BAB 1 PENDAHULUAN
1.7. Sistematika Penulisan
Dalam bab ini dijelaskan mengenai latar belakang , rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan sistematika penulisan pada penelitian ini.
BAB II : LANDASAN TEORI
Dalam bab ini dijelaskan mengenai teori-teori yang digunakan untuk mendukung penelitian ini.
BAB III : ANALISA DAN DESAIN PENELITIAN
Pada bab ini menjelaskan tentang 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
BAB IV : HASIL DAN ANALISA
Bab ini membahas hasil dan analisa yang didapat dari penelitian dan percobaan yang telah dilakukan dalam penelitian ini.
BAB V : KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran dari hasil analisa, implementasi dan pengujian sistem.
BAB 2 LANDASAN TEORI 2.1. Uang
Uang adalah segala sesuatu yang siap sedia dan pada umumnya diterima dalam pembayaran pembelian barang-barang, jasa-jasa dan untuk membayar utang (Robertson, 1922). Rupiah adalah mata uang yang dikeluarkan oleh Negara Kesatuan Republik Indonesia. Bank Indonesia menjadi satu-satunya lembaga yang berwenang melakukan pengeluaran, pengedaran dan/atau pencabutan Rupiah. Uang merupakan alat yang paling penting dalam melakukan transaksi yang digunakan oleh manusia.
Setiap uang memiliki nilai nominal yang berguna untuk menentukan nilai dari suatu barang dan jasa yang diperjualbelikan. Pada uang rupiah terdapat dua jenis uang yaitu uang kartal dan uang giral. Jenis uang yang bisa digunakan secara langsung untuk proses tukar menukar adalah uang kartal. Uang kartal terdiari dari dua jenis uang yaitu uang kertas dan uang logam.
2.2. Pengertian Citra
Citra merupakan gambar berdimensi dua sebagai representasi dari suatu objek.
Sebuah citra diartikan sebagai suatu fungsi kontinyu dalam dua dimensi dari intensitas cahaya (x,y) (Widiarti dan Himamunanto, 2013). Dimana x dan y menyatakan suatu koordinat pada setiap titik (x,y). Pada setiap titik (x,y) memiliki suatu nilai intersitas cahaya atau kecerahan yang menentukan derajat keabuan dari setiap titik dan biasa dikenal sebagai nilai (f). Setiap titik pada citra dapat
(x,y) adalah perpotongan garis antara x dan y
Citra digital merupakan citra kontinyu yang diubah ke dalam bentuk diskret.
Citra digital direpresentasikan dalam bentuk matriks yang terdiri dari baris dan kolom, setiap perpotongan baris dan kolom tersebut memiliki nilai intensitas kecerahan. Titik dari setiap matriks tersebut dinamakan dengan piksel. Citra digital merupakan kumpulan dari piksel dengan jumlah tertentu.
Terdapat tiga jenis citra yaitu citra warna, citra keabuan (grayscale), dan citra hitam putih (biner). Pada penelitian ini citra yang digunakan adalah citra warna dan citra keabuan (grayscale).
2.2.1. Citra Warna
Citra warna merupakan citra yang titiknya mempunyai warna yang spesifik dan merupakan kombinasi dari tiga (3) warna dasar, yaitu merah, hijau, dan biru (Widiarti dan Himamunanto, 2013). Sehingga format citra warna ini sering disebut sebagai citra RGB (red-green-blue). Citra warna terdiri dari tiga keeping warna yang masing-masing menyatakan intensitas warna merah, hijau dan biru, untuk setiap keeping intensitas warna memiliki intensitas dengan nilai maksimum 255 (8 bit).
Pada Gambar 2.2. merupakan contoh citra warna gambar uang Rp. 100.000.
