IDENTIFIKASI NILAI NOMINAL UANG KERTAS DENGAN METODE LOCAL BINARY PATTERN

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

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

HALAMAN PERSETUJUAN ii

HALAMAN PENGESAHAN iii

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. iv

PERNYATAAN KEASLIAN KARYA v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS vi

IDENTIFIKASI NILAI NOMINAL UANG KERTAS DENGAN METODE LOCAL BINARY PATTERN ABSTRAK Uang merupakan alat pembayaran yang dapat diterima secara umum guna mempermudah proses tukar menukar atau pembayaran barang dan jasa di suatu wilayah tertentu. Uang saat ini merupakan alat yang paling penting dalam melakukan transaksi yang digunakan oleh manusia. Sama seperti halnya manusia normal, para penyandang disabilitas seperti penyandang tunanetra juga menggunakan uang sebagai alat transaksi pada kehidupan sehari hari. Keterbatasan penyandang tunanetra dalam hal melihat menjadikan mereka sulit dalam melakukan identifikasi pada nilai nominal uang terutama pada uang kertas. Berdasarkan atas permasalahan tersebut, pada penelitian ini peneliti hendak membuat suatu sistem yang dapat mengidentifikasi nilai nominal yang terkandung dalam uang kertas Rupiah untuk membantu penyandang tunanetra dalam melakukan proses identifikasi. Proses identifikasi dilakukan dengan mengenali pola dari uang kertas Rupiah. Sebelum melakukan proses pengenalan pola dilakukan tahap prapemrosesan dengan menggunakan proses grayscaling dan proses resize. Proses pengenalan pola dilakukan dengan cara mengekstraksi ciri menggunakan metode Local Binary Pattern (LBP). Pola yang sudah didapat dari tiap jenis uang akan digunakan untuk proses identifikasi yaitu pengklasifikasian uang dengan metode pendekatan k-nearest Neighbor (k-nn). Pada proses pengujian penelitian ini menggunakan 105 data uang kertas. Hasil proses pengujian penggunaan metode ekstraksi ciri Local Binary Pattern dan metode klasifikasi k-nearest Neighbor menghasilkan akurasi sebesar 98,0952 % dengan waktu komputasi 66,65 detik pada pengujian 3 fold crossvalidation dengan nilai k=2. Pada proses identifikasi menggunakan citra dengan dimensi citra baris 192 dan kolom 256. Model yang digunakan pada proses identifikasi adalah datatrain terbaik pada proses pengujian 3 fold crossvalidation terhadap 105 data. Proses identifikasi menghasilkan akurasi sebesar 86,667 % pada nilai k=2. Kata Kunci: identifikasi, nilai nominal, uang kertas, local binary pattern, k-nearest neighbor vii

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 viii

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. ix

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 xi

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 xii

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 xiii

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 xiv

Gambar 4.6. Capture Proses Third Fold Crossvalidation... 50 Gambar 4.7. Grafik Garis Waktu Pengujian... 54 xv

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 xvi

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 1

2 rupiah belum semuanya memiliki atribut peraba yang dapat dikenali oleh para penyandang tunanetra contohnya pada uang kertas dengan nilai nominal Rp.5000,00 dan Rp.1000,00. Salah satu solusi atas permasalahan tersebut adalah dengan cara membuat sistem yang dapat melakukan identifikasi nilai nominal pada citra uang kertas. Penelitian yang pernah dilakukan untuk melakukan identifikasi nilai nominal pada uang kertas adalah penelitian dengan judul Aplikasi Identifikasi dan Konversi Mata Uang Kertas Asing Terhadap Rupiah dengan Metoda Local Binary Pattern ( LBP ) Berbasis Android (Fathani dkk, tanpa tahun). Tujuan dari penelitian ini adalah untuk membantu dan memudahkan para wisatawan asing melakukan konversi mata uang asing yang dimilikinya ke mata uang rupiah dengan cara mengenali pola citra pada uang kertas asing. Metode ekstraksi ciri yang digunakan adalah metode Local Binary Pattern(LBP) dan klasifikasi dilakukan dengan metode pendekatan k-nearest Neighbor. Hasil dari penelitian ini memiliki tingkat akurasi mencapai 88.57% dengan waktu komputasi rata-rata adalah 107.57 milidetik. Salah satu saran yang terdapat pada penelitian ini adalah perlunya ditambahkan fitur berupa suara untuk output identifikasi maupun konversi sehingga bisa digunakan untuk pengguna disabilitas seperti tunanetra. Sama dengan penelitian sebelumnya, pada penelitian ini peneliti hendak membuat suatu sistem yang dapat mengidentifikasi nilai nominal yang terkandung dalam uang kertas Rupiah untuk membantu penyandang tunanetra dalam melakukan proses identifikasi. Proses identifikasi dilakukan dengan cara mengenali pola citra yang dikenakan pada suatu uang kertas dan mencocokannya dengan model dari kumpulan pola citra uang kertas. Proses pengenalan pola dilakukan dengan cara mengekstraksi ciri menggunakan metode Local Binary Pattern (LBP). Pola yang sudah didapat dari tiap jenis uang akan digunakan untuk proses identifikasi yaitu pengklasifikasian uang dengan metode pendekatan k-nearest Neighbor (k-nn). Masukan dari sistem ini berupa gambar uang kertas dan keluaran dari sistem ini

3 adalah suara dari speaker komputer yang merupakan hasil baca nilai nominal uang berdasarkan hasil identifikasi pada uang kertas. 1.2. Rumusan Masalah Apakah penggunaan metode ekstraksi ciri Local Binary Pattern (LBP) dan metode klasifikasi k-nearest Neighbor (KNN) dapat digunakan dalam memecahkan masalah identifikasi nilai nominal uang kertas Rupiah? 1.3. Tujuan Penelitian Mengetahui apakah penggunaan metode ekstraksi ciri Local Binary Pattern (LBP) dan metode klasifikasi k-nearest Neighbor (KNN) dapat digunakan dalam memecahkan masalah identifikasi nilai nominal uang kertas Rupiah. 1.4. Batasan Masalah Pada penelitian ini, batasan-batasan yang digunakan adalah sebagai berikut: 1. Citra uang kertas yang digunakan adalah 7 jenis citra uang kertas Rupiah yang berlaku di Indonesia pada tahun 2015. 2. Data uang yang digunakan pada penelitian ini terdiri dari data pengujian dan data identifikasi. 3. Data uang yang digunakan dalam data pengujian berjumlah 105 data uang dengan kondisi yang masih baik. 4. Data uang yang digunakan dalam data identifikasi berjumlah 45 data uang dengan kondisi uang yang masih baik dan yang tidak baik. 5. Proses pengujian pada penelitian ini menggunakan metode pengujian 3 fold crossvalidation. 6. Data citra uang kertas yang digunakan adalah citra pada sisi belakang.

