IDENTIFIKASI NILAI NOMINAL UANG KERTAS DENGAN METODE LOCAL BINARY PATTERN
ABSTRAK
Uang merupakan alat pembayaran yang dapat diterima secara umum guna mempermudah proses tukar menukar atau pembayaran barang dan jasa di suatu wilayah tertentu. Uang saat ini merupakan alat yang paling penting dalam melakukan transaksi yang digunakan oleh manusia. Sama seperti halnya manusia normal, para penyandang disabilitas seperti penyandang tunanetra juga menggunakan uang sebagai alat transaksi pada kehidupan sehari hari. Keterbatasan penyandang tunanetra dalam hal melihat menjadikan mereka sulit dalam melakukan identifikasi pada nilai nominal uang terutama pada uang kertas. Berdasarkan atas permasalahan tersebut, pada penelitian ini peneliti hendak membuat suatu sistem yang dapat mengidentifikasi nilai nominal yang terkandung dalam uang kertas Rupiah untuk membantu penyandang tunanetra dalam melakukan proses identifikasi.
Proses identifikasi dilakukan dengan mengenali pola dari uang kertas Rupiah. Sebelum melakukan proses pengenalan pola dilakukan tahap prapemrosesan dengan menggunakan proses grayscaling dan proses resize. Proses pengenalan pola dilakukan dengan cara mengekstraksi ciri menggunakan metode Local Binary Pattern (LBP). Pola yang sudah didapat dari tiap jenis uang akan digunakan untuk proses identifikasi yaitu pengklasifikasian uang dengan metode pendekatan k-Nearest Neighbor (k-NN).
Pada proses pengujian penelitian ini menggunakan 105 data uang kertas. Hasil proses pengujian penggunaan metode ekstraksi ciri Local Binary Pattern dan metode klasifikasi k-Nearest Neighbor menghasilkan akurasi sebesar 98,0952 % dengan waktu komputasi 66,65 detik pada pengujian 3 fold crossvalidation dengan nilai k=2. Pada proses identifikasi menggunakan citra dengan dimensi citra baris 192 dan kolom 256. Model yang digunakan pada proses identifikasi adalah datatrain terbaik pada proses pengujian 3 fold crossvalidation terhadap 105 data. Proses identifikasi menghasilkan akurasi sebesar 86,667 % pada nilai k=2.
THE IDENTIFICATION OF PAPER MONEY’S NOMINAL VALUE BY APPLYING LOCAL BINARY PATTERN
ABSTRACT
Money is a payment tool which can be accepted to make the payment process of goods and service easier. Nowadays, money is one of the most important tools to do the transaction for every person. Money is used not only by normal people, but also by the disabled, as an example by blind people. The disability that they have makes them more difficult to do an identification to nominal value on paper money. Based on the problem, the researcher made a system that could identify the nominal value on Rupiah paper money in order to help blind people doing an identification process.
The identification process was done by identifying the design of Rupiah paper money. Before conducting the process, the researcher did a gray scaling process and resize process. The process of design identification was conducted by extracting the characteristic using Local Binary Pattern (LBP) method. The design which had been got from each type of the money was used to identification process. The process was classifying the money using k-Nearest Neighbor (k-NN) method.
IDENTIFIKASI NILAI NOMINAL UANG KERTAS
DENGAN METODE LOCAL BINARY PATTERN
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh: Pius Juan Pratama
125314054
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
THE IDENTIFICATION OF PAPER MONEY’S NOMINAL
VALUE BY APPLYING LOCAL BINARY PATTERN
A Final Project
Presented as Partial Fulfillment of The Requirements To Obtain the Sarjana Komputer Degree In Informatics Engineering Study Program
By:
Pius Juan Pratama 125314054
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
ii
iv
HALAMAN PERSEMBAHAN
Karya ini saya persembahkan kepada :
Tuhan Yesus Kristus yang selalu memberikan berkat, rahmat dan pencerahan yang melimpah dalam proses pengerjaan tugas akhir ini.
Keluarga, Bapak Gregorius Rujito, Ibu Y. Siwi Puji Lestari, dan Adik Andreas Titus Prayoga yang telah memberikan banyak sekali semangat, motivasi, doa dan dukungan.
Ibu Dr. Anastasia Rita Widiarti selaku dosen pembimbing skripsi yang dengan sabar memberikan bimbingan dan pengarahan yang terbaik dalam pengerjaan tugas akhir ini.
vi
IDENTIFIKASI NILAI NOMINAL UANG KERTAS DENGAN METODE LOCAL BINARY PATTERN
ABSTRAK
Uang merupakan alat pembayaran yang dapat diterima secara umum guna mempermudah proses tukar menukar atau pembayaran barang dan jasa di suatu wilayah tertentu. Uang saat ini merupakan alat yang paling penting dalam melakukan transaksi yang digunakan oleh manusia. Sama seperti halnya manusia normal, para penyandang disabilitas seperti penyandang tunanetra juga menggunakan uang sebagai alat transaksi pada kehidupan sehari hari. Keterbatasan penyandang tunanetra dalam hal melihat menjadikan mereka sulit dalam melakukan identifikasi pada nilai nominal uang terutama pada uang kertas. Berdasarkan atas permasalahan tersebut, pada penelitian ini peneliti hendak membuat suatu sistem yang dapat mengidentifikasi nilai nominal yang terkandung dalam uang kertas Rupiah untuk membantu penyandang tunanetra dalam melakukan proses identifikasi.
Proses identifikasi dilakukan dengan mengenali pola dari uang kertas Rupiah. Sebelum melakukan proses pengenalan pola dilakukan tahap prapemrosesan dengan menggunakan proses grayscaling dan proses resize. Proses pengenalan pola dilakukan dengan cara mengekstraksi ciri menggunakan metode Local Binary Pattern (LBP). Pola yang sudah didapat dari tiap jenis uang akan digunakan untuk proses identifikasi yaitu pengklasifikasian uang dengan metode pendekatan k-Nearest Neighbor (k-NN).
Pada proses pengujian penelitian ini menggunakan 105 data uang kertas. Hasil proses pengujian penggunaan metode ekstraksi ciri Local Binary Pattern dan metode klasifikasi k-Nearest Neighbor menghasilkan akurasi sebesar 98,0952 % dengan waktu komputasi 66,65 detik pada pengujian 3 fold crossvalidation dengan nilai k=2. Pada proses identifikasi menggunakan citra dengan dimensi citra baris 192 dan kolom 256. Model yang digunakan pada proses identifikasi adalah datatrain terbaik pada proses pengujian 3 fold crossvalidation terhadap 105 data. Proses identifikasi menghasilkan akurasi sebesar 86,667 % pada nilai k=2.
viii
THE IDENTIFICATION OF PAPER MONEY’S NOMINAL VALUE BY APPLYING LOCAL BINARY PATTERN
ABSTRACT
Money is a payment tool which can be accepted to make the payment process of goods and service easier. Nowadays, money is one of the most important tools to do the transaction for every person. Money is used not only by normal people, but also by the disabled, as an example by blind people. The disability that they have makes them more difficult to do an identification to nominal value on paper money. Based on the problem, the researcher made a system that could identify the nominal value on Rupiah paper money in order to help blind people doing an identification process.
The identification process was done by identifying the design of Rupiah paper money. Before conducting the process, the researcher did a gray scaling process and resize process. The process of design identification was conducted by extracting the characteristic using Local Binary Pattern (LBP) method. The design which had been got from each type of the money was used to identification process. The process was classifying the money using k-Nearest Neighbor (k-NN) method.
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas segala berkat dan rahmat yang melimpah sehingga penulis dapat menyelesaikan tugas akhir yang berjudul “Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern”, sebagai salah satu syarat memperoleh gelar Sarjana pada Program Studi Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.
Pada proses penyusunan tugas akhir ini, tidak lupa penulis mengucapkan terimakasih kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir. Ucapan terimakasih penulis ucapkan kepada :
1. Tuhan Yesus Kristus yang selalu memberikan berkat, rahmat dan pencerahan yang melimpah dalam proses pengerjaan tugas akhir ini. 2. Keluarga, Bapak Gregorius Rujito, Ibu Y. Siwi Puji Lestari, dan Adik Andreas Titus Prayoga yang tiada lelah memberikan banyak sekali semangat, motivasi, doa dan dukungan berupa material dan non-material.