Gambar 2.2. Contoh Citra Uang Rp.100.000
2.2.2. Citra Grayscale
Citra Grayscale dikenal juga sebagai citra berskala keabuan. Citra jenis ini menangani gradasi hitam dan putih yang menghasilkan efek keabuan. Skala pada citra grayscale bergantung pada jumlah bit yang digunakan . Untuk citra berskala 8 bit dinyatakan dengan intensitas dengan skala 0 sampai 255. Nilai 0 menyatakan hitam dan 255 menyatakan putih. Untuk nilai di antara 0 sampai 255 memiliki warna keabuan.
2.3. Pemrosesan Citra
Secara umum Pemrosesan citra memiliki definisi pengolahan gambar berdimensi dua melalui komputer digital (Jain,1989). Terdapat banyak metode yang dapat digunakan untuk melakukan pengolahan atau pemrosesan pada suatu citra.
Citra diolah pada tiap piksel (x,y) untuk menghasilkan citra baru yang sesuai dengan kebutuhan. Pada penelitian ini dilakukan tahap pre-processing sebelum dilakukan pengenalan pola. Pre-Processing merupakan proses awal yang dilakukan pada citra sebelum dilakukan pemrosesan. Tujuan dari tahap ini adalah untuk mendapatkan hasil berupa citra baru yang lebih baik dan siap untuk diproses. Pada tahap ini dilakukan beberapa proses pada setiap data citra uang kertas yaitu proses grayscaling, dan resize.
Gambar 2.3. Contoh Citra Uang Rp.100.000 Berskala Keabuan
2.3.1. 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 sedangkan nilai R, G dan B adalah nilai dari intensitas warna pada kanal merah, biru dan hijau (red-green-blue) citra warna. Sedangkan bobot yang dikalikan pada setiap kanal R, G, dan B merupakan nilai yang ditetapkan secara proporsional respon persepsi mata manusia untuk masing-masingwarna merah, hijau dan biru. Bobot standart telah ditentukan oleh NTSC (National Television System Committee) dengan nilai bobot merah = 0.2989, bobot hijau = 0.5870, dan bobot biru = 0.1140
Gambar 2.5. Contoh Proses Grayscaling Citra
Pada Gambar 2.5. terdapat 2 buah citra uang Rp. 100.000. Pada gambar di sebelah kiri merupakan citra warna, dan di sebelah kanan adalah citra grayscale yang merupakan hasil dari proses grayscaling pada citra warna.
( 2.4.)
Grayscaling
2.3.2. 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.
Seteleh semua citra digital disamakan pada jumlah baris dan kolomnya maka data citra siap untuk diproses pada tahap selanjutnya.
Gambar 2.6. Contoh Proses Resize Citra
Pada Gambar 2.6. terdapat 2 buah citra grayscale uang Rp. 100.000. Pada gambar di sebelah kiri merupakan citra dengan dimensi baris 100 piksel dan kolom 75 piksel, dan di sebelah kanan merupakan citra hasil dari proses resize pada citra warna sebelah kiri dengan ukuran dimensi baris 80 piksel dan kolom 60 piksel.
2.4. Pengenalan Pola
Pola adalah sesuatu yang memiliki kemiripan dan keteraturan, bersifat berulang, dan sistematis (Kamus Besar Bahasa Indonesia, 2008). Pola terdapat pada banyak objek, salah satunya terdapat pada data citra uang kertas.
Pengenalan pola adalah disiplin ilmu yang bertujuan untuk melakukan klasifikasi objek menjadi beberapa kategori atau kelas(Theodorodis, 2006).
Pengenalan Pola juga dapat diartikan sebagai segala kegiatan yang dilakukan untuk pengambilan keputusan berdasarkan pola - pola kompleks objek atau informasi (Ripley, 1996). Aplikasi pengenalan pola banyak digunakan sebagai pemecahan suatu
permasalahan antara lain pengenalan pola pada suara, pengenalan pola citra, pengenalan pola citra bergerak(video), pengenalan pola kumpulan suatu data dan lain lain. Salah satu masalah yang akan diselesaikan dalam penelitian ini adalah permasalahan pengenalan pola dalam melakukan identifikasi nilai nominal pada uang kertas rupiah.
