Pengenalan nilai nominal uang kertas rupiah

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. TUGAS AKHIR. PENGENALAN NILAI NOMINAL UANG KERTAS RUPIAH Diajukan untuk memenuhi syarat Memperoleh gelar Sarjana Teknik pada Program Studi Teknik Elektro. disusun oleh : FRANSISKUS XAVERIUS NOVALDI EKA ARIANA NIM : 135114020. PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017. i.

▸ Baca selengkapnya: jika seorang anak memiliki 50 rupiah dan memberikan 15 rupiah uang yang masih tinggal padanya

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. FINAL PROJECT. NOMINAL VALUE RECOGNITION OF RUPIAH BANKNOTE In a partial fulfillment of the requirements for the degree of Sarjana Teknik Electrical Engineering Study Program. created by : FRANSISKUS XAVERIUS NOVALDI EKA ARIANA Student’s Number : 135114020. ELECTRICAL ENGINEERING STUDY PROGRAM DEPARTMENT OF ELECTRICAL ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2017. ii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. HALAMAN PERSEMBAHAN MOTTO HIDUP. MOTTO :. HIDUP ADALAH PPILIHAN APA YANG KAMU PILIH HARI INI AKAN MENENTUKAN. MASA DEPANMU. Skripsi ini kupersembahkan untuk …. Tuhan Yesus Kristus dan Bunda Maria yang selalu menyertai, menuntun, dan mendampingiku dalam setiap perjalanan hidupku Papa, Mama, dan Adik tercinta yang selalu mendoakan dan mendukungku Teman-teman seperjuangan Teknik Elektro 2013 yang selalu mendukungku. vi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. INTISARI Pengolahan citra adalah suatu bidang yang berhubungan proses transformasi citra yang bertujuan untuk mendapatkan kualitas citra yang lebih baik. Teknologi pengolahan citra ini, sangat berkembang pesat dan banyak juga dikenal oleh para insinyur di dunia. Salah satu penerapan dari teknologi pengolahan citra tersebut adalah pengenalan nilai nominal uang kertas rupiah. Sistem pengenalan nilai nominal uang kertas rupiah yang dibuat ini adalah pengenalan nilai nominal dari nilai nominal Rp.1000,00, Rp.2000,00, Rp.5000,00, Rp.10.000,00, Rp.20.000,00, Rp.50.000,00, Rp.100.000,00, dengan 2 variasi kondisi uang kertas dan 4 variasi posisi peletakan uang kertas. Secara garis besar proses kerja dari sistem ini ialah mengambil citra uang kertas berupa citra Red, Green, and Blue (RGB), konversi citra RGB ke citra Hue Saturation Value (HSV), segmentasi HSV, cropping sesuai bounding box dan cropping pada bagian kiri atas dan kanan bawah, perhitungan jarak euclidean, serta penentuan keluaran. Proses segmentasi HSV pada penelitian ini, bertujuan untuk mengambil objek yang ingin dikenali pada citra yang telah diambil. Sedangkan pada perhitungan nilai jarak euclidean dilakukan berdasarkan perbandingan antara database citra yang telah dimasukkan dan citra uang kertas yang telah diambil dengan menggunakan webcam (data uji). Hasil dari proses pengenalan nilai nominal uang kertas rupiah ini berupa keluaran suara. Pada hasil data pengujian secara menyuluruh baik secara real time dan non real time dengan variabel peneliatan yang telah ditentukan. Pengujian dengan desimasi 2 menghasilkan tingkat penilaian 100 % paling banyak antara 2 variasi desimasi lainnya. Ditentukan desimasi 2 yang digunakan dalam software pengenalan nilai nominal uang kertas rupiah.. Kata Kunci : Pengolahan Citra, Red, Green, and Blue, Hue Saturation Value, Jarak euclidean, Database, software.. viii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRACT Image processing is an area which connected with the process of image transformation. The aim of it is to get a better quality of image. This image processing technology is developing very well and known by engineer around the world. One of the application of this citra processing technology is the introduction of Indonesian paper money’s value (rupiah). The introduction of rupiah banknote value system is including the nominal of Rp. 1000, Rp.2000, Rp. 5000, Rp. 10.000, Rp. 20.000, Rp. 50.000, Rp.100.000 with 2 variations of banknote and 4 variations of banknote placement position. In general, the working process of this system is taking the citra of banknote in red citra, green and blue (RGB), RGB citra conversion to Hue saturation value (HSV) , HSV segmentation, cropping base on bounding box and cropping on the left top and right down, Euclidean distance calculation and output determine. The aim of segmentation HSv process in this research is to take the object which will be known on a taken citra. Meanwhile Euclidean distance calculation is done by the comparison of image database which was put and banknote image which taken by using webcam (test data). The result of this introduction of Indonesian banknote value is In the form of voice output. The result of testing of data both in real time and non real time with peneliatan predetermined variables. Testing with desimasi 2 produce a level of 100% at most votes between two other desimasi variations. 2 desimasi determined recognition software used in the nominal value of paper money.of Indonesian paper money’s value software with the aim of accuracy in its introduction.. Key words: image processing, red, green, blue, hue saturation value, Euclidean distance, database, software.. ix.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. KATA PENGANTAR Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena berkat rahmat dan penyertaan-Nya penulis dapat menyelesaikan laporan tugas akhir ini dengan baik dan lancar. Laporan tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar sarjana, khususnya dibidang Teknik Elektro. Pada proses penulisan laporan tugas akhir ini, penulis menyadari bahwa ada banyak pihak yang telah memberikan perhatian dan bantuannya sehingga dapat terlesaikan dengan baik. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada : 1. Tuhan Yesus Kristus dan Bunda Maria atas penyertaan-Nya. 2. Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. , selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma. 3. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma. 4. Dr. Ir. Linggo Sumarno, M.T., selaku dosen pembimbing yang selalu memberikan masukan dan motivasi yang berguna bagi penulis. 5. Agustinus Bayu Primawan, S.T.,M.Eng. dan Wiwien Widyastuti, M.T. selaku dosen penguji yang telah memberikan masukan, bimbingan, saran untuk merevisi laporan tugas akhir ini. 6. Bapak dan ibu dosen yang telah mengajarkan banyak hal selama penulis menempuh pendidikan di Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma. 7. Para staff sekretariat Teknik Elektro, atas bantuannya dalam membantu dan melayani mahasiswa. 8. Kedua orang tua, adiku tercinta, serta keluarga besarku yang selalu mendukungku. 9. Para sahabat Teknik Elektro 2013 atas doa dan dukungannya agar penulis tetap semangat dalam menyelesaikan laporan tugas akhir ini. 10. Semua pihak yang tidak dapat disebutkan satu persatu atas dukungan dan bantuan yang telah diberikan dalam penyelesaian laporan tugas akhir ini. x.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR ISI. HALAMAN JUDUL ………………………………………………………………... i. HALAMAN PERSETUJUAN …………………………………………………….... iii. HALAMAN PENGESAHAN ………………………………………………………. iv. PERNYATAAN KEASLIAN KARYA …………………………………………..... v. HALAMAN PERSEMBAHAN DAN MOTTO HIDUP ………………………….. vi. LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ……………………………………………………. vii. INTISARI ………………………………………………………………………….. viii. ABSTRACT ……………………………………………………………………….. ix. KATA PENGANTAR ……………………………………………………………... x. DAFTAR ISI ………………………………………………………………………. xii. DAFTAR GAMBAR …………………………………………………………........ xiv. DAFTAR TABEL………………………………………………………………...... xvi. BAB I : PENDAHULUAN ……………………………………………………….. 1. 1.1. Latar Belakang …………………………………………………………... 1. 1.2. Tujuan dan Manfaat Penelitian ………………………………………….. 2. 1.3. Batasan Masalah ……………………………………………………….... 2. 1.4. Metodologi Penelitian …………………………………………………... 3. BAB II : DASAR TEORI ………………………………………………………….. 5. 2.1. Uang ..........……………………………………………………………….. 5. 2.2. Pengertian Citra ………………………………………………………..... 5. 2.2.2. Citra warna ...........................