IDENTIFIKASI NILAI NOMINAL UANG KERTAS DENGAN … · pengenalan pola dilakukan dengan cara mengekstraksi ciri menggunakan metode Local Binary Pattern (LBP). Pola yang sudah didapat

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

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

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

2016


ii

HALAMAN PERSETUJUAN


iii

HALAMAN PENGESAHAN


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.

Seluruh teman-teman semua yang telah banyak memberikan motivasi, ilmu,

semangat, doa, dan penghiburan selama berproses bersama dalam bangku

perkuliahan dan penyelesaian tugas akhir.


v

PERNYATAAN KEASLIAN KARYA


vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS


vii

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.

Kata Kunci: identifikasi, nilai nominal, uang kertas, local binary pattern,

k-nearest neighbor


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.

On the testing process, this research used 105 data of paper money. After

applying Local Binary Pattern extraction method and k-Nearest Neighbor

classification method, the result of the test showed an accuracy of 98,0952% on

66,65 seconds of computation time that had been done on 3 fold cross validation

on the value of k = 2. The identification process used image with 192 rows and

256 columns as the dimension. The model that was used on the identification

process was the best train data on the 3 fold cross validation testing of 105 data.

The identification process showed an accuracy of 86,667 % on the value of k = 2.

Keywords: identification, nominal value, paper money, local binary pattern,

k-nearest neighbor


ix

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.

5. Para sahabat Aloysius Tri Sulistio Putranto, Stephanus Nico Thomas,

Dian Saktian Tobias, Bondan Yudha Pratomo, Adhitia Medhita yang

memberikan banyak penghiburan dikala kesulitan dalam pengerjaan

tugas akhir.


x


xi

DAFTAR ISI

HALAMAN JUDUL……………………………………………………….……….…i

HALAMAN PERSETUJUAN SKRIPSI ...................................................................... ii

HALAMAN PENGESAHAN SKRIPSI ...................................................................... iii

HALAMAN PERSEMBAHAN .................................................................................. iv

PERNYATAAN KEASLIAN KARYA ....................................................................... v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS .................................................................... vi

ABSTRAK .................................................................................................................. vii

ABSTRACT ............................................................................................................... viii

KATA PENGANTAR ................................................................................................. ix

DAFTAR ISI ................................................................................................................ xi

DAFTAR GAMBAR ................................................................................................. xiv

DAFTAR TABEL ...................................................................................................... xvi

BAB 1 PENDAHULUAN .......................................................................................... 1

1.1. Latar Belakang ......................................................................................... 1

1.2. Rumusan Masalah .................................................................................... 3

1.3. Tujuan Penelitian ..................................................................................... 3

1.4. Batasan Masalah....................................................................................... 3

1.5. Manfaat Penelitian ................................................................................... 4

1.6. Metodologi Penelitian .............................................................................. 4

1.7. Sistematika Penulisan .............................................................................. 5

BAB 2 LANDASAN TEORI ...................................................................................... 7

2.1. Uang ......................................................................................................... 7

2.2. Pengertian Citra ........................................................................................ 7

2.2.1. Citra Warna ....................................................................................... 8

2.2.2. Citra Grayscale .................................................................................. 9

2.3. Pemrosesan Citra ...................................................................................... 9

2.3.1. Grayscaling ..................................................................................... 10


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

3.4.2. Data Flow Diagram level 1 ............................................................ 27



3.5. Penjelasan Proses ................................................................................... 31

3.5.1. Baca Data ........................................................................................ 31

3.5.2. Pre-processing ................................................................................ 32


xiii

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

LAMPIRAN ................................................................................................................ 60


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

Gambar 4.5. Capture Proses Second Fold Crossvalidation ........................................ 49


xv

Gambar 4.6. Capture Proses Third Fold Crossvalidation ........................................... 50

Gambar 4.7. Grafik Garis Waktu Pengujian ............................................................... 54


xvi

DAFTAR TABEL

Tabel 4.1. Tabel Hasil Pengujuan 3 fold crossvalidation............................................ 43

Tabel 4.2. Tabel Hasil Pengujuan 3 fold crossvalidation ........................................... 47

Tabel 4.3. Hasil Identifikasi 45 Data Uang ................................................................. 51


1

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

meraba artibut peraba yang terdapat pada uang kertas. Namun, pada uang kertas


2

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

pengklasifikasian uang dengan metode pendekatan k-Nearest Neighbor (k-NN).

