BAB 3 ANALISIS DAN DESAIN PENELITIAN
F. Pengujian (Testing)
3.7. Spesifikasi Hardware dan Software
Pada tahap implementasi spesifikasi hardware dan software yang digunakan adalah sebagai berikut :
1. Software
a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit b. Software : Matlab versi 8.0.0.783(R2012b)
2. Hardware
a. Processor : Intel(R) Core(TM) i5-2430M CPU @ 2.40GHz b. Ram : 4GB
c. Harddisk : 640GB
BAB 4
HASIL DAN ANALISA
Pada bab implementasi dan hasil berisi penjelasan mengenai implementasi pada tahap pengujian 3 fold crossvalidation dan Identifikasi pada Identifikasi Nilai Nominal Uang Kertas dengan ciri Metode Local Binary Pattern (LBP). Implementasi yang dilakukan pada penelitian ini menggunakan 105 data citra uang kertas rupiah pada tahap pengujian dan 45 citra uang kertas rupiah pada tahap identifikasi.
4.1. Hasil Penelitian
4.1.1. 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 komputasi dalam satuan detik yang dihitung berdasarkan nilai k. Pada penelitian ini dilakukan 10 kali percobaan terhadap nilai k yaitu nilai 1 hingga 10. Percobaan dilakukan menggunakan data yang sama. Percobaan pada alat uji dijalankan 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 terhadap 10 nilai k yaitu nilai 1 hingga 10, didapat hasil persentase akurasi dan lama waktu komputasi pada Tabel 4.1.
Tabel 4.1. Tabel Hasil Pengujuan 3 fold crossvalidation
Nilai k Persentase Akurasi (%) Lama Komputasi (detik)
1 83,8095 31,48 nilai 1 hingga10, didapatkan hasil bahwa nilai k=10 merupakan nilai dengan akurasi tertinggi yaitu 90,4762 %. Sedangkan untuk hasil lama waktu komputasi, waktu tersingkat terdapat pada proses dengan nilai k=1 dengan lama waktu komputasi yaitu 31,48 detik. Berdasarkan Tabel 4.1. dapat dihitung rata-rata persentase akurasi yang di dapat adalah 87,4286 %, dan presentase lama komputasi adalah 32.4890 detik.
Persentase akurasi dihasilkan melalui perhitungan rata-rata dari tiga nilai persentase pada tiga tahap pengujian. Gambar 4.1., Gambar 4.2. dan Gambar 4.3.
adalah contoh penjelasan untuk memperoleh hasil persentase pada pengujian yang menggunakan nilai k=10.
Gambar 4.1 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses first fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 31 jumlah identifikasi yang bernilai benar. Pada proses first fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 88.5714%.
Gambar 4.1. Capture Proses First Fold Crossvalidation
Gambar 4.2 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses second fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 32 jumlah identifikasi yang bernilai benar. Pada proses second fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 91.4286%.
Gambar 4.2. Capture Proses Second Fold Crossvalidation
Gambar 4.3. merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses third fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 32 jumlah identifikasi yang bernilai benar. Pada proses third fold crossvalidation persentase akurasi dari pengujian tersebut adalah 91.4286 %.
Gambar 4.3. Capture Proses Third Fold Crossvalidation
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 Tabel 4.2. :
Tabel 4.2. Tabel Hasil Pengujuan 3 fold crossvalidation
Nilai k Persentase Akurasi (%) Lama Komputasi (detik)
1 96,1905 66,77 nilai 1 hingga 10, didapatkan hasil bahwa nilai k=2 merupakan nilai dengan akurasi tertinggi yaitu 98,0952 %. Sedangkan untuk hasil lama waktu komputasi, waktu tersingkat terdapat pada proses dengan nilai k=2 dengan lama waktu komputasi yaitu 66,65 detik. Berdasarkan Tabel 4.2. dapat dihitung rata-rata persentase akurasi yang di dapat adalah 93,9048%, dan presentase lama komputasi adalah 71.5310 detik.
