Pius Juan Pratama, Anasrasia Rita
widiarti. Identifikasi Nilai Nominal
...
IDENTIFIKASI NILAI NOMINAL UANG KERTAS DENGAN METODE LOCAL BINARY PATTERN Pius Juan Pratama*1, Anastasia Rita Widiarti2 program Studi Teknik tnformatika Fakultas Sains Dan Teknologi 1.2 Universitas Sanata Dharma, Kampus 3, Paingan, Maguwoharjo, Sleman, Yogyakarta '''No.TelplFax (0274) 513301/ (0274) 562383 ,.2
e-m
ail'.
*
I
[email protected],
Abslrak-uang adalah alal pembayaran yang digunakan sehari-
htri. Penyandang tundnetraiuga menggunakan uang sebagai alat transaksi poda kehidupan sehari hari. Keterbatasan penyandnng tunanetro dalam hal melihat meniadikan merekt sulit dalant melakukan ittentiJikasi pada nilai nominal uang lerutama pado uang kerlas. Berdasarkan alas permasaluhan tersebut, pada p"rrilitia,, ini peneliti hewlak mzmbuat suatu sistem yang dapat mengitlentiJikasi illai nominal yang terkandung dalam uang kertas Rupiah utttuk menrbantu penyandang lunanetra dalam melakukan proses identitikasi.
dari uang kertas Rupiah. Sebelum melakukan proses pengenalan pola dilakukan tahap prapenttosesan tlengan menggunakon proses grayscaling dan proses resize Proses pengenalan pola dilakukan dnigoo cara nungekstraksi ciri menggunakan n'etode Local Binary Pattern (LBP). Potayang sudah dielapat dari tiapienis uang akon digunakan untuk prosa identilikasi ynitu pengklasifikasian uang rlengan metotle pendekatan k'Nearest Neigl$or (k'NN)' Parla proses identiJikasi nwnggunakan citra dengan dinensi Proses identiJikasi dilakukan dengan nungenati pola
192 tlutt kolom 256. Model yang digunakan pada proses i.rlentilikasi arlalah (lotstrain terbaik pada proses penguiian 3 fokl crossialirlation lerhadap 105 data- Proses identiJikasi
citra baris
menghasilkan akurosi sebesar 86,667 % pada nilai k-2.
Kata Kunci-ldentifikasi uang, k-Nearest Neighbor, Local Binary Pattern, Pengenalan Pola
I. PENDAHULUAN Uang merupakan alat pembayaran yang dapat diterima secara urnum guna mempennudah proses tukar menukar atau pembayaran barang dan jasa di suatu wilayah tertentu [l]'
Setiap uang memiliki nilai dan satuan hitung guna menentukan nilai dari suatu barang dan jasa yang diperjualbelikan. Uang saat ini merupakan alat yang paling penting dalam
melakukan transaksi yang digunakan oleh manusia. Sama seperti halnya manusia normal, para penyandang disabilitas seperti penyandang tunanetra juga rnenggunakan uang sebagai alat transaksi pada kehidupan sehari hari. Para penyandang tunanetra lebih sulit dalam rnenggunakan uang sebagai alat transaksi dikarenakan keterbatasan mereka dalarn melihatSalah satu solusi atas perrnasalahan tersebut adalah dengan cara menrbuat sistern yang dapat melakukan identifikasi nilai nominal pada citra uang kerlas. Proses identifikasi dilakukan dengan cara mengenali pola citra yang dikenakan pada suatu uang kertas dan mencocokannya dengan nrodel dari kurnpulan
2rita-widiarti@usd'ac'id
pola citra uang kertas. Proses pengenalan pola dilakukan dengan cara mengekstraksi ciri menggunakan metode Local Binary Pattern (LBP). Pola yang sudah didapat dari tiap jenis uang akan digunakan untuk proses identifikasi yaitu pengklasifi kasian uang dengan' metode pendekatan k-Nearest Neighbor (k-l.IN). Masukan dari sistem ini.berupa gambar
ini adalah suara dari speaker komputer yang merupakan hasil baca nilai uang keftas Rupiah dan keluaran dari sistem
nominal uang berdasarkan hasil identifrkasi pada uang kertas'
II.TiNJAUANPUSTAKA Uang kertas adalah uang yang terbuat dari kertas dengan gambar dan cap tertentu dan merupakan alat pembayaran yang
sah. Penelitian yang pernah dilakukan 'untuk melakukan identifikasi nilai nominal pada uang kertas adalah penelitian dengan judul Aplikasi Identifikasi dan Konversi Mata Uang Kenas Asing Terhadap Rupiah dengan Metoda Local Binary Pattem ( LBP ) Berbasis Android [2]. Tujuan dari penelitian ini adalah untuk membantu dan memudahkan para wisatawan asing melakukan konversi mata uang asing yang dimilikinya ke mata uang rupiah dengan cara mengenali pola citra pada uang kertas asing.