Masukan dari sistem ini berupa gambar uang kertas dan keluaran dari sistem ini


3

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.

6. Data citra uang kertas yang digunakan adalah citra pada sisi belakang.


4

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

Berdasarkan hasil perancangan sistem, maka tahap selanjutnya adalah membuat

sistem sesuai dengan rancangan dan kebutuhan.


5

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 IV : HASIL DAN ANALISA


6

Bab ini membahas hasil dan analisa yang didapat dari penelitian dan percobaan yang

telah dilakukan dalam penelitian ini.

BAB V : KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran dari hasil analisa, implementasi dan pengujian

sistem.


7

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

intensitas cahaya (x,y) (Widiarti dan Himamunanto, 2013). Dimana x dan y

menyatakan suatu koordinat pada setiap titik (x,y). Pada setiap titik (x,y) memiliki

suatu nilai intersitas cahaya atau kecerahan yang menentukan derajat keabuan dari

setiap titik dan biasa dikenal sebagai nilai (f). Setiap titik pada citra dapat

dinyatakan dengan :

f adalah intensitas cahaya pada koordinat ),( yx

),(0 yxf (2.1.)


8

),( yx 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.

Gambar 2.2. Contoh Citra Uang Rp.100.000


9

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.

Gambar 2.3. Contoh Citra Uang Rp.100.000 Berskala Keabuan


10

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

warna merah , hijau dan biru dikonversi menjadi 1 kanal dengan nilai intensitas

maksimal 255. Salah satu cara untuk melakukan konversi citra warna ke sitra

grayscale adalah dengan rumus :

M(I,j) = 0.2989 * R + 0.5870 * G + 0.1140 * B

Pada rumus 2.4. M merupakan hasil intensitas pada citra grayscale

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.)

Grayscaling


11

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

klasifikasi objek menjadi beberapa kategori atau kelas(Theodorodis, 2006).

Pengenalan Pola juga dapat diartikan sebagai segala kegiatan yang dilakukan untuk

pengambilan keputusan berdasarkan pola - pola kompleks objek atau informasi

(Ripley, 1996). Aplikasi pengenalan pola banyak digunakan sebagai pemecahan suatu


12

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.

Gambar 2.7. Ilustrasi LBP


13

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:

in = jumlah piksel yang memiliki derajat keabuan i

N = jumlah seluruh piksel di dalam citra

Pada Gambar 2.9. sumbu x menerangkan intensitas cahaya dari 0 hingga 255,

sedangkan sumbu y menerangkan banyaknya jumlah intensitas cahaya pada suatu

objek citra.

1,....,1,0,1 LiN

nhi (2.8.)

Gambar 2.9. Ilustrasi Histogram


14

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

ix dan iy = data

Metode k-Nearest Neighbor (k-NN) dapat dijelaskan dengan ilustrasi pada

Gambar 2.11.

n

i

ii yxyxyxd1

22 )(||||),( (2.10.)

Gambar 2.11. Ilustrasi k-Nearest Neighbor

x

y


15

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

k-fold Cross Validation merupakan teknik pengujian akurasi dan kinerja sistem

dengan menggunakan keseluruhan data dari data training dan data testing. Pada

penelitian ini nilai k yang digunakan adalah 3 dengan pembagian 2 kelompok data

untuk data training dan 1 kelompok untuk data testing. Seluruh data secara acak

dibagi menjadi 3 dengan jumlah yang sama. Setelah itu dilakukan iterasi sebanyak 3

kali. Pada setiap iterasi dilakukan pertukaran antara data training dan data testing.

Metode ini membuat setiap kelompok data menjadi data testing sebanyak satu kali.


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

Input dari sistem Identifikasi Nilai Nominal Uang Kertas dengan Metode Local

Binary Pattern (LBP) merupakan citra dari uang kertas. Sistem melakukan proses

Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern (LBP)


17

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

Pada proses pengujian dalam penelitian ini menggunakan data pengujian

berupa uang kertas dengan mata uang Rupiah sebagai data utama. Uang kertas yang

digunakan adalah 7 jenis uang kertas yang berlaku di Indonesia pada tahun 2015.