4 7. Pembuatan program hanyalah sebuah prototype untuk membantu analisa penggunaan metode ekstraksi ciri Local Binary Pattern (LBP) dan metode klasifikasi k-nearest Neighbor (KNN) dalam memecahkan masalah identifikasi nilai nominal uang kertas Rupiah. 1.5. Manfaat Penelitian Manfaaat dari penelitian ini adalah untuk membantu para penyandang disabilitas terutama penyandang tunanetra dalam melakukan identifikasi terhadap nilai nominal uang kertas rupiah. 1.6. Metodologi Penelitian 1. Studi Literatur Studi literatur dilakukan untuk mendapatkan informasi terkait penelitian yang dilakukan. Studi literatur dilakukan dengan cara mempelajari buku referensi, artikel dan jurnal yang berkaitan dengan identifikasi uang kertas menggunakan metode Local Binary Factor (LBP). 2. Perancangan Sistem Pada penelitian ini tahap perancangan sistem dilakukan untuk membuat rancangan umum dalam pembuatan sistem identifikasi nilai nominal uang kertas menggunakan metode Local Binary Factor (LBP). 3. Pengumpulan Data Pada tahap ini dilakukan pengumpulan data yang akan digunakan dalam penelitian. 4. Pembuatan Sistem Berdasarkan hasil perancangan sistem, maka tahap selanjutnya adalah membuat sistem sesuai dengan rancangan dan kebutuhan.

5 5. Pengujian Pengujian dilakukan untuk mengetahui kinerja sistem yang telah diimplementasikan. Pengujian dilakukan untuk mengetahui seberapa besar akurasi dan seberapa cepat kinerja sistem pada saat melakukan identifikasi uang kertas. 6. Pembuatan Laporan Laporan penelitian dibuat berdasarkan proses dan hasil dari penelitian yang telah dilakukan. 1.7. Sistematika Penulisan BAB I : PENDAHULUAN Dalam bab ini dijelaskan mengenai latar belakang, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan sistematika penulisan pada penelitian ini. BAB II : LANDASAN TEORI Dalam bab ini dijelaskan mengenai teori-teori yang digunakan untuk mendukung penelitian ini. BAB III : ANALISA DAN DESAIN PENELITIAN Pada bab ini menjelaskan tentang gambaran umum penelitian, desain penelitian, analisis kebutuhan proses, implementasi perancangan, penjelasan proses, perancangan antar muka (user interface), serta spesifikasi hardware dan software yang digunakan dalam melakukan implementasi BAB IV : HASIL DAN ANALISA

6 Bab ini membahas hasil dan analisa yang didapat dari penelitian dan percobaan yang telah dilakukan dalam penelitian ini. BAB V : KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dan saran dari hasil analisa, implementasi dan pengujian sistem.

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 : 0 ( x, y) f (2.1.) f adalah intensitas cahaya pada koordinat ( x, y) 7

8 ( x, y) adalah perpotongan garis antara x dan y Citra digital merupakan citra kontinyu yang diubah ke dalam bentuk diskret. Citra digital direpresentasikan dalam bentuk matriks yang terdiri dari baris dan kolom, setiap perpotongan baris dan kolom tersebut memiliki nilai intensitas kecerahan. Titik dari setiap matriks tersebut dinamakan dengan piksel. Citra digital merupakan kumpulan dari piksel dengan jumlah tertentu. Gambar 2.2. Contoh Citra Uang Rp.100.000 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.

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. Gambar 2.3. Contoh Citra Uang Rp.100.000 Berskala 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.

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 ( 2.4.) 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 Grayscaling 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.

11 2.3.2. Resize Resize citra adalah proses merubah ukuran jumlah piksel suatu citra digital. Pada penelitian ini proses resize dilakukan untuk menyamakan ukuran piksel pada semua data citra uang kertas. Menyamakan ukuran piksel berarti membuat data citra pada uang kertas dengan ukuran jumlah piksel yang sama antara baris dan kolomnya. Seteleh semua citra digital disamakan pada jumlah baris dan kolomnya maka data citra siap untuk diproses pada tahap selanjutnya. Gambar 2.6. Contoh Proses Resize Citra Pada Gambar 2.6. terdapat 2 buah citra grayscale uang Rp. 100.000. Pada gambar di sebelah kiri merupakan citra dengan dimensi baris 100 piksel dan kolom 75 piksel, dan di sebelah kanan merupakan citra hasil dari proses resize pada citra warna sebelah kiri dengan ukuran dimensi baris 80 piksel dan kolom 60 piksel. 2.4. Pengenalan Pola Pola adalah sesuatu yang memiliki kemiripan dan keteraturan, bersifat berulang, dan sistematis (Kamus Besar Bahasa Indonesia, 2008). Pola terdapat pada banyak objek, salah satunya terdapat pada data citra uang kertas. Pengenalan pola adalah disiplin ilmu yang bertujuan untuk melakukan klasifikasi objek menjadi beberapa kategori atau kelas(theodorodis, 2006). Pengenalan Pola juga dapat diartikan sebagai segala kegiatan yang dilakukan untuk pengambilan keputusan berdasarkan pola - pola kompleks objek atau informasi (Ripley, 1996). Aplikasi pengenalan pola banyak digunakan sebagai pemecahan suatu