Pada penelitian Aplikasi Identifikasi dan Konversi Mata Uang Kertas Asing Terhadap Rupiah dengan Metoda Local Binary Pattern ( LBP ) Berbasis Android, data yang digunakan adalah data citra uang dalam bentuk citra warna yang telah rnelewati tahap digitalisasi citra' Citra wama yaitu citra yang
rnemiliki 3 kanat warna red, green dan blue, untuk setiap kanal intensitas warna memiliki intensitas dengan nilai maksimum 255 (8 bit). Setelah itu citra dikenakan proses grayscaling yaitu mengubah citra ke skala keabuan yang rnenjadikan citra hanya merniliki 1 kanal wama saja.
Metode ekstraksi ciri yang digunakan adalah metode Local Binary Pattern(LBP) dan klasifrkasi dilakukan dengan metode pendekatan k-Nearest Neighbor. Metode Local Binaty Pattern merupakan salah satu metode untuk melakukan ekstraksi ciri pada suatu data citra grayscale. Metode LBP pertamakali diperkenalkan oleh Ojala dkk pada tahun 1994' LBP didefinisikan sebagai perbandingan nilai biner piksel pada titik pusat citra (hotspot) dengan 8 titik tetangganya [3].
ruRNAL REALTECH Vol.
Proses klasifikasi dilakukan dengan metode pendekatan k-Nearest Neighbor. Klasifikasi merupakan penggolongan atau pengelompokan suatu objek berdasarkan
kelas kelas. Metode klasifikasi k-Nearest Neighbor (k-NN)
12, No. 2, Oktober 2016:
l-8
ISSN: t907-0837
kertas akan dijadikan kelas untuk proses klasifikasi. Pengumpulan data uang kertas dilakukan der.rgan uang kertas yang berbeda beda. Pada setiap nominal dikumpulkan masing masing l5 uang kertas yang menghasilkan data berjumlah 105
merupakan metode klasif,rkasi nonparametric. Pada metode ini klasif,rkasi ditentukan berdasarkanjarak data ke beberapa data
uang kertas.
/tetangga terdekat (neighbor) terdekat [4]. Dalam hal ini jumlah data/tetangga terdekat ditentukan oleh user yang dinyatakan dengan nilai k Untuk menghitung jarak antara dua
menggunakan data identifikasi berupa uang kertas dengan
titik x
y digunakan rumus jarak euclidean distance. Hasil dari penelitian ini memiliki tingkat akurasi
dan
mencapai 88.57% dengan waktu komputasi rata-rata adalah 107.51 milidetik.
Pada proses identifikasi dalam penelitian ini mata uang Rupiah sebagai data r-rtama. Uarrg kertas yang digunakan adalah 45 lernbar nang kertas dengan nilai nominal acak dan merniliki tahun emisi yang sarna dengan masingmasing nominal pada data pengujiar-r. Selain data uang dalam keadaan baik, terdapat juga data uang kertas yang memiliki cacat seperti data uang yang tercoret, kusam, kabur, dan miring.
III.
METODE PENELITIAN
Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern (LBP), tujuan yang Pada penelitian Identifrkasi
hendak dicapai adalah mengetahui apakah penggunaan metode
ekstraksi ciri Local Binary Pattern pada citra uang kertas dapat digunakan untuk melakukan identifikasi pada nilai nominal uang kertas Rupiah. Untuk itu maka dibangunlah alat uji Sistem Identifrkasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattem guna mengetahui keberhasilan metode ekstraksi c,l.i Local Binary Pattern pada pengenalan pola citra uang kertas. Gambaran umum sistem yang akan dibangun ditunjukan pada diagram blok pada Gambar
l- .*I*l.*.. .-*
I
I
u,uu
r.n,*
|I
lncut
l---v
)
Si*tcrn ld!ilifikxi \iilai NoNirutl Utng l{enas dqlgw M€t(de I-ocal llinaru tanem
+\l l-1
"r-.--\ I str{h ,/ I Hcrl ldeuritik*si
-/ I
Gambar
l. Diagram Blok
l.