Nilai nominal uang kertas yang digunakan adalah 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. Masing-masing nominal uang kertas akan dijadikan kelas untuk proses

klasifikasi. Pengumpulan data uang kertas dilakukan dengan uang kertas yang


18

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 .

Gambar 3.2. Data Digital Uang Kertas Nominal Rp.100000


19

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 data pengujian, pelabelan atau pemberian nama pada file citra uang kertas diberi

nama sesuai dengan nilai nominal uang dan pembagian data pada tahap pengujian.

Pada proses pengujian akan dilakukan dengan metode three fold crossvalidation yang

membagi 105 data uang menjadi 3 bagian yaitu firstfold, secondfold dan thirdfold.

Terdapat masing-masing 35 data pada setiap bagian (fold). Pada 35 data tersebut

terdiri dari masing-masing 5 data untuk setiap nilai nominal uang. Pada Gambar 3.4.

adalah contoh nama file berdasarkan nilai nominal uang dan pembagian data pada

tahap pengujian untuk uang kertas dengan nilai nominal Rp.1000.


20

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

Gambar 3.5. Tata Cara Penamaan File Gambar


21

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

uji yang hendak dibuat. Data dapat berupa informasi, fungsi yang dibutuhkan, dan

antar muka yang diinginkan.


22

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

berapa persen nilai akurasi dari metode ekstraksi ciri dan metode klasifikasi yang

digunakan, mengetahui lama waktu proses pengujian, dan juga untuk mendapatkan

model yang akan digunakan sebagai datatraining dalam proses identifikasi. Pada saat

melakukan pengujian terhadap suatu nilai k, proses pengujian akan membagi 3 data ,

melakukan 3 kali pengujian dan menghasilkan 3 nilai akurasi. Berdasar nilai tertinggi

pada suatu nilai akurasi, datatraining yang digunakan pada nilai akurasi tertinggi

akan disimpan dan digunakan sebagai datatraining (dijadikan model) untuk tahap

identifikasi. Proses identifikasi bertujuan untuk mengetahui hasil identifikasi uang,

lama waktu proses identifikasi, dan suara hasil identifikasi. Gambaran proses


23

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

Local Binary Pattern, pembuatan histogram, 3 fold crossvalidation, hitung jarak,

klasifikasi k-nn, hitung akurasi, penentuan model identifikasi, hitung rata-rata akurasi,

dan hitung waktu pengujian.


24

Baca Data 105 Uang

Ekstraksi Ciri LBP

Pembuatan Histogram

3 fold crossvalidation

Hitung Jarak

Klasifikasi k-nn

Penentuan model untuk Identifikasi

Hitung rata-rata akurasi

Hitung waktu pengujian

Pre-processing

Hitung Akurasi

Gambar 3.6. Diagram Blok Proses Pengujian


25

Baca Data 1 Uang

Ekstraksi Ciri LBP

Pembuatan Histogram

Load model dari Pengujian

Hitung Jarak

Klasifikasi k-nn

Load suara hasil

identifikasi

Hitung waktu identifikasi

Preprocessing

Gambar 3.7. Diagram Blok Proses Identifikasi

Pada Gambar 3.7. dijelaskan bahwa proses identifikasi merupakan proses

kedua yang dilakukan setelah proses pengujian. Proses ini menghasilkan hasil

identifikasi uang, lama waktu proses identifikasi, dan suara hasil identifikasi.

Terdapat beberapa proses dalam sebuah pengujian yaitu proses baca data,

pre-processing, ekstraksi ciri Local Binary Pattern, pembuatan histogram, load


26

model dari pengujian, hitung jarak, klasifikasi k-nn, load suara hasil identifikasi, dan

hitung waktu pengujian.