………………………………... 6. 2.3. Hue Saturation Value (HSV) ……………………………………………. 6. 2.4. Wavelet …………………………………………………………………... 8. 2.4.1. Wavelet Secara Umum …………………………………………….. 8. xii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 2.4.2. Wavelet Haar ……………………………………………………….. 11. 2.5. Jarak Euclidean …………………………................................ ........... 12. BAB III : RANCANGAN PENELITIAN ………………………………………. 14. 3.1. Perancangan Sistem …………………………………………………….. 14. 3.2. Proses Kerja Sistem ………………………………………………….…. 15. 3.2.1. Input Data ………………………………………………………….. 15. 3.2.2. Konversi Citra RGB ke HSV …………………………………….... 16. 3.2.3. HSV ke Biner…………………………………………………......... 16. 3.2.4. Cropping .............…………………………………………….......... 17. 3.2.5. Ekstraksi Ciri Wavelet ……………………………………………... 18. 3.2.6. Jarak Euclidean (Template Matching) ………………………......... 19. 3.2.7. Penentuan Keluaran ……………………………………………….. 20. 3.3. Database ……………………………………………………………….. 21. 3.4. Perancangan GUI............................... …………………………………. 26. 3.5. Pengujian Data ..............……………………………………………….. 27. 3.5.1. Pengujian secara Real Time …………………………………….... 27. 3.5.2. Pengujian secara Non Real Time ……………………………….... 27. 3.6. Analisi Data Pengujian................... ………………………………….... 28. BAB IV : HASIL DAN PEMBAHASAN………………………………………... 4.1. Menjalankan Program ……………………………............................... 29 30. 4.1.1. Menjalankan Program secara non Realtime…………………….... 30. 4.1.2. Menjalankan Program secara Real Time …............................... 30. 4.2. Penjelasan Sintaks Program …………………………………………….. 31. 4.2.1. Penjelasan Sintaks Program secara non Real Time ……………... 31. 4.2.1. Penjelasan Sintaks Program secara Real Time ………………...... 45. 4.3. Analisis Hasil Data Pengujian …………………………………………... 46. 4.3.1. Analisis Hasil Data Pengujian secara non Real Time ……………. 47. 4.3.2. Analisis Hasil Data Pengujian Secara Real Time ……………...... 48. BAB V : KESIMPULAN DAN SARAN ……………………………………….... 53. 5.1. Kesimpulan …………………………………………………………….. 53. 5.2. Saran ……………………………………………………………………. 53. DAFTAR PUSTAKA ……………………………………………………………. LAMPIRAN xiii. 54.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR GAMBAR Halaman Gambar 2.1. Uang ………………………………………………………….......... 6. Gambar 2.2. Ruang Warna HSV........…………………………………………... 6. Gambar 2.3. Algoritma Pyramid .........………………………………………….. 9. Gambar 2.4. Wavelet Haar ………………………………………....................... 12. Gambar 3.1. Diagram Blok Sistem ……………………………………………..... 14. Gambar 3.2. Diagram Alir Utama Perancangan ..................................................... 15. Gambar 3.2. Diagram Alir subrutin Proses Konversi Citra RGB ke HSV ……..... 16. Gambar 3.3. Diagram Alir subrutin Proses HSV ke Biner .....………………… .. 17. Gambar 3.4. Diagram Alir subrutin Proses Cropping …………………………........ 18. Gambar 3.6. Diagram Alir subrutin Proses Ekstraksi Ciri ……………………....... 19. Gambar 3.7. Diagram Alir dari Proses (Template Matching) …….......................... 20. Gambar 3.8. Diagram Alir dari Proses Penentuan Keluaran …………………...... 21. Gambar 3.9. Diagram Blok Proses Pembentukan Database ……………….......... 22. Gambar 3.10. Diagram Alir Proses Kerja GUI ............................................................ 26. Gambar 3.11. Perancangan Tampilan GUI ……………………………………........ 27. Gambar 4.1. Uang Kertas Rp.100.000,00 dengan kondisi tidak baik.…………........ 29. Gambar 4.2. Uang Kertas Rupiah Rp. 100.000,00 dengan kondisi baik ………….... 29. Gambar 4.3. Memasukan data uji secara Non Real Time ………………………….. 30. Gambar 4.4. tombol run pada window ...................……………………………….. 30. Gambar 4.5. Contoh Citra wavelet .....................................................…………..... 30. Gambar 4.6. GUI Software Pengenalan Nilai Nominal Uang Kertas Rupiah ........ 31. Gambar 4.7. Contoh ketika GUI dijalankan untuk Pengujian uang kertas rupiah dengan nominal Rp.100.000,00......................................................................................... xiv. 31.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 4.8. Software Logitech Webcam pada saat Pengambilan Foto Data Uji ... 41. Gambar 4.9. Grafik Hasil Pengujian Non Real Time ………………………….... 48. Gambar 4.10. Grafik Hasil Pengujian Real Time ................…………………….... 49. Gambar 4.11. Gambar Alat Pengenalan Nilai Nominal Uang Kertas Rupiah ....... 50. Gambar 4.12. Gambar Peletakan Uang Pada Alat Pengenenalan Nilai Nominal Uang Kertas Rupiah ....................................................................................................... 51. Gambar 4.13. Gambar Bingkai Webcam Pada Alat Pengenalan Nilai Nominal Uang Kertas Rupiah ....................................................................................................... 51. Gambar 4.14. Pengujian Alat Pengenalan Nilai Nominal Uang Kertas Rupiah... 52. Gambar 4.15. Hasil Percobaan Alat Pengenalan Nilai Nominal Uang Kertas Rupiah .................................................................................................................. xv. 52.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR TABEL Halaman Tabel 4.1. Evaluasi Perubahan Nilai Saturation Dan Value..................................... 33. Tabel 4.2. Hasil Evaluasi Cropping Pada Bagian Kiri Atas dan Kanan Bawah....... 35. Tabel 4.3. Proses Cropping sesuai Bounding Box ……………………………….. 36. Tabel 4.4. Tingkat Pengenalan Non Real Time …………………………………... 48. Tabel 4.5. Tingkat Pengenalan Real Time ………………………………………... 49. xvi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB I PENDAHULUAN 1.1.. Latar Belakang Uang merupakan alat pembayaran yang dapat diterima secara umum untuk. mempermudah proses tukar menukar atau pembayaran barang dan jasa di suatu wilayah tertentu [1]. Di Indonesia keberadaan uang telah membantu manusia dalam melakukan transaksi yang dulunya menggunakan metode barter atau tukar menukar barang. Rupiah merupakan mata uang resmi yang digunakan Indonesia, Menurut Pasal 11 Undang-undang No.7 Tahun 2011 Bank Indonesia menjadi satu-satunya lembaga yang berwenang melakukan pengeluaran, pengedaran dan pencabutan rupiah. Setiap uang memiliki nilai dan satuan hitung guna menentukan nilai dari suatu barang dan jasa yang diperjualbelikan. Terdapat dua jenis uang yaitu uang kartal dan uang giral. Jenis uang yang digunakan langsung dalam proses tukar menukar adalah jenis uang kartal. Uang kartal adalah terdiri dari uang kertas dan uang logam. Seiring berkembangnya teknologi terutama teknologi pengenalan objek. Salah satunya adalah pengenalan objek uang kertas rupiah. Peneliti ingin membuat sebuah sistem pada alat yang dapat digunakan oleh orang buta untuk mengidentifikasi uang kertas. Dengan dilakukannya penelitian ini dapat berguna bagi mereka penyandang tunanetra yang memiliki keterbatasan dalam melihat dan sehingga mempermudah mengindentifikasi nilai nominal uang kertas rupiah. Tetapi yang akan dikerjakan dalam penelitian ini adalah sebagian dari alat tersebut yaitu sebuah sistem pengenalan nilai nominal uang kertas rupiah secara real time. Penelitian yang pernah dilakukan dalam penelitian sebelumnya adalah penelitian dengan judul Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Patterns [2]. Metode ekstrasi ciri yang digunakan adalah Local Binary Patterns (LBP). Dan pola yang sudah di dapat dari pengumpulan uang kertas rupiah digunakan untuk proses identifikasi yaitu pengklasifikasian uang dengan pendekatan k-Nearest Neighbor (k-NN). Masukan dari sistem adalah berupa gambar uang kertas rupiah yang sudah disimpan dalam sebuah file dengan format gambar (.jpg) dan keluaran dari sitem. 1.