Upload
dinhanh
View
221
Download
0
Embed Size (px)
Citation preview
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
HALAMAN PERSETUJUAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PENGESAHAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
PERNYATAAN KEASLIAN KARYA
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
3.4.3. Data Flow Diagram level 2 ............................................................ 28
3.4.4. Data Flow Diagram level 3 ............................................................ 30
3.5. Penjelasan Proses ................................................................................... 31
3.5.1. Baca Data ........................................................................................ 31
3.5.2. Pre-processing ................................................................................ 32
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
Gambar 4.6. Capture Proses Third Fold Crossvalidation ........................................... 50
Gambar 4.7. Grafik Garis Waktu Pengujian ............................................................... 54
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
3.4.3. Data Flow Diagram level 2
Gambar 3.10. Data Flow Diagram level 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
3.4.4. Data Flow Diagram level 3
Gambar 3.11. Data Flow Diagram level 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
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
14. Jika gambar pada piksel baris i dan kolom j-1 lebih dari sama dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
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
LBP Gambar 3.13. Ilustrasi Hasil Proses Ekstraksi ciri LBP
Gambar 3.14. Histogram Hasil Proses Ekstraksi ciri LBP
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
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 4.2. Capture Proses Second Fold Crossvalidation
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Gambar 4.4. Capture Proses First Fold Crossvalidation
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
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. Capture Proses Second Fold Crossvalidation
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
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
Uang
Hasil
Identifikasi
Nilai
Kebenaran
Keadaan
data
1 10001 1000 benar normal
2 10002 1000 benar normal
3 10003 1000 benar normal
4 10004 1000 benar tercoret
5 10005 1000 benar kusam
6 10006 1000 benar normal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
No. Nilai Nominal
Uang
Hasil
Identifikasi
Nilai
Kebenaran
Keadaan
data
7 10007 1000 benar normal
8 10008 1000 benar normal
9 10009 1000 benar normal
10 20001 2000 benar normal
11 20002 2000 benar normal
12 20003 2000 benar normal
13 20004 2000 benar normal
14 20005 2000 benar normal
15 20006 2000 benar normal
16 20007 2000 benar normal
17 20008 2000 benar normal
18 20009 2000 benar tercoret
19 50001 5000 benar normal
20 50002 5000 benar normal
21 50003 5000 benar normal
22 50004 5000 benar normal
23 50005 5000 benar normal
24 50006 5000 benar normal
25 50007 5000 benar normal
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
35 500002 50000 salah kamera blur
36 500003 50000 salah kamera blur
37 500004 50000 salah kamera blur
38 500005 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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
LAMPIRAN
Lampiran 1. Alat_Uji.fig
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
Lampiran 2. Listing Ekstraksi Ciri Local Binary Pattern
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Lampiran 3. Listing Fungsi Membuat Histogram
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Lampiran 4. Listing Training 3 Fold Crossvalidation
Lampiran 5. Listing Hitung Jarak Euclidean Distance
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Lampiran 6. Listing fungsi 3 fold Crossvalidation
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Lampiran 7. Listing fungsi Identifikasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Lampiran 8. Listing Fungsi GUI Alat_Uji
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Lampiran 9. Data Uang Kertas Tahap Pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Lampiran 10. Data Uang Kertas Tahap Identifikasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Lampiran 11. Hasil Pengujian 3 Fold Crossvalidation Dimensi Resize Citra baris
65 dan kolom 160 dengan Nilai k 1-10
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
Lampiran 12. Hasil Pengujian 3 Fold Crossvalidation Dimensi Resize Citra baris
192 dan kolom 256 dengan Nilai k 1-10
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI