IMPLEMENTASI DAN PERBANDINGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) DAN BACKPROPAGATION UNTUK MEMERIKSA KEASLIAN MATA UANG KERTAS SKRIPSI

Transkripsi

1 IMPLEMENTASI DAN PERBANDINGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) DAN BACKPROPAGATION UNTUK MEMERIKSA KEASLIAN MATA UANG KERTAS SKRIPSI FITRI YUTARI HIDAYAH PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014

2 IMPLEMENTASI DAN PERBANDINGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) DAN BACKPROPAGATION UNTUK MEMERIKSA KEASLIAN MATA UANG KERTAS SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer FITRI YUTARI HIDAYAH PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014

3 iii PERSETUJUAN Judul : IMPLEMENTASI DAN PERBANDINGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) DAN BACKPROPAGATION UNTUK MEMERIKSA KEASLIAN MATA UANG KERTAS Kategori : SKRIPSI Nama : FITRI YUTARI HIDAYAH NomorIndukMahasiswa : Program Studi : EKSTENSI S1 ILMU KOMPUTER Departemen Fakultas : ILMU KOMPUTER : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (Fasilkom-TI) UNIVERSITAS SUMATERA UTARA Komisi Pembimbing: Pembimbing 2 Pembimbing 1 M.Fadly Syahputra,B.Sc,M.Sc.IT Maya Silvi Lydia, B.Sc, M.Sc NIP NIP Diketahui/Disetujui oleh Program Studi S1 IlmuKomputer Ketua, Dr. Poltak Sihombing, M.Kom NIP

4 iv PERNYATAAN IMPLEMENTASI DAN PERBANDINGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) DAN BACKPROPAGATION UNTUK MEMERIKSA KEASLIAN MATA UANG KERTAS SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, Februari 2014 Fitri Yutari Hidayah

5 v PENGHARGAAN Bismillahirrahmanirrahim. Alhamdulillah. Puji Syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-nya serta shalawat dan salam kepada Nabi Muhammad SAW sehingga penulis berhasil meyelesaikan Skripsi tepat pada waktunya. Pada kesempatan ini, dengan segala kerendahan hati penulis mengucapkan banyak terimakasih kepada : 1. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara 2. Bapak Dr.Poltak Sihombing, M.Kom selaku Ketua Program Studi Ilmu Komputer Universitas Sumatera Utara 3. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer dan sekaligus Dosen Pembimbing pertama penulis yang telah bersedia meluangkan waktu, pikiran, saran dan kritik dalam penyelesaian skripsi ini. 4. Bapak M. Fadly Syahputra, B.Sc, M.Sc.IT selaku Dosen Pembimbing kedua yang bersedia meluangkan waktu, pikiran, saran dan kritik dalam penyelesaian skripsi ini. 5. Bapak Dr. Poltak Sihombing, M.Kom dan Ibu Dian Rachmawati, S.Si, M.Kom selaku Dosen Pembanding yang telah memberikan saran dan kritik yang membangun dalam penyelesaian skripsi ini. 6. Ibunda tercinta Suwartini, S.Pd dan Ayahanda Sarbani, S.Pd sebagai orang tua kandung penulis yang telah mendidik dan membesarkan dengan kasih sayang yang tulus, serta selalu memberikan doa dan dukungan baik moril maupun materil. 7. Kepada Abang Arief Mai Rakhman dan Kakak Nina Aulia Sari yang telah banyak memberikan dukungan, nasihat, dan doanya dalam dalam menyelesaikan skripsi ini.

6 vi 8. Kepada sahabat saya tercinta Riri Indriati Purba, Fitri Alia, Suci Ikhwani Lestari, Ade Marfuah Lubis, Liza Alfira Ali, dan Adam Kurniawan Margolang yang sudah membantu dan selalu memberi semangat kepada penulis selama ini. 9. Kepada seluruh staf pengajar dan pegawai Fakultas Ilmu Komputer dan Tekonologi Informasi 10. Kepada seluruh teman-teman seperjuangan Kom A dan Kom B 2011 yang namanya tidak dapat disebutkan satu persatu. Terima kasih atas kebaikan dan perhatiannya selama ini. Dalam penyusunan skripsi ini, penulis menyadari bahwa masih banyak kekurangan, untuk itu penulis mengharapkan saran dan kritik yang bersifat membangun dari semua pihak demi kesempurnaan skripsi ini. Semoga skripsi ini dapat memberikan manfaat khususnya bagi penulis dan para pembaca pada umumnya. Medan, Februari 2014 Penulis Fitri Yutari Hidayah