3. Ibu Dr. Anastasia Rita Widiarti selaku dosen pembimbing skripsi yang dengan sabar memberikan bimbingan dan pengarahan yang
terbaik dalam pengerjaan tugas akhir ini.
4. Caritas Cindy Thearesti, S.Farm. yang selalu meluangkan waktu untuk memberikan motivasi, semangat, bantuan, dan penghiburan dalam proses pengerjaan tugas akhir.
DAFTAR ISI
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... vi
1.6. Metodologi Penelitian ... 4
1.7. Sistematika Penulisan ... 5
xii
2.3.2. Resize... 11
2.4. Pengenalan Pola ... 11
2.4.1. Ekstraksi Ciri Local Binary Pattern (LBP) ... 12
2.4.2. Histogram ... 13
2.5. Klasifikasi k-Nearest Neighbor (k-NN) ... 14
2.6. Pengujian 3 Fold Cross Validation ... 15
BAB 3 ANALISIS DAN DESAIN PENELITIAN ... 16
3.1. Gambaran Umum ... 16
3.2. Desain Penelitian ... 17
3.2.1. Studi Literatur ... 17
3.2.2. Pengumpulan data ... 17
A. Tahap 1 Pengumpulan Uang ... 17
B. Tahap 2 Digitalisasi Data ... 18
C. Tahap 3 Pelabelan ... 19
3.2.3. Perancangan Alat Uji ... 21
A. Analisa Kebutuhan Pengguna (User Requirement) ... 21
B. Analisa Kebutuhan Sistem (System Requirement) ... 21
C. Analisa Spesifikasi Kebutuhan Perangkat Lunak (Software Requirement Specification ) ... 21
D. Desain (Design) ... 22
E. Pengkodean (Coding) ... 22
F. Pengujian (Testing) ... 22
3.3. Analisa Kebutuhan Proses ... 22
3.4. Implementasi Perancangan... 26
3.4.1. Diagram Konteks (Context Diagram) ... 26
3.5.3. Ekstraksi Ciri Local Binary Pattern (LBP) ... 33
3.5.4. Pembuatan Histogram ... 34
3.5.5. 3 fold Crossvalidation ... 36
3.5.6. Hitung Jarak ... 36
3.5.7. Klasifikasi dengan Metode k-NN ... 36
3.5.8. Menghitung Akurasi Testing ... 37
3.5.9. Penentuan Model untuk Identifikasi... 37
3.5.10. Menghitung Rata-Rata Akurasi... 38
3.5.11. Menghitung Waktu Pengujian... 38
3.5.12. Load Model untuk Identifikasi ... 38
3.5.13. Load Suara Hasil Identifikasi ... 38
3.5.14. Menghitung Waktu Identifikasi ... 39
3.6. Perancangan Antar Muka Alat Uji (User Interface) ... 39
3.7. Spesifikasi Hardware dan Software ... 40
BAB 4 HASIL DAN ANALISA ... 42
4.1. Hasil Penelitian ... 42
4.1.1. Hasil Pengujian 3 Fold Cross Validation ... 42
4.1.2. Hasil Identifikasi ... 51
4.2. Analisa Hasil ... 53
4.2.1. Analisa Hasil Pengujian ... 53
4.2.2. Analisa Hasil Identifikasi ... 54
BAB 5 KESIMPULAN DAN SARAN ... 56
5.1. Kesimpulan ... 56
5.2. Saran ... 57
DAFTAR PUSTAKA ... 59
xiv
DAFTAR GAMBAR
Gambar 2.2. Contoh Citra Uang Rp.100.000 ... 8
Gambar 2.3. Contoh Citra Uang Rp.100.000 Berskala Keabuan... 9
Gambar 2.5. Contoh Proses Grayscaling Citra ... 10
Gambar 2.6. Contoh Proses Resize Citra ... 11
Gambar 2.7. Ilustrasi LBP ... 12
Gambar 2.9. Ilustrasi Histogram ... 13
Gambar 2.11. Ilustrasi k-Nearest Neighbor ... 14
Gambar 3.1. Diagram Blok ... 16
Gambar 3.2. Data Digital Uang Kertas Nominal Rp.100000 ... 18
Gambar 3.3. Proses Digitalisasi Citra ... 19
Gambar 3.4. Contoh Penamaan File Gambar Uang Nominal Rp.1000 ... 20
Gambar 3.5. Tata Cara Penamaan File Gambar ... 20
Gambar 3.6. Diagram Blok Proses Pengujian ... 24
Gambar 3.7. Diagram Blok Proses Identifikasi ... 25
Gambar 3.8. Diagram Konteks... 26
Gambar 3.9. Data Flow Diagram level 1 ... 27
Gambar 3.10. Data Flow Diagram level 2 ... 28
Gambar 3.11. Data Flow Diagram level 3 ... 30
Gambar 3.12. Ilustrasi Hasil Proses Pre-processing ... 32
Gambar 3.13. Ilustrasi Hasil Proses Ekstraksi ciri LBP... 34
Gambar 3.14. Histogram Hasil Proses Ekstraksi ciri LBP ... 34
Gambar 3.15. Data Ciri Vektor Citra ... 35
Gambar 3.18. Perancangan Antar Muka Alat Uji ... 39
Gambar 4.1. Capture Proses First Fold Crossvalidation ... 44
Gambar 4.2. Capture Proses Second Fold Crossvalidation ... 45
Gambar 4.3. Capture Proses Third Fold Crossvalidation ... 46
Gambar 4.4. Capture Proses First Fold Crossvalidation ... 48
xvi
DAFTAR TABEL
BAB 1
PENDAHULUAN
1.1.Latar Belakang
Uang merupakan alat pembayaran yang dapat diterima secara umum guna
mempermudah proses tukar menukar atau pembayaran barang dan jasa di suatu wilayah tertentu (Robertson, 1922). Di Indonesia keberadaan uang telah membantu manusia dalam melakukan transaksi yang dulunya menggunakan metode barter atau tuker 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/atau 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 bisa digunakan secara langsung untuk proses tukar menukar adalah uang kartal. Uang kartal adalah terdiari dari dua jenis uang yaitu uang kertas dan uang logam.
Uang saat ini merupakan alat yang paling penting dalam melakukan transaksi yang digunakan oleh manusia. Sama seperti halnya manusia normal, para penyandang disabilitas seperti penyandang tunanetra juga menggunakan uang sebagai alat transaksi pada kehidupan sehari hari. Para penyandang tunanetra lebih sulit dalam menggunakan uang sebagai alat transaksi dikarenakan keterbatasan mereka dalam melihat. Keterbatasan penyandang tunanetra dalam hal melihat menjadikan mereka sulit dalam melakukan identifikasi pada nilai nominal uang terutama pada uang kertas. Hal ini dapat menyebabkan uang tertukar, salah dalam pengambilan uang ataupun tertipu pada waktu melakukan sebuah transaksi. Pada uang kertas rupiah para penyandang tunanetra dapat mengidentifikasi nilai nominal uang kertas dengan cara
rupiah belum semuanya memiliki atribut peraba yang dapat dikenali oleh para penyandang tunanetra contohnya pada uang kertas dengan nilai nominal Rp.5000,00 dan Rp.1000,00. Salah satu solusi atas permasalahan tersebut adalah dengan cara membuat sistem yang dapat melakukan identifikasi nilai nominal pada citra uang kertas.
Penelitian yang pernah dilakukan untuk melakukan identifikasi nilai nominal
pada uang kertas adalah penelitian dengan judul Aplikasi Identifikasi dan Konversi Mata Uang Kertas Asing Terhadap Rupiah dengan Metoda Local Binary Pattern ( LBP ) Berbasis Android (Fathani dkk, tanpa tahun). Tujuan dari penelitian ini adalah untuk membantu dan memudahkan para wisatawan asing melakukan konversi mata uang asing yang dimilikinya ke mata uang rupiah dengan cara mengenali pola citra pada uang kertas asing. Metode ekstraksi ciri yang digunakan adalah metode Local Binary Pattern(LBP) dan klasifikasi dilakukan dengan metode pendekatan k-Nearest Neighbor. Hasil dari penelitian ini memiliki tingkat akurasi mencapai 88.57% dengan waktu komputasi rata-rata adalah 107.57 milidetik. Salah satu saran yang terdapat pada penelitian ini adalah perlunya ditambahkan fitur berupa suara untuk output identifikasi maupun konversi sehingga bisa digunakan untuk pengguna disabilitas seperti tunanetra.