I I I
I
Input dari sistem Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern (LBP) merupakan citra dari uang kertas. Sistem melakukan proses Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern (LBP) pada input yang dimasukan dan sistem menghasilkan Output berupa suara hasil dari identifikasi nilai nominal uang keftas. A. Pengurrpulan Data
Pada proses pengujian dalam penelitian ini menggunakan data pengujian bei'upa uang kertas dengan mata
uang Rupiah sebagai data utama. Uan_q kertas yang digunakan adalah 7 jenis uang kertas yang berlaku di Indonesia pada tahun 20 15. Nilai nominal uang kertas yang digunakan adalah Rp. I000 tahr-rn emisi 2000. Rp.2000 tahun emisi 2009,
Rp.5000 talrun emisi 2001, Rp.10.000 tahun enrisi 2005, Rp.20.000 tahun ernisi 2004, Rp.50.000, tahun emisi 2005 Rp. 100.000 tahun enrisi 20 l'1. Masing-r.nasing nontinal uang
Digitalisasi Citra Data yang digunakan merupakan data citra dari uang kertas rupiah dengan format joint photographic experts group Upg/.jpeg). Citra merupakan gambar berdimensi dua sebagai representasi dari suatu objek. Sebuah citra diartikan sebagai B.
suatu fungsi kontinyu dalam dua dimensi dari intensitas cahaya (x,y) [5] Dimana x dan y menyatakan suatu koordinat pada setiap titik (x,y).Citra yang digunakan berasal dari pengambilan gambar menggunakan kamera Srnartphone dengan resolusi 5 megapixel berdimensi 2560piksel x l920piksel. Gambar diambil dari jarak 17 cm dengan pertimbangan didapat data citra uang kertas yang ltuh ,Jan tidak terpotong. Backgroundllatar yang digunakan berwarna putih dengan kondisi pencahayaan terang. Pengambilan gambar uang kertas dilakukan pada uang kertas bagian belakang. Sudut pengambilan gambar uang kertas adalah san.ra
untuk setiap uang kertas yaitu dari atas. Proses digitalisasi citra dilakukan sama terhadap data untuk proses pengrrjian ,. ,n data untuk proses identifikasi. Hasil dari proses digitalisasi
citra adalah citra dalam bentuk citra digital. Citra ,;ligital merupakan citra kontinyu yang diubah ke dala.:,: i:,-:",,Lrk diskret. Citra digital direpresentasikan dalam berrtuk rriirrriks yang terdiri dari baris dan kolorn. setiap perpotongan baris dan
kolom tersebut memiliki rrilai intensitas kecerahan. i-i;,ik dari setiap matriks tersebut dinamakan dengan piksel. Crira ,iigital merupakan kurrpular.r dari piksel dengan jumlah tertentu. C. Perancangan
S
istenr
Perancangan alat
uji
pada penelitian
ini :renr,j;! i
proses besar yaitu proses pengujian dan proses ideniriitra:,i.
2
Pius Juan Pratam4 Anastasia Rita Widiarti. Identi/ikasi
Nilai Nominal
.-.
adalah untuk mendapatkan citra yang lebih baik dan lebih siap
untuk dikenali polanya.
Baca Data 105
a) Proses Resize
Resize citra adalah proses merubah ukuran jumlah piksel suatu citra digital. Pada penelitian ini proses resize dilakukan untuk menyamakan ukuran piksel pada semua data citra uang kertas. Menyamakan ukuran piksel berarti membuat data citra pada uang kertas dengan ukuran jumlah piksel yang sama antara baris dan kolomnya. Pada penelitian ini setiap citra dikenakan proses resize yang rnenjadikan dimensi citra menjadi 192 dan kolorr 256. Proses resize menggunakan fungsi resize$ pada program matlab.
_+
Gambar 3. Ilustrasi Proses ResLe Pada Gambar 3. terdapat 2 buah citra grayscale uang
Hitung Akuras
Hitung Jarak
Rp. 100.000. Pada gambar di sebelah kiri merupakan citra piksel dan di
dengan dimensi baris 100 piksel dan kolom 75
sebelah kanan merupakan citra hasil dari proses resize pada
citra warna sebelah kiri dengan ukuran dimensi baris 80 piksel dan kolorn 60 piksel. b) Proses Grayscaling
Grayscaling citra adalah proses merubah skala citra
dari citra berskala warna ke citra berskala keabuan (grayscale). Pada citra warna yang terdapat tiga (3) kanal warna merah , hijau dan biru dikonversi menjadi 1 kanal dengan nilai intensitas maksimal 255. Salah satu cara untuk melakukan konversi citra warna ke citra grayscale adalah dengan rumus
Gambar 2. Diagram Blok Proses Pengujian dan Identifikasi
Pada Garnbar 2. adalah diagram blok proses pengujian dan identifikasi. Setiap proses pada proses pengujian dan identifikasi terdapat pada sistem Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern (LBP) yang terdapat pada Gambar 1. Penjelasan setiap proses pada Cambar 2. dijelaskan sebagai berikut:
l) Preprocessing selanjutnya adalah melakukan Pre-processing pada setiap data. Terdapat 2 proses pada tahap pre-processing yaitu proses resize dan proses gra-Irscaling. Tujuan dari preprocessing
I
--rr
:-,
-::rr:
0.2989 * R+ 0.5870 * C + 0.1140 *
B
(l)
Pada Rumus 1. M merupakan hasil intensitas pada citra grayscale sernentara nilai R, G dan B adalah nilai dari intensitas warna pada kanal merah, biru dan hljau (red-greenblue) citra warna. Sedangkan bobot yang dikalikan pada setiap kanal R, G, dan B nrerupakan nilai yang ditetapkan secapa proporsional respon persepsi mata manusia untuk masingmasingwarna merah, hijau dan biru. Bobot standarl telah
ditentukan
Setelah dilakukan proses baca data, ntaka langkah
Mi:?{:.,*1;,,',
M(ij):
l.