12 permasalahan antara lain pengenalan pola pada suara, pengenalan pola citra, pengenalan pola citra bergerak(video), pengenalan pola kumpulan suatu data dan lain lain. Salah satu masalah yang akan diselesaikan dalam penelitian ini adalah permasalahan pengenalan pola dalam melakukan identifikasi nilai nominal pada uang kertas rupiah. Terdapat tiga (3) tahap dalam melakukan pengenalan pola. Tahap yang paling awal dilakukan adalah tahap pre-processing yaitu tahap dimana citra dikenakan suatu proses dengan tujuan mendapatkan citra baru yang siap untuk dikenali polanya. Tahap kedua adalah tahap ekstraksi ciri, pada tahap ini citra akan diproses untuk mendapatkan ciri dari citra tersebut. Tahap ketiga adalah tahap klasifikasi, pada tahap ini citra akan dikelompokan sesuai dengan kelas kelasnya. 2.4.1. Ekstraksi Ciri Local Binary Pattern (LBP) Metode Local Binary Pattern merupakan salah satu metode untuk melakukan ekstraksi ciri pada suatu data citra grayscale. Metode LBP pertamakali diperkenalkan oleh Ojala dkk pada tahun 1994. LBP didefinisikan sebagai perbandingan nilai biner piksel pada titik pusat citra (hotspot) dengan 8 titik tetangganya(ojala, 1994). Cara kerja dari metode ini adalah menghitung selisih intensitas pada titik pusat dengan 8 titik tetangganya. Jika hasil dari selisih tersebut positif maka diberi nilai 1, dan jika hasilnya negatif maka diberi nilai 0. Setelah itu hasil dari nilai tersebut disusun searah dengan jarum jam dan menghasilkan bilangan biner berskala 8-bit. Hasil bilangan biner tersebut selanjutnya dikonversi ke bilangan desimal. Kumpulan bilangan desimal tersebut akan membentuk histogram baru yang menjadi ciri dari setiap citra. Gambar 2.7. Ilustrasi LBP

13 Pada Gambar 2.7. Terdapat contoh data digital citra yang memiliki titik pusat bernilai 125. Titik tersebut dibandingkan dengan 8 tetangganya dan didapat hasil pola biner 10100100. Pola biner yang didapat dikonversi menjadi bilangan desimal dan didapat hasil 37 untuk nilai piksel tersebut. 2.4.2. Histogram Histogram merupakan grafik yang merepresentasikan penyebaran nilai-nilai intensitas piksel dari suatu citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan relatif dari intensitas pada citra tersebut. Histogram dapat menunjukkan kecerahan (brightness) dan kontras (contrast) dari sebuah gambar. Histogram adalah alat bantu yang berharga dalam pekerjaan pengolahan citra baik secara kualitatif maupun kuantitatif. Misalkan citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L 1 (misal pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis histogram citra dihitung dengan rumus: n h 1, i 0,1,..., L i 1 N (2.8.) n i = 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. Gambar 2.9. Ilustrasi Histogram

14 2.5. Klasifikasi k-nearest Neighbor (k-nn) Klasifikasi merupakan penggolongan atau pengelompokan suatu objek berdasarkan kelas kelas. Metode klasifikasi k-nearest Neighbor (k-nn) merupakan metode klasifikasi nonparametric. Pada metode ini klasifikasi ditentukan berdasarkan jarak data ke beberapa data /tetangga terdekat (neighbor) terdekat (Santosa, 2007). Dalam hal ini jumlah data/tetangga terdekat ditentukan oleh user yang dinyatakan dengan nilai k. Untuk menghitung jarak antara dua titik x dan y digunakan rumus jarak euclidean distance pada rumus 2.10. n 2 2 d( x, y) x y ( x i y i ) (2.10.) i 1 n = jumlah dimensi x i dan y i = data Metode k-nearest Neighbor (k-nn) dapat dijelaskan dengan ilustrasi pada Gambar 2.11. y x Gambar 2.11. Ilustrasi k-nearest Neighbor

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.

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) 16

17 pada input yang dimasukan dan sistem menghasilkan Output berupa suara hasil dari identifikasi nilai nominal uang kertas. 3.2. Desain Penelitian Terdapat 3 tahap yang dilakukan pada penelitian ini yaitu tahap studi literatur, tahap pengumpulan data dan tahap pengembangan alat uji. Berikut adalah penjelasan untuk masing-masing tahapan yang dilakukan : 3.2.1. Studi Literatur Studi literatur dilakukan untuk mendapatkan informasi terkait penelitian yang dilakukan. Studi literatur dilakukan dengan cara mempelajari buku referensi, artikel dan jurnal yang berkaitan dengan identifikasi uang kertas menggunakan metode Local Binary Factor (LBP). 3.2.2. Pengumpulan data Pada penelitian ini, data yang digunakan dalam alat uji dibuat melalui 3 tahap yaitu tahap pengumpulan uang, tahap digitalisasi data, dan tahap pelabelan. Penjelasan untuk masing-masing tahap adalah sebagai berikut : A. Tahap 1 Pengumpulan Uang Pada proses pengujian dalam penelitian ini menggunakan data pengujian berupa uang kertas dengan mata uang Rupiah sebagai data utama. Uang kertas yang digunakan adalah 7 jenis uang kertas yang berlaku di Indonesia pada tahun 2015. Nilai nominal uang kertas yang digunakan adalah Rp.1000 tahun emisi 2000, Rp.2000 tahun emisi 2009, Rp.5000 tahun emisi 2001, Rp.10.000 tahun emisi 2005, Rp.20.000 tahun emisi 2004, Rp.50.000, tahun emisi 2005 Rp.100.000 tahun emisi 2014. Masing-masing nominal uang kertas akan dijadikan kelas untuk proses klasifikasi. Pengumpulan data uang kertas dilakukan dengan uang kertas yang