Sama dengan penelitian sebelumnya, pada penelitian ini peneliti hendak membuat suatu sistem yang dapat mengidentifikasi nilai nominal yang terkandung dalam uang kertas Rupiah untuk membantu penyandang tunanetra dalam melakukan proses identifikasi. Proses identifikasi dilakukan dengan cara mengenali pola citra yang dikenakan pada suatu uang kertas dan mencocokannya dengan model dari kumpulan pola citra uang kertas. Proses pengenalan pola dilakukan dengan cara
mengekstraksi ciri menggunakan metode Local Binary Pattern (LBP). Pola yang sudah didapat dari tiap jenis uang akan digunakan untuk proses identifikasi yaitu
adalah suara dari speaker komputer yang merupakan hasil baca nilai nominal uang berdasarkan hasil identifikasi pada uang kertas.
1.2.Rumusan Masalah
Apakah penggunaan metode ekstraksi ciri Local Binary Pattern (LBP) dan metode klasifikasi k-Nearest Neighbor (KNN) dapat digunakan dalam memecahkan masalah identifikasi nilai nominal uang kertas Rupiah?
1.3.Tujuan Penelitian
Mengetahui apakah penggunaan metode ekstraksi ciri Local Binary Pattern (LBP) dan metode klasifikasi k-Nearest Neighbor (KNN) dapat digunakan dalam memecahkan masalah identifikasi nilai nominal uang kertas Rupiah.
1.4.Batasan Masalah
Pada penelitian ini, batasan-batasan yang digunakan adalah sebagai berikut: 1.Citra uang kertas yang digunakan adalah 7 jenis citra uang kertas Rupiah yang
berlaku di Indonesia pada tahun 2015.
2.Data uang yang digunakan pada penelitian ini terdiri dari data pengujian dan data identifikasi.
3.Data uang yang digunakan dalam data pengujian berjumlah 105 data uang dengan kondisi yang masih baik.
4.Data uang yang digunakan dalam data identifikasi berjumlah 45 data uang dengan kondisi uang yang masih baik dan yang tidak baik.
5.Proses pengujian pada penelitian ini menggunakan metode pengujian 3 fold crossvalidation.
7.Pembuatan program hanyalah sebuah prototype untuk membantu analisa penggunaan metode ekstraksi ciri Local Binary Pattern (LBP) dan metode klasifikasi k-Nearest Neighbor (KNN) dalam memecahkan masalah identifikasi nilai nominal uang kertas Rupiah.
1.5.Manfaat Penelitian
Manfaaat dari penelitian ini adalah untuk membantu para penyandang disabilitas terutama penyandang tunanetra dalam melakukan identifikasi terhadap nilai nominal uang kertas rupiah.
1.6.Metodologi Penelitian
1.Studi Literatur
Studi literatur dilakukan untuk mendapatkan informasi terkait penelitian yang dilakukan. Studi literatur dilakukan dengan cara mempelajari buku referensi, artikel dan jurnal yang berkaitan dengan identifikasi uang kertas menggunakan metode Local Binary Factor (LBP).
2.Perancangan Sistem
Pada penelitian ini tahap perancangan sistem dilakukan untuk membuat rancangan umum dalam pembuatan sistem identifikasi nilai nominal uang kertas menggunakan metode Local Binary Factor (LBP).
3.Pengumpulan Data
Pada tahap ini dilakukan pengumpulan data yang akan digunakan dalam penelitian.
4.Pembuatan Sistem
5.Pengujian
Pengujian dilakukan untuk mengetahui kinerja sistem yang telah diimplementasikan. Pengujian dilakukan untuk mengetahui seberapa besar akurasi dan seberapa cepat kinerja sistem pada saat melakukan identifikasi uang kertas.
6.Pembuatan Laporan
Laporan penelitian dibuat berdasarkan proses dan hasil dari penelitian yang telah dilakukan.
1.7.Sistematika Penulisan
BAB I : PENDAHULUAN
Dalam bab ini dijelaskan mengenai latar belakang , rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan sistematika penulisan pada penelitian ini.
BAB II : LANDASAN TEORI
Dalam bab ini dijelaskan mengenai teori-teori yang digunakan untuk mendukung penelitian ini.
BAB III : ANALISA DAN DESAIN PENELITIAN
Pada bab ini menjelaskan tentang gambaran umum penelitian, desain penelitian, analisis kebutuhan proses, implementasi perancangan, penjelasan proses, perancangan antar muka (user interface), serta spesifikasi hardware dan software yang digunakan dalam melakukan implementasi
Bab ini membahas hasil dan analisa yang didapat dari penelitian dan percobaan yang telah dilakukan dalam penelitian ini.
BAB V : KESIMPULAN DAN SARAN
BAB 2
LANDASAN TEORI
2.1.Uang
Uang adalah segala sesuatu yang siap sedia dan pada umumnya diterima dalam pembayaran pembelian barang-barang, jasa-jasa dan untuk membayar utang
(Robertson, 1922). Rupiah adalah mata uang yang dikeluarkan oleh Negara Kesatuan Republik Indonesia. Bank Indonesia menjadi satu-satunya lembaga yang berwenang melakukan pengeluaran, pengedaran dan/atau pencabutan Rupiah. Uang merupakan alat yang paling penting dalam melakukan transaksi yang digunakan oleh manusia. Setiap uang memiliki nilai nominal yang berguna untuk menentukan nilai dari suatu barang dan jasa yang diperjualbelikan. Pada uang rupiah terdapat dua jenis uang yaitu uang kartal dan uang giral. Jenis uang yang bisa digunakan secara langsung untuk proses tukar menukar adalah uang kartal. Uang kartal terdiari dari dua jenis uang yaitu uang kertas dan uang logam.
2.2.Pengertian Citra
Citra merupakan gambar berdimensi dua sebagai representasi dari suatu objek. Sebuah citra diartikan sebagai suatu fungsi kontinyu dalam dua dimensi dari
(x,y) adalah perpotongan garis antara x dan y
Citra digital merupakan citra kontinyu yang diubah ke dalam bentuk diskret. Citra digital direpresentasikan dalam bentuk matriks yang terdiri dari baris dan kolom, setiap perpotongan baris dan kolom tersebut memiliki nilai intensitas kecerahan. Titik dari setiap matriks tersebut dinamakan dengan piksel. Citra digital merupakan kumpulan dari piksel dengan jumlah tertentu.
Terdapat tiga jenis citra yaitu citra warna, citra keabuan (grayscale), dan citra hitam putih (biner). Pada penelitian ini citra yang digunakan adalah citra warna dan citra keabuan (grayscale).
2.2.1. Citra Warna
Citra warna merupakan citra yang titiknya mempunyai warna yang spesifik dan merupakan kombinasi dari tiga (3) warna dasar, yaitu merah, hijau, dan biru (Widiarti
dan Himamunanto, 2013). Sehingga format citra warna ini sering disebut sebagai citra RGB (red-green-blue). Citra warna terdiri dari tiga keeping warna yang
masing-masing menyatakan intensitas warna merah, hijau dan biru, untuk setiap keeping intensitas warna memiliki intensitas dengan nilai maksimum 255 (8 bit). Pada Gambar 2.2. merupakan contoh citra warna gambar uang Rp. 100.000.
2.2.2. Citra Grayscale
Citra Grayscale dikenal juga sebagai citra berskala keabuan. Citra jenis ini menangani gradasi hitam dan putih yang menghasilkan efek keabuan. Skala pada citra
grayscale bergantung pada jumlah bit yang digunakan . Untuk citra berskala 8 bit dinyatakan dengan intensitas dengan skala 0 sampai 255. Nilai 0 menyatakan hitam
dan 255 menyatakan putih. Untuk nilai di antara 0 sampai 255 memiliki warna keabuan.