Persentase akurasi dihasilkan melalui perhitungan rata-rata dari tiga nilai persentase pada tiga tahap pengujian. Gambar 4.4., Gambar 4.5. dan Gambar 4.6.
adalah contoh penjelasan untuk memperoleh hasil persentase pada pengujian yang menggunakan nilai k=2.
Gambar 4.4. Capture Proses First Fold Crossvalidation
Gambar 4.4 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses first fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 34 jumlah identifikasi yang bernilai benar. Pada proses first fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 97,1429%.
Gambar 4.5. Capture Proses Second Fold Crossvalidation
Gambar 4.5. merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses second fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 34 jumlah identifikasi yang bernilai benar. Pada proses second fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 97.1429%.
Gambar 4.6. Capture Proses Third Fold Crossvalidation
Gambar 4.6 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses third fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 35 jumlah identifikasi yang bernilai benar. Pada proses third fold crossvalidation persentase akurasi dari pengujian tersebut adalah 100 %.
4.1.2. Hasil Identifikasi
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 cross validation. Masukan pada proses identifikasi adalah citra uang kertas dan nilai k yang digunakan pada tahap pengujian. Pada percobaan ini dilakukan proses identifikasi dengan proses resize baris 192 dan kolom 256 dan nilai k=2 pada proses penentuan model yaitu nilai k dengan akurasi crosvalidasi tertinggi 98.0952 %. Pada proses ini dilakukan percobaan terhadap 45 data uang berbeda. Data uang tersebut berbeda dengan data yang digunakan pada data pengujian. Terdapat beberapa data uang yang tidak normal seperti data 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 running. Pada Tabel 4.3. diperlihatkan tabel hasil identifikasi.
Tabel 4.3. Hasil Identifikasi 45 Data Uang
No. Nilai Nominal
No. Nilai Nominal
No. Nilai Nominal
Pada Tabel 4.3. terdapat hasil percobaan identifikasi dari 45 data uang kertas.
Berdasarkan data tersebut didapatkan hasil 39 hasil identifikasi bernilai benar dan 6 hasil identifikasi bernilai salah. Terdapat juga percobaan terhadap 2 data uang yang tercoret, 1 data uang yang miring, 1 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 miring tidak dapat diidentifikasikan dengan benar, satu data uang yang kusam dapat diidentifikasikan dengan benar, 5 dari 6 data uang yang buram tidak dapat diidentifikasikan dengan benar dan 1 dari 6 data yang buram dapat diidentifikasikan dengan benar.
Berdasarkan hasil identifikasi terhadap 45 data pada Tabel 4.3. 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 dengan rumus pada rumus 3.16.
4.2. Analisa Hasil
4.2.1. Analisa Hasil Pengujian
Berdasarkan hasil pada 2 kali pengujian pada dimensi citra hasil resize 65px X 160px dan 192px X 256px, didapatkan hasil bahwa rata-rata lama waktu pengujian pada citra berdimensi 65px X160px yaitu 32.4890 detik lebih singkat dari citra berdimensi 192px X 256px yaitu 71.5310 detik. Hasil perbandingan dapat dilihat pada diagram Gambar 4.7.
Gambar 4.7. Grafik Garis Waktu Pengujian
Bersumber dari Gambar 4.7. tersebut didapatkan analisa bahwa jumlah piksel atau dimensi citra yang lebih kecil dapat lebih cepat dalam melakukan proses komputasi. Jumlah piksel yang lebih besar memiliki waktu komputasi yang lebih lama pada proses ekstraksi ciri, proses pada tahap pengujian dan tahap identifikasi.
Berdasarkan hasil pada 2 kali pengujian pada dimensi citra hasil resize 65px X 160px dan 192px X 256px, didapatkan hasil bahwa rata-rata persentase akurasi pengujian pada citra berdimensi 65px X160px yaitu 87.4286 % lebih kecil dari citra berdimensi 192px X 256px yaitu 93.9048 %. Hal ini disebabkan oleh pada pengujian ke dua dimensi citra menggunakan sepersepuluh dari citra asli yang memiliki dimensi 1920px X 2560px. Sedangkan pengujian pertama pada citra berdimensi 65px X160px, nilai dimensinya tidak berasal dari penskalaan citra asli.
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