BAB 2 LANDASAN TEORI
2.6. Pengujian 3 Fold Cross Validation
k-fold Cross Validation merupakan teknik pengujian akurasi dan kinerja sistem dengan menggunakan keseluruhan data dari data training dan data testing. Pada penelitian ini nilai k yang digunakan adalah 3 dengan pembagian 2 kelompok data untuk data training dan 1 kelompok untuk data testing. Seluruh data secara acak dibagi menjadi 3 dengan jumlah yang sama. Setelah itu dilakukan iterasi sebanyak 3 kali. Pada setiap iterasi dilakukan pertukaran antara data training dan data testing.
Metode ini membuat setiap kelompok data menjadi data testing sebanyak satu kali.
BAB 3
ANALISIS DAN DESAIN PENELITIAN
Pada bab Analisa dan Desain Penelitian menjelaskan tentang metode yang digunakan dalam penelitian Identifikasi Nilai Nominal Uang Kertas dengan ciri Metode Local Binary Pattern (LBP). Bab ini berisikan gambaran umum penelitian, desain penelitian, analisis kebutuhan proses, implementasi perancangan, penjelasan proses, perancangan antar muka (user interface), serta spesifikasi hardware dan software yang digunakan dalam melakukan implementasi.
3.1. Gambaran Umum
Perancangan sistem Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern (LBP) bertujuan untuk membuat alat uji pengenalan pola pada citra uang kertas. Gambaran umum sistem yang akan dibangun ditunjukan pada diagram blok pada Gambar 3.1.
Gambar 3.1. Diagram Blok
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 kertas.
3.2. Desain Penelitian
Terdapat 3 tahap yang dilakukan pada penelitian ini yaitu tahap studi literatur, tahap pengumpulan data dan tahap pengembangan alat uji. Berikut adalah penjelasan untuk masing-masing tahapan yang dilakukan :
3.2.1. Studi Literatur
Studi literatur dilakukan untuk mendapatkan informasi terkait penelitian yang dilakukan. Studi literatur dilakukan dengan cara mempelajari buku referensi, artikel dan jurnal yang berkaitan dengan identifikasi uang kertas menggunakan metode Local Binary Factor (LBP).
3.2.2. Pengumpulan data
Pada penelitian ini, data yang digunakan dalam alat uji dibuat melalui 3 tahap yaitu tahap pengumpulan uang, tahap digitalisasi data, dan tahap pelabelan.
Penjelasan untuk masing-masing tahap adalah sebagai berikut :
A. Tahap 1 Pengumpulan Uang
Pada proses pengujian dalam penelitian ini menggunakan data pengujian berupa uang kertas dengan mata uang Rupiah sebagai data utama. Uang kertas yang digunakan adalah 7 jenis uang kertas yang berlaku di Indonesia pada tahun 2015.
Nilai nominal uang kertas yang digunakan adalah 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. Masing-masing nominal uang kertas akan dijadikan kelas untuk proses klasifikasi. Pengumpulan data uang kertas dilakukan dengan uang kertas yang
berbeda beda. Pada setiap nominal dikumpulkan masing masing 15 uang kertas yang menghasilkan data berjumlah 105 uang kertas.
Pada proses identifikasi dalam penelitian ini menggunakan data identifikasi berupa uang kertas dengan mata uang Rupiah sebagai data utama. Uang kertas yang digunakan adalah 45 lembar uang kertas dengan nilai nominal acak dan memiliki tahun emisi yang sama dengan masing-masing nominal pada data pengujian. Selain data uang dalam keadaan baik, terdapat juga data uang kertas yang memiliki cacat seperti data uang yang tercoret, kusam, kabur, dan miring.
B. Tahap 2 Digitalisasi Data
Data yang digunakan merupakan data citra dari uang kertas rupiah dengan format joint photographic experts group (.jpg/.jpeg). Citra yang digunakan berasal dari pengambilan gambar menggunakan kamera Smartphone dengan resolusi 5 megapixel berdimensi 2560piksel x 1920piksel. Gambar diambil dari jarak 17 cm dengan pertimbangan didapat data citra uang kertas yang utuh dan tidak terpotong.
Background/latar yang digunakan berwarna putih dengan kondisi pencahayaan terang. Pengambilan gambar uang kertas dilakukan pada uang kertas bagian belakang.