2.3.Pemrosesan Citra
Secara umum Pemrosesan citra memiliki definisi pengolahan gambar
berdimensi dua melalui komputer digital (Jain,1989). Terdapat banyak metode yang dapat digunakan untuk melakukan pengolahan atau pemrosesan pada suatu citra.
Citra diolah pada tiap piksel (x,y) untuk menghasilkan citra baru yang sesuai dengan kebutuhan. Pada penelitian ini dilakukan tahap pre-processing sebelum dilakukan pengenalan pola. Pre-Processing merupakan proses awal yang dilakukan pada citra sebelum dilakukan pemrosesan. Tujuan dari tahap ini adalah untuk mendapatkan hasil berupa citra baru yang lebih baik dan siap untuk diproses. Pada tahap ini dilakukan beberapa proses pada setiap data citra uang kertas yaitu proses grayscaling, dan resize.
2.3.1. Grayscaling
Grayscaling citra adalah proses merubah skala citra dari citra berskala warna ke citra berskala keabuan (grayscale). Pada citra warna yang terdapat tiga (3) kanal sedangkan nilai R, G dan B adalah nilai dari intensitas warna pada kanal merah, biru dan hijau (red-green-blue) citra warna. Sedangkan bobot yang dikalikan pada setiap kanal R, G, dan B merupakan nilai yang ditetapkan secara proporsional respon persepsi mata manusia untuk masing-masingwarna merah, hijau dan biru. Bobot standart telah ditentukan oleh NTSC (National Television System Committee) dengan nilai bobot merah = 0.2989, bobot hijau = 0.5870, dan bobot biru = 0.1140
Gambar 2.5. Contoh Proses Grayscaling Citra
Pada Gambar 2.5. terdapat 2 buah citra uang Rp. 100.000. Pada gambar di sebelah kiri merupakan citra warna, dan di sebelah kanan adalah citra grayscale yang merupakan hasil dari proses grayscaling pada citra warna.
( 2.4.)
2.3.2. Resize
Resize citra adalah proses merubah ukuran jumlah piksel suatu citra digital. Pada penelitian ini proses resize dilakukan untuk menyamakan ukuran piksel pada
semua data citra uang kertas. Menyamakan ukuran piksel berarti membuat data citra pada uang kertas dengan ukuran jumlah piksel yang sama antara baris dan kolomnya.
Seteleh semua citra digital disamakan pada jumlah baris dan kolomnya maka data citra siap untuk diproses pada tahap selanjutnya.
Gambar 2.6. Contoh Proses Resize Citra
Pada Gambar 2.6. terdapat 2 buah citra grayscale uang Rp. 100.000. Pada gambar di sebelah kiri merupakan citra dengan dimensi baris 100 piksel dan kolom 75 piksel, dan di sebelah kanan merupakan citra hasil dari proses resize pada citra warna sebelah kiri dengan ukuran dimensi baris 80 piksel dan kolom 60 piksel.
2.4.Pengenalan Pola
Pola adalah sesuatu yang memiliki kemiripan dan keteraturan, bersifat berulang, dan sistematis (Kamus Besar Bahasa Indonesia, 2008). Pola terdapat pada banyak objek, salah satunya terdapat pada data citra uang kertas.
Pengenalan pola adalah disiplin ilmu yang bertujuan untuk melakukan
permasalahan antara lain pengenalan pola pada suara, pengenalan pola citra, pengenalan pola citra bergerak(video), pengenalan pola kumpulan suatu data dan lain lain. Salah satu masalah yang akan diselesaikan dalam penelitian ini adalah permasalahan pengenalan pola dalam melakukan identifikasi nilai nominal pada uang kertas rupiah.
Terdapat tiga (3) tahap dalam melakukan pengenalan pola. Tahap yang paling
awal dilakukan adalah tahap pre-processing yaitu tahap dimana citra dikenakan suatu proses dengan tujuan mendapatkan citra baru yang siap untuk dikenali polanya. Tahap kedua adalah tahap ekstraksi ciri, pada tahap ini citra akan diproses untuk mendapatkan ciri dari citra tersebut. Tahap ketiga adalah tahap klasifikasi, pada tahap ini citra akan dikelompokan sesuai dengan kelas kelasnya.
2.4.1. Ekstraksi Ciri Local Binary Pattern (LBP)
Metode Local Binary Pattern merupakan salah satu metode untuk melakukan ekstraksi ciri pada suatu data citra grayscale. Metode LBP pertamakali diperkenalkan oleh Ojala dkk pada tahun 1994. LBP didefinisikan sebagai perbandingan nilai biner piksel pada titik pusat citra (hotspot) dengan 8 titik tetangganya(Ojala, 1994). Cara kerja dari metode ini adalah menghitung selisih intensitas pada titik pusat dengan 8 titik tetangganya. Jika hasil dari selisih tersebut positif maka diberi nilai 1, dan jika hasilnya negatif maka diberi nilai 0. Setelah itu hasil dari nilai tersebut disusun searah dengan jarum jam dan menghasilkan bilangan biner berskala 8-bit. Hasil bilangan biner tersebut selanjutnya dikonversi ke bilangan desimal. Kumpulan bilangan desimal tersebut akan membentuk histogram baru yang menjadi ciri dari setiap citra.
Pada Gambar 2.7. Terdapat contoh data digital citra yang memiliki titik pusat bernilai 125. Titik tersebut dibandingkan dengan 8 tetangganya dan didapat hasil pola biner 10100100. Pola biner yang didapat dikonversi menjadi bilangan desimal dan didapat hasil 37 untuk nilai piksel tersebut.
2.4.2. Histogram
Histogram merupakan grafik yang merepresentasikan penyebaran nilai-nilai intensitas piksel dari suatu citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan relatif dari intensitas pada citra tersebut. Histogram dapat menunjukkan kecerahan (brightness) dan kontras (contrast) dari sebuah gambar. Histogram adalah alat bantu yang berharga dalam pekerjaan pengolahan citra baik secara kualitatif maupun kuantitatif. Misalkan citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L–1 (misal pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis histogram citra dihitung dengan rumus:
i
n = jumlah piksel yang memiliki derajat keabuan i
N = jumlah seluruh piksel di dalam citra
2.5.Klasifikasi k-Nearest Neighbor (k-NN)
Klasifikasi merupakan penggolongan atau pengelompokan suatu objek berdasarkan kelas kelas. Metode klasifikasi k-Nearest Neighbor (k-NN) merupakan metode klasifikasi nonparametric. Pada metode ini klasifikasi ditentukan berdasarkan jarak data ke beberapa data /tetangga terdekat (neighbor) terdekat (Santosa, 2007). Dalam hal ini jumlah data/tetangga terdekat ditentukan oleh user yang dinyatakan dengan nilai k. Untuk menghitung jarak antara dua titik x dan y digunakan rumus jarak euclidean distance pada rumus 2.10.
n = jumlah dimensi
i
x dan yi = data
Pada Gambar 2.11 terdapat 3 kelas (class) pada gambar objek di atas yaitu lingkaran, persegi dan segitiga. Pada gambar tersebut terdapat objek x yang tidak diketahui kelasnya. Metode k-nearest neighbor melakukan klasifikasi dengan mencari jarak terdekat dari objek x. Nilai k=3 digunakan pada pengklasifikasian tersebut, 3 kelas terdekat dari objek x adalah 2 objek persegi dan satu objek segitiga. Berdasar pada 3 objek terdekat di sekitarnya, maka hasil klasifikasi objek x adalah
persegi karena terdapat lebih banyak persegi yaitu dua daripada segitiga yang hanya berjumlah satu.
2.6.Pengujian 3 Fold Cross Validation
16 BAB 3
ANALISIS DAN DESAIN PENELITIAN
Pada bab Analisa dan Desain Penelitian menjelaskan tentang metode yang digunakan dalam penelitian Identifikasi Nilai Nominal Uang Kertas dengan ciri Metode Local Binary Pattern (LBP). Bab ini berisikan gambaran umum penelitian, desain penelitian, analisis kebutuhan proses, implementasi perancangan, penjelasan proses, perancangan antar muka (user interface), serta spesifikasi hardware dan software yang digunakan dalam melakukan implementasi.