oleh NTSC (National Television
System
Cornmittee) dengan nilai bobot rnerah = 0.2989, bobot hijau 0.5
870.
dan
bobot
biru
-
:
0.1 140.
1907-0837 No' 2' Oktober 2016: 1-8 ISSN: ruRNAL REALTECH Vol' 12'
hasil ekstraksi ciri local Setelah didapatkan citra baru
histogram dilakukan binary pattern, selanjutnya lelb.uatan
;:^:;:";^baru
ciri dari citra tersebut' vang akan dijadikan
3) Proses Pembuatan Histogrant
hasil ekstraksi ciri local Setelah didapatkan citra baru
Grayscaling
Gambar 4.
buah citra uang Rp' kiri merupakan citra warna' 100.000. Pada gambar di sebelah citra grayscale yang merupakan dan di sebelah kanan adalah
4'
Pada Gambar
terdapat
2
histogrart
dilakukan
binaty pattern. selanjutnya llmluatan dijadikan ciri dari citra tersebut' akan yang baru citra pada PadaGambarT.merupakancontohrepresentasilristogram pattern: lrasil ekstraksi citi local binary
pada citra warna hasii dari proses grdy'tc aling
Binary Pattern (LBP) 2) Proses Ekstraksi Ciri Locul
maka langkah Setelah data siap untuk diproses' proses ekstraksi ciri LocqL selanjutnya adalah melakukan metode ini adalah menghitung Binarv Pattern.Cara kerja dari 8 titik tetangganya' ,"tisit, int"n.itas pada titik pusat dengan positif maka diberi nilai l' dan Jika hasil dari selisih tersebut itu hasil dari negatif maka diberi nilai 0' Setllah
jika hasilnya jarum jam dan nilai tersebut disusun searah dengan Hasil bilangan berskala 8-bit' menghasilkan bilangan biner ke bilangan desimal' biner tersebut selarrjutnya dikonversi tersebut akan membentuk Kumpulan bilangan desimal ciri dari. setiap citra' Pada histogram baru yang menjadi binaty proses ekstraksi citi local Gambar
5-
merupakan
t,
;-
r.r:.:t}=iia
cahayz 6' sumbu x menerangkan intensitas y menerangkar dari 0 hingga 255, sedangkan sumbu objek citra' cahaya pada suatu Uunyuf.nyu ju*lah intensitas
Pada gambar
4) Proses Pengujian
3
fold Crossvalidation
mengetahui seberapa bail Pengujian dilakukan untuk
ffi.ffi:37 Pola
Citm
bobot
Bincr
kinerja atat
uli'
Pada penelitian
ini
digunakan rnetod
Pengujian dilakukan untu pengujian 3 fold uoss validation'
semuadatacitrauangkertas.3fold.crossvaLidatio 3 bagian-Y'att melakukan pembagian
s'econdfold
t"OS
au'u uang menjadi
dan thirdfold yang
masing-mastn
patterrt.
;;tfr,i,
Ctri Local Binary Pattern Ganrbar 5. Ilustrasi Proses Ekstraksi
memiliki35data.Kelompokdatayangsudahdibagimenjadi dala training dan da label selanjutnya dijadikan sebagai dala yat *rirrf Bersumber dari data tersebut 2 kelompok
Proses Ekstraksi
ciri ini
menghasilkan matriks citra
keabuan' Gambar 3 baru dengan satu layer atau berskala dari proses local binatlt *"roput * ilustrasi perubahan pattern'.
yat training dan I kelompok berjumlah 70 data untuk data dilakukr data testing' Setelah itu berjuamlah 35 data untuk
setiap iterasi dilakuk; iterasi sebanyak 3 kali' Pada dattt testing' lleri antata data training dan
Orn*kr.",
sementara itu secondfr pertamafirstfuld menjadi datatesting Iterasi kedua secondfi
thirdfold n.rtnluai datatainin[' ltu firstfoLd dan third/i menjadi datatesting-'"nltn'u'u dan
Ekstraksiciri LBP
third'fold,, '::1: menjadi datataining' Iterasi ketl-ga menl' s.econdfold dan itu firstfold sementarl datatesting .