3.4. Implementasi Perancangan

3.4.1. Diagram Konteks (Context Diagram)

Gambar Ua ng , Nilai k

Akurasi penguj ia n,

La ma pe ngujia n, Hasi l

ide nt ifikas i, La ma

ide nt ifikas i, Suara

ide nt ifikas i

IDENTIFIKASI NILAI

NOMINAL UANG KERTAS

DENGAN METODE LOCA L

BIN ARY P ATTERN

0

User

Gambar 3.8. Diagram Konteks

Pada Gambar 3.8. di atas merupakan gambar diagram konteks atau bisa disebut

sebagai data flow diagram level 0. Diagram ini merupakan level tertinggi dari data

flow diagram. Diagram ini menjelaskan ruang lingkup dari alat uji yang hendak

dibangun. Terdapat satu proses besar pada diagram konteks tersebut yaitu proses

Identifikasi Nilai Nominal Uang Dengan Metode Local Binary Pattern. Pada diagram

konteks terdapat Pengguna (User) sebagai external entity, user memasukan input

berupa Gambar uang dan nilai k. Alat uji melakukan identifikasi nilai nominal uang

kertas dengan metode local binary pattern dan menghasilkan output berupa akurasi

pengujian, lama pengujian, hasil identifikasi, lama identifikasi , dan suara identifikasi.


27

3.4.2. Data Flow Diagram level 1

Gambar Uang,

Nilai k

Hasil Identifikasi,Lama

identifikasi, Suara

Identifikasi

Nilai k

Akurasi pengujian, Lama

pengujian

105 Gambar

uang

Datatrain

terbaik

Pengujian

1

Identifikasi

Uang Kertas

2

User

Data gambar

uang

7 Data Suara

Identifikasi

Data Suara

Identifikasi

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

identifikasi, sehingga mengembalikan data hasil identifikasi,lama identifikasi dan

hasil suara identifikasi ke user sebagai output.


28




29

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.

Pada data flow diagram level 2 ini terdapat dua proses yaitu proses training

dan proses crossvalidasi yang merupakan pemecahan dari proses pengujian pada data

flow diagram level 1. Selain itu terdapat proses hitung pre-processing, Ekstraksi ciri

local binary pattern, membuat histogram dari grayscale, hitung jarak, klasifikasi

k-nearest neighbor, dan load suara yang merupakan pemecahan dari proses

identifikasi uang kertas pada data flow diagram level 1.


30




31

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.

Proses baca data dilakukan menggunakan fungsi imread() yang terdapat pada

program matlab. Proses baca data akan membaca data gambar dengan format joint

photographic experts group (.jpg/.jpeg) dan mengubahnya menjadi data matriks

berskala 8 bit pada matlab. Data matriks yang dihasilkan masih berupa data citra

berwarna yang memiliki 3 layer, yaitu layer Red, Green dan Blue.


32

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

Gambar 3.12. Ilustrasi Hasil Proses Pre-processing


33

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


9. Jika gambar pada piksel baris i-1 dan kolom j+1 lebih dari sama dengan


10. Jika gambar pada piksel baris i dan kolom j+1 lebih dari sama dengan


11. Jika gambar pada piksel baris i+1 dan kolom j+1 lebih dari sama dengan


12. Jika gambar pada piksel baris i+1 dan kolom j lebih dari sama dengan


13. Jika gambar pada piksel baris i+1 dan kolom j-1 lebih dari sama dengan


14. Jika gambar pada piksel baris i dan kolom j-1 lebih dari sama dengan


34


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

LBP Gambar 3.13. Ilustrasi Hasil Proses Ekstraksi ciri LBP

Gambar 3.14. Histogram Hasil Proses Ekstraksi ciri LBP


35

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

Pada Gambar 3.15. Vektor ciri pada citra uang pada Gambar 3.14. hanya

ditampilkan pada intensitas 0 – 22 dari yang sebenarnya terdapat ciri pada intensitas 0

– 255.


36

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

Proses klasifikasi dilakukan dengan tujuan menentukan kelas dari suatu objek

yaitu gambar uang. Terdapat 7 pembagian kelas dalam penelitian ini yaitu kelas 1000,

2000, 5000, 10000, 20000, 50000, dan 100000. Klasifikasi menggunakan metode


37

(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

Pada tahap pengujian akan dilakukan dengan metode pengujian 3 fold cross

validation. Pengujian ini akan menghasilkan 3 kelompok hasil pengujian nilai

nominal uang dengan masing-masing nilai akurasi yang dihasilkan. Model untuk

identifikasi dipilih berdasarkan datatraining yang memiliki nilai akurasi tertinggi pada

3 kali tahap pengujian 3 fold cross validation.