Sudut pengambilan gambar uang kertas adalah sama untuk setiap uang kertas yaitu dari atas. Proses digitalisasi citra dilakukan sama terhadap data untuk proses pengujian dan data untuk proses identifikasi. Pada Gambar 3.2. adalah contoh gambar digitalisasi citra uang kertas dari uang kertas nominal Rp.100000 .
Gambar 3.2. Data Digital Uang Kertas Nominal Rp.100000
Proses digitalisasi citra menggunakan alat bantu berupa akuarium sebagai pengukur jarak, 2 buah kotak kartu sebagai penopang smartphone, lampu ikan sebagai penerangan dan kertas HVS sebagai background dari citra uang. Proses digitalisasi dapat dilihat pada Gambar 3.3.
Gambar 3.3. Proses Digitalisasi Citra C. Tahap 3 Pelabelan
Pada data pengujian, pelabelan atau pemberian nama pada file citra uang kertas diberi nama sesuai dengan nilai nominal uang dan pembagian data pada tahap pengujian.
Pada proses pengujian akan dilakukan dengan metode three fold crossvalidation yang membagi 105 data uang menjadi 3 bagian yaitu firstfold, secondfold dan thirdfold.
Terdapat masing-masing 35 data pada setiap bagian (fold). Pada 35 data tersebut terdiri dari masing-masing 5 data untuk setiap nilai nominal uang. Pada Gambar 3.4.
adalah contoh nama file berdasarkan nilai nominal uang dan pembagian data pada tahap pengujian untuk uang kertas dengan nilai nominal Rp.1000.
Pada Gambar 3.4. dijelaskan bahwa terdapat 3 bagian pengkodean dalam memberikan penamaan pada file data, bagian pertama merupakan nilai nominal data uang kertas, bagian kedua merupakan bagian pengujian, dan bagian ketiga adalah urutan penomoran untuk setiap bagian. Gambar 3.5. adalah tata cara penamaan file pada gambar uang .
Berdasarkan pada Gambar 3.5., terdapat 3 kode yang mewakili setiap bagian (fold), ‘st’ untuk bagian pertama (firstfold), ‘nd’ untuk bagian kedua (secondfold), dan
‘rd’ untuk bagian ketiga (thirdfold). Pada gambar tersebut karakter ‘1000’ merupakan nilai nominal uang berdasarkan gambar uang, karakter ‘st’ merupakan kode untuk firstfold, dan angka ‘1’ di bagian belakang merupakan nomor urut untuk setiap fold pada nilai nominal tersebut. Pemberian label dimaksudkan untuk memudahkan proses baca data yang akan dilakukan system secara otomatis pada proses pengujian.
Pada data identifikasi tidak ada proses pelabelan, hal ini dikarenakan user diasumsikan tidak mengetahui hasil dari identifikasi data. Data pada tahap identifikasi dimasukan dengan manual satu persatu pada saat proses identifikasi.
Gambar 3.4. Contoh Penamaan File Gambar Uang Nominal Rp.1000
Gambar 3.5. Tata Cara Penamaan File Gambar
3.2.3. Perancangan Alat Uji
Pada penelitian ini metodologi yang digunakan dalam penelitian adalah model pengembangan alat uji waterfall. Model pengembangan ini dilakukan secara sistematis dari satu tahap ke tahap lain. Berikut adalah beberapa tahapan yang ada pada model waterfall :
A. Analisa Kebutuhan Pengguna (User Requirement)
Pada tahap ini dilakukan analisis terhadap kebutuhan pengguna yang bisa diselesaikan dengan adanya alat uji. Pada penelitian ini terdapat 5 kebutuhan pengguna yaitu:
- Melihat hasil akurasi 3 fold crossvalidation - Melihat lama waktu 3 fold crossvalidation - Melihat hasil identifikasi uang
- Melihat lama waktu identifikasi uang - Mendengar suara hasil identifikasi uang
B. Analisa Kebutuhan Sistem (System Requirement)
Inti dari tahap ini adalah mencari kebutuhan dari keseluruhan alat uji yang akan diaplikasikan ke dalam bentuk perangkat lunak. Dalam membangun perangkat lunak dibutuhkan hubungan antara software, hardware, dan database yang akan digunakan.