Citra Grq'scale Gar.r.rbar 6
Hasil Ekstraksi ciri Ilustrasi Local Binarl; Pattertt
ini rnenghasilkan. datatrainittg. Proses crossvalidcrtion norninal uang dengan nrastt kelornpok lrasil pengujian nilai masing
nilai
akurasi yang
dihasilk
Pius Juan Pratanra. Anastasia Rita widiarti . Identifikasi Nilai Nontinal
..
yang bernilai benar. Untuk rnenghitung akurasi 5) Proses Hitung Jarak Proses perhitungan jarak dilakukan untuk mengetahuijarak atau kemiripan suatu ciri uang pada datatesting der.rgan ciri uang pada datatraining. Perhitungan jarak dilakukan dengan n.retode Eulidean Distance' Ciri yang
digunakan untuk setiap citra nrerripakan data histogram ekstraksi ciri Local Binary Pattern'
dapat
menggunakart rumus matematis pada rumus 3.
Akurasi=X Jumlah klasifikasi benar X l 00%
X Jumiah citra
(3)
uang
8) Penentuan Model untuk Identifikasi Pada tahap pengujian akan dilakr-rkan dengan metode
6) Proses Klasifikasi dengan Metode
k-N//
Proses klasifikasi dilakukan dengan tujuan menentukan kelas dari suatu objek yaitu gambar uang' Terdapat 7 pembagian kelas dalam penelitian ini yaitu kelas
1000, 2000, 5000, 10000, 20000, 50000, dan 100000' Klasifikasi menggunakan metode k-Nearest Neigltbor, dengan nilai k yang merupakan masukan (input) oleh user. Klasifikasi dilakukan dengan menghitung beberapa jarak terdekat dari
sekutnpulan
jarak.
Perhitungan
jarak
menggunakan
pendekatan euclidean distance yang dihitung detrgan rumus 2'
d(x,y)
iilx-y
(2)
ll'=
Metode k-Nearest Neighbor (k-}'IN) dapat dijelaskan
t^--
o t.....T,.-,.,'o tr """";''' --
-
fold cross validation. 9) Menghitung Rata-Rata Akurasi
Proses pengujian pada penelitian ini menghasilkan 3 nilai akurasi dari 3 kelompok pengujian. Nilai akurasi tersebut
dihiturrg rata-ratat"tya lalu dijadikan nilai akurasi untuk pengujian Identifikasi Nilai Nominal Uang Kertas dengan ciri Metode Local Binary Pattern (LBP). Rata-rata akurasi
Rata Rata Akurasi
dengan ilustrasi pada garnbar 5.
o.1
3 fold
dihitung dengan rumus pada rumus 4'
lz : jumlah dimensi x, dan Y, : data
'
cross validation. Perrgujian ini akan menghasilkan 3 kelonrpok hasil pengujian nilai nominal uang dengan masing-masing rrilai akurasi yang dihasilkan' Model untuk identifikasi dipilih berdasarkan datatraining yang memiliki nilai akurasitertinggi pada 3 kali tahap pengujian 3 pengujiarr
:
Akurasi l+Akurasi
2+Akurasi
(4)
J
10) Menghitung Waktu Pengujian Setiap proses pada penelitian ini rrenghabiskan sejumlah waktu tertentu. Waktu yang dibutuhkan dalam melakukan proses pengujian dihitung mulai dari proses mernbaca data dan berakhir" pada saat proses menghitung ratarata akurasi. Perhitungan waktu ini dilakukan menggunakan
..:-
fungsi ric dan toc yang terdapatpada ntatlab'
Gambar 8. Ilustrasi k'Nearest Neighbor I Pada Gambar 8. terdapat 3 kelas (class) pada garnbar atas yaitu lingkaran, persegi dan segitiga' Pada
objek di gambar tersebut terdapat objek
x
yang tidak diketahui
kelasnya. Metode k'nearest neighbor melakukan klasifikasi
dengan mencari jarak terdekat dari objek
x' Nilai k:3
digunakan pada pengklasifikasian tersebut, 3 kelas terdekat dari objek x adalah 2 objek persegi dan satu objek segitiga
Berdasar pada 3 objek terdekat di sekitarnya, nraka hasil klasifikasi objek x adalah persegi karena terdapat lebih banyak persegi yaitu dua daripada segitiga yang hanya berjumlah satu' 7) Men-qhitung Akurasi Testing
Terdapat 3 kali pengujian pada penelitian ini karena nrenegunakan nretode pengujian 3 fold cross validatiot't'
Akurasi dari setiap pengujian dapat dihitung dari jumlah klasifikasi terhadap nilai nominal uang pada seliap datalesting
l)
Load Model untuk Identifikasi
Pada tahap pengujian telah didapatkan datatrain terbaik. Datatrain tersebut akan dijadikan model sebagai landasan untuk melakukan identifikasi uang pada proses Identifikasi.
