IMPLEMENTASI METODE EDGE DETECTION DAN LEARNING VECTOR QUANTIZATION STUDI KASUS UANG KERTAS RUPIAH

(1)

IMPLEMENTASI METODE EDGE DETECTION DAN

LEARNING VECTOR QUANTIZATION STUDI KASUS

UANG KERTAS RUPIAH

Mira Musrini

[1]

, Marisa Premitasari,

[2]

, Reggy Rizqika

[1]

Program Studi Informatika, Jurusan Teknik Informatika, Fakultas Teknologi Industri

Institut Teknologi Nasional Bandung

ABSTRAK

Uang merupakan alat tukar yang diterima secara umum. Alat tukar ini bisa berupa apapun yang diterima orang dalam masyarakat dalam proses pertukaran barang dan jasa. Uang seperti ini disebut juga uang barang. Uang kertas rupiah memiliki dua sisi gambar yaitu bagian depan dan belakang dimana bagian depan uang terdapat gambar pahlawan nasional Indonesia. Gambar pahlawan tersebut bisa dijadikan ciri sebagai pembeda untuk setiap nominal uang kertas. Proses pengenalan nominal uang kertas dilakukan dengan mengidentifikasi bagian wajah pada setiap jenis nominal. Pada penelitian ini, citra uang kertas diawali dengan pra-pemrosesan. Citra uang yang sudah diakuisisi dengan proses scanning memiliki nilai RGB sehingga dikonversi ke citra grayscale. Tahap selanjutnya citra diperkecil dengan cara cropping. Pemotongan citra diproses dengan melokalisasi bagian wajah dengan menggunakan algoritma viola-jones. Setelah wajah ditemukan maka citra diekstraksi menggunakan metode deteksi tepi cannydimana hasilnya berupa nilai vektor dan nilainya disimpan ke dalam basisdata sebagai data pelatihan. Klasifikasi yang digunakan untuk pencocokan menggunakan metode Learning Vektor

Quantizationdengan melakukan metode pendekatan nilai

vektor input dengan nilai vektor bobot agar dapat dicari kelasnya. Sampel yang digunakan untuk proses pelatihan sebanyak 70 lembar dan sampel ujipun sebanyak 70 lembar uang kertas rupiah. Tingkat akurasi pencocokan terhadap jenis nominal uang kertas mencapai 72%.

Kata kunci :

Uang kertas, Canny, Learning Vector

Quantization.

ABSTRACT

Money is a commonly accepted means of exchange. This exchange can be anything that people in society receive in the exchange of goods and services. This kind of money is called goods money. Rupiah banknotes have two sides of the image of the front and rear where the front of the money there is a picture of Indonesia's national hero. The image of the hero can be characterized as a differentiator for every nominal banknote. The process of recognizing nominal banknotes is done by identifying the face in each type of nominal. In this study, the banknote image begins with pre-processing. The image of money that has been acquired by scanning process has RGB value so it is converted to grayscale image. The next stage of image is minimized by cropping. Cutting the image is processed by localizing the face using the viola-jones algorithm. Once the face is found the image is extracted using a canny edge detection method where the result is a vector value and its value is stored into the database as training data. The classification used for matching uses the Learning Vector Quantization method by applying the input vector value method with the weighted vector value in order to search for the class. The sample used for the training process is 70 sheets and sample testing process is 70 pieces of rupiah banknotes. The accuracy of matching to nominal type of banknotes reached 72%.

Keywords

:

Bank note, Canny, Learning Vector Quantization.

(2)

PENDAHULUAN

Uang merupakan alat tukar menukar sehingga menjadi bagian yang integral dari kehidupan sehari-hari sekaligus alat pembayaran yang berlaku untuk semua transaksi jual beli baik secara langsung maupun tidak langsung. Pecahan uang kertas rupiah memiliki ciri yang membedakan masing-masing nominal seperti gambar pahlawan, tampak belakang, ukuran uang, dan dominasi warna. Pecahan uang kertas yang beredar di masyarakat hingga tahun 2017 mulai dari nominal Rp1.000, Rp2.000, Rp5.000, Rp10.000, Rp20.000, Rp50.000, dan Rp100.000.