38

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 Rata Rata Akurasi = (3.17.)


39

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 :

Gambar 3.18. Perancangan Antar Muka Alat Uji


40

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

Pada tahap implementasi spesifikasi hardware dan software yang digunakan

adalah sebagai berikut :


41

1. Software

a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit

b. Software : Matlab versi 8.0.0.783(R2012b)

2. Hardware

a. Processor : Intel(R) Core(TM) i5-2430M CPU @ 2.40GHz

b. Ram : 4GB

c. Harddisk : 640GB


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

persentase akurasi dan lama waktu komputasi pada Tabel 4.1.


43

Tabel 4.1. Tabel Hasil Pengujuan 3 fold crossvalidation

Nilai k Persentase Akurasi (%) Lama Komputasi (detik)

1 83,8095 31,48

2 80,9524 32,52

3 86,6667 33,06

4 87,6190 32,65

5 88,5714 32,56

6 89,5238 32,58

7 88,5714 32,34

8 89,5238 32,56

9 88,5714 32,64

10 90,4762 32,50

Berdasarkan Tabel 4.1., hasil dari 10 kali pengujian terhadap 10 nilai k yaitu

nilai 1 hingga10, didapatkan hasil bahwa nilai k=10 merupakan nilai dengan akurasi

tertinggi yaitu 90,4762 %. Sedangkan untuk hasil lama waktu komputasi, waktu

tersingkat terdapat pada proses dengan nilai k=1 dengan lama waktu komputasi yaitu

31,48 detik. Berdasarkan Tabel 4.1. dapat dihitung rata-rata persentase akurasi yang

di dapat adalah 87,4286 %, dan presentase lama komputasi adalah 32.4890 detik.

Persentase akurasi dihasilkan melalui perhitungan rata-rata dari tiga nilai

persentase pada tiga tahap pengujian. Gambar 4.1., Gambar 4.2. dan Gambar 4.3.

adalah contoh penjelasan untuk memperoleh hasil persentase pada pengujian yang

menggunakan nilai k=10.


44

Gambar 4.1 merupakan gambar capture hasil klasifikasi 35 uang kertas,

jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses first fold

crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi

terdapat 31 jumlah identifikasi yang bernilai benar. Pada proses first fold

crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah

88.5714%.

Gambar 4.1. Capture Proses First Fold Crossvalidation


45

Gambar 4.2 merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah

identifikasi yang bernilai benar, dan persentase akurasi pada proses second fold


terdapat 32 jumlah identifikasi yang bernilai benar. Pada proses second fold


91.4286%.

Gambar 4.2. Capture Proses Second Fold Crossvalidation


46

Gambar 4.3. merupakan gambar capture hasil klasifikasi 35 uang kertas,

jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses third

fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil

klasifikasi terdapat 32 jumlah identifikasi yang bernilai benar. Pada proses third

fold crossvalidation persentase akurasi dari pengujian tersebut adalah 91.4286 %.

Gambar 4.3. Capture Proses Third Fold Crossvalidation


47

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

2 98,0952 66,65

3 97,1429 67,84

4 96,1905 71,78

5 94,2857 74,37

6 95,2381 72,90

7 92,381 74,79

8 90,4762 73,23

9 90,4762 74,74

10 88,5714 72,24

Berdasarkan Tabel 4.2.,hasil dari 10 kali pengujian terhadap 10 nilai k yaitu

nilai 1 hingga 10, didapatkan hasil bahwa nilai k=2 merupakan nilai dengan akurasi

tertinggi yaitu 98,0952 %. Sedangkan untuk hasil lama waktu komputasi, waktu

tersingkat terdapat pada proses dengan nilai k=2 dengan lama waktu komputasi yaitu

66,65 detik. Berdasarkan Tabel 4.2. dapat dihitung rata-rata persentase akurasi yang

di dapat adalah 93,9048%, dan presentase lama komputasi adalah 71.5310 detik.