18 berbeda beda. Pada setiap nominal dikumpulkan masing masing 15 uang kertas yang menghasilkan data berjumlah 105 uang kertas. Pada proses identifikasi dalam penelitian ini menggunakan data identifikasi berupa uang kertas dengan mata uang Rupiah sebagai data utama. Uang kertas yang digunakan adalah 45 lembar uang kertas dengan nilai nominal acak dan memiliki tahun emisi yang sama dengan masing-masing nominal pada data pengujian. Selain data uang dalam keadaan baik, terdapat juga data uang kertas yang memiliki cacat seperti data uang yang tercoret, kusam, kabur, dan miring. B. Tahap 2 Digitalisasi Data Data yang digunakan merupakan data citra dari uang kertas rupiah dengan format joint photographic experts group (.jpg/.jpeg). Citra yang digunakan berasal dari pengambilan gambar menggunakan kamera Smartphone dengan resolusi 5 megapixel berdimensi 2560piksel x 1920piksel. Gambar diambil dari jarak 17 cm dengan pertimbangan didapat data citra uang kertas yang utuh dan tidak terpotong. Background/latar yang digunakan berwarna putih dengan kondisi pencahayaan terang. Pengambilan gambar uang kertas dilakukan pada uang kertas bagian belakang. Sudut pengambilan gambar uang kertas adalah sama untuk setiap uang kertas yaitu dari atas. Proses digitalisasi citra dilakukan sama terhadap data untuk proses pengujian dan data untuk proses identifikasi. Pada Gambar 3.2. adalah contoh gambar digitalisasi citra uang kertas dari uang kertas nominal Rp.100000. Gambar 3.2. Data Digital Uang Kertas Nominal Rp.100000

19 Proses digitalisasi citra menggunakan alat bantu berupa akuarium sebagai pengukur jarak, 2 buah kotak kartu sebagai penopang smartphone, lampu ikan sebagai penerangan dan kertas HVS sebagai background dari citra uang. Proses digitalisasi dapat dilihat pada Gambar 3.3. Gambar 3.3. Proses Digitalisasi Citra C. Tahap 3 Pelabelan Pada data pengujian, pelabelan atau pemberian nama pada file citra uang kertas diberi nama sesuai dengan nilai nominal uang dan pembagian data pada tahap pengujian. Pada proses pengujian akan dilakukan dengan metode three fold crossvalidation yang membagi 105 data uang menjadi 3 bagian yaitu firstfold, secondfold dan thirdfold. Terdapat masing-masing 35 data pada setiap bagian (fold). Pada 35 data tersebut terdiri dari masing-masing 5 data untuk setiap nilai nominal uang. Pada Gambar 3.4. adalah contoh nama file berdasarkan nilai nominal uang dan pembagian data pada tahap pengujian untuk uang kertas dengan nilai nominal Rp.1000.

20 Gambar 3.4. Contoh Penamaan File Gambar Uang Nominal Rp.1000 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. Gambar 3.5. Tata Cara Penamaan File Gambar 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.

21 3.2.3. Perancangan Alat Uji Pada penelitian ini metodologi yang digunakan dalam penelitian adalah model pengembangan alat uji waterfall. Model pengembangan ini dilakukan secara sistematis dari satu tahap ke tahap lain. Berikut adalah beberapa tahapan yang ada pada model waterfall : A. Analisa Kebutuhan Pengguna (User Requirement) Pada tahap ini dilakukan analisis terhadap kebutuhan pengguna yang bisa diselesaikan dengan adanya alat uji. Pada penelitian ini terdapat 5 kebutuhan pengguna yaitu: - Melihat hasil akurasi 3 fold crossvalidation - Melihat lama waktu 3 fold crossvalidation - Melihat hasil identifikasi uang - Melihat lama waktu identifikasi uang - Mendengar suara hasil identifikasi uang B. Analisa Kebutuhan Sistem (System Requirement) Inti dari tahap ini adalah mencari kebutuhan dari keseluruhan alat uji yang akan diaplikasikan ke dalam bentuk perangkat lunak. Dalam membangun perangkat lunak dibutuhkan hubungan antara software, hardware, dan database yang akan digunakan. C. Analisa Spesifikasi Kebutuhan Perangkat Lunak (Software Requirement Specification ) Pada tahap ini dilakukan pengumpulan data apa saja yang dibutuhkan oleh alat uji yang hendak dibuat. Data dapat berupa informasi, fungsi yang dibutuhkan, dan antar muka yang diinginkan.

22 D. Desain (Design) Pada tahap ini dilakukan proses dalam membuat rancangan alat uji berdasarkan informasi dari tahap-tahap sebelumnya. Hasil dari tahap ini dapat berupa struktur data, arsitektur perangkat lunak, representasi interface, dan detail algoritma prosedural. E. Pengkodean (Coding) Pengkodean merupakan tahap dimana perancangan yang telah dibuat pada tahap desain diterjemahkan ke dalam bahasa mesin pada komputer. Pengkodean menghasilkan alat uji dalam bentuk perangkat lunak yang dibuat berdasarkan rancangan yang telah ada. F. Pengujian (Testing) Pada tahap pengujian, alat uji berupa perangkat lunak diuji coba untuk mengetahui apakah perangkat lunak tersebut sudah sesuai dengan rancangan dan kebutuhan pengguna. 3.3. Analisa Kebutuhan Proses Perancangan alat uji pada penelitian ini memiliki 2 proses besar yaitu proses pengujian dan proses identifikasi. Proses pengujian bertujuan untuk mengetahui berapa persen nilai akurasi dari metode ekstraksi ciri dan metode klasifikasi yang digunakan, mengetahui lama waktu proses pengujian, dan juga untuk mendapatkan model yang akan digunakan sebagai datatraining dalam proses identifikasi. Pada saat melakukan pengujian terhadap suatu nilai k, proses pengujian akan membagi 3 data, melakukan 3 kali pengujian dan menghasilkan 3 nilai akurasi. Berdasar nilai tertinggi pada suatu nilai akurasi, datatraining yang digunakan pada nilai akurasi tertinggi akan disimpan dan digunakan sebagai datatraining (dijadikan model) untuk tahap identifikasi. Proses identifikasi bertujuan untuk mengetahui hasil identifikasi uang, lama waktu proses identifikasi, dan suara hasil identifikasi. Gambaran proses

23 pengujian dan proses identifikasi akan diperlihatkan dalam bentuk diagram blok pada Gambar 3.6. dan Gambar 3.7. Pada Gambar 3.6. dijelaskan bahwa proses pengujian merupakan proses pertama yang dilakukan sebelum proses identifikasi. Proses ini menghasilkan model untuk identifikasi, persen nilai akurasi, dan lama waktu pengujian. Terdapat beberapa proses dalam sebuah pengujian yaitu proses baca data, pre-processing, ekstraksi ciri Local Binary Pattern, pembuatan histogram, 3 fold crossvalidation, hitung jarak, klasifikasi k-nn, hitung akurasi, penentuan model identifikasi, hitung rata-rata akurasi, dan hitung waktu pengujian.