Berdasarkan bahan pembuatannya, uang dibedakan menjadi dua jenis yaitu uang kertas dan uang logam. Di antara keduanya, mayoritas masyarakat lebih menghargai uang kertas dibanding logam karena denominasinya yang lebih besar jika dibandingkan uang logam.

Dengan menggunakan metode Learning Vector

Quantization untuk mengenali nominal uang maka

dilakukan klasifikasi yang terdiri dari kelas-kelas nominal yang sudah ditentukan terlebih dahulu. Citra gambar akan diubah kedalam bentuk vektor agar dapat dicari kelasnya dan dikategorikan untuk masuk ke kelas yang nilai vektor input dan vektor bobot memiliki jarak paling dekat.[8][9]

Deteksi tepi berfungsi untuk menghasilkan tepi-tepi dari obyek citra dengan tujuan menandai bagian yang menjadi detail citra dan memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra. Dalam hal ini uang diambil citranya secara keseluruhan sesuai dengan ukuran uang dengan mengambil gambar uang bagian depan karena obyek yang akan diklasifikasikan dalam metode LVQ adalah gambar pahlawan yang menjadi salah satu ciri pembeda pada setiap nominal uang kertas.

Rumusan Masalah

Berdasarkan latar belakang di atas, maka dapat dirumuskan beberapa masalah sebagai berikut :

1. Bagaimana cara mengesktraksi ciri obyek pahlawan pada citra uang menggunakan metode edge detection. 2. Bagaimana cara mengklasifikasi nominal uang

dengan menggunakan metode Learning Vector

Quantization (LVQ).

Tujuan

Tujuan dari penelitian ini untuk mengenali nilai nominal pada uang kertas rupiah Indonesia menggunakan metode Edge Detection dan Learning Vector Quantization (LVQ).

Ruang Lingkup

Adapun ruang lingkup dalam penelitian ini yaitu : 1. Pecahan uang yang digunakan yaitu uang kertas

dengan nominal Rp1.000, Rp2.000, Rp5.000, Rp10.000, Rp20.000, Rp50.000, dan Rp100.000. 2. Pecahan uang yang digunakan yaitu uang dengan

taun emisi 2000hingga tahun emisi 2014.

3. Pecahan uang yang digunakan adalah uang dengan kondisi bagian wajah pada bagian depan uang kertas tidak sobek, berlubang, dan ada coretan.

4. Perangkat/alat yang digunakan adalah laptop. 5. Citra diambil melalui scanner.

Akuisisi Citra

Akuisisi citra adalah tahap awal untuk mendapatkan citra digital. Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang akan diambil gambarnya, persiapan alat-alat, sampai pada pencitraan. Pencitraan adalah kegiatan transformasi dari citra tampak (foto, gambar, lukisan, patung, pemandangan dan lain-lain) menjadi citra digital. citra yang dihasilkan belum tentu data digital, sehingga perlu didigitalisasi.

Preprocessing

Salah satu cara untuk meningkatkan kualitas citra adalah dengan melakukan tahap preprocessing, dimana dalam meningkatkan kualitas citra dapat meningkatkan kemungkinan dalam keberhasilan pada tahap pengolahan citra digital berikutnya. Praproses citra bertujuan untuk memperbaiki citra dengan cara memanipulasi parameter citra agar mendapatkan kualitas yang lebih baik. Praproses citra adalah mengolah citra inputan dengan meningkatkan kualitas penampakan atau menonjolkan beberapa aspek informasi yang terkandung dalam citra dengan perbaikan atau modifikasi tertentu

.

(3)

Grayscale

Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pikselnya, artinya nilai dari Red = Green = Blue. Nilai-nilai tersebut digunakan untuk menunjukkan intensitas warna.

Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih”. Pada citra grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscaleseringkali merupakan perhitungan dari intensitas cahaya pada setiap piksel pada spektrum elektromagnetik single band.