12) Load
Suara Hasil Identifikasi
Setelah didapat hasil identifikasi uang yang dilakukan pada proses klasifikasi dengan nretode [-"\"\, nraka tahap selanjutnya adalah memutar suara berdasarkan hasil identifikasi tersebut. Proses ioad hasil suara nienggunakan fungsi audiot'ead Pada matlab.
JURNAL REALTECH VoL
Setiap proses pada penelitian ini menghabiskan sejumlah waktu tertentu. Waktu yang dibutuhkan dalam melakukan proses identifikasi dihitung mulai dari proses membaca data dan berakhir pada saat proses Load Suara Hasil ldentifikasi. Perhitungan waktu ini dilakukan menggunakan
fungsi ric dan toc yang terdapat pada matlab.
HASIL DAN PEMBAHASAN
A.Hasil Pengujian 3 Fold Cross Validation Pada tahap pengujian, metode yang digunakan adalah
metode Three Fold Cross Validation . Masukan untuk tahap pengujian berupa nilai k yang akan digunakan untuk proses
klasifikasi dengan metode k-nearest neighbor.
Proses
pengujian ini menghasilkan persentase akurasi dan lama waktu koinputasi dalam satuan detik yang dihitung berdasarkan nilai k. Pada penelitian ini dilakukan 10 kali percobaan terhadap Tabel
No. 2, Okober 2016 1-8 ISSN:
Tabel 2. Hasil Pengujuan 3 tbld
13) Menghitung Waktu Identifikasi
IV.
12,
1,907-083'7
crossvalidalon_
(%)
Lama Komputasi (detik)
I
96,1905
66,71
2
98,0952
66,65
3
97,1429
67,84
1
96,1905
71,78
5
94,2857
'74,37
6
95,2381 92,381
72,90
7
I
90,4762
I
9
90,4762
74,74
t0
88,5714
1)
gilai k
Persentase Akurasi
74,79
),2)
)t
Percobaan kedua adalah percobaan dengan dimensi
resize matriks yaitu baris dengan 192 dan kolom 256. Berdasarkan hasil percobaan terhadap 10 nilai k yaitu nilai 1 hingga 10, didapat hasil persentase akurasi dan lama waktu komputasi pada Tabel2. :
l.
Hasil Penguiuan 3 fold crossvalidation (%)
Lama Komputast (detik)
I
83,8095
31,48
2
80,9s24
1) \)
Nilai
Persentase Akurasi
k
dari 10 kali pengujian k yaitu nilai I hingga 10, didapatkan hasil bahwa nilai k:2 merupakan nilai dengan akurasi tertinggi yaitu 98,0952 Yo dengan waktu komputasi 66.65 detik' Sedangkan untuk hasil lama waktu komputasi, waktu tersingkat terdapat pada proses dengan nilai k:2 dengan lama Berdasarkan Tabel 2.,hasil
terhadap 10 nilai
3
86,6667
33,06
l
4
87,6190
32,65
l l
5
88,5714
32,56
6
89,5238
32,58
7
88,57 14
) /, ))+
,Y
89,5238
32,56
B. Hasil ldentifikasi
9
88,s714
32,64
t0
9A,4762
32,50
Proses identifikasi pada alat uji menghasilkan hasil identifikasi berupa klasifikasi nilai nominal uang kertas. Proses identifikasi dilakukan dengan model berupa data training terbaik yang didapat pada proses pengujian 3 fold
nilai k yaitu nilai I hingga 10.
waktu komputasi yaitu 66,65 detik.
Percobaan dilakukan
menggunakan data yang sama. Percobaan pada alat uji
di
desktop tanpa ada program lain yang running' Pada tahap pengujian dilakukan 2 kali percobaan dua dimensi matriks yang berbeda pada tahap proses resize. Percobaan pertama adalah percobaan dengan dimensi resize matriks yaitu dengan baris 65 dan kolom 160. Berdasarkan hasil percobaan
dijalankan
terhadap 10 nilai
k
yaitu nilai
I
hingga 10, didapat hasil
persentase akurasi dan lama waktu komputasi pada Tabel
l.