Persentase akurasi dihasilkan melalui perhitungan rata-rata dari tiga nilai

persentase pada tiga tahap pengujian. Gambar 4.4., Gambar 4.5. dan Gambar 4.6.

adalah contoh penjelasan untuk memperoleh hasil persentase pada pengujian yang

menggunakan nilai k=2.


48

Gambar 4.4. Capture Proses First Fold Crossvalidation


49


identifikasi yang bernilai benar, dan persentase akurasi pada proses first fold


terdapat 34 jumlah identifikasi yang bernilai benar. Pada proses first fold


97,1429%.

Gambar 4.5. Capture Proses Second Fold Crossvalidation


50

Gambar 4.5. merupakan gambar capture hasil klasifikasi 35 uang kertas,

jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses second

fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil

klasifikasi terdapat 34 jumlah identifikasi yang bernilai benar. Pada proses second

fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah

97.1429%.

Gambar 4.6. Capture Proses Third Fold Crossvalidation


51


identifikasi yang bernilai benar, dan persentase akurasi pada proses third fold


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

Uang

Hasil

Identifikasi

Nilai

Kebenaran

Keadaan

data

1 10001 1000 benar normal



4 10004 1000 benar tercoret

5 10005 1000 benar kusam



52

No. Nilai Nominal

Uang

Hasil

Identifikasi

Nilai

Kebenaran

Keadaan

data












18 20009 2000 benar tercoret








26 100001 10000 benar normal

27 100002 10000 benar normal

28 100003 10000 benar normal

29 100004 10000 benar normal

30 100005 10000 benar normal

31 100006 10000 benar normal

32 100007 10000 benar normal

33 100008 10000 benar normal

34 500001 50000 salah kamera blur





39 500006 50000 benar kamera blur

40 1000001 100000 benar normal

41 1000002 100000 benar normal

42 1000003 100000 benar normal


53

No. Nilai Nominal

Uang

Hasil

Identifikasi

Nilai

Kebenaran

Keadaan

data

43 1000004 100000 benar normal

44 1000005 1000 salah miring

45 1000006 100000 benar normal

Pada Tabel 4.3. terdapat hasil percobaan identifikasi dari 45 data uang kertas.

Berdasarkan data tersebut didapatkan hasil 39 hasil identifikasi bernilai benar dan 6

hasil identifikasi bernilai salah. Terdapat juga percobaan terhadap 2 data uang yang

tercoret, 1 data uang yang miring, 1 data uang yang kusam dan 6 data uang yang

buram. Berdasarkan percobaan tersebut kedua data uang yang tercoret dapat

diidentifikasi dengan benar, satu data uang yang diambil miring tidak dapat

diidentifikasikan dengan benar, satu data uang yang kusam dapat diidentifikasikan

dengan benar, 5 dari 6 data uang yang buram tidak dapat diidentifikasikan dengan

benar dan 1 dari 6 data yang buram dapat diidentifikasikan dengan benar.

Berdasarkan hasil identifikasi terhadap 45 data pada Tabel 4.3. terdapat 39

hasil identifikasi bernilai benar dan 6 hasil identifikasi bernilai salah. Bersumber dari

hasil identifikasi tersebut dapat diperoleh akurasi dari tahap identifikasi sebesar

86,667 %. Nilai akurasi tersebut didapat dengan rumus pada rumus 3.16.

4.2. Analisa Hasil

4.2.1. Analisa Hasil Pengujian

Berdasarkan hasil pada 2 kali pengujian pada dimensi citra hasil resize 65px X

160px dan 192px X 256px, didapatkan hasil bahwa rata-rata lama waktu pengujian

pada citra berdimensi 65px X160px yaitu 32.4890 detik lebih singkat dari citra

berdimensi 192px X 256px yaitu 71.5310 detik. Hasil perbandingan dapat dilihat

pada diagram Gambar 4.7.


54

Gambar 4.7. Grafik Garis Waktu Pengujian

Bersumber dari Gambar 4.7. tersebut didapatkan analisa bahwa jumlah piksel

atau dimensi citra yang lebih kecil dapat lebih cepat dalam melakukan proses

komputasi. Jumlah piksel yang lebih besar memiliki waktu komputasi yang lebih

lama pada proses ekstraksi ciri, proses pada tahap pengujian dan tahap identifikasi.