C. Analisa Spesifikasi Kebutuhan Perangkat Lunak (Software Requirement Specification )
Pada tahap ini dilakukan pengumpulan data apa saja yang dibutuhkan oleh alat uji yang hendak dibuat. Data dapat berupa informasi, fungsi yang dibutuhkan, dan antar muka yang diinginkan.
D. Desain (Design)
Pada tahap ini dilakukan proses dalam membuat rancangan alat uji berdasarkan informasi dari tahap-tahap sebelumnya. Hasil dari tahap ini dapat berupa struktur data, arsitektur perangkat lunak, representasi interface, dan detail algoritma prosedural.
E. Pengkodean (Coding)
Pengkodean merupakan tahap dimana perancangan yang telah dibuat pada tahap desain diterjemahkan ke dalam bahasa mesin pada komputer. Pengkodean menghasilkan alat uji dalam bentuk perangkat lunak yang dibuat berdasarkan rancangan yang telah ada.
F. Pengujian (Testing)
Pada tahap pengujian, alat uji berupa perangkat lunak diuji coba untuk mengetahui apakah perangkat lunak tersebut sudah sesuai dengan rancangan dan kebutuhan pengguna.
3.3. Analisa Kebutuhan Proses
Perancangan alat uji pada penelitian ini memiliki 2 proses besar yaitu proses pengujian dan proses identifikasi. Proses pengujian bertujuan untuk mengetahui berapa persen nilai akurasi dari metode ekstraksi ciri dan metode klasifikasi yang digunakan, mengetahui lama waktu proses pengujian, dan juga untuk mendapatkan model yang akan digunakan sebagai datatraining dalam proses identifikasi. Pada saat melakukan pengujian terhadap suatu nilai k, proses pengujian akan membagi 3 data , melakukan 3 kali pengujian dan menghasilkan 3 nilai akurasi. Berdasar nilai tertinggi pada suatu nilai akurasi, datatraining yang digunakan pada nilai akurasi tertinggi akan disimpan dan digunakan sebagai datatraining (dijadikan model) untuk tahap identifikasi. Proses identifikasi bertujuan untuk mengetahui hasil identifikasi uang, lama waktu proses identifikasi, dan suara hasil identifikasi. Gambaran proses
pengujian dan proses identifikasi akan diperlihatkan dalam bentuk diagram blok pada Gambar 3.6. dan Gambar 3.7.
Pada Gambar 3.6. dijelaskan bahwa proses pengujian merupakan proses pertama yang dilakukan sebelum proses identifikasi. Proses ini menghasilkan model untuk identifikasi, persen nilai akurasi, dan lama waktu pengujian. Terdapat beberapa proses dalam sebuah pengujian yaitu proses baca data, pre-processing, ekstraksi ciri Local Binary Pattern, pembuatan histogram, 3 fold crossvalidation, hitung jarak, klasifikasi k-nn, hitung akurasi, penentuan model identifikasi, hitung rata-rata akurasi, dan hitung waktu pengujian.
Baca Data 105
Gambar 3.6. Diagram Blok Proses Pengujian
Baca Data 1
Gambar 3.7. Diagram Blok Proses Identifikasi
Pada Gambar 3.7. dijelaskan bahwa proses identifikasi merupakan proses kedua yang dilakukan setelah proses pengujian. Proses ini menghasilkan hasil identifikasi uang, lama waktu proses identifikasi, dan suara hasil identifikasi.
Terdapat beberapa proses dalam sebuah pengujian yaitu proses baca data, pre-processing, ekstraksi ciri Local Binary Pattern, pembuatan histogram, load
model dari pengujian, hitung jarak, klasifikasi k-nn, load suara hasil identifikasi, dan hitung waktu pengujian.
3.4. Implementasi Perancangan
3.4.1. Diagram Konteks (Context Diagram)
Gamb ar Ua ng , Nil ai k
Pada Gambar 3.8. di atas merupakan gambar diagram konteks atau bisa disebut sebagai data flow diagram level 0. Diagram ini merupakan level tertinggi dari data flow diagram. Diagram ini menjelaskan ruang lingkup dari alat uji yang hendak dibangun. Terdapat satu proses besar pada diagram konteks tersebut yaitu proses Identifikasi Nilai Nominal Uang Dengan Metode Local Binary Pattern. Pada diagram konteks terdapat Pengguna (User) sebagai external entity, user memasukan input berupa Gambar uang dan nilai k. Alat uji melakukan identifikasi nilai nominal uang kertas dengan metode local binary pattern dan menghasilkan output berupa akurasi pengujian, lama pengujian, hasil identifikasi, lama identifikasi , dan suara identifikasi.