:
Berdasarkan Tabel 1., hasil dari 10 kati pengujian terhadap 10 nilai k yaitu nilai i hinggal0, didapatkan hasil bahwa nilai k:10 merupakan nilai dengan akurasi tertinggi
yaitu 90,4762 %o dengan waktu komputasi 32,50 detik. Sedangkan untuk hasil lama waktu komputasi. waktu tersingkat terdapat pada proses dengan nilai waktu komputasi yaitu i 1,48 detik.
k:l
dengan lama
cross validatlon. Masukan pada proses identifrkasi adalah citra
uang ker-tas dan nilai k yang digunakan pada tahap pengujian. Pada percobaan ini dilakukan proses identifikasi dengan
proses resize baris 192 dan kolom
256
proses penentuan model yaitu nilai
dan nilai k=2 pada
k
dengan akurasi
o/o. Pada proses crosvalidasi tertinggi 98.0952
ini dilakukan 45 data uang berbeda. Data uang tersebut berbeda dengan data yang digunakan pada data pengujian. Terdapat beberapa data uang yang tidak normal seperli data percobaan terhadap
uang yang tercoret, data uang yang kusam, dan data uang yang diambil miring. Percobaan pada alat uji dijalankan di desktop
tanpa ada program lain yang rttnning. Pada Tabel diperlihatkan
tabel
hasil
3.
identifikasi.
Pius Juan Pratatna, Anastasia Rita Widiarti. Identifikasi Nilai Nominal ... Tabel 3.
Hasil Hasil Identifikasi 45 Data Uang
Nilai No.
Nominal Uang
Hasil
Nilai
Identifikasi
Ketrenaran
Keadaan data
I
r0001
I
000
benar
normal
2
l 0002
r
000
benar
-)
1
0003
I
000
benar
normal normal
4
10004
l 000
benar
tercoret
5
I
0005
r
000
benar
kusan-r
6
r
0006
I
000
benar
7
l
0007
1
000
benar
8
1
0008
1
000
benar
normal normal normal
No.
Nilai Nominal Uang
9 r0 rl t2 13 t4 15 t6 t7 r8 t9 20 2t 22 23 24 25 26 27 28 29 30 3r 32 33 34 35 36 37 38 39 40 4I 42 ,13 ,14 45
Hasil
Identifikasi
Keadaan Nilai Kebenaran data
10009
1000
benar
normal
20001
2000
benar
20002
2000
benar
20003
2000
benar
20004
2000
benar
20005
2000
benar
normal normal normal normal normal
20006
2000
benar
20007
2000
benar
20008
2000
benar
20009
2000
benar
50001
5000
benar
50002
5000
benar
50003
5000
benar
50004
5000
benar
50005
5000
benar
50006
5000
benar benar
100008
1
0000
benar
normal normal normal tercoret normal normal normal normal normal normal normal normal normal normal normal normal normal normal normal
500001
50000
salah
kamera blur
500002
50000
salah
kamera blur
500003
50000
salah
kamera blur
500004
50000
salah
karnera blur
500005
50000
salah
kamera blur
50000
benar
50007
5000
t00001
r
0000
benar
100002
I
0000
benar
100003
r
0000
benar
100004
1
0000
benar
r00005
1
0000
benar
100006
r
0000
benar
100007
I
0000
benar
dapat diidentifikasikan dengan benar, 5 dari 6 data uang yang buram dapat diidentifikasikan dengan benar dan 1 dari 6 data yang buram tidak dapat diidentifikasikan dengan benar.
45 data pada Tabel 3. terdapat 39 hasil identifikasi bernilai benar dan 6 hasil identifikasi bernilai salah. Bersumber dari hasil identifikasi tersebut dapat diperoleh akurasi dari tahap identifikasi sebesar 86,667 %. Nilai akurasi tersebut didapat Berdasarkan hasil identifrkasi terhadap
dengan rumus pada rumus 3.
V. KESIMPULAN DAN SARAN A. Kesimpulan
Berdasarkan penelitian Identifikasi Nilai Nominal Uang Keftas dengan Metode Local Binary Pattern makadidapatkan hasil sebagai berikut
l.
:
Berdasarkan pengujian dari l0 nilai k pada crossvalidation hasil terbaik yang didapat adalah nilai
k=2 dengan akurasi sebesar 98,0952
%o
dengan waktu
komputasi 66.65 detik.
2. Berdasarkan hasil percobaan
identifikasi 39 data uang
teridentifikasi dengan benar dan 6 data uang teridentifikasi salah. Percobaan identifikasi tersebut menghasilkan nilai akurasi sebesar 86,667 %.
dapat melakukan identifrkasi pada citra uang yang tercoret dan kusam tetapi akan terdapat kesalahan (error) jika melakukan identifikasi pada data uang yang blur dan data uang yang diambil miring. Penentuan dirnensi pada proses resize dalam tahap preprocessing sangat menlpengaruhi tingkat akurasi yang
3. Alat uji
4.
didapat pada saat melakukan identifikasi
nilai nominal
uang kertas.