Berdasarkan hasil pada 2 kali pengujian pada dimensi citra hasil resize 65px X

160px dan 192px X 256px, didapatkan hasil bahwa rata-rata persentase akurasi

pengujian pada citra berdimensi 65px X160px yaitu 87.4286 % lebih kecil dari citra

berdimensi 192px X 256px yaitu 93.9048 %. Hal ini disebabkan oleh pada pengujian

ke dua dimensi citra menggunakan sepersepuluh dari citra asli yang memiliki dimensi

1920px X 2560px. Sedangkan pengujian pertama pada citra berdimensi 65px

X160px, nilai dimensinya tidak berasal dari penskalaan citra asli.

4.2.2. Analisa Hasil Identifikasi

Pada hasil identifikasi masih terdapat kesalahan identifikasi pada masukan

citra yang memiliki jenis masukan citra miring dan blur. Berdasarkan hasil tersebut


55

dapat dianalisa bahwa pengyebab kesalahan identifikasi pada citra miring adalah hasil

ekstraksi ciri yang berbeda pada tahap ekstraksi ciri local binary pattern. Sedangkan

untuk citra blur memiliki kesalahan kualitas kamera yang berkurang yang

mengakibatkan kualitas gambar menjadi berbeda dengan data gambar normal.


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

dari data training terbaik pada pengujian 3 fold crossvalidation dengan nilai k=2.

Berdasarkan hasil percobaan identifikasi 39 data uang teridentifikasi dengan


57

benar dan 6 data uang teridentifikasi salah. Percobaan identifikasi tersebut

menghasilkan nilai akurasi sebesar 86,667 %.

3. Pada percobaan pada proses identifikasi, data uang Rp. 1000 dan Rp. 2000 yang

memiliki coretan dapat diidentifikasi dengan benar. Data uang Rp.1000 yang

kusam dapat diidentifikasi dengan benar. Sebuah data Rp.50000 yang bersifat

blur dapat diidentifikasi dengan benar. 5 data uang Rp.50000 yang bersifat blur

diidentifikasi dengan salah. Data uang Rp.100.000 yang diambil miring

diidentifikasi dengan salah. Alat uji dapat melakukan identifikasi pada citra uang

yang tercoret dan kusam tetapi akan terdapat kesalahan (error) jika melakukan

identifikasi pada data uang yang blur dan data uang yang diambil miring.

4. Penentuan dimensi pada proses resize dalam tahap preprocessing sangat

mempengaruhi tingkat akurasi yang didapat pada saat melakukan identifikasi

nilai nominal uang kertas. Pada percobaan dengan dimensi matriks berjumlah

baris 65 dan kolom 160 dalam 10 kali percobaan nilai k 1-10 menghasilkan nilai

akurasi 3 fold crossvalidation tertinggi yaitu 90,4762 %, sedangkan dengan

dimensi matriks berjumlah baris 192 dan kolom 256 menghasilkan akurasi 3 fold

crossvalidation tertinggi yaitu 98,0952 %.

5. Penentuan nilai k pada proses klasifikasi yang menggunakan metode k-nearest

neighbor sangat mempengaruhi tingkat akurasi yang didapat pada saat

melakukan identifikasi nilai nominal uang kertas.

5.2. Saran

Beberapa saran yang dapat diuraikan dalam penelitian Identifikasi Nilai

Nominal Uang Kertas dengan Metode Local Binary Pattern, yaitu:


58

1. Masih terdapat kesalahan pada Identifikasi nilai nominal uang kertas dengan

metode local binary pattern yang dikenakan pada uang yang blur dan yang

diambil dengan posisi miring. Berdasarkan hasil tersebut dapat dikembangkan

penelitian untuk meneliti identifikasi pada uang kertas dengan pengambilan data

yang blur dan pada kemiringan tertentu.

2. Pengambilan data citra uang kertas dengan intensitas cahaya yang kurang merata

menjadi salah satu penyebab kesalahan pada proses klasifikasi uang kertas. Perlu

dikembangkan teknik pengambilan citra dengan intensitas cahaya yang lebih

merata.

