METODE LVQ BERBASIS PARAMETER HSV UNTUK PENENTUAN UANG RUPIAH PALSU

(1)

METODE LVQ BERBASIS PARAMETER HSV UNTUK PENENTUAN UANG RUPIAH

PALSU

I Gusti Ayu Agung Diatri Indradewi1_{, Made Suci Ariantini}2

1,2_{STMIK STIKOM Indonesia}

e-mail :1_{diatri.indradewi@stiki-indonesia.ac.id,}2_{suci.ariantini@stiki-indonesia.ac.id}

ABSTRACT

The government has socialized the 3D method (Visible, Feeling, and Diterawang) to prevent people from accidentally transacting using counterfeit money. In addition to this method, counterfeit money scanners that use ultraviolet light are also commonly used. However, the use of methods or scanners must be accompanied by a human eye to determine whether the money is genuine or false. Along with the development of technology, the technique of making counterfeit money will also develop so that supporting techniques are needed that can be used to help identify counterfeit money automatically. In this study, the data used is only original and fake banknotes with a nominal value of Rp. 100,000.00. Image acquisition is done with the help of a digital camera and a light source from ultraviolet lights. Pre-processing in the form of pruning on the image of banknotes produces an image measuring 210 × 64 pixels. The feature extraction stage is done by changing the RGB image value to the HSV color space. The HSV value of the image is then used as an input vector on the LVQ network to determine the authenticity of the banknote image. The method test used for 100 real money images and 80 fake images yields the best performance when the learning level α (0) = 0,1 in epoch = 4 with an MSE value of 0,088889. Classification with the best accuracy occurs when the rate of learning α (0) = 0,1 in epoch = 1 with the level of truth classification is 87,2%.

Keywords : Counterfeit money, HSV, LVQ, Rupiah banknotes INTISARI

Pemerintah telah mensosialisasikan metode 3D (Dilihat, Diraba, dan Diterawang) untuk mencegah masyarakat tanpa sengaja bertransaksi menggunakan uang palsu. Selain metode tersebut, alat pemindai uang palsu yang memanfaatkan sinar ultraviolet juga telah umum digunakan. Namun, penggunaan metode maupun alat pemindai tersebut harus disertai dengan kejelian mata manusia untuk menentukan uang tersebut asli atau palsu. Seiring perkembangan teknologi, teknik pembuatan uang palsu tentunya juga akan mengalami perkembangan sehingga diperlukan teknik-teknik pendukung yang dapat digunakan untuk membantu mengidentifikasi uang palsu secara otomatis. Pada penelitian ini, data yang digunakan hanya citra uang kertas asli dan palsu dengan nominal Rp 100.000,00. Akuisisi citra dilakukan dengan bantuan kamera digital dan sumber cahaya dari lampu ultraviolet. Pra pemrosesan berupa cropping pada citra uang kertas menghasilkan citra berukuran 210×64 piksel. Tahap ekstraksi ciri dilakukan dengan mengkonversi nilai RGB citra ke ruang warna HSV. Nilai HSV dari citra tersebut selanjutnya dijadikan vektor masukan pada jaringan LVQ untuk menentukan keaslian citra uang kertas tersebut. Pengujian terhadap metode yang digunakan terhadap 100 citra uang asli dan 80 citra uang palsu

menghasilkan kinerja terbaik saat laju pembelajaran pada epoch=4 dengan nilai MSE sebesar

0,088889. Klasifikasi dengan akurasi terbaik terjadi saat laju pembelajaran pada epoch=1 dengan

tingkat kebenaran klasifikasi sebesar 87,2%.

Kata kunci : Counterfeit money, HSV, LVQ, Rupiah banknotes

1. PENDAHULUAN

Tingginya kebutuhan masyarakat terhadap uang menyebabkan munculnya tindak kejahatan berupa peredaran uang kertas palsu. Uang palsu jika dilihat secara sekilas memiliki fisik yang sama persis dengan uang asli yang diedarkan oleh Bank Indonesia. Secara umum, unsur pengaman yang membedakan uang palsu dengan uang asli adalah adanya tanda air (watermark) dan benang pengaman (security thread). Selama uang menjadi alat tukar yang berlaku secara luas, selama itu pula uang palsu akan tetap beredar. Untuk mencegah masyarakat tanpa