5. Penentuan nilai k pada proses klasifikasi menggunakall metode k-nearest neighbor
yang
sangat
mempengaruhi tingkat akurasi yang didapat pada saat rnelakukan identifikasi nilai nominal uarrg keftas.
r
000001
r
00000
benar
karrera blur normal
I
000002
r
00000
benar
nort'nal
r000003
r
00000
benar
nornral
5 hasil tersebut dapat ditarik kesimpulan bahwa rnetode ekstraksi ciri Local Binary Pattern dapat
1000004
r
00000
benar
normal
digunakan dalam pennasalahan identifikasi pada uang kertas
l 000
salah
mirin-e
Rupiah.
00000
benar
normal
500006
1000005 r
000006
Pada Tabel
r
3. terdapat hasil percobaan identifikasi
dari 45 data uan-s kertas. Berdasarkan data tersebut didapatkan hasil 39 hasil identifikasi bernilai benar dan 6 hasil identifikasi
Fr i
bernilai salah. Terdapat juga percobaan terhadap 2 data uang yang tercoret, I data uang yang miring, I data uang yang kusam dan 6 data uang yang buram. Berdasarkan percobaan tersebut kedua data uang yang tercoret dapat diidentifikasi dengan benar, satu data uang yang diambil rniring tidak dapat diidentifikasikan dengan benar, satu data uarrg yang kusam
Berdasarkan
JURNAL REALTECH Vol. 12, No. 2, Oktober 2016: 1-8 ISSN: 1907-0837
t5l
B. Saran
Beberapa saran yang dapat diuraikan dalam penelitian
Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern, yaitu:
l. Masih terdapat kesalahan pada ldentifikasi nilai nominal uang kertas dengan metode local binary pattem yang dikenakan pada uang yang blur dan yang diambil dengan
posisi miring. Berdasarkan hasil tersebut
dapat dikembangkan penelitian untuk meneliti identifikasi pada uang kertas dengan pengambilan data yang blur dan pada kemiringan tertentu. 2. Pengambilan data citra uang kertas dengan intensitas cahaya yang kurang merata menjadi salah satu penyebab kesalahan pada proses klasifikasi uang kertas. Perlu dikembangkan teknik pengambilan citra dengan intensitas cahaya yang lebih merata. Metode klasifikasi k-nearest neighbor yang digunakan pada penelitian ini membutuhkan waktu komputasi yang
cukup tinggi karena harus menghitung jarak dari tiap data testing ke seluruh data pada data training. Perlu dikembangkan penelitian dengan metode klasifrkasi yang lebih cepat. 4. Penggunaan metode klasifikasi k-nearest neighbor membutuhkan penentuan nilai k yang sesuai, oleh karena itu harus dilakukan banyak percobaan terhadap beberapa
nilai k. Pada penelitian
ini data citra yang digunakan
masih
mengikutsertakan background citra sebagai data yang
Perlu dikembangkan penelitian serupa dengan proses segmentasi pada background dan digunakan.
forground citra.
DAFTARPUSTAKA
D.H., 1922, Money. Harcourt Brace
Ill
Robertson
l2l
Company Inc., U.S.A. Fathani J.,Unang S., Ramatryana I.N.A, Tanpa Tahun.
and
Aplikasi Identifikasi dan Konversi Mata Uang Kertas Asing Terhadap Rupiah dengan Metoda Local Binary Pattern ( LBP ) Berbasis Android, Universitas Telkom, http : // docp I ayer. info/2 I 3 I 8 9-A
Bandung, i den t t
t3l
ifi ka s i - dan-
er h a dap
-ntp
ia
ko
nv ers
i - nt
lt- den ga n-rn
at a-u a n g- ker t as - as e
to
da-
Io c a l-
i
p I ikas
i-
ng-
b i n ary,- p q t t e r n
-
lbp-berbasis-android.html, diakses tgl I Oktober 2015 T. Ojala, M. Pietik " ainen, dan T. M " aenp & d, 2002, Multire solution gray-scale and rotation invariant
with local binary pattems ,IEEE Transactions on Pattern Analysis and Machine
texture classification
t4l
lntelligence, no. 7, vol. 24, pp. 97l-987. Santosa, B., 2007, Data Mining: Teknik Peruqnfaatan Data untuk Keperluan Bisnis, Teori dan Aplikasi, Graha I lmu, Yogyakar-ta.
S:=.iT5:: a-r$iiIi€?;Eiffi I3!1*5-l5Ilt:=i'::,'ttry:*-11i??,..i:,3:.i=,:l
Widiarti,A.R. dan Himamunanto,A.R., 2013, Teori dan Aplikasi Pengolahan Citra Digitai, Lintang Pustaka Utama, Yogyakarta.
