization sebagai Alat Bantu Bagi Penyandang Tunanetra [Mediterasanti Anindita]
143
5. Penutup 5.1 Kesimpulan Berdasarkan hasil percobaan dan analisis data pada aplikasi pendeteksi dan pengenalan nominal nang kertas dengan metode LVQ (Learning fector Quantization), rnaka dapat ditarik kesimpulan sebagai berikut: 1. Jaringan syaraf tiruan LVQ dengan arsitektur jaringan satu input layer, satu hidden layer dan satu output layer cukup baik dalam mengklasifikasikan nominal uang kertas. Tingkat akurasi tertinggi untuk proses training adalab 100% dan akurasi lertinggi untuk ratarata semua nominal nang yang diujikan adalab 89.39%. 2. Parameter terbaik pembangun arsitektur jaringan syaraftiruan LVQ pada tugas akhir ini yaitu epoch 50, learning rate 0.09 dan node hidden layer 32. 3. Waktu komputasi sistem tergolong cukup cepat dengan kisaran total waktu pengujian yaitu 0.151 detik. 4. Hasil MaS aplikasi yang dibual adalab: a. Tingkat user friendly atau kemudahan penggunaan aplikasi yaitu 100% b. Tingkat kualitas output 50% beranggapan DxaLR VHSXOXK ULEX GOO ~VLVL VDODK, PDVLK
c.
kurangbaik Tingkat kebutuhan akan aplikasi adalab 100%
5.2 Saran Berdasarkan hasil evaluasi analisis aplikasi pendeteksi dan pengenalan nominal uang kertas (Learning Vector dengan metode LVQ maka untuk pengembangan Quantization), selanjutoya, disarankan hal-hal sebagai berikut: 1. Membuat aplikasi pengenalan nominal uang kertas berbasis mobile 2. Menggunakan metode klasifikasi lainnya yang lebih akurat dan cepat waktu komputasinya 3. Melakukan agar aplikasi dapat mengklasifikasikan nominal nang kertas dalam keadaan gelap (rna1am hari) 4. Menambahkan fungsi autentikasi mata nang palsu pada aplikasi
144
Daftar Pustaka [I] AI Mahadeen, Bassam. Signature Region of Interest Using Auto Cropping. Jordan: Tafila Technical University. 2010. [2] Hawickhorsl, Brad A. A Comparison of Three Neural Network Architectures for Automatic Speech Recognition. Norfolk: Old Dominion University [3] Heranurweni, Sri. Pengenalan Wajah Menggunakan Pulse Coupled Neural Network (PCNN). Semarang: Universitas Semarang. 2010. [4] Iqbal, Muhammad. Dasar Pengolahan Citra Menggunakan Matlab. Bogor: Institut pertanian Bogor. 2009. [5] Kusumadewi, Sri. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha lImu.2003. [6] Kontropoulos, C. Robust and Adaptive Techniques in Self Organizing Neural Networks. Greece: Aristotle University of Thessaloniki. 1997. [7] Leung, L. Ming. Learning Vector Quantization. Polytechnic University. 2009. [8] Patterson, Dan W. Artificial Neural Networks ± Theory and Applications. Singapore: Prentice Hall. 1996. [9] Priyono, Agus. Application of LVQ Neural Network in Real TIme Adaptive Traffic Signal Control. Malaysia: Universiti Teknologi Malaysia. 2005. [10] Rafflesia, Ulfasari, Perbandingan Performansi Jaringan Learning Vector Quantization (LVQ) dan Radial Basis Function (REF) untuk Permasalahan Klasifikasi Penyakit Karies Gigi. Surabaya: Institut Teknologi Sepuluh Nopember.2010. [11] Ranadhi, Djalu, Wawan Indarto dan Taufiq Implementasi Learning Vector Hidayat Quantization (LVQ) untuk Pengenal Pola SUlik Jari pada Sistem Informasi Narapidana LP Wirogunan. Yogyakarta: Universitas Islam Indonesia. 2006. [12] Somervuo, Panu. Self Organizing Maps and Learning Vector Quan tization for Feature Sequences. Finland: Helsinki University of Technology. 2004. [13] Widodo, Catur Edi dan Kusworo Adi. Penggunaan Filter Frekuensi Rendah untuk Penghalusan Citra (Image Smoothing). Semarang: UNDIP. 2003.
ITTelkomJournal on leT, Volume I Nomor2 September Taboo2012