(2)

sengaja bertransaksi menggunakan uang palsu, pemerintah sebenarnya telah mensosialisasikan metode 3D (Dilihat, Diraba, dan Diterawang). Selain itu, di instansi yang langsung terkait dengan keuangan seperti perbankan, maupun di lokasi-lokasi perbelanjaan telah mulai digunakan alat pemindai uang palsu yang memanfaatkan sinar ultraviolet. Namun, seiring dengan teknologi yang berkembang semakin pesat, teknik pembuatan uang palsu tentunya juga akan mengalami perkembangan sehingga diperlukan metode pelengkap yang dapat digunakan untuk membantu mengidentifikasi uang palsu secara otomatis. Metode pelengkap ini disinergikan dengan sinar ultraviolet sebagai sumber pencahayaan citra. Berdasarkan pemaparan mengenai permasalahan uang kertas palsu, maka pada penelitian ini topik yang diangkat adalah mengenai penentuan keaslian uang kertas Rupiah.

Teknologi pengenalan keaslian uang kertas pada dasarnya adalah mencari dan mengekstraksi tanda keaslian yang terlihat maupun tersembunyi pada uang kertas agar proses klasifikasi berlangsung lebih efisien. Hingga kini, banyak metode yang diusulkan untuk pengenalan keaslian uang kertas. Salah satu metode yang sederhana dan memiliki kecepatan tinggi untuk menentukan keaslian uang kertas Rupee India diusulkan oleh (Sai Prasanthi & Setty, 2015). Pada penelitian tersebut enam fitur karakteristik uang kertas diekstraksi. Pendekatan yang digunakan meliputi deteksi tepi Sobel, segmentasi citra, ekstraksi karakteristik, dan perbandingan citra. Untuk menentukan keaslian uang kertas dilakukan dengan cara menghitung piksel-piksel berwarna hitam untuk setiap fitur karakteristik. Hasil penghitungan piksel nantinya dibandingkan dengan suatu nilai untuk menghasilkan keputusan uang kertas tersebut asli atau palsu. Metode lainnya dilakukan dengan mensegmentasi fitur-fitur penanda keaslian uang kertas Rupee India menggunakan grid berukuran 3×3 (Chakraborty, Nalawade, Manjre, Sarawgi, & Chaudhari, 2016). Grid membagi citra uang kertas menjadi sembilan bagian pada setiap sisi yang akan mengurangi kompleksitas waktu dari teknik tersebut. Grid ke-2, 6, dan 15 di-crop dan fitur-fitur potensial dari citra uang kertas diekstraksi. Untuk mengekstraksi fitur-fitur tersebut digunakan algoritma SIFT. Metode lain untuk pengenalan uang kertas asli adalah dengan mengekstraksi fitur bentuk dan warna (ruang warna HSI) dari kertas yang digunakan pada uang tersebut (Roy, Halder, Garain, & Doermann, 2015). Untuk menentukan uang kertas tersebut asli atau palsu digunakan jaringan syaraf tiruan multilayer backpropagation. Tahapan metode yang diusulkan pada penelitian tersebut terdiri dari mendeteksi pulps dengan menggunakan pemindai UV, ekstraksi fitur dari hasil pemindaian UV, melatih pengklasifikasi jaringan syaraf tiruan berbasis sampel pelatihan yang meliputi uang kertas asli dan palsu.

Berdasarkan ketiga penelitian terdahulu tersebut, maka pada penelitian ini diusulkan metode untuk menentukan uang kertas Rupiah palsu dengan cara memisahkan komponen HSV. Untuk melakukan pemisahan komponen warna pada ruang warna HSV, citra uang kertas yang berada pada ruang warna RGB dikonversi ke ruang warna HSV. Hasil pemisahan komponen tersebut digunakan untuk mengklasifikasikan apakah uang kertas tersebut merupakan uang asli atau palsu dengan jaringan syaraf tiruan LVQ.

2. METODE PENELITIAN

Penentuan keaslian uang kertas Rupiah dalam penelitian ini dibagi menjadi beberapa tahapan yang terdiri dari akuisisi citra, pra-pemrosesan citra, ekstraksi fitur, klasifikasi, dan penentuan hasil.

