BAB 4 HASIL DAN ANALISA
4.2. Analisa Hasil
4.2.2. Analisa Hasil Identifikasi
Pada hasil identifikasi masih terdapat kesalahan identifikasi pada masukan citra yang memiliki jenis masukan citra miring dan blur. Berdasarkan hasil tersebut
dapat dianalisa bahwa pengyebab kesalahan identifikasi pada citra miring adalah hasil ekstraksi ciri yang berbeda pada tahap ekstraksi ciri local binary pattern. Sedangkan untuk citra blur memiliki kesalahan kualitas kamera yang berkurang yang mengakibatkan kualitas gambar menjadi berbeda dengan data gambar normal.
BAB 5
KESIMPULAN DAN SARAN 5.1. Kesimpulan
Berdasarkan penelitian Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern maka dapat ditarik kesimpulan sebagai berikut :
1. Pada penelitian ini data yang digunakan untuk proses Pengujian 3 fold crossvalidation sebanyak 105 data uang kertas dengan masing-masing 15 data uang untuk 7 nominal uang yaitu Rp.1000 tahun emisi 2000, Rp.2000 tahun emisi 2009, Rp.5000 tahun emisi 2001, Rp.10.000 tahun emisi 2005, Rp.20.000 tahun emisi 2004, Rp.50.000, tahun emisi 2005 Rp.100.000 tahun emisi 2014.
Pada setiap data dikenakan metode ekstraksi ciri Local Binary Pattern. Setelah itu dilakukan pengujian menggunakan metode 3 fold crossvalidation yang membagi 35 data sebagai data training dan 70 data sebagai data testing. Metode klasifikasi yang digunakan adalah metode k-nearest neighbor dengan pendekatan Euclidean distance. Berdasarkan pengujian dari 10 nilai k pada crossvalidation hasil terbaik yang didapat adalah nilai k=2 dengan akurasi sebesar 98,0952 % dengan waktu komputasi 66.65 detik. Berdasarkan hasil tersebut dapat disimpulkan bahwa penggunaan metode ekstraksi ciri Local Binary Pattern (LBP) dan metode klasifikasi k-Nearest Neighbor (KNN) dapat digunakan dalam memecahkan masalah identifikasi nilai nominal uang kertas Rupiah
2. Pada penelitian ini data yang digunakan untuk proses Identifikasi sebanyak 45 data uang kertas. Identifikasi yang dilakukan menggunakan model yang didapat dari data training terbaik pada pengujian 3 fold crossvalidation dengan nilai k=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 %.
3. Pada percobaan pada proses identifikasi, data uang Rp. 1000 dan Rp. 2000 yang memiliki coretan dapat diidentifikasi dengan benar. Data uang Rp.1000 yang kusam dapat diidentifikasi dengan benar. Sebuah data Rp.50000 yang bersifat blur dapat diidentifikasi dengan benar. 5 data uang Rp.50000 yang bersifat blur diidentifikasi dengan salah. Data uang Rp.100.000 yang diambil miring diidentifikasi dengan salah. Alat uji dapat melakukan identifikasi 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.
4. Penentuan dimensi pada proses resize dalam tahap preprocessing sangat mempengaruhi tingkat akurasi yang didapat pada saat melakukan identifikasi nilai nominal uang kertas. Pada percobaan dengan dimensi matriks berjumlah baris 65 dan kolom 160 dalam 10 kali percobaan nilai k 1-10 menghasilkan nilai akurasi 3 fold crossvalidation tertinggi yaitu 90,4762 %, sedangkan dengan dimensi matriks berjumlah baris 192 dan kolom 256 menghasilkan akurasi 3 fold crossvalidation tertinggi yaitu 98,0952 %.
5. Penentuan nilai k pada proses klasifikasi yang menggunakan metode k-nearest neighbor sangat mempengaruhi tingkat akurasi yang didapat pada saat melakukan identifikasi nilai nominal uang kertas.
5.2. Saran
Beberapa saran yang dapat diuraikan dalam penelitian Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern, yaitu:
1. Masih terdapat kesalahan pada Identifikasi nilai nominal uang kertas dengan metode local binary pattern 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.
3. 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 klasifikasi 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.
5. Pada penelitian ini data citra yang digunakan masih mengikutsertakan background citra sebagai data yang digunakan. Perlu dikembangkan penelitian serupa dengan proses segmentasi pada background dan forground citra.
DAFTAR PUSTAKA
Ahonen T.,2006. Face Description with Local Binary Patterns: Application to Face Recognition. Universitas Oulu: Finlandia.
Direktorat Pengedaran Uang Bank Indonesia, 2011. Buku Panduan Uang Rupiah.
Kompleks Perkantoran Bank Indonesia: Jakarta.
Fathani J. dkk.,Tanpa Tahun. Aplikasi Identifikasi dan Konversi Mata Uang Kertas Asing Terhadap Rupiah dengan Metoda Local Binary Pattern ( LBP )
Berbasis Android. Universitas Telkom : Bandung.,
http://docplayer.info/213889-Aplikasi-identifikasi-dan-konversi-mata-uang-k ertas-asing-terhadap-rupiah-dengan-metoda-local-binary-pattern-lbp-berba sis-android.html, diakses tgl 1 Oktober 2015
Himamunanto,A.R. dan Widiarti,A.R.,2013. Teori dan Aplikasi Pengolahan Citra Digital. Lintang Pustaka Utama : Yogyakarta.
Jain A.K., 1989. Fundamentals of Digital Image Processing. Pentice Hall, Inc:U.S.A.
Republik Indonesia, 2011. Undang-Undang Republik Indonesia Nomor 7 Tahun 2011 Tentang Mata Uang. Sekretariat Negara:Jakarta.
Robertson D.H., 1922. Money. Harcourt Brace and Company Inc.:U.S.A.
T. Ojala, M. Pietik ̈ainen, and T. M ̈aenp ̈a ̈a, 2002, “Multire solution gray-scale and rotation invariant texture classification with local binary patterns”,IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 7, pp. 971–987.
LAMPIRAN
Lampiran 1. Alat_Uji.fig
Lampiran 2. Listing Ekstraksi Ciri Local Binary Pattern
Lampiran 3. Listing Fungsi Membuat Histogram
Lampiran 4. Listing Training 3 Fold Crossvalidation
Lampiran 5. Listing Hitung Jarak Euclidean Distance
Lampiran 6. Listing fungsi 3 fold Crossvalidation
Lampiran 7. Listing fungsi Identifikasi
Lampiran 8. Listing Fungsi GUI Alat_Uji
Lampiran 9. Data Uang Kertas Tahap Pengujian
Lampiran 10. Data Uang Kertas Tahap Identifikasi
Lampiran 11. Hasil Pengujian 3 Fold Crossvalidation Dimensi Resize Citra baris 65 dan kolom 160 dengan Nilai k 1-10
Lampiran 12. Hasil Pengujian 3 Fold Crossvalidation Dimensi Resize Citra baris 192 dan kolom 256 dengan Nilai k 1-10