PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN

Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi Teknik Informatika Jurusan Komputer Politeknik Caltex Riau Jl. Umbansari no.1 Rumbai Pekanbaru 28265 1 wswibawa@yahoo.co.id, 2 juni@pcr.ac.id, 3 ananda@pcr.ac.id Abstrak Pengenalan koin merupakan salah satu topik yang sangat banyak diteliti dalam bidang pengolahan citra digital. Pengolahan citra digital dapat digunakan untuk memperbaiki kualitas citra, kompresi, mengambil informasi atau ciri sebuah citra serta mengenali objek citra. Terdapat beberapa metode pengolahan citra digital yang dapat digunakan untuk pengenalan objek citra, salah satunya adalah metode Euclidean. Metode Euclidean menggunakan fitur jarak antar piksel pada citra untuk membandingkan jarak suatu citra dengan citra lainnya yang bertujuan untuk mencari kemiripan antar citra. Pengujian metode ini dilakukan dengan mengambil citra uang logam menggunakan webcam, kemudian nilai euclideannya dihitung dan dibandingkan dengan nilai eulidean citra uang logam yang ada di arsip data. Penelitian ini menunjukkan hasil bahwa metode euclidean baik dalam mengenali citra yang diujikan dan dapat digunakan untuk mendeteksi uang logam, dengan tingkat keberhasilan 80%. Kata kunci: deteksi citra, uang logam, euclidean. Abstract Coin Recognition is one of the topic that is widely studied in the field of digital image processing. Digital image processing can be used to improve image quality, compression, retrieving information or features of an image and recognize the object image. Image object recognition, there are several methods of digital image processing that can be used, one of them is Euclidean method. Euclidean use the distance between pixels in the image to compare the distance of an image with another image that aims to find similarities between images. The method was tested by taking the image of a coin using a webcam, then its euclidean value is calculated and compared with the image eulidean coin in archival data. This research showed that the method of euclidean good at recognizing the image of the tested and can be used to detect the coin, with a success rate of 80%. Keywords: image detection, coin, euclidean. 1 Pendahuluan Teknologi otomasi yang berkembang pesat pada era globalisasi saat ini telah mempermudah aktifitas manusia dalam kehidupan sehari-hari, karena proses otomasi membantu pekerjaan manusia dengan ketelitian tepat dan dalam waktu yang cepat. Mesin penjual minuman otomatis adalah salah satu contoh teknologi otomasi yang dapat mempermudah pekerjaan manusia. Mesin ini dapat menggunakan teknologi mekanis dan teknologi pengolahan citra digital. Teknologi pengolahan citra digital pada mesin ini digunakan untuk mendeteksi uang logam berdasarkan bentuk citra dari koin yang dimasukkan tersebut. Pada pendeteksian uang logam, ada tiga tipe pendeteksian yang dapat dilakukan, yaitu berbasis metode mekanis, berbasis metode elektromagnetis, dan berbasis pengolahan citra digital [1]. Penelitian mengenai pendeteksian uang logam sudah pernah dilakukan sebelumnya, yaitu dengan menggunakan algoritma K-Means, algoritma ini digunakan untuk menghitung luas area citra, kemudian dilakukan proses clustering agar dapat mengelompokkan jenis uang logam yang sama, untuk selanjutnya nominal dari uang logam yang sejenis tersebut akan dijumlahkan [2]. Penelitian mengenai metode euclidean pernah dilakukan sebelumnya untuk mendeteksi wajah,

2 Wahyu Saputra Wibawa dalam penelitian ini metode Euclidean digunakan untuk identifikasi citra wajah dengan ekstraksi ciri PCA [3]. Pada penelitian ini, akan dilakukan pendeteksian uang logam dengan menggunakan metode euclidean untuk mendeteksi uang logam berbasis pengolahan citra digital. Metode euclidean ini menggunakan fitur jarak antar piksel pada citra untuk membandingkan jarak suatu citra dengan citra lainnya yang bertujuan untuk mencari kemiripan antar citra. Adapun tujuan dari penelitian ini adalah untuk menghasilkan suatu aplikasi yang dapat digunakan untuk pendeteksian uang logam dan menerapkan metode euclidean untuk pendeteksian uang logam pada pengolahan citra digital. 2 Dasar Teori 2.1 Uang Logam Indonesia Uang logam indonesia yang telah diproduksi terbuat dari beberapa bahan, seperti alumunium (Rp.25, Rp.50, Rp.100, Rp.200, Rp.500), cupro nikel dan alumunium bronze (Rp.1.000), alumunium bronze (Rp.500), dan nickel plated steel (Rp.1.000) [4]. Uang logam ini merupakan uang logam yang dipergunakan sebagai alat pembayaran yang sah, tetapi selain uang-uang tersebut di atas, Bank Indonesia juga mengeluarkan uang-uang logam yang terbuat dari perak dan emas dengan pecahan yang beragam seperti 250 rupiah, 750 rupiah, 2000 rupiah, 5000 rupiah, 10000 rupiah, bahkan ada yang 850 ribu rupiah. Uang logam jenis ini merupakan uang logam peringatan, dikeluarkan dalam jumlah amat terbatas dan mempunyai nilai koleksi yang sangat tinggi. 2.2 Pengolahan Citra Digital Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan. [5] Pengolahan citra digital merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geomatrik), melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data dan waktu proses data. Input dari pengolahan citra adalah citra, sedangkan output-nya adalah citra hasil pengolahan. [5] Secara umum, langkah-langkah utama dalam pengolahan citra dapat dilihat seperti pada Gambar 1 dibawah ini. Gambar 1. Langkah-langkah pengolahan citra

Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 3 2.3 Pencocokan Graf Pencocokan Graf adalah suatu teknik untuk mencocokkan dua buah graf. Biasanya digunakan untuk mencocokkan dua buah objek, objek tersebut direpresentasikan kedalam graf. Beberapa metode pencocokan graf sudah digunakan untuk menyelesaikan beberapa permasalahan misalnya image matching, searching, pengenalan wajah dan lain sebagainya. [5] Berikut ini adalah tahapan pencocokan graf : 1. Noise Filtering, merupakan proses perbaikan kualitas citra. 2. Deteksi Tepi (Edge Detection), merupakan salah satu metode yang digunakan untuk menentukan garis batas tepi antara satu obyek dengan obyek lain pada citra. 3. Konversi ke biner, hasilnya adalah piksel-piksel pada citra hanya memiliki dua buah intensitas, yaitu 0 dan 1. 4. Skeletonization / Thinning, merupakan suatu algoritma untuk proses pengikisan sebuah obyek sebanyak mungkin dengan tetap mempertahankan bentuk umum dari polanya. Dengan kata lain, setelah sebagian besar titik pada obyek tersebut dihilangkan, maka pola dari obyek tersebut harus tetap dapat dikenali. 2.4 Metode Euclidean Euclidean merupakan perhitungan jarak untuk membandingkan antara 2 vektor citra yang dapat digunakan dalam proses identifikasi citra dengan cara menghitung selisih nilai piksel antara 2 vektor tersebut. Jarak euclidean atau euclidean distance adalah akar dari jumlah selisih kuadrat antara 2 vektor, dan secara matematis dapat dirumuskan : Keterangan : a. dist (i,k) adalah jarak euclidean antara vektor i dan vektor k; b. i j adalah komponen ke-j dari vektor i; c. k j adalah komponen ke-j dari vektor k; d. D adalah jumlah komponen pada vektor i dan vektor k. (1) Dari hasil perhitungan jarak euclidean tersebut dapat ditentukan bahwa suatu citra adalah mirip jika memiliki jarak yang paling dekat [6]. Gambar 2. Vector space 2 dimensi Gambar diatas merupakan contoh dari ruang vektor, pada ruang vektor tersebut terdapat 2 vektor yaitu vektor A dan vektor B. Untuk menghitung jarak antara 2 vektor tersebut, digunakan persamaan Euclidean distance.

4 Wahyu Saputra Wibawa Berikut ini merupakan penyelesaian dalam menghitung jarak antara vektor A dan vektor B dari Gambar 2 diatas. Panjang vektor A dan B dapat didefinisikan sebagai berikut: Dengan demikian, untuk menghitung penyelesaian dalam menghitung jarak antara kedua vektor tersebut menggunakan persamaan sebagai berikut: Keterangan : a. adalah jarak antara vektor A dan Vektor B; b. adalah koordinat titik x dari vektor A; c. adalah koordinat titik x dari vektor B; d. adalah koordinat titik y dari vektor A; e. adalah koordinat titik y dari vektor B; (2) (3) (4) 3 Perancangan Aplikasi 3.1 Blok Diagram Berikut ini blok diagram dari penelitian ini : Gambar 3. Blok diagram system aplikasi Berdasarkan blok diagram pada Gambar 3, sistem ini mengakuisisi citra koin menggunakan webcam, lalu citra tersebut diproses dan dihitung nilai euclideannya, kemudian dibandingkan dengan citra training yang telah dipersiapkan, outputnya adalah dikenali atau tidak dikenali citra koin yang diakuisisi.

Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 5 3.2 Diagram Alir Implementasi 1. Diagram alir system Mulai Citra koin Rp.100, Rp.200, Rp.500, Rp.1000 Bandingkan nilai euclidean koin X yang akan dideteksi dengan euclidean koin yang dipersiapkan dalam bentuk persentase Ambil citra koin Input citra X yang akan koin dideteksi melalui Rp.1000 webcam Hasil persentase >= toleransi Tidak Koin tidak dikenali Proses pencocokan graf Ya Koin adalah koin 100, 200, 500 atau 1000 Hitung nilai euclidean Selesai Gambar 4. Diagram alir system pendeteksi uang logam Berdasarkan diagram alir pada Gambar 4, citra koin diambil menggunakan webcam, kemudian dilakukan proses pencocokan graf dan dihitung nilai euclideannya, lalu nilai euclidean citra koin tersebut dibandingkan dengan nilai euclidean citra koin yang ada pada arsip data untuk didapatkan nilai perbandingannya dalam bentuk persentase, apabila nilai persentase lebih besar dari nilai toleransi yang ditetapkan, maka hasilnya adalah citra koin yang diambil menggunakan webcam adalah koin 100, 200, 500, atau 1000, namun jika tidak hasilnya adalah koin tersebut tidak dikenali 2. Diagram alir pencocokan graf Mulai Filtering Deteksi Tepi Konversi ke Biner Skeletonization Selesai Gambar 5. Diagram alir pencocokan graf

6 Wahyu Saputra Wibawa Berdasarkan diagram alir pada Gambar 5, proses pencocokan graf diawali dengan melakukan filtering pada citra dengan tujuan mengurangi noise, kemudian dilakukan deteksi tepi pada citra hasil filtering, selanjutnya citra deteksi tepi yang telah didapat diubah menjadi citra biner untuk dilakukan skeletonization pada citra biner tersebut. 4 Analisa dan Pembahasan Pada penelitian ini, pengujian dilakukan dalam lingkungan yang dikondisikan, yaitu cahaya dan jarak pengambilan citra yang sudah diatur, hal ini bertujuan untuk mendapatkan parameter yang bisa diukur. Citra uang logam diambil menggunakan webcam, seperti tampak pada gambar dibawah ini : Gambar 6. Pengambilan citra Kemudian nilai euclideannya dihitung dan dibandingkan dengan nilai eulidean citra uang logam yang ada di arsip data. Output dari aplikasi ini adalah dikenali atau tidak dikenali citra uang logam yang diujikan dan citra uang logam yang menjadi acuan dari citra yang diujikan. Gambar 7. Output pendeteksian Berdasarkan 60 kali pengujian dengan toleransi kemiripan citra sebesar 93%, yang dilakukan terhadap 6 buah uang logam yaitu Rp.100 kuningan, Rp.100 perak, Rp.200, Rp.500 kuningan, Rp.500 perak, dan Rp.1000, dengan pengambilan masing-masing citra sebanyak 10 kali, persentase keberhasilan aplikasi ini mendeteksi uang logam yang diujikan dengan benar adalah 80 % atau sebanyak 42 kali aplikasi pendeteksi uang logam ini mendeteksi uang logam yang diujikan dengan benar, dan sebanyak 18 kali aplikasi pendeteksi uang logam ini salah dalam mendeteksi uang logam yang diujikan.

Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 7 No Berikut ini hasil pengujian yang dilakukan : Hasil Pendeteksian Tabel 1. Hasil Pengujian Kondisi Nilai Euclidean Cahaya Citra Uji Nilai Euclidean Citra Training Status 1 Rp 100 Kuningan Terang 191895 186840 Benar 4 2 Rp 100 Kuningan Gelap 191129 186840 Benar 4 3 Rp 100 Kuningan Terang 123890 123478 Benar 5 4 Rp 100 Kuningan Gelap 123730 123478 Benar 5 5 Rp200 Terang 87807.7 87692.8 Salah 6 6 Rp200 Gelap 87676.8 87692.8 Salah 6 7 Rp 100 Kuningan Terang 64413.7 64852.7 Benar 7 8 Rp 500 Kuningan Gelap 64132.7 63514.8 Salah 7 9 Rp 100 Kuningan Terang 50071.7 50060.8 Benar 8 10 Rp 100 Kuningan Gelap 49885.7 49919.7 Benar 8 11 Rp 100 Perak Terang 216416 219697 Benar 4 12 Rp 100 Perak Gelap 216308 219697 Benar 4 13 Rp 100 Perak Terang 141220 142446 Benar 5 14 Rp 100 Perak Gelap 141237 142446 Benar 5 15 Rp 100 Perak Terang 98614.8 100081 Benar 6 16 Rp 100 Perak Gelap 98606.8 100081 Benar 6 17 Rp 100 Perak Terang 73495.7 73406.8 Benar 7 18 Rp 100 Perak Gelap 73355.8 73374.7 Benar 7 19 Rp 100 Perak Terang 56608.7 56540.8 Benar 8 20 Rp 100 Perak Gelap 56481.7 56533.8 Benar 8 21 Rp200 Terang 258307 263147 Benar 4 22 Rp200 Gelap 258213 263147 Benar 4 23 Rp200 Terang 168416 170025 Benar 5 24 Rp200 Gelap 168249 170025 Benar 5 25 Rp200 Terang 117501 117555 Benar 6 26 Rp200 Gelap 116892 117555 Benar 6 27 Rp200 Terang 87292.8 87692.8 Benar 7 28 Rp200 Gelap 86619.8 86836.8 Benar 7 29 Rp200 Terang 66246.7 66728.7 Benar 8 30 Rp 100 Kuningan Gelap 65820.8 64989.7 Salah 8 31 Rp 500 Kuningan Terang 231650 231745 Benar 4 32 Rp 500 Kuningan Gelap 231489 231340 Benar 4 33 Rp 500 Kuningan Terang 154173 154141 Benar 5 34 Rp 500 Kuningan Gelap 153967 153994 Benar 5 35 Rp1.000 Terang 106546 107338 Salah 6 36 Rp1.000 Gelap 106432 107338 Salah 6 37 Rp1.000 Terang 79643.7 79681.7 Salah 7 38 Rp1.000 Gelap 79503.7 79681.7 Salah 7 39 Rp1.000 Terang 61257.7 60945.8 Salah 8 Jarak (cm)