Citra grayscale disimpan dalam format 8 bit untuk setiap sample piksel, yang memungkinkan sebanyak 256 intensitas. Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing R, G dan B menjadi citra grayscale maka rumus yang digunakan untuk mengkonversi citra RGB menjadi citra grayscale.

Keterangan:

I(x,y) = level keabuan suatu koordinat Nilai konstanta = 0,2989

Nilai konstanta = 0,5870 Nilai konstanta = 0,1140 R = nilai warna merah G = nilai warna hijau B = nilai warna biru

Cropping

Cropping adalah proses pemotongan citra pada

koordinat tertentu pada area citra. Dalam penelitian ini pemotongan citra dilakukan dengan melokalisasi atau memotong citra dengan mendeteksi fitur wajah. Algoritma yang digunakan untuk mendeteksi wajah menggunakan Viola-Jones yaitu mencari wajah dari sebuah gambar dengan memulai dari sudut kiri atas gambar dan berakhir di sudut kanan bawah gambar.Gambar dicari melalui beberapa kali dengan ukuran sub-gambar yang berbeda setiap kali. Ketika gambar dipindai subimage dilewatkan ke lapisan pertama dari detektor wajah kaskade untuk menentukan apakah sub-gambar berisi wajah atau tidak.

Jika lapisan pertama mengklasifikasikan sub-gambar sebagai wajah maka sub-gambar akan diteruskan ke lapisan berikutnya. Hal ini berlanjut hingga sub-gambar melewati semua lapisan atau dibuang di lapisan. Jika melewati berhasil melalui semua lapisan maka klasifikasi terakhir adalah wajah dan sebaliknya non-wajah.

Resizing

Proses resize akan mengubah resolusi atau ukuran horizontal dan vertikal suatu citra (gambar). Proses terakhir pada tahap pra-pemrosesan yaitu mengubah ukuran citra menjadi satu ukuran 100x100 dalam satuan piksel agar nilai vektor yang diambil untuk menjadi satu ragam dan akan mempermudah dalam proses klasifikasi.[8]

Canny

Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang cepat atau tiba-tiba (besar) dalam jarak yang singkat. Tujuan mendeteksi tepi sendiri adalah untuk mengelompokkan objek-objek dalam citra, dan juga digunakan untuk menganalisis citra lebih lanjut.

Salah satu algoritma yang digunakan untuk mendeteksi tepi adalah deteksi tepi canny.Deteksi tepi canny dapat mendeteksi tepian yang sebenarnya dengan tingkat error yang minimum dengan kata lain operator canny didesain untuk menghasilkan citra tepian yang optimal. Operator

canny menggunakan Gaussian Derivative Kernel untuk

menyaring kegaduhan dari citra awal untuk mendapatkan hasil deteksi tepi yang halus. [3][4]

Gambar 1 Flowchart Canny

(4)

a.

Noise Reduction

Menghilangkan Noise yang ada pada citra dengan mengimplementasikan Filter Gaussian. Hasilnya citra akan tampak sedikit buram. Hal ini dimaksudkan untuk mendapatkan tepian citra yang sebenarnya. Bila tidak dilakukan maka garis-garis halus juga akan dideteksi sebagai tepian.

Rumus 1–Rumus Noise Reduction

b.

Finding Gradient

Melakukan deteksi tepi dengan salah satu operator deteksi tepi seperti Roberts, Perwit atau Sobel dengan melakukan pencarian secara horizontal (Gx) dan secara vertikal (Gy). Ekstraksi ciri dengan canny pada penelitian ini menggunakan operator sobel. Berikut ini merupakan operator deteksi tepi sobel seperti pada

Gambar 2 - Operator Deteksi Tepi Sobel

Selanjutnya melakukan perhitungan konvolusi atau proses perhitungan penyisipan antara operator sobel dengan hasil dari noise reduction, dengan menggunakan Rumus 2danRumus 3.