(3)

2.1 Akuisisi Citra

Tahap akuisisi bertujuan untuk mendapatkan dan mengubah citra uang kertas Rupiah dari citra analog menjadi citra digital untuk mempermudah pemrosesan. Uang kertas yang digunakan adalah uang kertas nominal Rp 100.000,00, baik untuk uang asli maupun uang palsu. Alat bantu yang digunakan untuk mendigitasi citra uang kertas Rupiah adalah dengan menggunakan lampu UV dan kamera digital. Akuisisi citra hanya dilakukan pada salah satu sisi uang kertas, yakni pada sisi yang tertera nomor seri, karena hanya pada sisi tersebut terdapat perubahan warna tinta (optically variable ink) ketika disinari oleh lampu UV.

Gambar 1. Citra Uang Kertas (425×181 pixel) 2.2 Pra-pemrosesan Citra

Tahap pra-pemrosesan citra bertujuan untuk memastikan bahwa citra hasil akuisisi telah memiliki format yang sesuai untuk selanjutnya dilakukan ekstraksi fitur. Hasil pra-pemrosesan citra akan menentukan apakah tahap ekstraksi fitur mampu menghasilkan fitur-fitur yang jelas untuk penentuan keaslian uang kertas Rupiah. Citra uang kertas pada tahap ini dipotong (cropped) untuk mendapatkan wilayah citra yang dominan mengalami perubahan warna tinta.

Gambar 2. Citra Uang Kertas (210×64 pixel) 2.3 Ekstraksi Fitur

Tahap ekstraksi fitur bertujuan untuk mengekstraksi fitur-fitur yang ada pada citra uang kertas. Ekstraksi fitur dilakukan terhadap citra uang kertas yang sebelumnya telah melewati tahap pra-pemrosesan citra. Sebelum ekstraksi fitur dilakukan, citra hasil pra-pemrosesan dikonversi dari ruang warna RGB (Red, Green, Blue) ke ruang warna HSV (Hue, Saturation, Value). Hue merupakan jenis warna (corak warna) yaitu posisi warna tersebut berada dalam spektrum warna. Komponen hue ditunjukkan dalam bentuk sudut dari 0 sampai 360 derajat. Warna merah, kuning, hijau, cyan, biru, dan magenta berturut-turut berada pada sudut 0°, 60°, 120°, 180°, 240°, dan 300°. Ukuran seberapa besar kemurnian dari suatu warna disebut dengan istilah saturation. Nilai saturation umumnya berkisar pada rentang nilai 0 sampai 1 (0% sampai 100%). Kedua nilai tersebut menunjukkan tingkat keabuan suatu warna, dengan nilai 0 menunjukkan warna abu-abu dan 1 menunjukkan warna primer murni. Value (intensity) yang merupakan komponen ketiga dari model warna HSV menunjukkan seberapa besar tingkat kecerahan dari suatu warna atau seberapa besar suatu warna

(4)

mengandung cahaya. Persentase dari 0% sampai 100% dapat digunakan untuk menyatakan nilai pada komponen value (Putra, 2010). Nilai parameter hue, saturation dan value adalah fitur-fitur yang selanjutnya digunakan pada tahap klasifikasi. Konversi nilai dari ruang warna RGB ke ruang warna HSV didahului dengan menormalisasi masing-masing komponen warna red, green, dan blue. Normalisasi ketiga komponen warna tersebut menggunakan persamaan (1), (2), dan (3):

(1) (2) (3) Nilai r, g, dan b yang telah dinormalisasi, selanjutnya ditransformasi ke ruang warna HSV dengan menggunakan formula (4), (5), (6), dan (7):

(4) (5)

(6)

(7) Hasil konversi dengan menggunakan persamaan (4), (5), (6), dan (7) berupa vektor yang terdiri dari tiga komponen yakni H,S, dan V dengan jumlah elemen 40.320. Vektor inilah yang digunakan sebagai vektor pelatihan pada jaringan syaraf LVQ.