3.1.Gambaran Umum
Perancangan sistem Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern (LBP) bertujuan untuk membuat alat uji pengenalan pola pada citra uang kertas. Gambaran umum sistem yang akan dibangun ditunjukan pada diagram blok pada Gambar 3.1.
Gambar 3.1. Diagram Blok
pada input yang dimasukan dan sistem menghasilkan Output berupa suara hasil dari identifikasi nilai nominal uang kertas.
3.2.Desain Penelitian
Terdapat 3 tahap yang dilakukan pada penelitian ini yaitu tahap studi literatur, tahap pengumpulan data dan tahap pengembangan alat uji. Berikut adalah penjelasan untuk masing-masing tahapan yang dilakukan :
3.2.1. Studi Literatur
Studi literatur dilakukan untuk mendapatkan informasi terkait penelitian yang dilakukan. Studi literatur dilakukan dengan cara mempelajari buku referensi, artikel dan jurnal yang berkaitan dengan identifikasi uang kertas menggunakan metode Local Binary Factor (LBP).
3.2.2. Pengumpulan data
Pada penelitian ini, data yang digunakan dalam alat uji dibuat melalui 3 tahap
yaitu tahap pengumpulan uang, tahap digitalisasi data, dan tahap pelabelan. Penjelasan untuk masing-masing tahap adalah sebagai berikut :
A. Tahap 1 Pengumpulan Uang
berbeda beda. Pada setiap nominal dikumpulkan masing masing 15 uang kertas yang menghasilkan data berjumlah 105 uang kertas.
Pada proses identifikasi dalam penelitian ini menggunakan data identifikasi berupa uang kertas dengan mata uang Rupiah sebagai data utama. Uang kertas yang digunakan adalah 45 lembar uang kertas dengan nilai nominal acak dan memiliki tahun emisi yang sama dengan masing-masing nominal pada data pengujian. Selain
data uang dalam keadaan baik, terdapat juga data uang kertas yang memiliki cacat seperti data uang yang tercoret, kusam, kabur, dan miring.
B. Tahap 2 Digitalisasi Data
Data yang digunakan merupakan data citra dari uang kertas rupiah dengan format joint photographic experts group (.jpg/.jpeg). Citra yang digunakan berasal dari pengambilan gambar menggunakan kamera Smartphone dengan resolusi 5 megapixel berdimensi 2560piksel x 1920piksel. Gambar diambil dari jarak 17 cm dengan pertimbangan didapat data citra uang kertas yang utuh dan tidak terpotong. Background/latar yang digunakan berwarna putih dengan kondisi pencahayaan terang. Pengambilan gambar uang kertas dilakukan pada uang kertas bagian belakang. Sudut pengambilan gambar uang kertas adalah sama untuk setiap uang kertas yaitu dari atas. Proses digitalisasi citra dilakukan sama terhadap data untuk proses pengujian dan data untuk proses identifikasi. Pada Gambar 3.2. adalah contoh gambar digitalisasi citra uang kertas dari uang kertas nominal Rp.100000 .
Proses digitalisasi citra menggunakan alat bantu berupa akuarium sebagai pengukur jarak, 2 buah kotak kartu sebagai penopang smartphone, lampu ikan sebagai penerangan dan kertas HVS sebagai background dari citra uang. Proses digitalisasi dapat dilihat pada Gambar 3.3.
Gambar 3.3. Proses Digitalisasi Citra
C. Tahap 3 Pelabelan
Pada Gambar 3.4. dijelaskan bahwa terdapat 3 bagian pengkodean dalam memberikan penamaan pada file data, bagian pertama merupakan nilai nominal data
uang kertas, bagian kedua merupakan bagian pengujian, dan bagian ketiga adalah urutan penomoran untuk setiap bagian. Gambar 3.5. adalah tata cara penamaan file pada gambar uang .
Berdasarkan pada Gambar 3.5., terdapat 3 kode yang mewakili setiap bagian (fold), ‘st’ untuk bagian pertama (firstfold), ‘nd’ untuk bagian kedua (secondfold), dan ‘rd’ untuk bagian ketiga (thirdfold). Pada gambar tersebut karakter ‘1000’ merupakan nilai nominal uang berdasarkan gambar uang, karakter ‘st’ merupakan kode untuk firstfold, dan angka ‘1’ di bagian belakang merupakan nomor urut untuk setiap fold pada nilai nominal tersebut. Pemberian label dimaksudkan untuk memudahkan proses baca data yang akan dilakukan system secara otomatis pada proses pengujian.
Pada data identifikasi tidak ada proses pelabelan, hal ini dikarenakan user diasumsikan tidak mengetahui hasil dari identifikasi data. Data pada tahap identifikasi dimasukan dengan manual satu persatu pada saat proses identifikasi.
Gambar 3.4. Contoh Penamaan File Gambar Uang Nominal Rp.1000
3.2.3. Perancangan Alat Uji
Pada penelitian ini metodologi yang digunakan dalam penelitian adalah model pengembangan alat uji waterfall. Model pengembangan ini dilakukan secara sistematis dari satu tahap ke tahap lain. Berikut adalah beberapa tahapan yang ada pada model waterfall :
A. Analisa Kebutuhan Pengguna (User Requirement)
Pada tahap ini dilakukan analisis terhadap kebutuhan pengguna yang bisa diselesaikan dengan adanya alat uji. Pada penelitian ini terdapat 5 kebutuhan pengguna yaitu:
- Melihat hasil akurasi 3 fold crossvalidation - Melihat lama waktu 3 fold crossvalidation - Melihat hasil identifikasi uang
- Melihat lama waktu identifikasi uang - Mendengar suara hasil identifikasi uang
B. Analisa Kebutuhan Sistem (System Requirement)
Inti dari tahap ini adalah mencari kebutuhan dari keseluruhan alat uji yang akan diaplikasikan ke dalam bentuk perangkat lunak. Dalam membangun perangkat lunak dibutuhkan hubungan antara software, hardware, dan database yang akan digunakan.
C. Analisa Spesifikasi Kebutuhan Perangkat Lunak (Software Requirement Specification )
Pada tahap ini dilakukan pengumpulan data apa saja yang dibutuhkan oleh alat
D. Desain (Design)
Pada tahap ini dilakukan proses dalam membuat rancangan alat uji berdasarkan informasi dari tahap-tahap sebelumnya. Hasil dari tahap ini dapat berupa struktur
data, arsitektur perangkat lunak, representasi interface, dan detail algoritma prosedural.
E. Pengkodean (Coding)
Pengkodean merupakan tahap dimana perancangan yang telah dibuat pada tahap desain diterjemahkan ke dalam bahasa mesin pada komputer. Pengkodean menghasilkan alat uji dalam bentuk perangkat lunak yang dibuat berdasarkan rancangan yang telah ada.
F. Pengujian (Testing)
Pada tahap pengujian, alat uji berupa perangkat lunak diuji coba untuk mengetahui apakah perangkat lunak tersebut sudah sesuai dengan rancangan dan kebutuhan pengguna.
3.3.Analisa Kebutuhan Proses
Perancangan alat uji pada penelitian ini memiliki 2 proses besar yaitu proses pengujian dan proses identifikasi. Proses pengujian bertujuan untuk mengetahui
pengujian dan proses identifikasi akan diperlihatkan dalam bentuk diagram blok pada Gambar 3.6. dan Gambar 3.7.
Pada Gambar 3.6. dijelaskan bahwa proses pengujian merupakan proses pertama yang dilakukan sebelum proses identifikasi. Proses ini menghasilkan model untuk identifikasi, persen nilai akurasi, dan lama waktu pengujian. Terdapat beberapa proses dalam sebuah pengujian yaitu proses baca data, pre-processing, ekstraksi ciri
Baca Data 1
Gambar 3.7. Diagram Blok Proses Identifikasi
model dari pengujian, hitung jarak, klasifikasi k-nn, load suara hasil identifikasi, dan hitung waktu pengujian.
3.4.2. Data Flow Diagram level 1
Gambar 3.9. Data Flow Diagram level 1
Pada Gambar 3.9. di atas merupakan gambar data flow diagram level 1. Diagram ini merupakan pemecahan dari diagram konteks. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses pengujian dan 7 data suara hasil identifikasi.