24 Baca Data 105 Uang Pre-processing Ekstraksi Ciri LBP Pembuatan Histogram 3 fold crossvalidation Hitung Jarak Klasifikasi k-nn Hitung Akurasi Penentuan model untuk Identifikasi Hitung rata-rata akurasi Hitung waktu pengujian Gambar 3.6. Diagram Blok Proses Pengujian

25 Baca Data 1 Uang Preprocessing Ekstraksi Ciri LBP Pembuatan Histogram Load model dari Pengujian Hitung Jarak Klasifikasi k-nn Load suara hasil identifikasi Hitung waktu identifikasi Gambar 3.7. Diagram Blok Proses Identifikasi Pada Gambar 3.7. dijelaskan bahwa proses identifikasi merupakan proses kedua yang dilakukan setelah proses pengujian. Proses ini menghasilkan hasil identifikasi uang, lama waktu proses identifikasi, dan suara hasil identifikasi. Terdapat beberapa proses dalam sebuah pengujian yaitu proses baca data, pre-processing, ekstraksi ciri Local Binary Pattern, pembuatan histogram, load

26 model dari pengujian, hitung jarak, klasifikasi k-nn, load suara hasil identifikasi, dan hitung waktu pengujian. 3.4. Implementasi Perancangan 3.4.1. Diagram Konteks (Context Diagram) User Gambar Ua ng, Nilai k Akurasi pengujia n, La ma pe ngujia n, Hasil ide ntifikas i, La ma ide ntifikas i, Suara ide ntifikas i Gambar 3.8. Diagram Konteks 0 IDENTIFIKASI NILAI NOMINAL UANG KER TAS DENGAN METODE LOCA L BIN ARY P ATTERN Pada Gambar 3.8. di atas merupakan gambar diagram konteks atau bisa disebut sebagai data flow diagram level 0. Diagram ini merupakan level tertinggi dari data flow diagram. Diagram ini menjelaskan ruang lingkup dari alat uji yang hendak dibangun. Terdapat satu proses besar pada diagram konteks tersebut yaitu proses Identifikasi Nilai Nominal Uang Dengan Metode Local Binary Pattern. Pada diagram konteks terdapat Pengguna (User) sebagai external entity, user memasukan input berupa Gambar uang dan nilai k. Alat uji melakukan identifikasi nilai nominal uang kertas dengan metode local binary pattern dan menghasilkan output berupa akurasi pengujian, lama pengujian, hasil identifikasi, lama identifikasi, dan suara identifikasi.

27 3.4.2. Data Flow Diagram level 1 Data gambar uang 105 Gambar uang Akurasi pengujian, Lama pengujian User Nilai k Pengujian 1 Gambar Uang, Nilai k Hasil Identifikasi,Lama identifikasi, Suara Identifikasi Datatrain terbaik 2 Identifikasi Uang Kertas Gambar 3.9. Data Flow Diagram level 1 Data Suara Identifikasi 7 Data Suara Identifikasi Pada Gambar 3.9. di atas merupakan gambar data flow diagram level 1. Diagram ini merupakan pemecahan dari diagram konteks. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses pengujian dan 7 data suara hasil identifikasi. Proses pertama user memberikan data nilai k ke dalam proses pengujian. Proses pengujian melakukan load data dari 105 data uang pada storage. Setelah dilakukan pengujian, proses ini akan mengembalikan data akurasi pengujian dan lama pengujian ke user sebagai output, selain itu proses pengujian memberikan datatrain terbaik kepada proses identifikasi yang akan dijadikan model dalam melakukan identifikasi gambar uang. Proses kedua user memberikan data nilai k dan gambar uang ke dalam proses identifikasi. Proses ini akan melakukan identifikasi uang kertas, menghitung lama identifikasi dan melakukan load suara hasil identifikasi dari database data suara identifikasi, sehingga mengembalikan data hasil identifikasi,lama identifikasi dan hasil suara identifikasi ke user sebagai output.

28 3.4.3. Data Flow Diagram level 2 Gambar 3.10. Data Flow Diagram level 2

29 Pada Gambar 3.10. di atas merupakan gambar data flow diagram level 2. Diagram ini merupakan pemecahan dari data flow diagram level 1. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses training, data label dan ciri untuk menyimpan hasil data dari training, dan 7 data suara hasil identifikasi. Pada data flow diagram level 2 ini terdapat dua proses yaitu proses training dan proses crossvalidasi yang merupakan pemecahan dari proses pengujian pada data flow diagram level 1. Selain itu terdapat proses hitung pre-processing, Ekstraksi ciri local binary pattern, membuat histogram dari grayscale, hitung jarak, klasifikasi k-nearest neighbor, dan load suara yang merupakan pemecahan dari proses identifikasi uang kertas pada data flow diagram level 1.