2.4 Klasifikasi

Setelah mendapatkan fitur-fitur utama pada citra uang kertas berupa vektor yang terdiri dari komponen HSV, pola yang terdapat pada fitur-fitur tersebut perlu dikenali untuk mengetahui apakah pola tersebut diklasifikasikan sebagai uang kertas asli atau palsu. Tahap klasifikasi pada penelitian ini menggunakan jaringan syaraf tiruan LVQ (Learning Vector Quantization). Jaringan LVQ merupakan salah satu jaringan syaraf tiruan yang melakukan pembelajaran secara terawasi. Melalui jaringan yang telah dilatih, LVQ mengklasifikasikan input secara berkelompok ke dalam kelas yang sudah didefinisikan. LVQ merupakan metode pengklasifikasian pola yang setiap keluarannya merepresentasikan suatu kelas atau kategori tertentu dengan menggunakan strategi pembelajaran kompetitif (winner-takes-all) (Brownlee, 2011). Penamaan yang digunakan dalam algoritma adalah sebagai berikut (Fausett, 1994):

(5)

x vektor pelatihan (x1, ..., xi, ..., xn)

T kategori atau kelas yang tepat untuk vektor pelatihan

wj bobot vektor untuk unit keluaran ke-j (w1, ..., wi, ..., wn)

Cj kategori atau kelas yang direpresentasikan oleh unit keluaran ke-j

jarak Euclidean antara vektor masukan dan unit keluaran ke-j

Algoritma jaringan LVQ adalah sebagai berikut:

Langkah 0 Inisialisasi vektor-vektor referensi, inisialisasi laju pembelajaran, Langkah 1 Selama kondisi berhenti tidak terpenuhi, lakukan langkah 2 – 6 Langkah 2 Untuk setiap vektor masukan pelatihan x, lakukan langkah 3 – 4 Langkah 3

Temukan J sehingga bernilai minimum Langkah 4 Perbarui nilai dengan cara sebagai berikut:

Jika , maka

(8) Jika , maka

(9) Langkah 5 Kurangi laju pembelajaran

Langkah 6 Uji kondisi berhenti:

Kondisi berhenti dapat ditentukan oleh sejumlah iterasi atau ketika laju pembelajaran telah mencapai nilai yang cukup kecil

3. HASIL DAN PEMBAHASAN 3.1 Implementasi Jaringan LVQ

Implementasi jaringan LVQ dilakukan dengan menggunakan MATLAB. Hasil konversi nilai RGB citra uang kertas ke dalam ruang warna HSV dijadikan sebagai vektor pelatihan pada jaringan LVQ yang dibentuk. Jumlah elemen pada vektor pelatihan adalah 40.320. Jaringan LVQ yang dibentuk terdiri dari lapisan masukan (input), lapisan kompetitif (competitive layer), lapisan linier (linear layer), dan lapisan keluaran (output layer). Keluaran dari jaringan LVQ direpresentasikan ke dalam dua kelas, yakni kelas 1 untuk kategori asli dan kelas 2 untuk kategori palsu.

(6)

Gambar 3. Implementasi Jaringan LVQ 3.2 Pengujian Jaringan LVQ

Jaringan LVQ yang dibentuk diuji berdasarkan laju pembelajaran dan jumlah maksimum epoch yang digunakan dalam menentukan kelas yang sesuai untuk data uji. Data uji yang digunakan terdiri dari 10 uang kertas asli dan 8 uang kertas palsu. Setiap data, baik uang asli maupun palsu dilakukan pengambilan citra sebanyak 10 kali, sehingga komposisi data uji yang digunakan terdiri dari 100 citra uang asli dan 80 citra uang palsu.

1) Pengujian dengan Laju Pembelajaran dan Epoch=1

Gambar 4 menunjukkan kinerja terbaik jaringan LVQ dalam menentukan kelas dari citra uang kertas adalah pada saat jumlah maksimum epoch=1. Nilai MSE jaringan LVQ pada kinerja terbaiknya adalah ketika mencapai nilai 0,12778.

(7)

Gambar 4. Grafik Performance Jaringan LVQ pada Maksimum Epoch=1

Gambar 5. Confusion Matrix Jaringan LVQ pada Maksimum Epoch=1

Gambar 5 menunjukkan tingkat akurasi dari klasifikasi yang dihasilkan oleh jaringan LVQ. Berdasarkan Gambar 5 diketahui bahwa dari 100 data citra uang asli, jaringan LVQ berhasil mengklasifikasikan 82 data citra uang asli ke dalam kelas 1 (asli). Hanya terdapat 18 data citra uang asli yang diklasifikasikan ke dalam kelas 2 (palsu). Pada data citra uang palsu, dari 80 data, jaringan LVQ berhasil mengklasifikasikan 75 data citra uang palsu ke dalam kelas 2 (palsu). Terdapat 5 data yang diklasifikasikan ke kelas 1 (asli). Secara keseluruhan, jaringan LVQ yang dibentuk mampu mengklasifikasikan data ke kelas yang sesuai sebesar 87,2%, sedangkan kesalahan klasifikasi adalah sebesar 12,8%.