Proses pertama user memberikan data nilai k ke dalam proses pengujian. Proses pengujian melakukan load data dari 105 data uang pada storage. Setelah dilakukan pengujian, proses ini akan mengembalikan data akurasi pengujian dan lama pengujian ke user sebagai output , selain itu proses pengujian memberikan datatrain terbaik kepada proses identifikasi yang akan dijadikan model dalam melakukan identifikasi gambar uang.
Proses kedua user memberikan data nilai k dan gambar uang ke dalam proses
identifikasi. Proses ini akan melakukan identifikasi uang kertas, menghitung lama identifikasi dan melakukan load suara hasil identifikasi dari database data suara
3.4.3. Data Flow Diagram level 2
Pada Gambar 3.10. di atas merupakan gambar data flow diagram level 2. Diagram ini merupakan pemecahan dari data flow diagram level 1. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses training, data label dan ciri untuk menyimpan hasil data dari training, dan 7 data suara hasil identifikasi.
3.4.4. Data Flow Diagram level 3
Pada Gambar 3.11. di atas merupakan gambar data flow diagram level 3. Diagram ini merupakan pemecahan dari data flow diagram level 2. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses ekstraksi ciri local binary pattern, data label dan ciri untuk menyimpan hasil data dari histogram dari grayscale local binary pattern, dan 7 data suara hasil identifikasi. Pada data flow diagram level 3 ini terdapat tiga proses yaitu proses pre-processing, proses ekstraksi ciri local binary
pattern dan proses membuat histogram dari grayscale local binary pattern yang merupakan pemecahan dari proses training pada data flow diagram level 2. Selain itu terdapat tiga proses yaitu proses hitung membagi datatest dan datatrain, hitung jarak, dan klasifikasi k-nearest neighbor yang merupakan pemecahan dari proses crossvalidasi pada data flow diagram level 2.
3.5.Penjelasan Proses
3.5.1. Baca Data
Proses baca data merupakan proses awal pada kedua proses utama. Proses baca data yang terdapat pada proses pengujian merupakan proses membaca data dari 105
data citra uang yang sudah disiapkan pada suatu folder. Data citra yang dibaca merupakan data citra dengan dimensi 2560piksel x 1920piksel. Proses baca data pada proses identifikasi merupakan proses baca untuk satu data citra yang dipilih oleh user yang akan dijadikan data yang ingin diidentifikasi nilai nominalnya.
3.5.2. Pre-processing
Setelah dilakukan proses baca data, maka langkah selanjutnya adalah melakukan Pre-processing pada setiap data. Terdapat 2 proses pada tahap
pre-processing yaitu proses resize dan proses grayscaling. Hasil dari pre-processing adalah citra baru yang memiliki skala keabuan dan dimensi matrik berjumlah baris
192 dan kolom 256. Jumlah dimensi matrik berjumlah baris 192 dan kolom 256 dipilih supaya untuk mempercepat proses komputasi dan tidak merubah perbandingan dimensi baris dan kolom pada citra asli. Jumlah baris 192 dan kolom 256 ditentukan berdasarkan 10% dari jumlah baris dan kolom pada citra asli.
Pada penelitian ini terdapat 2 kali percobaan pada proses resize dalam tahap pengujian, yaitu resize dengan menggunakan dimensi matriks baris 65 dengan kolom 160 dan dimensi matriks baris 192 dan kolom 256. Percobaan ini dilakukan untuk mengetahui apakah proses pre-processing tahap resize berpengaruh pada akurasi dalam proses pengujian. Berikut merupakan ilustrasi perubahan dari proses pre-processing :
Berdasarkan gambar 3.12. dijelaskan bahwa proses pre-processing yang dilakukan pada tahap grayscaling dilakukan dengan menggunakan fungsi rgb2gray() pada matlab, Sedangkan pada tahap Resize menggunakan fungsi resize() pada matlab. Setelah dilakukan proses baca data, proses selanjutnya yang akan dilakukan adalah mengenakan setiap data dengan proses ekstraksi ciri Local Binary Pattern.
Citra Asli Citra Grayscale Citra Hasi Resize Resize
Grayscaling
3.5.3. Ekstraksi Ciri Local Binary Pattern (LBP)
Setelah data siap untuk diproses, maka langkah selanjutnya adalah melakukan proses ekstraksi ciri. Ekstraksi ciri yang digunakan adalah ekstraksi ciri Local Binary
Pattern. Proses Ekstraksi ciri ini menghasilkan matriks citra baru dengan satu layer atau berskala keabuan. Pada penelitian ini warna pada layar tidak mempengaruhi hasil
ekstraksi ciri local binary pattern, hal ini disebabkan ekstraksi ciri yang digunakan merupakan ekstraksi ciri dalam bentuk tekstur pada skala keabuan.
Berikut adalah pseudocode untuk menjelaskan algoritma local binary pattern : 1. Mulai
2. Baca data citra (citra berskala keabuan) 3. k=kolom,b=baris
4. i=2, Selama i < j lakukan langkah 5 sampai 15 5. j=2, Selama j < k lakukan langkah 6 sampai 6. val=0;
7. Jika gambar pada piksel baris i-1 dan kolom j-1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+1
8. Jika gambar pada piksel baris i-1 dan kolom j lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+2
9. Jika gambar pada piksel baris i-1 dan kolom j+1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+4
10. Jika gambar pada piksel baris i dan kolom j+1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+8
11. Jika gambar pada piksel baris i+1 dan kolom j+1 lebih dari sama dengan
gambar pada piksel baris i dan kolom j, maka val=val+16
12. Jika gambar pada piksel baris i+1 dan kolom j lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+32
13. Jika gambar pada piksel baris i+1 dan kolom j-1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+64
gambar pada piksel baris i dan kolom j, maka val=val+128 15. Gambarbaru pada piksel baris i dan kolom j adalah val. 16. j=j+1
17. i=i+1; 18. Selesai
Setelah dilakukan ekstraksi ciri dengan algoritma di atas, didapatlah hasil citra baru
hasil ekstraksi ciri local binary pattern. Pada Gambar 3.13 merupakan ilustrasi perubahan dari proses local binary pattern.
3.5.4. Pembuatan Histogram
Setelah didapatkan citra baru hasil ekstraksi ciri local binary pattern, selanjutnya dilakukan pembuatan histogram pada citra baru yang akan dijadikan ciri dari citra tersebut. Histogram pada penelitian ini adalah jumlah data pada suatu intensitas cahaya pada tiap piksel citra hasil ekstraksi ciri local binary pattern yang bernilai dari 0 hingga 255. Pada Gambar 3.14. merupakan contoh representasi histogram hasil ekstraksi ciri local binary pattern :
Ekstraksi ciri LBP
Citra Grayscale Hasil Ekstraksi ciri
Gambar 3.13. Ilustrasi Hasil Proses Ekstraksi ciri LBP
Pada Gambar 3.14. sumbu x menerangkan intensitas cahaya dari 0 hingga 255, sedangkan sumbu y menerangkan banyaknya jumlah intensitas cahaya pada suatu objek citra. Pembuatan histogram menggunakan fungsi imhist() pada matlab. Berdasarkan gambar histogram pada Gambar 3.14, dapat dihasilkan vector berupa histogram hasil ekstraksi ciri citra. Pada Gambar 3.15. merupakan gambar vector
untuk ciri histogram Gambar 3.14.
Gambar 3.15. Data Ciri Vektor Citra
3.5.5. 3 fold Crossvalidation
Pengujian dilakukan untuk mengetahui seberapa baik kinerja alat uji. Pada penelitian ini digunakan metode pengujian 3 fold cross validation. Pengujian
dilakukan untuk semua data citra uang kertas. 3 fold cross validation melakukan pembagian 105 data uang menjadi 3 bagian yaitu firstfold, secondfold dan thirdfold
yang masing-masing memiliki 35 data. Kelompok data yang sudah dibagi menjadi 3 label selanjutnya dijadikan sebagai data training dan data testing. Bersumber dari data tersebut 2 kelompok data yang berjumlah 70 data untuk data training dan 1 kelompok yang berjuamlah 35 data untuk data testing. Setelah itu dilakukan iterasi sebanyak 3 kali. Pada setiap iterasi dilakukan pertukaran antara data training dan data testing. Iterasi pertama firstfold menjadi datatesting sementara itu secondfold dan thirdfold menjadi datatraining, Iterasi kedua secondfold menjadi datatesting sementara itu firstfold dan thirdfold menjadi datatraining, Iterasi ketiga thirdfold menjadi datatesting sementara itu firstfold dan secondfold menjadi datatraining. Proses crossvalidation ini menghasilkan 3 kelompok hasil pengujian nilai nominal uang dengan masing-masing nilai akurasi yang dihasilkan.