3. Metode klasifikasi k-nearest neighbor yang digunakan pada penelitian ini

membutuhkan waktu komputasi yang cukup tinggi karena harus menghitung

jarak dari tiap data testing ke seluruh data pada data training. Perlu

dikembangkan penelitian dengan metode klasifikasi yang lebih cepat.

4. Penggunaan metode klasifikasi k-nearest neighbor membutuhkan penentuan nilai

k yang sesuai, oleh karena itu harus dilakukan banyak percobaan terhadap

beberapa nilai k.

5. Pada penelitian ini data citra yang digunakan masih mengikutsertakan

background citra sebagai data yang digunakan. Perlu dikembangkan penelitian

serupa dengan proses segmentasi pada background dan forground citra.


59

DAFTAR PUSTAKA

Ahonen T.,2006. Face Description with Local Binary Patterns: Application to Face

Recognition. Universitas Oulu: Finlandia.

Direktorat Pengedaran Uang Bank Indonesia, 2011. Buku Panduan Uang Rupiah.

Kompleks Perkantoran Bank Indonesia: Jakarta.

Fathani J. dkk.,Tanpa Tahun. Aplikasi Identifikasi dan Konversi Mata Uang Kertas

Asing Terhadap Rupiah dengan Metoda Local Binary Pattern ( LBP )

Berbasis Android. Universitas Telkom : Bandung.,

http://docplayer.info/213889-Aplikasi-identifikasi-dan-konversi-mata-uang-k

ertas-asing-terhadap-rupiah-dengan-metoda-local-binary-pattern-lbp-berba

sis-android.html, diakses tgl 1 Oktober 2015

Himamunanto,A.R. dan Widiarti,A.R.,2013. Teori dan Aplikasi Pengolahan Citra

Digital. Lintang Pustaka Utama : Yogyakarta.

Jain A.K., 1989. Fundamentals of Digital Image Processing. Pentice Hall,

Inc:U.S.A.

Republik Indonesia, 2011. Undang-Undang Republik Indonesia Nomor 7 Tahun

2011 Tentang Mata Uang. Sekretariat Negara:Jakarta.

Robertson D.H., 1922. Money. Harcourt Brace and Company Inc.:U.S.A.

T. Ojala, M. Pietik ̈ainen, and T. M ̈aenp ̈a ̈a, 2002, “Multire solution gray-scale

and rotation invariant texture classification with local binary patterns”,IEEE

Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 7,

pp. 971–987.


http://docplayer.info/213889-Aplikasi-identifikasi-dan-konversi-mata-uang-kertas-asing-terhadap-rupiah-dengan-metoda-local-binary-pattern-lbp-berbasis-android.html



60

LAMPIRAN

Lampiran 1. Alat_Uji.fig


61

Lampiran 2. Listing Ekstraksi Ciri Local Binary Pattern


62

Lampiran 3. Listing Fungsi Membuat Histogram


63

Lampiran 4. Listing Training 3 Fold Crossvalidation

Lampiran 5. Listing Hitung Jarak Euclidean Distance


64

Lampiran 6. Listing fungsi 3 fold Crossvalidation


65

Lampiran 7. Listing fungsi Identifikasi


66

Lampiran 8. Listing Fungsi GUI Alat_Uji


67


68


69

Lampiran 9. Data Uang Kertas Tahap Pengujian


70


71


72


73

Lampiran 10. Data Uang Kertas Tahap Identifikasi


74


75

Lampiran 11. Hasil Pengujian 3 Fold Crossvalidation Dimensi Resize Citra baris

65 dan kolom 160 dengan Nilai k 1-10


76


77


78


79

Lampiran 12. Hasil Pengujian 3 Fold Crossvalidation Dimensi Resize Citra baris

192 dan kolom 256 dengan Nilai k 1-10


80


81


82


Documents

IDENTIFIKASI NILAI NOMINAL UANG KERTAS DENGAN … · pengenalan pola dilakukan dengan cara mengekstraksi ciri menggunakan metode Local Binary Pattern (LBP). Pola yang sudah didapat