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2. ini adalah suara dari speaker komputer yang merupakan hasil baca dari pengenalan nilai nominal uang kertas rupiah. Pada penelitian ini peneliti membuat sistem pengenalan nilai nominal uang kertas rupiah dengan menggunakan software matlab. Serta menggunakan metode yang berbeda dari metode sebelumnya. Metode yang dimaksud ialah metode dengan ekstraksi ciri wavelet dan pengenalan dengan perhitungan jarak euclidean. Selain itu juga sistem pengenalannya dilakukan secara real time dengan cara menekan tombol spasi pada laptop saat menjalankan proses pengenalan. Secara garis besar proses kerja dari sistem ini ialah mengambil citra uang kertas berupa citra Red, Green, and Blue (RGB), konversi citra RGB ke citra Hue Saturation Value (HSV), segmentasi HSV, cropping sesuai bounding box dan cropping pada bagian kiri atas dan kanan bawah, perhitungan jarak euclidean, serta penentuan keluaran. Proses segmentasi HSV pada penelitian ini, bertujuan untuk mengambil objek yang ingin dikenali pada citra yang telah diambil. Sedangkan pada perhitungan nilai jarak euclidean dilakukan berdasarkan perbandingan antara database citra yang telah dimasukkan dan citra uang kertas yang telah diambil dengan menggunakan webcam (data uji). Hasil dari proses pengenalan nilai nominal uang kertas rupiah ini berupa keluaran suara.. 1.2.. Tujuan Dan Manfaat Tujuan dari penulisan tugas akhir ini adalah menghasilkan bagian dari alat. identifikasi uang kertas yaitu sistem pengenalan nilai nominal uang kertas rupiah. Manfaat dari penelitian ini adalah sebagai sistem pengenalan nilai nominal uang kertas rupiah yang merupakan bagian dari alat identifikasi uang kertas bagi penyandang tunanetra.. 1.3.. Batasan Masalah Penelitian ini dibatasi pada :. a. Jarak antara webcam dengan tempat peletakan uang kertas tetap 15 cm. b. Pengambilan gambar untuk input pada aplikasi menggunakan webcam. c. Uang kertas rupiah yang digunakan yaitu uang kertas Rp.1.000,00, Rp.2.000,00, Rp.100.000,00.. Rp.5.000,00,. Rp.10.000,00,. Rp.20.000,00,. Rp.50.000,00,.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 3. d. Uang diletakan dalam tempat yang telah disediakan. e. Background yang digunakan berwarna hitam. f. Metode pengenalan yang digunakan perhitungan jarak euclidean. g. Ekstraksi ciri menggunakan Wavelet. h. Hasil pengenalan real time dan non real time. i.. Pencahayaan dibuat tetap agar tidak menimbulkan efek silau pada pengambilan citra.. j.. Resolusi kamera webcam 320 x 240 Pixel. k. Input berupa citra red, green, blue (RGB). l.. Nominal mata uang yang di kenali hanya nominal mata uang kertas rupiah.. m. Menggunakan software MATLAB R2010a dala pembuatan program. n. Pada penelitian ini yang dikerjakan adalah sistem pengenalan nilai nominal uang kertas rupiah yang merupakan bagian dari alat identifikasi uang kertas. o. Pilihan Desimasi yang digunakan untuk mencari desimasi terbaik bagi sistem adalah desimasi 1 (64 x64 piksel), desimasi 2 (32 x 32 piksel), desimasi 4 (8 x8 piksel). p. Terdapat 2 variasi kondisi uang kertas yaitu kondisi baik dan kondisi tidak baik. q. Desimasi yang dipilih untuk menjalankan program adalah desimasi 2 (32x32 piksel).. 1.4.. Metode Penelitian Langkah-langkah dalam pengerjaan tugas akhir :. a. Pengumpulan bahan-bahan refrensi berupa buku dan jurnal-jurnal serta informasi dari website terpercaya. b. Perancangan subsistem software Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan faktor-faktor permasalahan dan kebutuhan yang ditentukan. c.. Pembuatan subsistem software Sistem bekerja ketika user meletakan uang kertas pada tempat untuk pengindentifikasi yang akan diproses pada software. Citra uang kertas rupiah merupakan citra RGB, akan dikonversi terlebih dahulu menjadi citra Hue.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 4. Saturation Value (HSV), kemudian dilakukan konversi HSV ke biner. Setelah proses HSV ke biner, dilanjutkan dalam proses cropping. Di mana proses ini bertujuan untuk memotong bagian citra yang akan dikenali berdasarkan bounding box dan di cropping lagi pada bagian kiri atas serta kanan bawah. Setelah proses cropping, akan dilanjutkan dalam proses ekstraksi ciri wavelet. Setelah itu, citra uang kertas rupiah akan dikenali dengan metode perhitungan nilai jarak euclidian.. Semua proses dalam sistem ini akan diolah oleh komputer untuk mendapatkan hasil pengenalan nilai nominal uang kertas rupiah dan keluaran berupa suara. d.. Pengambilan data Pengambilan data dilakukan dengan secara real time dan non real time dengan beberapa variasi nilai desimasi yaitu 1, 2, dan 4, 2 variasi uang kertas pada satu nilai nominal, 4 variasi posisi peletakan uang.. e.. Analisis dan kesimpulan Analisa dilakukan dengan menyelidiki besar pengaruh dari beberapa variasi kondisi uang kertas, variasi posisi peletakan uang, dan menentukan desimasi terbaik yang digunakan dalam sistem pengenalan. Penyimpulan hasil percobaan dilakukan dengan mencari nilai desimasi terbaik yang digunakan dalam sistem pengenalan nilai nominal uang kertas rupiah dengan variasi kondisi uang dan variasi posisi peletakan uang kertas yang paling banyak dapat dikenali secara akurat. Di mana akurasi pada penelitian ini adalah 100 persen jika dengan semua kondisi uang dan variasi posisi peletakan uang dapat dikenali..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB II DASAR 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. 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 transkasi yang digunakan oleh manusia. Setiap uang yang memiliki nilai nominal yang berguna untuk menentukan nilai dari suatu nilai atau jasa yang diperjualbelikan. Pada uang rupiah terdapat dua jenis uang yaitu uang kartal dan uang giral. Jenis uang yang bisa digunkan secara langsung untuk proses tukar menukar adalah uang kartal. Uang kartal terdiri ari dua jenis uang kertas dan uang logam.. 2.2.. Pengertian Citra Citra merupakan gambar berdimensi dua sebagai representasi dari suatu. objek. senuah citra diartikan sebagai suatu fungsi kontinyu dalam dua dimensi dari sebuah itensitas cahaya (x,y) [3]. Dimana x dan y menyatakan suatu koordinat pada setiap titik (x,y). Pada setiap titik (x,y) memiliki suatu nilai itersitas cahaya dan kecerahan yang menentukan derajat kebuan dari setiap titik dan biasa dikenal sebagai nilai (f). setiap titik pada citra dapat dinyatakan dengan:. 0 < 𝑓 (𝑥, 𝑦) < ∞  . (2.1.). f adalah intensitas cahaya pada koordinat (x,y). (x,y) adalah perpotongan garis antara x dan y.Citra digital merupakan citra kontinyu yang diubah kedalam bentuk diskret. Citra digital dipresentasikan dalam bentuk matriks yang terdiri dari baris dan kolom, setiap perpotongan baris dan kolom tersebut. 5.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 6. memiliki nilai intensitas kecerahan. Titik dari setiap matriks tersebut dinamakan degan piksel. Citra digital merupakan kumpulan dari piksel dengan jumlah tertentu.. Gambar 2.1. Contoh Citra Uang Rp.100.000,00 Terdapat tiga jenis citra yaitu citra warna, citra keabuan (grayscale), dan citra hitam putih (biner). Pada penelitian ini citra yang digunakan adalah citra warna.. 2.2.1.. Citra Warna Citra warna merupakan citra yang titiknya mempunyai warna yang spesifik. dan merupkan kombinasi dari tiga (3) warna dasar, yaitu merah, hijau, dan biru [3]. Sehingga format citra warna ini sering disebut sebagai citra RGB (red-green-blue). Citra warna terdiri dari tiga keeping warna yang masing-masng menyatakan intensitas warna memiliki intensitas dengan nilai maksimum 255 (8 bit). Pada Gambar 2.1. merupakan contoh citra warna gambar uang Rp. 100.000.. 2.3.. Hue Saturation Value (HSV) HSV mendefinisikan warna dalam terminologi Hue, Saturation, dan Value.. Keuntungan HSV adalah terdapat warna-warna yang sama dengan yang ditangkap oleh indra manusia [4]. Sedangkan warna yang dibentuk model lain seperti RGB merupakan hasil campuran dari warna-warna primer.. Gambar 2.2. Ruang Warna HSV [4]..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 7. Model HSV, pertama kali diperkenalkan oleh A.R Smith pada tahun 1978, yang ditunjukkan pada gambar diatas. Melalui model gambar diatas, dapat diketahui bahwa HSV memiliki 3 karakteristik pokok, yaitu Hue, Saturation dan Value. Berikut ini penjelasannya. . Hue : menyatakan warna sebenarnya, seperti merah, violet, dan kuning dan digunakan menentukan kemerahan (redness), kehijauan (greeness), dan sebagainya.. . Saturation : kadang disebut chroma, adalah kemurnian atau kekuatan warna.. . Value : kecerahan dari warna. Nilainya berkisar antara 0-100 %. Apabila nilainya 0 maka warnanya akan menjadi hitam, semakin besar nilai maka semakin cerah dan muncul variasi-variasi baru dari warna tersebut.. Untuk memperoleh nilai H, S, dan V berdasarkan R, G, dan B, terdapat beberapa cara [5]. Cara tersederhana adalah seperti berikut. 