Gambar 6 menunjukkan kinerja terbaik jaringan LVQ adalah pada saat epoch=4 dengan nilai MSE sebesar 0.088889. Pada saat mencapai maksimum epoch kinerja sistem dalam mengklasifikasikan data mengalami penurunan yang ditunjukkan oleh meningkatnya nilai MSE.

(8)

Gambar 7 menunjukkan bahwa terdapat 87 data citra uang kertas asli yang berhasil diklasifikasikan sesuai dengan kelas sesungguhnya yakni kelas 1 (asli), sedangkan data citra uang kertas asli yang salah diklasifikasikan adalah sebanyak 13 data. Pada data citra uang kertas palsu, terdapat 69 data yang berhasil diklasifikasikan dengan benar, hanya 11 data yang salah diklasifikasikan. Secara keseluruhan, jaringan LVQ mampu mengklasifikasikan data citra uang kertas dengan benar ditunjukkan oleh persentase sebesar 86,7%. Kesalahan klasifikasi ditunjukkan dengan persentase sebesar 13,3%.

Gambar 8 menunjukkan kinerja terbaik jaringan LVQ adalah pada saat epoch=9. Pada epoch tersebut, nilai MSE dari jaringan LVQ adalah sebesar 0,094444. Pada saat mencapai epoch=10, nilai MSE mengalami kenaikan sehingga kinerja sistem menurun.

(9)

Pada maksimum epoch=10, confusion matrix yang diperoleh dari jaringan LVQ menunjukkan hasil yang sama dengan jaringan LVQ yang menggunakan maksimum epoch=5. Secara keseluruhan, jaringan LVQ mampu mengklasifikasikan data citra uang kertas dengan benar ditunjukkan oleh persentase sebesar 86,7%. Kesalahan klasifikasi ditunjukkan dengan persentase sebesar 13,3%.

4. KESIMPULAN

Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa dengan menggunakan metode jaringan syaraf tiruan LVQ berbasis parameter HSV, kinerja terbaik dari sistem adalah pada saat laju pembelajaran awal α(0)=0.1 pada epoch=4 dengan nilai MSE sebesar 0.088889. Klasifikasi dengan akurasi terbaik terjadi saat laju pembelajaran awal α(0)=0.1 pada epoch=1 dengan tingkat kebenaran klasifikasi sebesar 87.2%. Penelitian selanjutnya diharapkan data citra uang kertas yang digunakan tidak hanya satu nominal mata uang saja sehingga metode yang digunakan lebih relevan untuk diimplementasikan. Karakteristik penentu keaslian uang yang digunakan pada penelitian selanjutnya diharapkan tidak hanya berdasarkan pada perubahan warna tinta saja.

(10)

UCAPAN TERIMA KASIH

Terima kasih penulis ucapkan kepada pihak-pihak yang telah membantu terwujudnya penelitian ini, institusi STMIK STIKOM Indonesia yang telah membantu memberikan fasilitas, serta lembaga Dikti yang membantu di bagian pendanaan.

DAFTAR PUSTAKA

Brownlee, J. (2011). Clever Algorithms: Nature-Inspired Programming Recipes. Melbourne: Creative Commons. Chakraborty, T., Nalawade, N., Manjre, A., Sarawgi, A., & Chaudhari, P. P. (2016). Review of Various Image

Processing Techniques for Currency Note Authentication. International Journal of Computer Engineering

In Research Trends, 3(3), 119–122.

Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall.

Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.

Roy, A., Halder, B., Garain, U., & Doermann, D. S. (2015). Machine-assisted authentication of paper currency: an experiment on Indian banknotes. International Journal on Document Analysis and Recognition, 18(3), 271–285. https://doi.org/10.1007/s10032-015-0246-y

Sai Prasanthi, B., & Setty, D. R. (2015). Indian Paper Currency Authentication System using Image processing.

International Journal of Scientific Research Engineering & Technology, 4(9), 2278–2882. Retrieved from

(11)