8 Wahyu Saputra Wibawa 40 Rp1.000 Gelap 61098.7 60945.8 Salah 8 41 Rp 500 Perak Terang 300491 304435 Benar 4 42 Rp 500 Perak Gelap 299872 304435 Benar 4 43 Rp 500 Perak Terang 196813 199560 Benar 5 44 Rp 500 Perak Gelap 196492 199560 Benar 5 45 Rp 500 Perak Terang 137028 137284 Benar 6 46 Rp 500 Perak Gelap 136664 137284 Benar 6 47 Rp 500 Perak Terang 101085 101750 Benar 7 48 Rp 100 Perak Gelap 100798 100110 Salah 7 49 Rp 500 Perak Terang 78338.8 78409.7 Benar 8 50 Rp 500 Perak Gelap 77960.8 78068.8 Benar 8 51 Rp1.000 Terang 232688 232577 Benar 4 52 Rp1.000 Gelap 232732 232577 Benar 4 53 Rp1.000 Terang 152632 152758 Benar 5 54 Rp1.000 Gelap 152050 152758 Benar 5 55 Rp1.000 Terang 106051 107338 Benar 6 56 Rp1.000 Gelap 105300 107338 Benar 6 57 Rp1.000 Terang 79045.8 78935.8 Benar 7 58 Rp 500 Perak Gelap 78408.8 78409.7 Salah 7 59 Rp1.000 Terang 61222.8 60945.8 Benar 8 5 Kesimpulan Kesimpulan yang dapat diambil adalah sebagai berikut : 1. Metode euclidean baik dalam mengenali citra dan dapat digunakan untuk mendeteksi uang logam dengan tingkat keberhasilan 80%. 2. Dalam melakukan pengujian, kondisi cahaya dan jarak pengambilan citra harus diatur, agar mendapatkan parameter yang bisa diukur dan hasil pendeteksian yang lebih akurat. 3. Kondisi cahaya dan jarak pengambilan citra dapat mempengaruhi hasil pendeteksian uang logam dengan metode euclidean. 6 Daftar Pustaka [1] Modi, Shatrughan. (2011). Automated Coin Recognition System Using Ann. Diambil 22 November 2011 dari http://dspace.thapar.edu:8080/dspace/bitstream/10266/1452/1/shatrughan_cs_11thesis.pdf [2] Syafitri, Nesi. (2011). Seminar Nasional Teknologi Informasi Komunikasi dan Industri 2011. Pengenalan Pola Untuk Deteksi Uang Koin. 2085-9902 [3] Saputra, Rizky. (2011). Analisa Identifikasi Wajah Menggunakan Metode eigenface dan Metode Euclidean dengan Pembanding Ekstraksi Ciri. [4] Bank Indonesia. (November 2011). Diambil 24 November 2011 dari http://www.bi.go.id/web/id/sistem+pembayaran/instrumen+pembayaran+tunai/data+uan g/ [5] Nasution, Fatimah. (2011). Identifikasi Manusia Menggunakan Citra Digital Telinga dengan Metode Pencocokan Graf. [6] Jatra, Muhammad. (2007). Makalah Seminar Tugas Akhir. Identifikasi Iris Mata Menggunakan Metode Analisis Komponen Utama dan Perhitungan Jarak Euclidean.