3(G−B). H = tan ((R−G)+(R−B)). S=1−. min(R,G,B). V=. V. R+G+B 3. (2.2.). (2.3.). (2.4.). Namun, cara ini membuat hue tidak terdefinisikan kalau S bernilai nol. Cara kedua untuk mendapatkan setiap nilai HSV adalah menggunakan rumus berikut :. r=. g=. R (R+G+B). G (R+G+B). (2.5.). (2.6.).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 8. b=. B (R+G+B). V = max (r, g, b). (2.7.) (2.8.). 0, jika V = 0 S= {. 1−. min(r,g,b). , jika V > 0. (2.9.). V. 0, jika S = 0 60∗(g−b). H=. S∗V. , jika V = r. b−r. 60 ∗ [ 2 + s∗v ] , jika V = g {60 ∗ [ 4 +. r−g s∗v. ] , jika V = b. H = H + 360, jika H < 0. 2.4. 2.4.1.. (2.10.). (2.11.). Wavelet Wavelet Secara Umum Wavelet merupakan gelombang mini (small wave) yang mempunyai. kemampuan mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya mengandung sedikit energi yang dapat dihilangkan tanpa mengurangi nilai informasinya [6]. Wavelet telah banyak digunakan di berbagai bidang seperti pengolahan citra. Wavelet biasa digunakan untuk menyajikan data atau fungsi ke dalam komponen-komponen frekuensi yang berlainan. Proses ini dinamakan dekomposisi, dan kemudian mengkaji setiap komponen dengan suartu resolusi yang sesuai dengan skalanya. Transformasi wavelet merupakan pengubahan sinyal kedalam berbagai wavelet basis dengan berbagai pergeseran dan penyekalaan, oleh karena itu koefisien wavelet dari beberapa skala atau resolusi dapat dihitung dari koefisien wavelet pada resolusi tinggi berikutnya. Hal ini memungkinkan mengimplementasikan transformasi wavelet menggunakan struktur pohon yang dikenal sebagai algoritma piramid (pyramid algorithm), bisa dilihat pada gambar 2.3..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 9. Kolom h(n). baris h(n). 2 1. 2 1. CAj + 1. Kolom g(n). 2 1. CD(h)j+1. Kolom CAj. h(n). 2 1. CD(v)j+1. baris g(n). 2 1. Kolom g(n). 2 1. CD(d)j+ 1. Gambar 2.3. Algoritma Pyramid Keterangan : baris X. : konvolusikan baris dengan tapis g(n) atau h(n) kolom. X. : konvolusikan kolom dengan tapis g(n) atau h(n). 2 1 2. : sampling dengan menjaga kolom yang genap. 1 2. : sampling dengan menjaga baris yang genap Dekomposisi wavelet satu level berdasarkan algoritma pyramid; h(n) adalah. tapis pelewat bawah; g(n) adalah tapis pelewat atas CA j(LL) adalah koefisien rerata; CDj(h) (HL), CDj(v)(LH), dan CDj(d)(HH) masing-masing adalah koefisien detil horizontal, vertical, dan diagonal. Proses dekomposisi tersebut dapat dilakukan sebanyak lebih dari satu kali, yaitu sebanyak jumlah level yang telah ditentukan sebelumnya. Untuk melakukan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 10. dekomposisi lebih dari satu kali, proses dekomposisi selanjutnya dilakukan dekomposisi pada koefisien aproksimasi (cA) atau LL, karena berisi sebagian besar dari informasi citra. Kemudian didapat 4 subband lagi, yaitu LL1, LH1, HL1 dan HH1. Begitu seterusnya hingga mencapai level yang diinginkan. Sebagai contoh, terdapat citra dengan matriks input sebagai berikut : 1 5 M= [ 8 2. 4 8 0 5. 7 3 7 1. 9 5 ] 4 2. Filter low pass dan filter high pass dengan jenis haar adalah sebagai berikut:. 1. 1. √2. √2. 0. 0. 𝐿𝑜𝑤 𝑃𝑎𝑠𝑠 = [. 0. 1. 0. 1. −. √2. 1 √2 ]. √2 1 √2. 0. 0. 𝐻𝑖𝑔ℎ 𝑃𝑎𝑠𝑠 = [. 0. 0. 1 √2. −. 1 √2 ]. Langkah pertama adalah mengalikan filter low pass dengan matriks M terhadap baris. Untuk memudahkan perkalian terhadap baris dilakukan transpose pada matriks M, sehingga didapat : 1 5 MT = [ 8 2. 4 8 0 5. 7 3 7 1. 9 5 ] 4 2. Untuk mengembalikan dilakukan perkalian pass yang menghasilkan matriks D1T.. matriks MT dengan filter low.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 11. D1T = [. 1. 1. √2. √2. 0. = [. 0. 0. 1 √2. 0 1 √2 ]. 1 5 x[ 8 2. 4 8 0 5. 7 3 7 1. 9 5 ] 4 2. 3,5255 9,1924 5,6569 4,9497 ] 11,3137 5,6569 7,7782 2,1213. Untuk mengembalikan ke baris dan kolom sebenarnya, dilakukan proses transpose kembali pada matriks D1T. 3,5255 11,3137 9,1924 5,6569 ] D= [ 5,6569 7,7782 4,9497 2,1213 Langkah selanjutnya adalah melakukan perkalian filter low pass dengan matriks D1 terhadap kolom. Proses tersebut menghasilkan matriks D2, sebagai berikut : 1. 1. √2. √2. D2 = [. 0. 0. 1 √2. 0. 0 1 √2 ]. 3,5255 11,3137 8,9929 12 9,1924 5,6569 ]= [ ] x[ 5,6569 7,7782 7,5 7 4,9497 2,1213. Matriks D2 ini disebut dengan koefisien aproksimasi (LL). Untuk mencari nilai HL, LH dan HH menggunakan langkah diatas. Untuk mencari nilai HL dilakukan dengan mengalikan filter low pass terhadap baris dan filter high pass terhadap kolom. Mencari nilai LH dilakukan dengan mengalikan filter high pass terhadap baris dan filter low pass terhadap kolom. Mencari nilai HH dilakukan dengan mengalikan filter high pass terhadap baris dan kolom.. 2.4.2.. Wavelet Haar Haar adalah wavelet paling tua dan paling sederhana, diperkenalkan oleh 1 1. Alfred Haar pada tahun 1909 [7]. Koefisien transformasi h0 = (h0 (0), h1 (1)) = {2 , 2}.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 12. 1. 1. (tapis low pass) dan h1 = (h0 (0), h1 (1)) = {2 , − 2} (tapis high pass) ini merupakan fungsi basis wavelet Haar. Pada citra, tapis high pass dan tapis low pass dapat direprentasikan sebagai matriks 2D. Dekomposisi perataan dan pengurangan yang telah dilakukan sebelumnya sebenarnya sama dengan melakukan dekomposisi (transformasi) citra dengan wavelet Haar. Kedua tapis tersebut bersifat ortogonal namun tidak ortonormal.. 1. 1. h0 = { , } √2 √2. 1. 1. √2. √2. h1 = { , − }. (2.12.) (2.13.). Gambar 2.4. Wavelet Haar. 2.5.. Jarak Euclidean Data inputan dan template gambar, nantinya akan menghasilkan data berupa. matriks. Dan akan dicari nilai kesamaan antar dua buah matriks tersebut dengan menghitung jarak euclidean. Euclidean merupakan an perhitungan jarak untuk membandingkan antara 2 vektor citra yang dapat digunakan dalam proses identifikasi citra dengan cara menghitung selisih nilai piksel antara 2 vektor tersebut[8]. Jarak euclidean atau euclidean distance adalah akar dari jumlah selisih kuadrat antara 2 vektor, dan secara matematis dapat dirumuskan : 𝑑𝑖𝑠𝑡(𝑖, 𝑘) = √∑𝑑𝑖=𝑗 (𝑖𝑗 + 𝑘𝑗 )2. (2.14.).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 13. Keterangan : a. dist (i,k) adalah jarak euclidean antara vektor i dan vektor k; b. Ij adalah komponen ke-j dari vektor i; c. Kj adalah komponen ke-j dari vektor k; d. D adalah jumlah komponen pada vektor i dan vektor k.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB III RANCANGAN PENELITIAN Pada bab ini, akan dijelaskan tentang langkah-langkah perancangan pembuatan sistem pengenalan nilai nominal uang kertas rupiah. Bab ini berisi blok diagram sistem, Diagram blok sistem dan berbagai hal yang di perlukan dalam perancangan.. 3.1.. Perancangan Sistem Perancangan sistem pengenalan nilai nominal uang kertas rupiah ini terdiri. dari 3 tahap yaitu masukan (input), pemrosesan (preprocesing), dan hasil keluaran (output). Blok diagram tentang sistem pengenalan nilai nominal uang kertas rupiah ini dapat dilihat pada gambar 3.1 Konversi ke citra RGB ke HSV. HSV ke Biner. Cropping. Pengambilan Citra Uang Kertas. Penentuan Keluaran. Perhitungan jarak euclidian. Keluaran Suara. Database. Gambar 3.1. Diagram Blok Sistem. 14. Ekstraksi Ciri Wavelet.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 15. Pada gambar di atas dapat dilihat bahwa proses pengambilan citra dilakukan oleh webcam, setelah itu citra akan diproses lebih lanjut pada laptop yang terhubung dengan webcam tersebut melalui beberapa proses yang telah dituliskan pada diagram blok sistem. Sistem pengenalan nilai nominal uang kertas rupiah terdiri dari software yang berfungsi sebagai user interface. Program sistem pengenalan ini dikerjakan dengan menggunakan program Matlab versi R2010a. Program berperan dalam mengatur setiap proses dalam pengolahannya untuk mendapatkan hasil pengenalan nilai nominal uang kertas rupiah. Hasil dari sistem tersebut bersifat real time.. 3.2.. Proses Kerja Sistem Sistem dapat dilihat pada diagram alir utama pada gambar 3.2.. Mulai Konversi citra RGB ke HSV HSV ke Biner. Template Matching dan Jarak euclidean. Cropping Penentuan keluaran Ekstraksi ciri wavelet. Selesai. Gambar 3.2. Diagram Alir Utama Perancangan. 