Terdapat tiga (3) tahap dalam melakukan pengenalan pola. Tahap yang paling awal dilakukan adalah tahap pre-processing yaitu tahap dimana citra dikenakan suatu proses dengan tujuan mendapatkan citra baru yang siap untuk dikenali polanya.
Tahap kedua adalah tahap ekstraksi ciri, pada tahap ini citra akan diproses untuk mendapatkan ciri dari citra tersebut. Tahap ketiga adalah tahap klasifikasi, pada tahap ini citra akan dikelompokan sesuai dengan kelas kelasnya.
2.4.1. Ekstraksi Ciri Local Binary Pattern (LBP)
Metode Local Binary 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(Ojala, 1994). Cara kerja dari metode ini adalah menghitung selisih intensitas pada titik pusat dengan 8 titik tetangganya. Jika hasil dari selisih tersebut positif maka diberi nilai 1, dan jika hasilnya negatif maka diberi nilai 0. Setelah itu hasil dari nilai tersebut disusun searah dengan jarum jam dan menghasilkan bilangan biner berskala 8-bit. Hasil bilangan biner tersebut selanjutnya dikonversi ke bilangan desimal. Kumpulan bilangan desimal tersebut akan membentuk histogram baru yang menjadi ciri dari setiap citra.
Gambar 2.7. Ilustrasi LBP
Pada Gambar 2.7. Terdapat contoh data digital citra yang memiliki titik pusat bernilai 125. Titik tersebut dibandingkan dengan 8 tetangganya dan didapat hasil pola biner 10100100. Pola biner yang didapat dikonversi menjadi bilangan desimal dan didapat hasil 37 untuk nilai piksel tersebut.
2.4.2. Histogram
Histogram merupakan grafik yang merepresentasikan penyebaran nilai-nilai intensitas piksel dari suatu citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan relatif dari intensitas pada citra tersebut. Histogram dapat menunjukkan kecerahan (brightness) dan kontras (contrast) dari sebuah gambar. Histogram adalah alat bantu yang berharga dalam pekerjaan pengolahan citra baik secara kualitatif maupun kuantitatif. Misalkan citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L–1 (misal pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis histogram citra dihitung dengan rumus:
ni = jumlah piksel yang memiliki derajat keabuan i N = jumlah seluruh piksel di dalam citra
Pada Gambar 2.9. sumbu x menerangkan intensitas cahaya dari 0 hingga 255, sedangkan sumbu y menerangkan banyaknya jumlah intensitas cahaya pada suatu objek citra.
2.5. Klasifikasi k-Nearest Neighbor (k-NN)
Klasifikasi merupakan penggolongan atau pengelompokan suatu objek berdasarkan kelas kelas. Metode klasifikasi k-Nearest Neighbor (k-NN) merupakan metode klasifikasi nonparametric. Pada metode ini klasifikasi ditentukan berdasarkan jarak data ke beberapa data /tetangga terdekat (neighbor) terdekat (Santosa, 2007).
Dalam hal ini jumlah data/tetangga terdekat ditentukan oleh user yang dinyatakan dengan nilai k. Untuk menghitung jarak antara dua titik x dan y digunakan rumus jarak euclidean distance pada rumus 2.10.
n = jumlah dimensi xi dan yi = data
Metode k-Nearest Neighbor (k-NN) dapat dijelaskan dengan ilustrasi pada Gambar 2.11.
Pada Gambar 2.11 terdapat 3 kelas (class) pada gambar objek di atas yaitu lingkaran, persegi dan segitiga. Pada 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, maka hasil klasifikasi objek x adalah persegi karena terdapat lebih banyak persegi yaitu dua daripada segitiga yang hanya berjumlah satu.
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
Diagram ini merupakan pemecahan dari diagram konteks. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses pengujian dan 7 data