3.4.2. Data Flow Diagram level 1
Gambar 3.9. Data Flow Diagram level 1
Pada Gambar 3.9. di atas merupakan gambar data flow diagram level 1.
Diagram ini merupakan pemecahan dari diagram konteks. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses pengujian dan 7 data suara hasil identifikasi.
Proses pertama user memberikan data nilai k ke dalam proses pengujian.
Proses pengujian melakukan load data dari 105 data uang pada storage. Setelah dilakukan pengujian, proses ini akan mengembalikan data akurasi pengujian dan lama pengujian ke user sebagai output , selain itu proses pengujian memberikan datatrain terbaik kepada proses identifikasi yang akan dijadikan model dalam melakukan identifikasi gambar uang.
Proses kedua user memberikan data nilai k dan gambar uang ke dalam proses identifikasi. Proses ini akan melakukan identifikasi uang kertas, menghitung lama identifikasi dan melakukan load suara hasil identifikasi dari database data suara identifikasi, sehingga mengembalikan data hasil identifikasi,lama identifikasi dan hasil suara identifikasi ke user sebagai output.
3.4.3. Data Flow Diagram level 2
Gambar 3.10. Data Flow Diagram level 2
Pada Gambar 3.10. di atas merupakan gambar data flow diagram level 2.
Diagram ini merupakan pemecahan dari data flow diagram level 1. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses training, data label dan ciri untuk menyimpan hasil data dari training, dan 7 data suara hasil identifikasi.
Pada data flow diagram level 2 ini terdapat dua proses yaitu proses training dan proses crossvalidasi yang merupakan pemecahan dari proses pengujian pada data flow diagram level 1. Selain itu terdapat proses hitung pre-processing, Ekstraksi ciri local binary pattern, membuat histogram dari grayscale, hitung jarak, klasifikasi k-nearest neighbor, dan load suara yang merupakan pemecahan dari proses identifikasi uang kertas pada data flow diagram level 1.
3.4.4. Data Flow Diagram level 3
Gambar 3.11. Data Flow Diagram level 3
Pada Gambar 3.11. di atas merupakan gambar data flow diagram level 3. Diagram ini merupakan pemecahan dari data flow diagram level 2. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses ekstraksi ciri local binary pattern, data label dan ciri untuk menyimpan hasil data dari histogram dari grayscale local binary pattern, dan 7 data suara hasil identifikasi. Pada data flow diagram level 3 ini terdapat tiga proses yaitu proses pre-processing, proses ekstraksi ciri local binary pattern dan proses membuat histogram dari grayscale local binary pattern yang merupakan pemecahan dari proses training pada data flow diagram level 2. Selain itu terdapat tiga proses yaitu proses hitung membagi datatest dan datatrain, hitung jarak, dan klasifikasi k-nearest neighbor yang merupakan pemecahan dari proses crossvalidasi pada data flow diagram level 2.
3.5. Penjelasan Proses
3.5.1. Baca Data
Proses baca data merupakan proses awal pada kedua proses utama. Proses baca data yang terdapat pada proses pengujian merupakan proses membaca data dari 105 data citra uang yang sudah disiapkan pada suatu folder. Data citra yang dibaca merupakan data citra dengan dimensi 2560piksel x 1920piksel. Proses baca data pada proses identifikasi merupakan proses baca untuk satu data citra yang dipilih oleh user yang akan dijadikan data yang ingin diidentifikasi nilai nominalnya.
Proses baca data dilakukan menggunakan fungsi imread() yang terdapat pada program matlab. Proses baca data akan membaca data gambar dengan format joint photographic experts group (.jpg/.jpeg) dan mengubahnya menjadi data matriks berskala 8 bit pada matlab. Data matriks yang dihasilkan masih berupa data citra berwarna yang memiliki 3 layer, yaitu layer Red, Green dan Blue.