3.2.1.. Input Data Input data yang digunakan dalam sistem ini adalah citra uang kertas rupiah. . Citra uang kertas rupiah diambil dengan menggunakan webcam yang mempunyai resolusi 720p. Jarak pengambilan citra uang kertas rupiah dengan webcam adalah 15 cm..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 16. 3.2.2.. Konversi Citra RGB ke HSV Pada tahap ini, citra uang kertas rupiah yang awalnya mempunyai format. citra RGB, akan dikonversi terlebih dahulu menjadi format HSV. Berikut ini diagram alir dari proses konversi citra RGB ke HSV. Dapat dilihat pada gambar 3.3. Mulai Input : Citra RGB. Hitung Nilai R,G, dan B. Konversi ke HSV Berdasarkan Nilai R, G, dan B Output : Citra HSV Selesai Gambar 3.3. Diagram Alir subrutin Konversi Citra RGB ke HSV. 3.2.3.. HSV Ke Biner Pada tahap ini, citra uang kertas rupiah yang telah dikonversi ke HSV akan. diubah menjadi citra biner. Perubahan citra HSV ke biner dapat dikonversi dengan cara mengambil nilai ambang (Threshold) dari citra HSV. Pada citra HSV ini, nilai yang diambil adalah nilai value dan nilai saturation yang nantinya akan di ambil nilai ambang (Threshold) untuk diubah ke citra biner. Dapat dilihat pada gambar 3.4..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 17. Mulai. Input : Citra HSV Pengambilan Threshold saturation dan Threshold value. Segmentasi foreground. Output : Citra Biner. Selesai Gambar 3.4. Diagram Alir subrutin HSV ke biner. 3.2.4.. Cropping Pada tahap ini, citra uang kertas rupiah yang telah dikonversi ke biner, akan. masuk ke dalam proses cropping. Pada proses cropping dilakukan dua kali cropping yaitu sesuai bounding box dan pada dua sisi yaitu pada kiri atas dan kanan bawah pada uang kertas bertujuan sebagai cara untuk mendapatkan citra nilai nominal yang tertera pada uang seandainya uang tersebut dengan translasi yang berbeda. Dapat dilihat pada gambar 3.5..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 18. Mulai Input : Citra Biner. Potong Bagian Uang Kertas Sesuai Bounding Box. Potong uang kertas Bagian kiri atas dan Kanan bawah. Output : Citra Hasil Cropping. Selesai. Gambar 3.5. Diagram Alir subrutin Proses Cropping. 3.2.5.. Ekstraksi ciri Wavelet Pada tahap ini, citra uang kertas rupiah yang telah melalui proses. cropping, akan masuk ke dalam proses ekstraksi ciri wavelet. Wavelet adalah ekstraksi ciri yang digunakan dalam tahap pengambilan ciri pada suatu citra. Wavelet yang digunakan yaitu wavelet haar dengan menggunkan dekomposisi low pass filter karena hanya bentuk dasar dari citra yang akan dicari. Wavelet haar dilakukan dengan menerapkan konvolusi dan dekomposisi low pass filter secara simultan untuk mendapatkan sinyal global. Dapat dilihat pada gambar 3.6..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 19. Mulai. Input : Hasil Citra Setelah dicrop. Desimasi = N Konvolusi Menggunakan Wavelet Haar N = N-1. Tidak. N=0 Ya Output : Hasil Ekstraksi Ciri. Selesai Gambar 3.6. Diagram Alir subrutin Ekstraksi Ciri Wavelet. 3.2.6.. Template Matching Dan Jarak Euclidean Pada tahap ini, citra uang kertas rupiah yang telah di ekstraksi ciri dengan. menggunakan wavelet, selanjutnya akan masuk ke dalam proses Template Matching. Tahap ini adalah tahap membandingkan citra masukan uang kertas rupiah yang dicapture dengan database nilai nominal uang kertas rupiah. Dalam sistem ini digunakan fungsi perhitungan jarak euclidean. Fungsi perhitungan jarak euclidian ini pada prinsipnya ialah jika perbandingan database dengan citra uang kertas semakin cocok. Proses template matching dapat dilihat pada gambar 3.7..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 20. Mulai Input : Hasil Ekstraksi Ciri Masukan, Ekstraksi Ciri Database. Template matching dan Perhitungan Jarak Euclidean. Output : Nilai Jarak Euclidean. Selesai. Gambar 3.7. Diagram Alir subrutin Template Matching dan jarak euclidean. 3.2.7.. Penentuan Keluaran Setelah melalui beberapa proses, tahap terakhir dari sistem pengenalan nilai. nominal yang kertas rupiah ini ialah keluaran berupa suara. Proses penentuan keluarannya ditentukan berdasarkan perhitungan nilai jarak euclidean dimana nilainya paling kecil. Diagram alir dari proses penentuan keluaran dapat dilihat pada gambar 3.8..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 21. Mulai. Input : Nilai Jarak Euclidean. Pengurutan nilai jarak euclidean dari yang terkecil ke terbesar. Keluaran adalah nilai jarak euclidean yang terkecil setelah diurutkan.. Output : Hasil Berupa Teks dan Suara. Selesai Gambar 3.8. Diagram Alir subrutin penentuan keluaran. 3.3.. Database Database di perlukan pada proses template matching. Pembentukan dari. database terdiri dari nilai nominal uang kertas rupiah terendah sampai dengan nilai nominal uang kertas rupiah tertinggi yang terdiri dari 2 variasi kondisi uang kertas rupiah antara lain uang kertas rupiah dengan kondisi baik dan kondisi yang tidak baik . Pembentukan database diambil dari citra uang kertas dengan ukuran citra 32 x 32 (desimasi 2) . Database ekstraksi ciri yang dibentuk ialah sebanyak 56. Angka ini di peroleh dari 7 mata uang yang berbeda setiap uang mempunyai 2 variasi kondisi uang kertas dan 4 variasi posisi peletakan uang kertas. Setiap variasi, akan direratakan yang.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 22. akan menjadi nilai di dalam database. Diagram blok pembentukan proses database ditunjukkan pada gambar 3.9. Pengambilan Citra (Citra RGB). Konversi RGB ke HSV. Database. HSV Ke Biner. Ekstraksi Ciri Wavelet. Gambar 3.9. Diagram Proses Pembentukan Database Setelah melihat diagram blok dari proses pembentukan database di atas, berikut ini uraian tentang matriks database hasil ekstraksi ciri yang dibentuk. Di mana terlebih dahulu dilakukan perhitungan rata-rata matriks dari setiap variasi posisi peletakan uang kertas rupiah.. . Contoh Pola Perhitungan Rerata Untuk Database Ukuran 64x64 Piksel : Sample 1_1_1. Nominal Uji 2_1_1. A1_1_1(1,1) A1_2_1(1,1) A1_1_1(2,1) A1_2_1(2,1) A1_1_1(3,1) A1_2_1(3,1) + . . . . . . [ A1_1_1(256,1)] [ A1_2_1(256,1)] = 2. Hasil Rerata. A1_1′(1,1)′ A1_1′(2,1)′ A1_1′(3,1)′ . . . [ A1_1′(256,1)′].

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 23. 1_1_1. 2_1_1. A2_1_1(1,1) A2_2_1(1,1) A2_1_1(2,1) A2_2_1(2,1) A2_1_1(3,1) A2_2_1(3,1) + . . . . . . [ A2_1_1(256,1)] [ A2_2_1(256,1)] = 2. 1_1_1. 2_1_1. B1_1_1(1,1) B1_2_1(1,1) B1_1_1(2,1) B1_2_1(2,1) B1_1_1(3,1) B1_2_1(3,1) + . . . . . . [ B1_1_1(256,1)] [ B1_2_1(256,1)] = 2. 1_1_1. 2_1_1. B2_1_1(1,1) B2_2_1(1,1) B2_1_1(2,1) B2_2_1(2,1) B2_1_1(3,1) B2_2_1(3,1) + . . . . . . [ B2_1_1(256,1)] [ B2_2_1(256,1)] = 2. Hasil Rerata. A2_1′(1,1)′ A2_1′(2,1)′ A2_1′(3,1)′ . . . [ A2_1′(256,1)′]. Hasil Rerata. B1_1′(1,1)′ B1_1′(2,1)′ B1_1′(3,1)′ . . . [ B1_1′(256,1)′]. Hasil Rerata. B2_1′(1,1)′ B2_1′(2,1)′ B2_1′(3,1)′ . . . [ B2_1′(256,1)′].

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 24. . Contoh Pola Perhitungan Rerata Untuk Database Ukuran 32x32 Piksel : Sample 1_1_2. Nominal Uji 2_1_2. A1_1_1(1,1) A1_2_1(1,1) A1_1_1(2,1) A1_2_1(2,1) A1_1_1(3,1) A1_2_1(3,1) + . . . . . . [ A1_1_1(1024,1)] [ A1_2_1(1024,1)] = 2. 1_1_2. 2_1_2. A2_1_1(1,1) A2_2_1(1,1) A2_1_1(2,1) A2_2_1(2,1) A2_1_1(3,1) A2_2_1(3,1) + . . . . . . [ A2_1_1(1024,1)] [ A2_2_1(1024,1)] = 2. 1_1_2. 2_1_2. B1_1_1(1,1) B1_2_1(1,1) B1_1_1(2,1) B1_2_1(2,1) B1_1_1(3,1) B1_2_1(3,1) + . . . . . . [ B1_1_1(1024,1)] [ B1_2_1(1024,1)] = 2. Hasil Rerata. A1_1′(1,1)′ A1_1′(2,1)′ A1_1′(3,1)′ . . . [ A1_1′(1024,1)′]. Hasil Rerata. A2_1′(1,1)′ A2_1′(2,1)′ A2_1′(3,1)′ . . . [ A2_1′(1024,1)′]. Hasil Rerata. B1_1′(1,1)′ B1_1′(2,1)′ B1_1′(3,1)′ . . . [ B1_1′(1024,1)′].