30 3.4.4. Data Flow Diagram level 3 Gambar 3.11. Data Flow Diagram level 3

31 Pada Gambar 3.11. di atas merupakan gambar data flow diagram level 3. Diagram ini merupakan pemecahan dari data flow diagram level 2. Terdapat user sebagai external entity, 105 gambar uang sebagai data untuk proses ekstraksi ciri local binary pattern, data label dan ciri untuk menyimpan hasil data dari histogram dari grayscale local binary pattern, dan 7 data suara hasil identifikasi. Pada data flow diagram level 3 ini terdapat tiga proses yaitu proses pre-processing, proses ekstraksi ciri local binary pattern dan proses membuat histogram dari grayscale local binary pattern yang merupakan pemecahan dari proses training pada data flow diagram level 2. Selain itu terdapat tiga proses yaitu proses hitung membagi datatest dan datatrain, hitung jarak, dan klasifikasi k-nearest neighbor yang merupakan pemecahan dari proses crossvalidasi pada data flow diagram level 2. 3.5. Penjelasan Proses 3.5.1. Baca Data Proses baca data merupakan proses awal pada kedua proses utama. Proses baca data yang terdapat pada proses pengujian merupakan proses membaca data dari 105 data citra uang yang sudah disiapkan pada suatu folder. Data citra yang dibaca merupakan data citra dengan dimensi 2560piksel x 1920piksel. Proses baca data pada proses identifikasi merupakan proses baca untuk satu data citra yang dipilih oleh user yang akan dijadikan data yang ingin diidentifikasi nilai nominalnya. Proses baca data dilakukan menggunakan fungsi imread() yang terdapat pada program matlab. Proses baca data akan membaca data gambar dengan format joint photographic experts group (.jpg/.jpeg) dan mengubahnya menjadi data matriks berskala 8 bit pada matlab. Data matriks yang dihasilkan masih berupa data citra berwarna yang memiliki 3 layer, yaitu layer Red, Green dan Blue.

32 3.5.2. Pre-processing Setelah dilakukan proses baca data, maka langkah selanjutnya adalah melakukan Pre-processing pada setiap data. Terdapat 2 proses pada tahap pre-processing yaitu proses resize dan proses grayscaling. Hasil dari pre-processing adalah citra baru yang memiliki skala keabuan dan dimensi matrik berjumlah baris 192 dan kolom 256. Jumlah dimensi matrik berjumlah baris 192 dan kolom 256 dipilih supaya untuk mempercepat proses komputasi dan tidak merubah perbandingan dimensi baris dan kolom pada citra asli. Jumlah baris 192 dan kolom 256 ditentukan berdasarkan 10% dari jumlah baris dan kolom pada citra asli. Pada penelitian ini terdapat 2 kali percobaan pada proses resize dalam tahap pengujian, yaitu resize dengan menggunakan dimensi matriks baris 65 dengan kolom 160 dan dimensi matriks baris 192 dan kolom 256. Percobaan ini dilakukan untuk mengetahui apakah proses pre-processing tahap resize berpengaruh pada akurasi dalam proses pengujian. Berikut merupakan ilustrasi perubahan dari proses pre-processing : Grayscaling Resize Citra Asli Citra Grayscale Citra Hasi Resize Gambar 3.12. Ilustrasi Hasil 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.

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

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. Ekstraksi ciri LBP Citra Grayscale Hasil Ekstraksi ciri Gambar 3.13. Ilustrasi Hasil Proses Ekstraksi ciri LBP 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 : Gambar 3.14. Histogram Hasil Proses Ekstraksi ciri LBP

35 Pada Gambar 3.14. sumbu x menerangkan intensitas cahaya dari 0 hingga 255, sedangkan sumbu y menerangkan banyaknya jumlah intensitas cahaya pada suatu objek citra. Pembuatan histogram menggunakan fungsi imhist() pada matlab. Berdasarkan gambar histogram pada Gambar 3.14, dapat dihasilkan vector berupa histogram hasil ekstraksi ciri citra. Pada Gambar 3.15. merupakan gambar vector untuk ciri histogram Gambar 3.14. Gambar 3.15. Data Ciri Vektor Citra Pada Gambar 3.15. Vektor ciri pada citra uang pada Gambar 3.14. hanya ditampilkan pada intensitas 0 22 dari yang sebenarnya terdapat ciri pada intensitas 0 255.

36 3.5.5. 3 fold Crossvalidation Pengujian dilakukan untuk mengetahui seberapa baik kinerja alat uji. Pada penelitian ini digunakan metode pengujian 3 fold cross validation. Pengujian dilakukan untuk semua data citra uang kertas. 3 fold cross validation melakukan pembagian 105 data uang menjadi 3 bagian yaitu firstfold, secondfold dan thirdfold yang masing-masing memiliki 35 data. Kelompok data yang sudah dibagi menjadi 3 label selanjutnya dijadikan sebagai data training dan data testing. Bersumber dari data tersebut 2 kelompok data yang berjumlah 70 data untuk data training dan 1 kelompok yang berjuamlah 35 data untuk data testing. Setelah itu dilakukan iterasi sebanyak 3 kali. Pada setiap iterasi dilakukan pertukaran antara data training dan data testing. Iterasi pertama firstfold menjadi datatesting sementara itu secondfold dan thirdfold menjadi datatraining, Iterasi kedua secondfold menjadi datatesting sementara itu firstfold dan thirdfold menjadi datatraining, Iterasi ketiga thirdfold menjadi datatesting sementara itu firstfold dan secondfold menjadi datatraining. Proses crossvalidation ini menghasilkan 3 kelompok hasil pengujian nilai nominal uang dengan masing-masing nilai akurasi yang dihasilkan. 3.5.6. Hitung Jarak Proses perhitungan jarak dilakukan untuk mengetahui jarak atau kemiripan suatu ciri uang pada datatesting dengan ciri uang pada datatraining. Perhitungan jarak dilakukan dengan metode Eulidean Distance. Ciri yang digunakan untuk setiap citra merupakan data histogram ekstraksi ciri Local Binary Pattern. 3.5.7. Klasifikasi dengan Metode k-nn Proses klasifikasi dilakukan dengan tujuan menentukan kelas dari suatu objek yaitu gambar uang. Terdapat 7 pembagian kelas dalam penelitian ini yaitu kelas 1000, 2000, 5000, 10000, 20000, 50000, dan 100000. Klasifikasi menggunakan metode

37 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 (3.16.) 3.5.9. Penentuan Model untuk Identifikasi Pada tahap pengujian akan dilakukan dengan metode pengujian 3 fold cross validation. Pengujian ini akan menghasilkan 3 kelompok hasil pengujian nilai nominal uang dengan masing-masing nilai akurasi yang dihasilkan. Model untuk identifikasi dipilih berdasarkan datatraining yang memiliki nilai akurasi tertinggi pada 3 kali tahap pengujian 3 fold cross validation.