Rumus 2 – Garis Tepi Horizontal

Rumus 3 – Garis Tepi Vertikal

Hasil dari kedua operator digabungkan untuk mendapat hasil gabungan tepi vertikal dan horizontal dengan Rumus 4:

Rumus 4 – Gabungan Tepi Vertikal dan Horizontal

Kemudian menentukan arah tepian yang ditemukan dengan menggunakan Rumus 5:

Rumus 5 – Menghitung Arah Tepian

Selanjutnya membagi kedalam 4 warna sehingga garis dengan arah yang berbeda memiliki warna yang berbeda. Berikut ini adalah bagan pembagian warna berdasarkan arah tepian yang dilakukan oleh canny

:

Gambar 3 – Bagan Pembagian Warna Keterangan:

1. Derajat 0-22,5 → Berwarna Kuning 2. Derajat 22,5 - 67,5 → Berwarna Hijau 3. Derajat 67,5 - 112,5 → Berwarna Biru 4. Derajat 112,5 - 157,5 → Berwarna Merah

5.

Derajat 157,5 – 180 → Berwarna Kuning

c.

Non Maximum Suppression

Setelah arah tepi diperoleh, maka penghilangan non-maksimum dilaksanakan. Penghilangan non-non-maksimum dilakukan di sepanjang tepi pada arah tepi dan menghilangkan piksel-piksel (piksel diatur menjadi 0) yang tidak dianggap sebagai tepi. Dengan cara seperti itu, diperoleh tepi yang tipis.

d.

Hyteresis Thresholding

Proses ini menghilangkan garis-garis yang seperti terputus-putus pada tepi objek. Caranya adalah dengan menggunakan dua ambang maxVal dan minVal. Lalu, semua piksel citra yang bernilai lebih besar daripada maxVal dianggap sebagai piksel tepi. Selanjutnya, semua piksel yang terhubung dengan piksel tersebut dan memiliki nilai lebih besar dari minVal juga dianggap sebagai piksel tepi.

(5)

Learning Vector Quantization (LVQ)

Metode LVQ akan melakukan pengenalan terlebih dahulu terhadap pola masukan yang harus disajikan dalam bentuk vektor agar dapat dicari kelasnya. LVQ selalu memperbarui bobotnya sesuai jumlah maksimal epoch yang ditetapkan. Rumus untuk memperbarui bobot sebagai berikut.

…..6

Rumus 6 – Perbarui Bobot Baru

Keterangan: Wm = bobot

= tingkat pembelajaran X = masukan

Karena setiap neuron keluaran menyatakan kelas atau kategori tertentu, maka pola, masukkan dapat dikenali kelasnya berdasarkan neuron keluaran yang diperoleh. Metode LVQ mengenali pola masukkan berdasarkan pada pendekatan jarak antara dua vektor yaitu vektor dari unit/neuron masukkan dengan vektor bobot[4][5][6]. Arsitektur LVQ dapat dilihat pada Gambar 4.

Gambar 4 – Arsitektur LVQ Keterangan pada Gambar 4:

1. x1 sampai dengan x19200 = nilai input

2. || x – w1 || sampai dengan || x – wn || = jarak bobot 3. H1 sampai dengan Hn = lapisan output

4. D1 sampai dengan Dn = nilai output 5. n = jumlah data karakter (jumlah kelas)

Setelah itu proses dari alur kerja LVQ dapat diketahui melalui diagram alir pada Gambar 5.

Gambar 5 – Diagram Alir LVQ Keterangan:

1. Tahap awal yaitu memasukkan input nilai vektor dan bobot akhir yang sudah dilakukan pada proses pembelajaran.

2. Kemudian menghitung jarak terdekat.

3. Memilih neuron dengan jarak kelas yang paling dekat.

4. Nilai vektor dikenali dan masuk ke dalam kelas yang sesuai.

Uang Kertas Rupiah

Uang kertas rupiah merupakan uang yang terbuat dari kertas dengan gambar dan cap tertentu, memiliki nilai yang bersifat nominal, nilai intrinsik, dan nilai riil sehingga uang merupakan alat pembayaran yang sah. Menurut penjelasan UU No. 23 tahun 1999 tentang Bank Indonesia, yang dimaksud dengan uang kertas adalah uang dalam bentuk lembaran yang terbuat dari bahan kertas atau bahan lainnya (yang menyerupai kertas).