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 25. 1_1_2. 2_1_2. Hasil Rerata. B2_1_1(1,1) B2_2_1(1,1) B2_1_1(2,1) B2_2_1(2,1) B2_1_1(3,1) B2_2_1(3,1) + . . . . . . [ B2_1_1(1024,1)] [ B2_2_1(1024,1)] = 2. B2_1′(1,1)′ B2_1′(2,1)′ B2_1′(3,1)′ . . . [ B2_1′(1024,1)′]. Setelah menghitung rerata matriks dari setiap ukuran database hasil ekstraksi ciri di atas, selanjutnya dilakukan penyusunan matriks rerata database. Di mana hasil dari susunan matriks ini, nantinya akan dijadikan acuan dalam proses perhitungan jarak euclidean. Untuk lebih jelasnya berikut ini susunannya.. . Susunan Matriks Hasil Rerata Database Ukuran 64x64 Piksel : Angka Uji 1_A1_1. 1_A2_1. 1_A1(1,1)′ A2_1′(1,1)′ 1_A1(2,1)′ A2_1′(2,1)′ 1_A1(3,1)′ A2_1′(3,1)′ . . . . . . 1_A1(256,1)′ A2_1′(256,1)′ [. Matriks Hasil Rerata. 1_B1_1. 1_B2_1. 1_B1(1,1)′ 1_B1(2,1)′ 1_B1(3,1)′ . . . 1_B1(256,1)′. 1_A1(1,1)′ 1_A1(2,1)′ 1_A1(3,1)′ . … …. . . 1_A1(256,1)′. 100_B2_1 100_A1(1,1)′ 100_A1(2,1)′ 100_A1(3,1)′ . . . 100_A1(256,1)′ ].

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 26. . Susunan Matriks Hasil Rerata Database Ukuran 32x32 Piksel :. 1_A1_2. 1_A2_2. 1_A1(1,1)′ A2_1′(1,1)′ 1_ A1(2,1)′ A2_1′(2,1)′ 1_A1(3,1)′ A2_1′(3,1)′ . . . . . . 1_A1(256,1)′ A2_1′(256,1)′ [. 3.4.. 1_B1_2 1_B1(1,1)′ 1_B1(2,1)′ 1_B1(3,1)′ . . . 1_B1(256,1)′. 1_B2_2 1_A1(1,1)′ 1_A1(2,1)′ 1_A1(3,1)′ . … …. . . 1_A1(256,1)′. 100_B2_2 100_A1(1,1)′ 100_A1(2,1)′ 100_A1(3,1)′ . . . 100_A1(256,1)′ ]. Perancangan Tampilan GUI Tampilan interface pada perancangan sistem pengenalan menggunakan. GUI (Graphical User Interface) matlab. Bertujuan untuk membantu dalam proses pengenalan nilai nominal uang kertas rupiah. Diagram alir proses kerja GUI tersebut dapat dilihat pada gambar 3.10. Rancangan tampilan GUI dapat dilihat pada gambar 3.11. Mulai Tombol proses ditekan Ambil gambar dan ditampilkan pada kolom citra uang Hasil cropping ditampilakan pada kolom cropping Hasil ekstraksi ciri ditampilkan pada kolom ekstraksi ciri wavelet Suara sebagai keluaran Selesai. Gambar 3.10. Diagram alir proses kerja GUI.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 27. Pengenalan Nilai Nominal Uang Kertas Rupiah Citra Uang. PROSES. Cropping. Ekstraksi Ciri Wavelet. Gambar 3.9. Tampilan GUI Pengenalan Nilai Nominal Uang Kertas Rupiah. Gambar 3.11. Rancangan Tampilan GUI. 3.5.. Pengujian Data. 3.5.1.. Pengujian Secara Non Real Time Untuk pengujian secara non-real time, nantinya akan dilakukan pengujian. sebanyak 168 kali. Pada prinsipnya proses-proses yang dilalui sama dengan pengujian secara real time. Namun ekstraksi ciri wavelet akan ditampilkan secara manual melalui figure pada matlab. Nilai jarak euclidean terendah (terbaik) akan ditampilkan pada command window matlab. Keluaran berupa suara akan dikeluarkan melalui sound laptop.. 3.5.2.. Pengujian Secara Real Time Untuk pengujian secara real time, nantinya sebanyak 168 kali. Pengujian. menggunakan 3 variasi desimasi yaitu 1, 2, dan 4 untuk nanti menentukan nilai desimasi terbaik yang digunakan dalam sistem pengenalan. Terdapat 2 variasi kondisi uang kertas yang diuji dalam 1 nominal uang kertas, serta terdapat 4 variasi posisi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 28. peletakan uang kertas rupiah. Pengujian akan diakses melalui GUI (Graphical User Interface). Untuk memulai pengujian, dengan menakan tombol spasi pada laptop maka push button “Proses” akan melakukan fungsinya. Setelah itu citra uang kertas rupiah pengujian akan melalui beberapa proses seperti ambil citra, konversi RGB ke HSV, HSV ke biner, ekstraksi ciri wavelet, perhitungan jarak euclidean, serta penentuan keluaran. Dalam pengujiannya citra uang kertas diambil menggunakan webcam, hasil cropping dan ekstraksi ciri wavelet secara otomatis ditampilkan di dalam GUI.. 3.6.. Analisis Data Pengujian Dalam menghitung besar tingkat pengenalannya, pola persamaan yang. digunakan ialah sebagai berikut : Tingkat Pengenalan =. Banyak nilai nominal uang kertas yang di kenali x 100% Banyak nilai nominal uang kertas yang diuji.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB IV HASIL DAN PEMBAHASAN. Bab ini akan membahas mengenai langkah-langkah untuk menjalankan software pengenalan nilai nominal uang kertas rupiah baik secara real time maupun non real time, program yang digunakan, serta menganalisis data hasil pengujian. Pengujian sistem pengenalan nilai nominal uang kertas rupiah menggunakan uang kertas rupiah dari nominal Rp.1000,00, Rp.2000,00, Rp.5000,00, Rp.10.000,00, Rp.20.000,00, Rp.50.000,00, dan Rp.100.000,00 dengan 2 variasi kondisi uang kertas yaitu kondisi baik dan tidak baik. Dapat dilihat pada gambar 4.1. dan gambar 4.2.. Gambar 4.1. Uang Kertas Rp.100.000,00. Gambar 4.2. Uang Kertas Rupiah Rp.. dengan kondisi tidak baik.. 100.000,00 dengan kondisi baik.. Spesifikasi laptop yang digunakan dalam pengujian software pengenalan nilai nominal uang kertas rupiah ini ialah sebagai berikut : 1. Merk dan Tipe Laptop. : Asus A456U Series. 2. Prosesor. : Intel Core i5-6200U, up to 2.8 Ghz. 3. RAM. : 4 GB. 4. Versi Matlab. : R2010a. 5. Sistem Operasi. : Windows 10 64 bit. 29.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 30. 4.1. Menjalankan Program Pengenalan 4.1.1. Menjalankan Program Pengenalan secara Non Real Time 1. Pertama, buka nama file program yang digunakan secara non real time. Kemudian buka script uji dan masukan nama file gambar yang akan diuji, seperti contoh pada gambar 4.3.. Gambar 4.3. Memasukan data uji secara Non Real Time 2. Kedua, setelah klik run pada tab window, tunggu beberapa saat hingga hasil ekstraksi ciri wavelet ditampilkan pada figure matlab dan hasil keluaran suara akan terdengar (lebih jelasnya lihat Gambar 4.4. – 4.5).. Gambar 4.4. tombol run pada window. Gambar 4.5. Contoh Citra wavelet. 4.1.2. Menjalankan Program Pengenalan secara Real Time 1. Tampilan GUI yang digunakan untuk pengujian secara real time dapat dilihat pada Gambar 4.6..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 31. Gambar 4.6. GUI Software Pengenalan Nilai Nominal Uang Kertas Rupiah Pada tampilan GUI Gambar 4.7, terdapat pushbutton yang digunakan untuk menjalan proses setelah user (penyandang tuna netra) menekan tombol spasi pada laptop.. Gambar 4.7. Contoh ketika GUI dijalankan untuk Pengujian uang kertas rupiah dengan nominal Rp.100.000,00. 4.2. Penjelasan Program 4.2.1. Penjelasan Program secara Non Real Time Untuk sintaks program secara non real time, memiliki program sebagai berikut:.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 32. A. Proses Konversi RGB ke HSV Pada proses ini yang mengacu pada gambar 3.3 pada bab III dapat dilihat fungsi programnya sebagai berikut: % Konversi RGB ke HSV hsv=rgb2hsv(gambar);. Berdasarkan fungsi program di atas, dapat dilihat bahwa terdapat fungsi rgb2hsv. Fungsi ini berfungsi mengubah citra RGB dari menjadi citra HSV.. B. Proses HSV Ke Biner Untuk menjalankan proses ini yang mengacu pada gambar 3.4 pada bab III, program yang digunakan ialah : % Pengambilan thresholded saturation sat=hsv(:,:,2); % Ambil bagian saturation tsat=sat<0.5 % Pengambilan thresholded value val=hsv(:,:,3); % Ambil bagian value tval=val>0.55; % Segmentasi foreground depan=and(tsat,tval);. Berdasarkan program di atas, segmentasi bagian uang kertas pada citra dilakukan. Oleh karena itu bagian S (saturation) dan V (value) diambil, karena diantara ketiga komponen warna HSV. Nilai threshold S dan V jika dilihat dari ruang warnanya, yang digunakan dalam penelitian ini ialah untuk S <0,5. Nilai ini didapat karena nilai 0,5 bertujuan untuk membuat nilai saturasi pada citra menjadi baik. Karena jika nilai saturasinya lebih kecil maka citra akan menjadi sangat putih dan jika lebih besar maka citra akan menjadi semakin hitam. Sedangkan untuk V >0,55 nilai ini juga di dapat karena nilai 0,55 berpengaruh terhadap kecerahan objek. Jika menggunakan nilai lebih besar maka akan semakin cerah dan jika menggunakan nilai lebih kecil maka akan semakin gelap. Pada program terdapat tsat dan tval yang merupakan inisialisai nama untuk mempermudah pembuatan program. Untuk lebih jelasnya dapat dilihat pada tabel 4.1. ( penjelasan yang bercetak tebal adalah nilai yang terbaik )..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 33. Tabel4.1. Evaluasi Perubahan Nilai Saturation Dan Value Nilai saturation < 0,2 dan nilai value >0,55. Nilai saturation < 0,5 dan nilai value >0,55. Nilai saturation < 0,9 dan nilai value >0,55. Nilai saturation < 0,5 dan nilai value >0,35. Nilai saturation < 0,5 dan nilai value >0,55. Nilai saturation < 0,5 dan nilai value >0,85. C. Proses Cropping Untuk menjalankan proses ini yang mengacu pada gambar 3.5 pada bab III, program yang digunakan ialah : % cropping citra x= depan;.