3.5.6. Hitung Jarak
Proses perhitungan jarak dilakukan untuk mengetahui jarak atau kemiripan suatu ciri uang pada datatesting dengan ciri uang pada datatraining. Perhitungan
jarak dilakukan dengan metode Eulidean Distance. Ciri yang digunakan untuk setiap citra merupakan data histogram ekstraksi ciri Local Binary Pattern.
3.5.7. Klasifikasi dengan Metode k-NN
(3.16.) k-Nearest Neighbor, dengan nilai k yang merupakan masukan (input) oleh user. Berikut adalah pseudocode untuk menjelaskan algoritma k-nearest neighbor :
1. Mulai
2. Masukan berupa kumpulan jarak kemiripan uang 3. Urutkan jarak dari yang terdekat sampai terjauh 4. Ambil k nilai jarak terdekat
5. Hitung jumlah dari setiap hasil klasifikasi
6. Pilih hasil klasifikasi terbanyak sebagai hasil dari k-nn 7. Selesai
3.5.8. Menghitung Akurasi Testing
Terdapat 3 kali pengujian pada penelitian ini karena menggunakan metode pengujian 3 fold cross validation. Akurasi dari setiap pengujian dapat dihitung dari jumlah klasifikasi terhadap nilai nominal uang pada setiap datatesting yang bernilai benar. Untuk menghitung akurasi dapat menggunakan rumus matematis pada rumus 3.16.
Akurasi=Ʃ Jumlah klasifikasi benar X100% Ʃ Jumlah citra uang
3.5.9. Penentuan Model untuk Identifikasi
3.5.10. Menghitung Rata-Rata Akurasi
Proses pengujian pada penelitian ini menghasilkan 3 nilai akurasi dari 3 kelompok pengujian. Nilai akurasi tersebut dihitung rata-ratanya lalu dijadikan nilai
akurasi untuk pengujian Identifikasi Nilai Nominal Uang Kertas dengan ciri Metode Local Binary Pattern (LBP). Rata-rata akurasi dihitung dengan rumus pada rumus 3.17.
3.5.11. Menghitung Waktu Pengujian
Setiap proses pada penelitian ini menghabiskan sejumlah waktu tertentu. Waktu yang dibutuhkan dalam melakukan proses pengujian dihitung mulai dari proses membaca data dan berakhir pada saat proses menghitung rata-rata akurasi. Perhitungan waktu ini dilakukan menggunakan fungsi tic dan toc yang terdapat pada matlab.
3.5.12. Load Model untuk Identifikasi
Pada tahap pengujian telah didapatkan datatrain terbaik. Datatrain tersebut akan dijadikan model sebagai landasan untuk melakukan identifikasi uang pada proses Identifikasi.
3.5.13. Load Suara Hasil Identifikasi
Setelah didapat hasil identifikasi uang yang dilakukan pada proses klasifikasi dengan metode k-NN, maka tahap selanjutnya adalah memutar suara berdasarkan hasil identifikasi tersebut. Proses load hasil suara menggunakan fungsi audioread pada matlab.
Akurasi 1 + Akurasi 2 + Akurasi 3 3
3.5.14. Menghitung Waktu Identifikasi
Setiap proses pada penelitian ini menghabiskan sejumlah waktu tertentu. Waktu yang dibutuhkan dalam melakukan proses identifikasi dihitung mulai dari
proses membaca data dan berakhir pada saat proses Load Suara Hasil Identifikasi. Perhitungan waktu ini dilakukan menggunakan fungsi tic dan toc yang terdapat pada
matlab.
3.6.Perancangan Antar Muka Alat Uji (User Interface)
Pada Gambar 3.18. merupakan perancangan antar muka alat uji. Antar muka adalah komponen penting dalam sebuah perangkat lunak karena berhubungan
langsung dengan pengguna. Pada penelitian ini untuk memudahkan pengguna dalam menguji penerapan metode local binary pattern dalam indentifikasi mata uang rupiah maka dirancanglah sebuah antar muka pengguna. Antar muka pengguna dirancang menggunakan fungsi guide pada matlab. Sebuah antar muka yang dirancang memiliki 2 modul yaitu modul pengujian dan modul identifikasi. Berikut adalah tampilan antar muka yang dirancang pada penelitian ini :
Pada antar muka terdapat 2 modul yang mewakili 2 proses besar yang terdapat pada penelitian yaitu proses pengujian dan proses identifikasi nilai nominal uang.
Pada modul pengujian memiliki :
- Edit text nilai k sebagai tempat untuk user memasukan nilai k
- Tombol Hitung Akurasi yang memiliki fungsi untuk menghitung akurasi dan lama waktu pengujian
- Static text Hasil Nilai Akurasi untuk menampilkan hasil nilai akurasi terhadap nilai k
- Static text Lama Pengujian untuk menampilkan lama waktu komputasi pada proses pengujian terhadap nilai k
Pada modul identifikasi memiliki :
- Statik text direktori sebagai tempat untuk menampilkan direktori citra yang dipilih pada saat proses load
- Tombol Load yang memiliki fungsi untuk membaca data citra yang dipilih user dalam suatu direktori
- Tombol Identifikasi yang memiliki fungsi untuk mencari hasil identifikasi citra uang yang telah dimasukan pada proses load
- Static text Hasil Identifikasi untuk menampilkan hasil identifikasi terhadap citra uang yang telah dimasukan pada proses load
- Static text Lama Identifikasi untuk menampilkan lama waktu komputasi pada proses identifikasi
- Tombol Hasil Suara yang memiliki fungsi untuk mengeluarkan suara dari hasil identifikasi
3.7.Spesifikasi Hardware dan Software
1.Software
a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit b.Software : Matlab versi 8.0.0.783(R2012b)
2.Hardware
a. Processor : Intel(R) Core(TM) i5-2430M CPU @ 2.40GHz b.Ram : 4GB
42 BAB 4
HASIL DAN ANALISA
Pada bab implementasi dan hasil berisi penjelasan mengenai implementasi pada tahap pengujian 3 fold crossvalidation dan Identifikasi pada Identifikasi Nilai Nominal Uang Kertas dengan ciri Metode Local Binary Pattern (LBP). Implementasi yang dilakukan pada penelitian ini menggunakan 105 data citra uang kertas rupiah pada tahap pengujian dan 45 citra uang kertas rupiah pada tahap identifikasi.
4.1.Hasil Penelitian
4.1.1. Hasil Pengujian 3 Fold Cross Validation
Pada tahap pengujian, metode yang digunakan adalah metode Three Fold Cross Validation . Masukan untuk tahap pengujian berupa nilai k yang akan digunakan untuk proses klasifikasi dengan metode k-nearest neighbor. Proses pengujian ini menghasilkan persentase akurasi dan lama waktu komputasi dalam satuan detik yang dihitung berdasarkan nilai k. Pada penelitian ini dilakukan 10 kali percobaan terhadap nilai k yaitu nilai 1 hingga 10. Percobaan dilakukan menggunakan data yang sama. Percobaan pada alat uji dijalankan di desktop tanpa ada program lain yang running. Pada tahap pengujian dilakukan 2 kali percobaan dua dimensi matriks yang berbeda pada tahap proses resize. Percobaan pertama adalah percobaan dengan dimensi resize matriks yaitu dengan baris 65 dan kolom 160. Berdasarkan hasil percobaan terhadap 10 nilai k yaitu nilai 1 hingga 10, didapat hasil
Tabel 4.1. Tabel Hasil Pengujuan 3 fold crossvalidation
Nilai k Persentase Akurasi (%) Lama Komputasi (detik)
1 83,8095 31,48 nilai 1 hingga10, didapatkan hasil bahwa nilai k=10 merupakan nilai dengan akurasi tertinggi yaitu 90,4762 %. Sedangkan untuk hasil lama waktu komputasi, waktu tersingkat terdapat pada proses dengan nilai k=1 dengan lama waktu komputasi yaitu
31,48 detik. Berdasarkan Tabel 4.1. dapat dihitung rata-rata persentase akurasi yang di dapat adalah 87,4286 %, dan presentase lama komputasi adalah 32.4890 detik.