3.5.2. Pre-processing
Setelah dilakukan proses baca data, maka langkah selanjutnya adalah melakukan Pre-processing pada setiap data. Terdapat 2 proses pada tahap pre-processing yaitu proses resize dan proses grayscaling. Hasil dari pre-processing adalah citra baru yang memiliki skala keabuan dan dimensi matrik berjumlah baris 192 dan kolom 256. Jumlah dimensi matrik berjumlah baris 192 dan kolom 256 dipilih supaya untuk mempercepat proses komputasi dan tidak merubah perbandingan dimensi baris dan kolom pada citra asli. Jumlah baris 192 dan kolom 256 ditentukan berdasarkan 10% dari jumlah baris dan kolom pada citra asli.
Pada penelitian ini terdapat 2 kali percobaan pada proses resize dalam tahap pengujian, yaitu resize dengan menggunakan dimensi matriks baris 65 dengan kolom 160 dan dimensi matriks baris 192 dan kolom 256. Percobaan ini dilakukan untuk mengetahui apakah proses pre-processing tahap resize berpengaruh pada akurasi dalam proses pengujian. Berikut merupakan ilustrasi perubahan dari proses pre-processing :
Berdasarkan gambar 3.12. dijelaskan bahwa proses pre-processing yang dilakukan pada tahap grayscaling dilakukan dengan menggunakan fungsi rgb2gray() pada matlab, Sedangkan pada tahap Resize menggunakan fungsi resize() pada matlab.
Setelah dilakukan proses baca data, proses selanjutnya yang akan dilakukan adalah mengenakan setiap data dengan proses ekstraksi ciri Local Binary Pattern.
Citra Asli Citra Grayscale Citra Hasi Resize Resize
Grayscaling
Gambar 3.12. Ilustrasi Hasil Proses Pre-processing
3.5.3. Ekstraksi Ciri Local Binary Pattern (LBP)
Setelah data siap untuk diproses, maka langkah selanjutnya adalah melakukan proses ekstraksi ciri. Ekstraksi ciri yang digunakan adalah ekstraksi ciri Local Binary Pattern. Proses Ekstraksi ciri ini menghasilkan matriks citra baru dengan satu layer atau berskala keabuan. Pada penelitian ini warna pada layar tidak mempengaruhi hasil ekstraksi ciri local binary pattern, hal ini disebabkan ekstraksi ciri yang digunakan merupakan ekstraksi ciri dalam bentuk tekstur pada skala keabuan.
Berikut adalah pseudocode untuk menjelaskan algoritma local binary pattern : 1. Mulai
2. Baca data citra (citra berskala keabuan) 3. k=kolom,b=baris
4. i=2, Selama i < j lakukan langkah 5 sampai 15 5. j=2, Selama j < k lakukan langkah 6 sampai 6. val=0;
7. Jika gambar pada piksel baris i-1 dan kolom j-1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+1
8. Jika gambar pada piksel baris i-1 dan kolom j lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+2
9. Jika gambar pada piksel baris i-1 dan kolom j+1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+4
10. Jika gambar pada piksel baris i dan kolom j+1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+8
11. Jika gambar pada piksel baris i+1 dan kolom j+1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+16
12. Jika gambar pada piksel baris i+1 dan kolom j lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+32
13. Jika gambar pada piksel baris i+1 dan kolom j-1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+64
14. Jika gambar pada piksel baris i dan kolom j-1 lebih dari sama dengan
gambar pada piksel baris i dan kolom j, maka val=val+128 15. Gambarbaru pada piksel baris i dan kolom j adalah val.
16. j=j+1 17. i=i+1;
18. Selesai
Setelah dilakukan ekstraksi ciri dengan algoritma di atas, didapatlah hasil citra baru hasil ekstraksi ciri local binary pattern. Pada Gambar 3.13 merupakan ilustrasi perubahan dari proses local binary pattern.