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 34. % Potong kiri if sum(sum(x))>0 cout=x; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else cout=x; end % Cropping kiri atas dan kanan bawah [baris,kolom]=size(cout); crop1=cout(1:64,1:128); crop2=cout((baris-63):baris,(kolom-127):kolom); crop=[crop1;crop2];. Berdasarkan program di atas, pada prinsipnya proses cropping sesuai bounding box ini, proses pemotongannya ialah dengan memutar tiap 90 o lalu memotong perbagiannya sampai kembali ke posisi awal. Pada tahap ini juga memotong pada 2 bagian yaitu kiri atas dan kanan bawah. Pemotongan ini dilakukan untuk mengambil objek yang di inginkan untuk pemrosesan yaitu angka nominal yang tertera pada uang. Oleh karena itu dilakukan pemotongan pada kiri atas dengan size 64 x 128 dan begitu juga pada bagian kanan bawah. Sedangkan jika dilakukan pemotongan lebih kecil dari size 64 x 128 maka hasil yang di dapatkan tidak sesuai. Karena angka yang tertera pada uang akan terpotong. Jika menggunakan nilai lebih besar maka informasi yang nantinya akan diambil menjadi lebih besar dan berpengaruh dalam proses pengenalannya. Dalam penentuan nilai pemotongan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 35. adalah menggunakan 2n karena pada saat pemrosesan citra pada tahap ekstraksi ciri wavelet dapat menghasilkan ekstraksi ciri yang terkecil. Proses cropping dapat dilihat pada tabel 4.2. dan tabel 4.3.. Tabel 4.2. Hasil Evaluasi Cropping Pada Bagian Kiri Atas dan Kanan Bawah Contoh cropping pada 2 bagian kiri atas dan kanan bawah dengan ukuran 64 x 64 yang telah digabungkan dalam satu frame. Contoh cropping pada 2 bagian kiri atas dan kanan bawah dengan ukuran 64 x 128 yang telah digabungkan dalam satu frame. Contoh cropping pada 2 bagian kiri atas dan kanan bawah dengan ukuran 64 x 256 yang telah digabungkan dalam satu frame. Contoh cropping pada 2 bagian kiri atas dan kanan bawah dengan ukuran 32 x 128 yang telah digabungkan dalam satu frame. Contoh cropping pada 2 bagian kiri atas dan kanan bawah dengan ukuran 128 x 128 yang telah digabungkan dalam satu frame.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 36. Tabel 4.3. Proses Cropping sesuai Bounding Box Program. x= gambar;. (Gambar asli sebelum crooping). % Potong kiri if sum(sum(x))>0 cout=x; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];. % Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];. % Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];. Hasil.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 37. % Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];. % Cropping kiri atas dan kanan bawah [baris,kolom]=size(cout); crop1=cout(1:64,1:128); crop2=cout((baris63):baris,(kolom127):kolom); crop=[crop1;crop2];. D. Proses Ekstraksi Ciri Wavelet Untuk menjalankan proses ini yang mengacu pada gambar 3.6 pada bab III, program yang digunakan ialah : %Ekstraksi ciri wavelet 2d function x3=xcwav2(x0,m) for j=1:m x1=convx2(x0); x2=downsampling(x1); x0=x2; end x3=x0; %Konvolusi 2D function y=convx2(x) LPF=[0.7071 0.7071]; [b,j]=size(x);. %Konvolusi baris for m=1:b. %Wavelet Haar LO_D.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 38. x0=x(m,:); x(m,:)=convx(x0,LPF); end %Konvolusi kolom for m=1:j x0=x(:,m); x(:,m)=convx(x0',LPF)'; end y=x;. %Jumlah koefisien harus genap; function y=convx(x,LPF) lx=length(x); lf=length(LPF);. batas=lf/2; kiri=x(lx-batas+1:lx); kanan=x(1:batas); x=[kiri x kanan]; %Konvolusi x=double(x); LPF=double(LPF); y=conv(x,LPF); %Keluarkan yang perlu awal=lf+1; akhir=awal+lx-1; y=y(awal:akhir);. %Proses downsampling yang mempertahankan koefisien genap function y=downsampling(x) [b,j]=size(x); %subsampling baris m=1:2:b; x(m,:)=[]; %subsampling kolom m=1:2:j; x(:,m)=[]; y=x;. Berdasarkan program di atas, dapat dilihat bahwa wavelet yang digunakan wavelet haar 2D yang menggunakan low pass filter. Terdapat nilai 0.7071 itu merupakan nilai tetap wavelet haar dengan low pass filter..

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 39. E. Proses Perhitungan Jarak Euclidean Untuk menjalankan proses ini yang mengacu pada gambar 3.7 pada bab III, program yang digunakan ialah : function z=jec(x,y) % Jarak Euclidean c1=(x-y).^2; c2=sum(c1); z=sqrt(c2);. Dapat dilihat pada function jec di atas merupakan rumus dari jarak euclidean yang terdapat pada bab II. Rumus tersebut akan digunakan pada perhitungan jarak euclidean dalam penentuan keluaran. Dapat dilihat pada program di bawah ini. for n=1:28 r(n)=jec(x6,z(:,n)) end minr=min(r). Berdasarkan program di atas, dapat dilihat terdapat sintaks min yang berfungsi untuk mengambil nilai jarak euclidean yang paling rendah (yang terbaik). Jec itu merupakan inisialisasi nama fungsi untuk mempermudah pembuatan program. Terdapat nilai 28 pada program itu merupakan jumlah kelas output yang nantinya akan dibandingkan dengan data masukan.. F. Proses Keluaran Suara Untuk menjalankan proses ini yang mengacu pada gambar 3.8 pada bab III, program yang digunakan ialah : %Keluaran suara if (minr==r(1)) z1=wavread('seribu.wav'); sound(z1,40000) elseif (minr==r(2)) z2=wavread('seribu.wav'); sound(z2,40000) elseif (minr==r(3)) z3=wavread('seribu.wav'); sound(z3,40000) elseif (minr==r(4)) z4=wavread('seribu.wav'); sound(z4,40000) elseif (minr==r(5)) z5=wavread('duaribu.wav'); sound(z5,40000) elseif (minr==r(6)) z6=wavread('duaribu.wav'); sound(z6,40000).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 40. elseif (minr==r(7)) z7=wavread('duaribu.wav'); sound(z7,40000) elseif (minr==r(8)) z8=wavread('duaribu.wav'); sound(z8,40000) elseif (minr==r(9)) z9=wavread('limaribu.wav'); sound(z9,40000) elseif (minr==r(10)) z10=wavread('limaribu.wav'); sound(z10,40000) elseif (minr==r(11)) z11=wavread('limaribu.wav'); sound(z11,40000) elseif (minr==r(12)) z12=wavread('limaribu.wav'); sound(z12,40000) elseif (minr==r(13)) z13=wavread('sepuluhribu.wav'); sound(z13,40000) elseif (minr==r(14)) z14=wavread('sepuluhribu.wav'); sound(z14,40000) elseif (minr==r(15)) z15=wavread('sepuluhribu.wav'); sound(z15,40000) elseif (minr==r(16)) z16=wavread('sepuluhribu.wav'); sound(z16,40000) elseif (minr==r(17)) z17=wavread('duapuluhribu.wav'); sound(z17,40000) elseif (minr==r(18)) z18=wavread('duapuluhribu.wav'); sound(z18,40000) elseif (minr==r(19)) z19=wavread('duapuluhribu.wav'); sound(z19,40000) elseif (minr==r(20)) z20=wavread('duapuluhribu.wav'); sound(z20,40000) elseif (minr==r(21)) z21=wavread('limapuluhribu.wav'); sound(z21,40000) elseif (minr==r(22)) z22=wavread('limapuluhribu.wav'); sound(z22,40000) elseif (minr==r(23)) z23=wavread('limapuluhribu.wav'); sound(z23,40000) elseif (minr==r(24)) z24=wavread('limapuluhribu.wav'); sound(z24,40000) elseif (minr==r(25)) z25=wavread('seratusribu.wav'); sound(z25,40000) elseif (minr==r(26)) z26=wavread('seratusribu.wav'); sound(z26,40000).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 41. elseif (minr==r(27)) z27=wavread('seratusribu.wav'); sound(z27,40000) elseif (minr==r(28)) z28=wavread('seratusribu.wav'); sound(z28,40000) end. Berdasarkan program di atas, nilai nominal uang kertas rupiah yang memiliki nilai jarak euclidean yang paling rendah akan menjadi keluaran sistem pengenalan. Hasilnya akan dikeluarkan melalui sound laptop. Nilai 40000 pada program tersebut di peroleh karena sampling suara yang digunakan adalah 40000 Hz agar mendapatkan suara aslinya. Jika menggunakan frekuensi lebih besar atau lebih kecil dari 40000 Hz, suara akan menjadi kasar tidak sesuai dengan suara rekaman aslinya. Untuk pengambilan foto data uji secara non real time ini, digunakan software asli webcam Logitech sendiri yang disimpan pada sebuah folder untuk pengujian secara non realtime. Berikut ini Gambar 4.8. software Logitech webcam pada saat pengambilan foto data uji.. Gambar 4.8. Software Logitech Webcam pada saat Pengambilan Foto Data Uji.