38 3.5.10. Menghitung Rata-Rata Akurasi Proses pengujian pada penelitian ini menghasilkan 3 nilai akurasi dari 3 kelompok pengujian. Nilai akurasi tersebut dihitung rata-ratanya lalu dijadikan nilai akurasi untuk pengujian Identifikasi Nilai Nominal Uang Kertas dengan ciri Metode Local Binary Pattern (LBP). Rata-rata akurasi dihitung dengan rumus pada rumus 3.17. Rata Rata Akurasi = Akurasi 1 + Akurasi 2 + Akurasi 3 (3.17.) 3 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.

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) Gambar 3.18. Perancangan Antar Muka Alat Uji 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 :

40 Pada antar muka terdapat 2 modul yang mewakili 2 proses besar yang terdapat pada penelitian yaitu proses pengujian dan proses identifikasi nilai nominal uang. Pada modul pengujian memiliki : - Edit text nilai k sebagai tempat untuk user memasukan nilai k - Tombol Hitung Akurasi yang memiliki fungsi untuk menghitung akurasi dan lama waktu pengujian - Static text Hasil Nilai Akurasi untuk menampilkan hasil nilai akurasi terhadap nilai k - Static text Lama Pengujian untuk menampilkan lama waktu komputasi pada proses pengujian terhadap nilai k Pada modul identifikasi memiliki : - Statik text direktori sebagai tempat untuk menampilkan direktori citra yang dipilih pada saat proses load - Tombol Load yang memiliki fungsi untuk membaca data citra yang dipilih user dalam suatu direktori - Tombol Identifikasi yang memiliki fungsi untuk mencari hasil identifikasi citra uang yang telah dimasukan pada proses load - Static text Hasil Identifikasi untuk menampilkan hasil identifikasi terhadap citra uang yang telah dimasukan pada proses load - Static text Lama Identifikasi untuk menampilkan lama waktu komputasi pada proses identifikasi - Tombol Hasil Suara yang memiliki fungsi untuk mengeluarkan suara dari hasil identifikasi 3.7. Spesifikasi Hardware dan Software Pada tahap implementasi spesifikasi hardware dan software yang digunakan adalah sebagai berikut :

41 1. Software a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit b. Software : Matlab versi 8.0.0.783(R2012b) 2. Hardware a. Processor : Intel(R) Core(TM) i5-2430m CPU @ 2.40GHz b. Ram : 4GB c. Harddisk : 640GB

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. 42

43 Tabel 4.1. Tabel Hasil Pengujuan 3 fold crossvalidation Nilai k Persentase Akurasi (%) Lama Komputasi (detik) 1 83,8095 31,48 2 80,9524 32,52 3 86,6667 33,06 4 87,6190 32,65 5 88,5714 32,56 6 89,5238 32,58 7 88,5714 32,34 8 89,5238 32,56 9 88,5714 32,64 10 90,4762 32,50 Berdasarkan Tabel 4.1., hasil dari 10 kali pengujian terhadap 10 nilai k yaitu nilai 1 hingga10, didapatkan hasil bahwa nilai k=10 merupakan nilai dengan akurasi tertinggi yaitu 90,4762 %. Sedangkan untuk hasil lama waktu komputasi, waktu tersingkat terdapat pada proses dengan nilai k=1 dengan lama waktu komputasi yaitu 31,48 detik. Berdasarkan Tabel 4.1. dapat dihitung rata-rata persentase akurasi yang di dapat adalah 87,4286 %, dan presentase lama komputasi adalah 32.4890 detik. Persentase akurasi dihasilkan melalui perhitungan rata-rata dari tiga nilai persentase pada tiga tahap pengujian. Gambar 4.1., Gambar 4.2. dan Gambar 4.3. adalah contoh penjelasan untuk memperoleh hasil persentase pada pengujian yang menggunakan nilai k=10.

44 Gambar 4.1. Capture Proses First Fold Crossvalidation 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%.

45 Gambar 4.2. Capture Proses Second Fold Crossvalidation 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%.

46 Gambar 4.3. Capture Proses Third Fold Crossvalidation 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 %.

47 Percobaan kedua adalah percobaan dengan dimensi resize matriks yaitu baris dengan 192 dan kolom 256. Berdasarkan hasil percobaan terhadap 10 nilai k yaitu nilai 1 hingga 10, didapat hasil persentase akurasi dan lama waktu komputasi pada Tabel 4.2. : Tabel 4.2. Tabel Hasil Pengujuan 3 fold crossvalidation Nilai k Persentase Akurasi (%) Lama Komputasi (detik) 1 96,1905 66,77 2 98,0952 66,65 3 97,1429 67,84 4 96,1905 71,78 5 94,2857 74,37 6 95,2381 72,90 7 92,381 74,79 8 90,4762 73,23 9 90,4762 74,74 10 88,5714 72,24 Berdasarkan Tabel 4.2.,hasil dari 10 kali pengujian terhadap 10 nilai k yaitu nilai 1 hingga 10, didapatkan hasil bahwa nilai k=2 merupakan nilai dengan akurasi tertinggi yaitu 98,0952 %. Sedangkan untuk hasil lama waktu komputasi, waktu tersingkat terdapat pada proses dengan nilai k=2 dengan lama waktu komputasi yaitu 66,65 detik. Berdasarkan Tabel 4.2. dapat dihitung rata-rata persentase akurasi yang di dapat adalah 93,9048%, dan presentase lama komputasi adalah 71.5310 detik. Persentase akurasi dihasilkan melalui perhitungan rata-rata dari tiga nilai persentase pada tiga tahap pengujian. Gambar 4.4., Gambar 4.5. dan Gambar 4.6. adalah contoh penjelasan untuk memperoleh hasil persentase pada pengujian yang menggunakan nilai k=2.