7 vii ABSTRAK Abstrak Transaksi menggunakan uang menjadi semakin tinggi karena perilaku manusia yang konsumtif dalam memenuhi kebutuhan hidup. Karena uang merupakan alat penghubung untuk memenuhi segala keinginan hidup manusia. Berdasarkan ciriciri yang terdapat pada uang kertas, banyak cara untuk memeriksa keaslian uang kertas mulai dari cara manual maupun dengan bantuan lampu ultraviolet. Sehingga dilakukan penelitian bagaimana memeriksa keaslian uang kertas dengan membandingkan antara Metode Learning Vector Quantization (LVQ) dan Backpropagation untuk memeriksa tingkat keaslian uang kertas dari citra uang tersebut yang diambil melalui kamera digital serta lampu ultraviolet. Pengujian dilakukan pada 7 uang kertas rupiah yang masing-masingnya dilakukan 4 kali percobaan. Berdasarkan pengujian terhadap citra uang 40x40 piksel dengan epoch 1000, minimum error 0.001, dan rasio pembelajaran dihasilkan persentase keaslian 46,07% dan akurasi deteksi 75% pada metode LVQ, sedangkan metode Backpropagation dihasilkan persentase keaslian 65,40% dengan akurasi deteksi 60.71%. Berdasarkan hasil perbandingan tersebut dapat dilihat bahwa metode Learning Vector Quantization (LVQ) lebih akurat dalam mendeteksi uang kertas. Hal ini berdasarkan persentase akurasi deteksi dengan metode Backpropagation dapat disimpulkan bahwa tingkat akurasi deteksi lebih tepat dengan jumlah epoch terbanyak yaitu 1000 epoch dibandingkan dengan hasil dengan epoch 500 walaupun dari segi waktu jelas terlihat jumlah epoch 500 hanya memakan waktu yang singkat. Kata Kunci : Learning Vector Quantization (LVQ), Backpropagation, Maksimum epoch, Minimum error, Learning rate

8 viii IMPLEMENTATION AND COMPARISON LEARNING VECTOR QUANTIZATION (LVQ) METHOD AND BACKPROPAGATION TO CHECK THE AUTHENTICITY OF BANKNOTES ABSTRACT Transactions using the money becomes higher because people behavior comsumtive to satisfy necessities of life. Because money is an interfaces to satisfy all desires of human life. Based on the characteristics contained in banknotes, many ways to check the authenticity of banknotes ranging from manually or with ultraviolet light. So do research how to check the authenticity of banknotes by comparing the method of Learning Vector Quantization (LVQ) and Backpropagation to check the authenticity of banknotes of the money images taken by a digital camera with ultraviolet lamp. Testing was conducted at 7 rupiah paper each experiment performed 4 test. Based on testing of 40x40 pixel image of money with epoch 1000, the minimum error 0.001, and learning rate of the percentage of authenticity learning produced 46.07% and 75% detection accuracy on LVQ method, while the backpropagation method produced authenticity percentage 65.40% with 60.71% detection accuracy. Based on the results of this comparison can be seen that the method of Learning Vector Quantization (LVQ) is more accurate in detecting banknotes. It is based on the percentage of detection accuracy with Backpropagation method can be concluded that the accuracy of detection is more precise with the highest which is 1000 epoch then the results of the 500 epoch in terms of apparent time epoch number 500 only takes a short time. Keywords : Learning Vector Quantization ( LVQ ), Backpropagation, Epoch, Minimum Error, Learning Rate

9 ix DAFTAR ISI Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Isi Daftar Tabel Daftar Gambar iii iv v vii viii ix xi xii Bab 1 Pendahuluan Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Metode Penelitian Sistematika Penulisan 5 Bab 2 Landasan Teori Uang Kertas Ciri-Ciri Keaslian uang Kertas Rupiah Pengertian Citra Citra Analog Citra Digital Jenis-jenis Citra Digital Pengolahan Citra Langkah-Langkah Pengolahan Citra Akuisi Citra Preprocessing Cropping Pensklaan Citra (Scaling) Konversi RGB to Grayscale Citra Biner Format File Citra JPEG atau JPG Jaringan Sayaraf Tiruan Fungsi Aktivasi Metode Learning Vector Quantization (LVQ) Metode Backpropagation Peneliti Terdahulu 28 Bab 3 Analisis dan Perancangan Analisis Masalah Analisis Proses Sistem Akuisisi Citra Preprocessing Citra 32

10 x Proses Pelatihan dan Pengujian Jaringan Perancangan Arsitektur Jaringan Jaringan Learning Vector Quantization (LVQ) Jaringan Backpropagation Data Flow Diagram (DFD) DFD Level DFD Level DFD Level Perancangan Flowchart Sistem Flowchart Pelatihan Learning Vector Quantization (LVQ) Flowchart Pengujian Learning Vector Quantization (LVQ) Flowchart Pelatihann Backpropagation Flowchart Pengujian Backpropagation Perancang Struktur Tabel Tabel Learning LVQ Tabel Bobot LVQ Tabel Learning Backpropagation Tabel Bobot V Backpropagation Tabel Bobot W Backpropagation Tabel Vnol Backpopagation Tabel Hasil Pengenalan Perancangan Antarmuka 62 Bab 4 Implementasi dan Pengujian Implementasi Spesifikasi Perangkat Keras dan Perangkat Lunak Proses Pengolahan Citra Uang Pengujian dan Hasil Pelatihan Hasil Pengujian Haisl Pengujian Hasil pengujian Hasil Pengujian 4 74 Bab 5 Kesimpulan dan Saran Kesimpulan Saran 76 Daftar Pustaka 78 Lampiran Listing Program A-1 Lampiran Curriculum Vitae B-1