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 42. G. Pembuatan Database Untuk menjalankan proses ini yang mengacu pada gambar 3.9 pada bab III, program yang digunakan ialah : function dbxcwav z=[]; z=prosesxc(1,[128 128]); save dB1r64d1 z ; z=[]; %================================================================= % internal function %================================================================= function z=prosesxc(des,rz) z=[]; % Tampak A1_1 (Posisi Depan menghadap ke atas sample 1) x=imread('1 A1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y1=y(:); x=imread('2 A1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y2=y(:); x=imread('5 A1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y3=y(:); x=imread('10 A1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y4=y(:); x=imread('20 A1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y5=y(:); x=imread('50 A1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y6=y(:); x=imread('100 A1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y7=y(:); % Tampak A1_2 (Posisi Depan menghadap ke atas sample 2) x=imread('1 A1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y8=y(:); x=imread('2 A1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y9=y(:); x=imread('5 A1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y10=y(:); x=imread('10 A1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y11=y(:); x=imread('20 A1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y12=y(:); x=imread('50 A1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y13=y(:); x=imread('100 A1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y14=y(:);. % Tampak A2_1 (Posisi Depan menghadap ke bawah sample 1) x=imread('1 A2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y15=y(:); x=imread('2 A2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y16=y(:); x=imread('5 A2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y17=y(:); x=imread('10 A2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y18=y(:); x=imread('20 A2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y19=y(:); x=imread('50 A2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y20=y(:); x=imread('100 A2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y21=y(:); % Tampak A2_2 (Posisi Depan menghadap ke bawah sample 2) x=imread('1 A2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y22=y(:); x=imread('2 A2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y23=y(:); x=imread('5 A2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y24=y(:); x=imread('10 A2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y25=y(:); x=imread('20 A2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y26=y(:); x=imread('50 A2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y27=y(:); x=imread('100 A2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y28=y(:); % Tampak B1_1 (Posisi Belakang menghadap ke atas sample 1) x=imread('1 B1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y29=y(:); x=imread('2 B1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y30=y(:); x=imread('5 B1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y31=y(:);.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 43. x=imread('10 B1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y32=y(:); x=imread('20 B1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y33=y(:); x=imread('50 B1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y34=y(:); x=imread('100 B1-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y35=y(:); % Tampak B1_2 (Posisi Belakang menghadap ke atas sample 2) x=imread('1 B1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y36=y(:); x=imread('2 B1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y37=y(:); x=imread('5 B1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y38=y(:); x=imread('10 B1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y39=y(:); x=imread('20 B1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y40=y(:); x=imread('50 B1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y41=y(:); x=imread('100 B1-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y42=y(:); % Tampak B2_1 (Posisi Belakang menghadap ke bawah sample 1) x=imread('1 B2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y43=y(:); x=imread('2 B2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y44=y(:); x=imread('5 B2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y45=y(:); x=imread('10 B2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y46=y(:); x=imread('20 B2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y47=y(:); x=imread('50 B2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y48=y(:); x=imread('100 B2-1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y49=y(:); % Tampak B2_2 (Posisi Belakang menghadap ke bawah sample 2) x=imread('1 B2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y50=y(:); x=imread('2 B2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y51=y(:); x=imread('5 B2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y52=y(:); x=imread('10 B2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y53=y(:); x=imread('20 B2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y54=y(:); x=imread('50 B2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y55=y(:); x=imread('100 B2-2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y56=y(:); %Pererataan dat1_A1=(y1+y8)/2; dat1_A2=(y15+y22)/2; dat1_B1=(y29+y36)/2; dat1_B2=(y43+y50)/2; dat2_A1=(y2+y9)/2; dat2_A2=(y16+y23)/2; dat2_B1=(y30+y37)/2; dat2_B2=(y44+y51)/2; dat5_A1=(y3+y10)/2; dat5_A2=(y17+y24)/2; dat5_B1=(y31+y38)/2; dat5_B2=(y45+y52)/2; dat10_A1=(y4+y11)/2; dat10_A2=(y18+y25)/2; dat10_B1=(y32+y39)/2; dat10_B2=(y46+y53)/2; dat20_A1=(y5+y12)/2;.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 44. dat20_A2=(y19+y26)/2; dat20_B1=(y33+y40)/2; dat20_B2=(y47+y54)/2; dat50_A1=(y6+y13)/2; dat50_A2=(y20+y27)/2; dat50_B1=(y34+y41)/2; dat50_B2=(y48+y55)/2; dat100_A1=(y7+y14)/2; dat100_A2=(y21+y28)/2; dat100_B1=(y35+y42)/2; dat100_B2=(y49+y56)/2; %database z =[dat1_A1 dat1_A2 dat1_B1 dat1_B2 dat2_A1 dat2_A2 dat2_B1 dat2_B2 dat5_A1 dat5_A2 dat5_B1 dat5_B2 dat10_A1 dat10_A2 dat10_B1 dat10_B2 dat20_A1 dat20_A2 dat20_B1 dat20_B2 dat50_A1 dat50_A2 dat50_B1 dat50_B2 dat100_A1 dat100_A2 dat100_B1 dat100_B2]; %================================================================= % internal function %================================================================= function x9=prepro(x0,rz) %Konversi RGB ke HSV x1=rgb2hsv(x0); % Pengambilan thresholded saturation sat=x1(:,:,2); % Ambil bagian saturation tsat=sat<0.5; % Pengambilan thresholded value val=x1(:,:,3); % Ambil bagian value tval=val>0.55; % Segmentasi foreground depan=and(tsat,tval);. % Potong kiri if sum(sum(depan))>0 cout=depan; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 45. % Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else cout=depan; cout=rz; end % Cropping kiri atas dan kanan bawah [baris,kolom]=size(cout); crop1=cout(1:64,1:128); crop2=cout((baris-63):baris,(kolom-127):kolom); rz=[crop1;crop2]; % ======================================================== % Pembalikan x9=~rz;. Berdasarkan program diatas, dapat dilihat database akan disimpan pada folder dengan nama file dB1r64d1.Untuk size yang digunakan dalam database adalah 128 x 128. Mengacu pada ukuran size cropping yang sudah dijelaskan sebelumnya agar mendapatkan hasil yang sesuai.. 4.2.2. Penjelasan Program secara Real Time Untuk program secara real time, pushbutton yang terdapat pada GUI akan diisi program tertentu agar nantinya GUI dapat berjalan dengan baik. Dan pushbutton dapat di jalankan dengan menekan tombol spasi pada laptop. Untuk lebih jelasnya, berikut ini penjelasannya. a. Pushbutton “PROSES” Untuk menjalankan pushbutton ini, maka diisi program berikut : % Proses Pemrosesan citra uang imaqhwinfo; info = imaqhwinfo ('winvideo'); dev_info = imaqhwinfo('winvideo',2); vidobj = videoinput('winvideo',2,'RGB24_320x240'); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get (vidobj, 'VideoResolution');.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 46. imWidht = 320; imHeight = 240; nBands = get (vidobj, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidht, nBands), 'parent', handles.axes1); preview(vidobj, hImage); start(vidobj); pause(1); trigger(vidobj); stoppreview(vidobj); capt1=getdata(vidobj); gambar = capt1; handles.a = gambar; guidata(hObject,handles); axes(handles.axes1); imshow(gambar);. Berdasarkan program di atas, dapat dilihat terdapat sintaks imaqhwinfo, getdata. Sintaks ini berfungsi untuk menginisialisasikan antara webcam dengan software matlab. Selain itu, sintaks ini juga berfungsi untuk mengetahui informasi yang dimiliki oleh webcam, seperti nama device dan format warna yang dihasilkan oleh webcam, misalnya RGB, YUY, dan lainnya. Untuk menampilkan gambar yang direkam oleh webcam, maka sintaks preview digunakan dan kemudian gambar tersebut dapat nampak pada axes 1. Sintaks getdata berfungsi untuk melakukan capture gambar saat webcam dalam keadaan on. Hasil gambar yang telah diambil oleh webcam ini memiliki format citra RGB. Kemudian agar hasil capture dapat dipanggil dan digunakan pada sintaks program selanjutnya, maka diinisialisasikan dengan sintaks handles. Untuk vidojb menggunakan resolusi 320 x 240 dikarenakan merupakan available resolution webcam. Bertujuan agar nilai yang terkandung dalam citra yang diambil tidak besar, sehingga mempermudahkan dalam pemrosesannya. Untuk program pemrosesannya sama dengan program yang digunakan dalam program non realtime hanya pada program realtime terdapat beberapa tambahan program seperti diatas.. 4.3. Analisis Hasil Data Pengujian Dalam pengujian program secara real time dan secara non real time, pengujian dari 7 variasi nominal uang kertas, 2 variasi kondisi uang kertas, 4 variasi peletakan uang kertas serta 3 variasi desimasi..