Gambar 4.1 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses first fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 31 jumlah identifikasi yang bernilai benar. Pada proses first fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 88.5714%.
Gambar 4.2 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses second fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 32 jumlah identifikasi yang bernilai benar. Pada proses second fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 91.4286%.
Gambar 4.3. merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses third fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 32 jumlah identifikasi yang bernilai benar. Pada proses third fold crossvalidation persentase akurasi dari pengujian tersebut adalah 91.4286 %.
Percobaan kedua adalah percobaan dengan dimensi resize matriks yaitu baris dengan 192 dan kolom 256. Berdasarkan hasil percobaan terhadap 10 nilai k yaitu nilai 1 hingga 10, didapat hasil persentase akurasi dan lama waktu komputasi pada Tabel 4.2. :
Tabel 4.2. Tabel Hasil Pengujuan 3 fold crossvalidation
Nilai k Persentase Akurasi (%) Lama Komputasi (detik)
1 96,1905 66,77 nilai 1 hingga 10, didapatkan hasil bahwa nilai k=2 merupakan nilai dengan akurasi tertinggi yaitu 98,0952 %. Sedangkan untuk hasil lama waktu komputasi, waktu tersingkat terdapat pada proses dengan nilai k=2 dengan lama waktu komputasi yaitu 66,65 detik. Berdasarkan Tabel 4.2. dapat dihitung rata-rata persentase akurasi yang di dapat adalah 93,9048%, dan presentase lama komputasi adalah 71.5310 detik.
Persentase akurasi dihasilkan melalui perhitungan rata-rata dari tiga nilai persentase pada tiga tahap pengujian. Gambar 4.4., Gambar 4.5. dan Gambar 4.6.
Gambar 4.4 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses first fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 34 jumlah identifikasi yang bernilai benar. Pada proses first fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 97,1429%.
Gambar 4.5. merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses second fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 34 jumlah identifikasi yang bernilai benar. Pada proses second fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 97.1429%.
Gambar 4.6 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses third fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 35 jumlah identifikasi yang bernilai benar. Pada proses third fold crossvalidation persentase akurasi dari pengujian tersebut adalah 100 %.
4.1.2. Hasil Identifikasi
Proses identifikasi pada alat uji menghasilkan hasil identifikasi berupa klasifikasi nilai nominal uang kertas. Proses identifikasi dilakukan dengan model berupa data training terbaik yang didapat pada proses pengujian 3 fold cross validation. Masukan pada proses identifikasi adalah citra uang kertas dan nilai k yang digunakan pada tahap pengujian. Pada percobaan ini dilakukan proses identifikasi dengan proses resize baris 192 dan kolom 256 dan nilai k=2 pada proses penentuan model yaitu nilai k dengan akurasi crosvalidasi tertinggi 98.0952 %. Pada proses ini dilakukan percobaan terhadap 45 data uang berbeda. Data uang tersebut berbeda dengan data yang digunakan pada data pengujian. Terdapat beberapa data uang yang tidak normal seperti data uang yang tercoret, data uang yang kusam, dan data uang yang diambil miring. Percobaan pada alat uji dijalankan di desktop tanpa ada program lain yang running. Pada Tabel 4.3. diperlihatkan tabel hasil identifikasi.
Tabel 4.3. Hasil Identifikasi 45 Data Uang
No. Nilai Nominal
Pada Tabel 4.3. terdapat hasil percobaan identifikasi dari 45 data uang kertas. Berdasarkan data tersebut didapatkan hasil 39 hasil identifikasi bernilai benar dan 6 hasil identifikasi bernilai salah. Terdapat juga percobaan terhadap 2 data uang yang tercoret, 1 data uang yang miring, 1 data uang yang kusam dan 6 data uang yang buram. Berdasarkan percobaan tersebut kedua data uang yang tercoret dapat diidentifikasi dengan benar, satu data uang yang diambil miring tidak dapat diidentifikasikan dengan benar, satu data uang yang kusam dapat diidentifikasikan dengan benar, 5 dari 6 data uang yang buram tidak dapat diidentifikasikan dengan benar dan 1 dari 6 data yang buram dapat diidentifikasikan dengan benar.
Berdasarkan hasil identifikasi terhadap 45 data pada Tabel 4.3. terdapat 39 hasil identifikasi bernilai benar dan 6 hasil identifikasi bernilai salah. Bersumber dari
hasil identifikasi tersebut dapat diperoleh akurasi dari tahap identifikasi sebesar 86,667 %. Nilai akurasi tersebut didapat dengan rumus pada rumus 3.16.
4.2.Analisa Hasil
4.2.1. Analisa Hasil Pengujian
Berdasarkan hasil pada 2 kali pengujian pada dimensi citra hasil resize 65px X 160px dan 192px X 256px, didapatkan hasil bahwa rata-rata lama waktu pengujian pada citra berdimensi 65px X160px yaitu 32.4890 detik lebih singkat dari citra
Gambar 4.7. Grafik Garis Waktu Pengujian
Bersumber dari Gambar 4.7. tersebut didapatkan analisa bahwa jumlah piksel atau dimensi citra yang lebih kecil dapat lebih cepat dalam melakukan proses komputasi. Jumlah piksel yang lebih besar memiliki waktu komputasi yang lebih lama pada proses ekstraksi ciri, proses pada tahap pengujian dan tahap identifikasi.
Berdasarkan hasil pada 2 kali pengujian pada dimensi citra hasil resize 65px X 160px dan 192px X 256px, didapatkan hasil bahwa rata-rata persentase akurasi pengujian pada citra berdimensi 65px X160px yaitu 87.4286 % lebih kecil dari citra berdimensi 192px X 256px yaitu 93.9048 %. Hal ini disebabkan oleh pada pengujian ke dua dimensi citra menggunakan sepersepuluh dari citra asli yang memiliki dimensi 1920px X 2560px. Sedangkan pengujian pertama pada citra berdimensi 65px X160px, nilai dimensinya tidak berasal dari penskalaan citra asli.
4.2.2. Analisa Hasil Identifikasi
56 BAB 5
KESIMPULAN DAN SARAN
5.1.Kesimpulan
Berdasarkan penelitian Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern maka dapat ditarik kesimpulan sebagai berikut :
1. Pada penelitian ini data yang digunakan untuk proses Pengujian 3 fold crossvalidation sebanyak 105 data uang kertas dengan masing-masing 15 data uang untuk 7 nominal uang yaitu Rp.1000 tahun emisi 2000, Rp.2000 tahun emisi 2009, Rp.5000 tahun emisi 2001, Rp.10.000 tahun emisi 2005, Rp.20.000 tahun emisi 2004, Rp.50.000, tahun emisi 2005 Rp.100.000 tahun emisi 2014. Pada setiap data dikenakan metode ekstraksi ciri Local Binary Pattern. Setelah itu dilakukan pengujian menggunakan metode 3 fold crossvalidation yang membagi 35 data sebagai data training dan 70 data sebagai data testing. Metode klasifikasi yang digunakan adalah metode k-nearest neighbor dengan pendekatan Euclidean distance. Berdasarkan pengujian dari 10 nilai k pada crossvalidation hasil terbaik yang didapat adalah nilai k=2 dengan akurasi sebesar 98,0952 % dengan waktu komputasi 66.65 detik. Berdasarkan hasil tersebut dapat disimpulkan bahwa penggunaan metode ekstraksi ciri Local Binary Pattern (LBP) dan metode klasifikasi k-Nearest Neighbor (KNN) dapat digunakan dalam memecahkan masalah identifikasi nilai nominal uang kertas Rupiah
2. Pada penelitian ini data yang digunakan untuk proses Identifikasi sebanyak 45 data uang kertas. Identifikasi yang dilakukan menggunakan model yang didapat