Menurut aturan Bank Indonesia bagian depan uang merupakan bagian yang terdapat gambar wajah pahlawan nasional. Berikut contoh gambar depan pada pecahan uang kertas Rp50.000 padaGambar 6.

Gambar 6 - Bagian Depan Uang Kertas Rupiah

(6)

Dan berikut merupakan bagian belakang uang kertas rupiah pecahan Rp50.000 pada Gambar 7.

Gambar 7 - Bagian Belakang Uang Kertas Rupiah

Cara Kerja Sistem

Diperlukan proses pemodelan alur kerja sistem dalam melakukan pengenalan nominal uang kertas rupiah. Alur kerja menggambarkan suatu tahapan proses urutan prosedur pada aplikasi dimana didalamnya terdapat fungsi menjalankan keseluruhan rangkaian yaitu preprocessing, metode deteksi tepi canny dan metode Learning Vector

Quantization (LVQ) seperti padaGambar8.

Gambar 8 – Alur Kerja Sistem

Tahap Akuisisi Citra

Tahap akuisisi citra atau pengambilan gambar dilakukan dengan proses scanning pada citra uang kertas bagian depan dengan proses tahapan seperti Gambar9.

Gambar 9 – Proses Akuisisi Citra Uang Kertas

Tahap Pra-pemrosesan

Tahap prapemrosesan bertujuan untuk memperbaiki citra dengan cara memanipulasi parameter citra agar menjadi citra dengan kualitas yang lebih baik dimana dalam meningkatnya kualitas citra dapat meningkatkan kemungkinan dalam keberhasilan pada tahap pengolahan citra digital berikutnya. Dalam penelitian ini,

prapemrosesan terdiri dari konversi citra uang kertas rupiah berwarna (RGB) ke citra uang beraras keabuan (grayscale) dilanjutkan dengan proses pemotongan

cropping. Kemudian citra uang kertas rupiahakan

melewati proses resizing menjadi 100x100 piksel. Oleh karena itu citra yang dihasilkan pada tahap akuisisi citra adalah citra berwarna sehingga perlu dilakukan pra-pemrosesan.

Tahap Grayscale

Dalam penelitian ini, prapemrosesan terdiri dari konversi. citra uang kertas berwarna (RGB) ke citra beraras keabuan (grayscale). Citra yang dihasilkan pada tahap masukan adalah citra berwarna sehingga perlu dikonversi ke citra grayscaledengan hasil seperti pada Gambar 10.

Gambar 10 – Konversi RGB ke Grayscale

Tahap Cropping

Tahap pemotongan dilakukan dengan mengambil sebagian wilayah uang kertas rupiah bagian depan. Area yang diambil adalah area wajah pahlawan nasional. Algoritma yang digunakan adalah viola-jones. Hasil

cropping seperti pada Gambar 11.

(7)

Gambar 11 – Hasil Tahap Cropping

Tahap Resize

Proses pengukuran ulang (resize) dilakukan dengan mengubah ukuran gambar menjadi lebih kecil dengan ukuran 100x100 piksel agar semua citra seragam ukurannya dan mempermudah proses klasifikasi karena nilai yang diambil adalah nilai vector.

Gambar 12 – Hasil Tahap Resize

Tahap Ekstraksi Ciri

Pada aplikasi pengenalan nominal uang kertas rupiah digunakan deteksi tepi dengan operator canny. Proses ekstrkasi ciri akan menghasilkan vektor yang akan di simpan ke database. Tahap pertama dalam operator canny ini adalah menentukan x axis dan menentukan yang bertujuan untuk menghasilkan nilai pada sumbu x.

Gambar 13 – Hasil X-Axis

Setelah melalui tahapan padaGambar 13selanjutnya adalah menentukan y axis untuk melakukan deteksi tepi secara vertikal seperti padaGambar 14.