3.5.4. Pembuatan Histogram
Setelah didapatkan citra baru hasil ekstraksi ciri local binary pattern, selanjutnya dilakukan pembuatan histogram pada citra baru yang akan dijadikan ciri dari citra tersebut. Histogram pada penelitian ini adalah jumlah data pada suatu intensitas cahaya pada tiap piksel citra hasil ekstraksi ciri local binary pattern yang bernilai dari 0 hingga 255. Pada Gambar 3.14. merupakan contoh representasi histogram hasil ekstraksi ciri local binary pattern :
Ekstraksi ciri LBP
Citra Grayscale Hasil Ekstraksi ciri
Gambar 3.13. Ilustrasi Hasil Proses Ekstraksi ciri LBP LBP
Gambar 3.14. Histogram Hasil Proses Ekstraksi ciri LBP
Pada Gambar 3.14. sumbu x menerangkan intensitas cahaya dari 0 hingga 255, sedangkan sumbu y menerangkan banyaknya jumlah intensitas cahaya pada suatu objek citra. Pembuatan histogram menggunakan fungsi imhist() pada matlab.
Berdasarkan gambar histogram pada Gambar 3.14, dapat dihasilkan vector berupa histogram hasil ekstraksi ciri citra. Pada Gambar 3.15. merupakan gambar vector untuk ciri histogram Gambar 3.14.
Gambar 3.15. Data Ciri Vektor Citra
Pada Gambar 3.15. Vektor ciri pada citra uang pada Gambar 3.14. hanya ditampilkan pada intensitas 0 – 22 dari yang sebenarnya terdapat ciri pada intensitas 0 – 255.
3.5.5. 3 fold Crossvalidation
Pengujian dilakukan untuk mengetahui seberapa baik kinerja alat uji. Pada penelitian ini digunakan metode pengujian 3 fold cross validation. Pengujian dilakukan untuk semua data citra uang kertas. 3 fold cross validation melakukan pembagian 105 data uang menjadi 3 bagian yaitu firstfold, secondfold dan thirdfold yang masing-masing memiliki 35 data. Kelompok data yang sudah dibagi menjadi 3 label selanjutnya dijadikan sebagai data training dan data testing. Bersumber dari data tersebut 2 kelompok data yang berjumlah 70 data untuk data training dan 1 kelompok yang berjuamlah 35 data untuk data testing. Setelah itu dilakukan iterasi sebanyak 3 kali. Pada setiap iterasi dilakukan pertukaran antara data training dan data testing.
Iterasi pertama firstfold menjadi datatesting sementara itu secondfold dan thirdfold menjadi datatraining, Iterasi kedua secondfold menjadi datatesting sementara itu firstfold dan thirdfold menjadi datatraining, Iterasi ketiga thirdfold menjadi datatesting sementara itu firstfold dan secondfold menjadi datatraining. Proses crossvalidation ini menghasilkan 3 kelompok hasil pengujian nilai nominal uang dengan masing-masing nilai akurasi yang dihasilkan.
3.5.6. Hitung Jarak
Proses perhitungan jarak dilakukan untuk mengetahui jarak atau kemiripan suatu ciri uang pada datatesting dengan ciri uang pada datatraining. Perhitungan jarak dilakukan dengan metode Eulidean Distance. Ciri yang digunakan untuk setiap citra merupakan data histogram ekstraksi ciri Local Binary Pattern.
3.5.7. Klasifikasi dengan Metode k-NN
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
(3.16.) k-Nearest Neighbor, dengan nilai k yang merupakan masukan (input) oleh user.
Berikut adalah pseudocode untuk menjelaskan algoritma k-nearest neighbor : 1. Mulai
2. Masukan berupa kumpulan jarak kemiripan uang 3. Urutkan jarak dari yang terdekat sampai terjauh 4. Ambil k nilai jarak terdekat
5. Hitung jumlah dari setiap hasil klasifikasi
6. Pilih hasil klasifikasi terbanyak sebagai hasil dari k-nn 7. Selesai
3.5.8. Menghitung Akurasi Testing
Terdapat 3 kali pengujian pada penelitian ini karena menggunakan metode pengujian 3 fold cross validation. Akurasi dari setiap pengujian dapat dihitung dari jumlah klasifikasi terhadap nilai nominal uang pada setiap datatesting yang bernilai
Terdapat 3 kali pengujian pada penelitian ini karena menggunakan metode pengujian 3 fold cross validation. Akurasi dari setiap pengujian dapat dihitung dari jumlah klasifikasi terhadap nilai nominal uang pada setiap datatesting yang bernilai