11 xi DAFTAR TABEL Tabel 3.1 Vektor masukan 35 Tabel 3.2 Inisialisasi bobot awal (w) dan masukan (x) 36 Tabel 3.3 Perhitungan jarak (C j ) 36 Tabel 3.4 Perhitungan bobot baru 36 Tabel 3.5 Perhitungan jarak (C j ) 37 Tabel 3.6 Perhitungan bobot (W j (baru)) 38 Tabel 3.7 Perhitungan jarak (C j ) 38 Tabel 3.8 Perhitungan bobot (W j (baru)) 39 Tabel 3.9 Perhitungan jarak (C j ) 40 Tabel 3.10 Perhitungan bobot (W j (baru)) 40 Tabel 3.11 Perhitungan jarak (C j ) 41 Tabel 3.12 Data masukan untuk pelatihan Backpropagation 42 Tabel 3.13 Target Backpropagation 42 Tabel 3.14 Bobot awal (v) 42 Tabel 3.15 Bobot awal (w) 43 Tabel 3.16 Penentuan Kelas Jaringan LVQ 47 Tabel 3.17 Target Keluaran Jaringan Backpropagation 49 Tabel 3.18 Struktur Tabel Learning LVQ 58 Tabel 3.19 Struktur Tabel Bobot LVQ 58 Tabel 3.20 Struktur Tabel Learning Backpropagation 59 Tabel 3.21 Struktur Tabel Bobot v Backpropagation 59 Tabel 3.22 Struktur Tabel Bobot w Backpropagation 60 Tabel 3.23 Struktur Tabel Bobot vnol Backpropagation 60 Tabel 3.24 Struktur Tabel Hasil Pengenalan 61 Tabel 4.1 Hasil Pelatihan 1 71 Tabel 4.2 Hasil Pelatihan 2 72 Tabel 4.3 Hasil Pelatihan 3 73 Tabel 4.4 Hasil Pelatihan 4 74

12 xii DAFTAR GAMBAR Gambar 2.1 Citra Uang Kertas 7 Gambar 2.2 Fitur Pengaman Invisible Ink 8 Gambar 2.3 Citra Digital 10 Gambar 2.4 Koordinat Citra Digital 10 Gambar 2.5 Citra Biner 12 Gambar 2.6 Citra Greyscale 13 Gambar 2.7 Citra RGB 13 Gambar 2.8 Langkah-Langkah Pengolahan Citra Digital 14 Gambar 2.9 Penskalaan Objek 17 Gambar 2.10 Struktur Neuron Jaringan Saraf 20 Gambar 2.11 Model Matematika Satu Neuron 21 Gambar 2.12 Fungsi Aktifasi Linier 22 Gambar 2.13 Fungsi Aktivasi Sigmoid Biner 23 Gambar 2.14 Arsitektur Jaringan LVQ 23 Gambar 3.1 Diagram Ishikawa 31 Gambar 3.2 Analisis Proses Sistem 31 Gambar 3.2 Proses Cropping 32 Gambar 3.3 Citra Ukuran 277x335 Piksel 33 Gambar 3.4 Perubahan RGB To Grayscale 33 Gambar 3.5 Proses Thresholding 34 Gambar 3.6 Arsitektur Jaringan LVQ 48 Gambar 3.7 Arsitektur Jaringan Backpropagation 49 Gambar 3.8 DFD Level 0 50 Gambar 3.9 DFD Level 1 51 Gambar 3.10 DFD Level 2 52 Gambar 3.11 DFD Level 2 53 Gambar 3.12 Flowchart Pelatihan LVQ 54 Gambar 3.13 Flowchart Pemgujian LVQ 55 Gambar 3.14 Flowchart Pelatihan Backpropagation 56 Gambar 3.15 Flowchart Pengujian Backpropagation 57 Gambar 3.16 Tampilan Awal Program 60 Gambar 3.17 Perancangan Proses Pelatihan 62 Gambar 3.18 Rancangan Form Pengujian 64 Gambar 4.1 Proses Cropping Citra 67 Gambar 4.2 Proses Perubahan RGB to Citra Grayscale 68 Gambar 4.3 Syarat Pelatihan 68 Gambar 4.4 Proses Pelatihan LVQ 69 Gambar 4.5 Proses Pengujian LVQ 69 Gambar 4.6 Proses Pelatihan Backpropagation 70 Gambar 4.7 Proses Pengujian Backpropagation 70

13