Gambar 14 – Hasil Y-Axis

Kemudian melakukan normalisasi gradient dengan menggabungkan hasil x axis dengan y axis seperti pada Gambar 15.

Gambar 15 – Hasil Normalisasi Gradien

Langkah terakhir adalah hysteresis thresholding sehingga menghasilkan nilai biner dengan menerapkan dua buah nilai ambang. Pixel yang memiliki derajat keabuan lebih kecil dari nilai batas yang ditentukan akan diberikan nilai 0, sementara pixel yang memiliki derajat keabuan yang lebih besar dari batas ambang akan diubah menjadi bernilai 1 maka hasil dari deteksi tepi canny seperti pada Gambar 16.

100 piksel 100 piksel

(8)

Gambar 16 – Hasil Akhir Canny

Tahap Klasifikasi

Proses klasifikasi merupakan tahap pencocokan yang dilakukan dengan membandingkan fitur citra uji dengan fitur citra dalam basisdata. Algoritma pada proses klasifikasi dijelaskan pada diagram alirGambar 17.

Gambar 17 – Diagram Alir Proses Klasifikasi

Seperti yang dijelaskan sebelumya pada proses pendaftaran dan klasifikasi memiliki tahapan yang sama

dari tahap pengambilan citra sampai ektraksi ciri. Perbedaanya jika pada proses pendaftaran pengambilan citra sampai ektraksi ciri/fitur yang dimaksudkan untuk mengolah data latih, sedangkan diagram alir pada Gambar 17proses klasifikasi ini dimaksudkan untuk mengolah data uji dan menghasilkan kelas yang cocok atau tidak

.

Implementasi

Pada halaman pengujian berfungsi untuk mengolah data uji untuk mendapatkan hasil berupa jenis uang dari citra uji yang menjadi masukan. Pada halaman ini terdapat empat tombol. tombol itu adalah tombol cari gambar, tombol untuk deteksi ekstraksi, tombol untuk klasifikasi, dan tombol keluar.

Dalam implementasinya pengambilan citra pada proses klasifikasi sama dengan pada proses pendaftaran yaitu melalui pencarian gambar yang ada pada direktori perangkat. Setelah citra uji didapatkan, citra diproses dan mendapatkan hasil ekstraksi untuk mendapat nilai vektor setelah itu citra akan diklasifikasi, apakah citra termasuk citra uang cocok dengan citra uji atau tidak. Pada Gambar 18menunjukan tahap awal dalam proses pengujian yaitu pengambilan gambar citra uang kertas.

Gambar 18 – Pengambilan Gambar

Kemudian citra yang sudah diambil ke dalam aplikasi akan diekstraksi agar didapatkan nilai vektor dari hasil deteksi tepi canny seperti pada Gambar 19.

(9)

Gambar 19 – Hasil Deteksi Tepi Canny

Setelah didapatkan nilai vektor dari hasil ekstraksi canny, maka pencocokan diproses dengan metode Learning

Vector Quantization seperti pada Gambar 20.

Gambar 20 – Hasil Pencocokan Dengan Metode LVQ Seperti pada Gambar 20hasil keluaran sesuai dengan data input yang diekstraksi dengan operator canny.

Pengujian

Pengujian dilakukan menggunakan total 70 lembar uang kertas yang berbeda jenis nominalnya yaitu:

1. Terdiri dari 10 lembar uang kertas 1.000 rupiah, 2. 10 lembar 2.000 rupiah, 3. 10 lembar 5.000 rupiah, 4. 10 lembar 10.000 rupiah, 5. 10 lembar 20.000 rupiah, 6. 10 lembar 50.000 rupiah, 7. 10 lembar 100.000 rupiah,

8. 70 lembar uang kertas rupiah sebagai data latih. Hasil pengujian dapat dilihat padaTabel 1sampaiTabel 7

Tabel 1 – Pengujian Nominal 1000

No Nama Uang Kelas Hasil aplikasi (kelas) Hasil Akhir 1 1K 1 1 1 cocok 2 1K 2 1 1 cocok 3 1K 3 1 1 cocok 4 1K 4 1 1 cocok 5 1K 5 1 1 cocok 6 1K 6 1 1 cocok 7 1K 7 1 1 cocok 8 1K 8 1 1 cocok 9 1K 9 1 2 Tidak cocok 10 1K 10 1 2 _cocokTidak

Jumlah data : 10 8/10x100 = 80% Cocok : 8

Tabel 2 – Pengujian Nnominal 2000

No Nama Uang Kelas Hasil aplikasi (kelas) Hasil Akhir 1 2K 1 2 2 cocok 2 2K 2 2 3 Tidak cocok 3 2K 3 2 2 cocok 4 2K 4 2 2 cocok 5 2K 5 2 2 cocok 6 2K 6 2 2 cocok 7 2K 7 2 2 cocok 8 2K 8 2 2 cocok 9 2K 9 2 2 cocok 10 2K 10 2 1 Tidak cocok Jumlah data : 10 8/10x100 = 80% Cocok : 8

No Nama Uang Kelas Hasil aplikasi (kelas) Hasil Akhir 1 5K 1 3 3 cocok 2 5K 2 3 4 Tidak cocok 3 5K 3 3 3 cocok 4 5K 4 3 3 cocok 5 5K 5 3 3 cocok 6 5K 6 3 3 cocok 7 5K 7 3 3 cocok 8 5K 8 3 4 Tidak cocok 9 5K 9 3 4 Tidak cocok 10 5K 10 3 4 Tidak cocok Jumlah data : 10 6/10x100 = 60% Cocok : 6

(10)

No Nama Uang Kelas Hasil aplikasi

(kelas) Hasil Akhir

1 10K 1 4 4 cocok 2 10K 2 4 4 cocok 3 10K 3 4 4 cocok 4 10K 4 4 4 cocok 5 10K 5 4 4 cocok 6 10K 6 4 5 Tidak cocok 7 10K 7 4 5 Tidak cocok 8 10K 8 4 4 cocok 9 10K 9 4 4 cocok 10 10K 10 4 3 Tidak cocok Jumlah data : 10 7/10x100 = 70% Cocok : 7

(kelas) Hasil Akhir

1 20K 1 5 6 _cocokTidak 2 20K 2 5 6 Tidak cocok 3 20K 3 5 5 cocok 4 20K 4 5 4 Tidak cocok 5 20K 5 5 5 cocok 6 20K 6 5 6 Tidak cocok 7 20K 7 5 5 cocok 8 20K 8 5 5 cocok 9 20K 9 5 5 cocok 10 20K 10 5 6 Tidak cocok Jumlah data : 10 5/10x100 = 50% Cocok : 5

(kelas) Hasil Akhir

1 50K 1 6 6 cocok 2 50K 2 6 6 cocok 3 50K 3 6 6 cocok 4 50K 4 6 6 cocok 5 50K 5 6 7 Tidak _cocok 6 50K 6 6 6 cocok 7 50K 7 6 6 cocok 8 50K 8 6 6 cocok 9 50K 9 6 6 cocok 10 50K 10 6 6 cocok

(kelas) Hasil Akhir

1 100K 1 7 7 cocok 2 100K 2 7 6 Tidak cocok 3 100K 3 7 7 cocok 4 100K 4 7 6 Tidak cocok 5 100K 5 7 7 cocok 6 100K 6 7 7 cocok 7 100K 7 7 7 cocok 8 100K 8 7 7 cocok 9 100K 9 7 7 cocok 10 100K 10 7 7 cocok

Hasil pengujian

Tabel 1sampaiTabel 7menunjukan hasil pengujian dari citra uang kertas rupiah.. Tingkat kesuksesan dalam persen(%) dapat dihitung dengan cara:

Tingkat kesuksesan dalam persen(%) untuk pengujian yang terdiri dari 70 citra uang kertas adalah sebagai berikut:

Hasil Analisis

Hasil dari proses pengujian memperoleh keberhasilan terhadap kecocokan dari data keseluruhan dengan citra uji 70 sampel menghasilkan presentase mencapai 72% dengan faktor yang mempengaruhi adalah:

1. Jumlah epoch atau metode pembelajaran diinputkan sebanyak 2000 kali pengulangan.

2. Tahap image cropping dalam melokalisasi wajah dengan menggunakan algoritma viola-jones tidak konsisten dalam menangkap ukuran maupun posisi wajah satu dengan wajah lainnya dalam satu jenis nominal.

3. Citra latih yang diidentifikasi berjumlah 70 data sampel dan citra uji 70 sampel.

(11)

Kesimpulan

Berdasarkan hasil penelitian yang diperoleh dari pengujian sistem yang menerapkan metode Canny dan metode Learning Vector Quantization, diperoleh

kesimpulan sebagai berikut:

1. Metode LVQ dapat mengenali jenis nominal pada uang kertas rupiah dengan Tingkat akurasi mencapai 72%. Sedangkan untuk kesalahan dalam mengenali jenis uang kertas rupiah mencapai 28%. Hal tersebut terjadi karena faktor lusuh dan kebersihan dari uang kertas rupiah.

REFERENSI

[1] Hikmayanti, H, H., Oman, K., 2014, Penggunaan

Algoritma Backpropagation Levenberg Marquardt Dan Teknik Pengolahan Citra Digital Untuk Identifikasi Nominal Uang Kertas, Fakultas Ilmu Komputer,

Universitas Singaperbangsa Karawang.

[2] Jonathan, C, S., Demmy, D, R., Fauzi, Y, S., Joanna, D, E, P., Meisyarah, D., Nur, R, K, 2014, Tugas Mata Kuliah

Jaringan Saraf Tiruan Learning Vector Quantization

(online), (https://www.scribd.com/doc/240345434/Materi-LVQ, diakses 05 November 2016).

[3] Juerman, M, S., Asep, N, H., 2015, Implementasi

Algoritma Canny dan Backpropagation Dalam Pengenalan Pola Rumah Adat, Jurusan Teknik Informatika, Fakultas

Teknologi Industri, Institut Teknologi Nasional, Bandung, Agustus 2015.

[4] Kamal, M., Ruri, S, B., 2014, Segmentasi Citra Daun

Tembakau Berbasis Deteksi Tepi Menggunakan Algoritma Canny, Jurusan Teknik Informatika, Fakultas Ilmu

Komputer, Universitas Dian Nuswantoro, Semarang, 10 Oktober 2014.

[5] Nur, A, R., Iwan, I, T., Rita, M., 2012, Perangkat Lunak

Identifikasi Nilai Nominal Dan Keaslian Mata Uang Kertas Rupiah Dengan Proses Image Recognition Menggunakan Hidden Markov Model, Jurusan

Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom.

[6] Pramana, A., Asep, N, H., 2015, Verifikasi Tanda Tangan

Dengan Algoritma Edge Detection Dan Metode Learning Vector Quantization, Jurusan Teknik Informatika, Fakultas

Teknologi Industri, Institut Teknologi Nasional, Bandung, 25 Agustus 2015.

[7] Radityo, B, W., Tjokorda, A, B, W., Retno, N, D., 2011,

Implementasi 2d Gabor Wavelet Dan Jaringan Saraf Tiruan Learning Vector Quantization Untuk Deteksi Pornografi Pada Citra Digital, Jurusan Teknik

Informatika, Fakultas Teknik Informatika, Universitas Telkom.

[8] Sambrama, S, S., Lailil, M., Sutrisno., 2015, Identifikasi

Nominal Pecahan Uang Kertas Rupiah Menggunakan Metode Modified K-Nearest Neighbor (MK-NN), Program

Studi Ilmu Komputer, Pogram Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya Malang.

[9] Sri, E, W., Emastuti., 2009, Identifikasi Nomor Polisi

Mobil Menggunakan Metode Jaringan Saraf Buatan Learning Vector Quantization, Jurusan Teknik Informatika,

Universitas Gunadarma, Depok.