48 Gambar 4.4. Capture Proses First Fold Crossvalidation

49 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

50 Gambar 4.5. merupakan gambar capture hasil klasifikasi 35 uang kertas, jumlah identifikasi yang bernilai benar, dan persentase akurasi pada proses second fold crossvalidation. Pada gambar tersebut menunjukan bahwa dari 35 hasil klasifikasi terdapat 34 jumlah identifikasi yang bernilai benar. Pada proses second fold crossvalidation persentase akurasi yang didapat dari pengujian tersebut adalah 97.1429%. Gambar 4.6. Capture Proses Third Fold Crossvalidation

51 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 Hasil Nilai Keadaan Uang Identifikasi Kebenaran 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

52 No. Nilai Nominal Hasil Nilai Keadaan Uang Identifikasi Kebenaran 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

53 No. Nilai Nominal Hasil Nilai Keadaan Uang Identifikasi Kebenaran data 43 1000004 100000 benar normal 44 1000005 1000 salah miring 45 1000006 100000 benar normal Pada Tabel 4.3. terdapat hasil percobaan identifikasi dari 45 data uang kertas. Berdasarkan data tersebut didapatkan hasil 39 hasil identifikasi bernilai benar dan 6 hasil identifikasi bernilai salah. Terdapat juga percobaan terhadap 2 data uang yang tercoret, 1 data uang yang miring, 1 data uang yang kusam dan 6 data uang yang buram. Berdasarkan percobaan tersebut kedua data uang yang tercoret dapat diidentifikasi dengan benar, satu data uang yang diambil miring tidak dapat diidentifikasikan dengan benar, satu data uang yang kusam dapat diidentifikasikan dengan benar, 5 dari 6 data uang yang buram tidak dapat diidentifikasikan dengan benar dan 1 dari 6 data yang buram dapat diidentifikasikan dengan benar. Berdasarkan hasil identifikasi terhadap 45 data pada Tabel 4.3. terdapat 39 hasil identifikasi bernilai benar dan 6 hasil identifikasi bernilai salah. Bersumber dari hasil identifikasi tersebut dapat diperoleh akurasi dari tahap identifikasi sebesar 86,667 %. Nilai akurasi tersebut didapat dengan rumus pada rumus 3.16. 4.2. Analisa Hasil 4.2.1. Analisa Hasil Pengujian Berdasarkan hasil pada 2 kali pengujian pada dimensi citra hasil resize 65px X 160px dan 192px X 256px, didapatkan hasil bahwa rata-rata lama waktu pengujian pada citra berdimensi 65px X160px yaitu 32.4890 detik lebih singkat dari citra berdimensi 192px X 256px yaitu 71.5310 detik. Hasil perbandingan dapat dilihat pada diagram Gambar 4.7.

54 Gambar 4.7. Grafik Garis Waktu Pengujian Bersumber dari Gambar 4.7. tersebut didapatkan analisa bahwa jumlah piksel atau dimensi citra yang lebih kecil dapat lebih cepat dalam melakukan proses komputasi. Jumlah piksel yang lebih besar memiliki waktu komputasi yang lebih lama pada proses ekstraksi ciri, proses pada tahap pengujian dan tahap identifikasi. Berdasarkan hasil pada 2 kali pengujian pada dimensi citra hasil resize 65px X 160px dan 192px X 256px, didapatkan hasil bahwa rata-rata persentase akurasi pengujian pada citra berdimensi 65px X160px yaitu 87.4286 % lebih kecil dari citra berdimensi 192px X 256px yaitu 93.9048 %. Hal ini disebabkan oleh pada pengujian ke dua dimensi citra menggunakan sepersepuluh dari citra asli yang memiliki dimensi 1920px X 2560px. Sedangkan pengujian pertama pada citra berdimensi 65px X160px, nilai dimensinya tidak berasal dari penskalaan citra asli. 4.2.2. Analisa Hasil Identifikasi Pada hasil identifikasi masih terdapat kesalahan identifikasi pada masukan citra yang memiliki jenis masukan citra miring dan blur. Berdasarkan hasil tersebut

55 dapat dianalisa bahwa pengyebab kesalahan identifikasi pada citra miring adalah hasil ekstraksi ciri yang berbeda pada tahap ekstraksi ciri local binary pattern. Sedangkan untuk citra blur memiliki kesalahan kualitas kamera yang berkurang yang mengakibatkan kualitas gambar menjadi berbeda dengan data gambar normal.

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 56

57 benar dan 6 data uang teridentifikasi salah. Percobaan identifikasi tersebut menghasilkan nilai akurasi sebesar 86,667 %. 3. Pada percobaan pada proses identifikasi, data uang Rp. 1000 dan Rp. 2000 yang memiliki coretan dapat diidentifikasi dengan benar. Data uang Rp.1000 yang kusam dapat diidentifikasi dengan benar. Sebuah data Rp.50000 yang bersifat blur dapat diidentifikasi dengan benar. 5 data uang Rp.50000 yang bersifat blur diidentifikasi dengan salah. Data uang Rp.100.000 yang diambil miring diidentifikasi dengan salah. Alat uji dapat melakukan identifikasi pada citra uang yang tercoret dan kusam tetapi akan terdapat kesalahan (error) jika melakukan identifikasi pada data uang yang blur dan data uang yang diambil miring. 4. Penentuan dimensi pada proses resize dalam tahap preprocessing sangat mempengaruhi tingkat akurasi yang didapat pada saat melakukan identifikasi nilai nominal uang kertas. Pada percobaan dengan dimensi matriks berjumlah baris 65 dan kolom 160 dalam 10 kali percobaan nilai k 1-10 menghasilkan nilai akurasi 3 fold crossvalidation tertinggi yaitu 90,4762 %, sedangkan dengan dimensi matriks berjumlah baris 192 dan kolom 256 menghasilkan akurasi 3 fold crossvalidation tertinggi yaitu 98,0952 %. 5. Penentuan nilai k pada proses klasifikasi yang menggunakan metode k-nearest neighbor sangat mempengaruhi tingkat akurasi yang didapat pada saat melakukan identifikasi nilai nominal uang kertas. 5.2. Saran Beberapa saran yang dapat diuraikan dalam penelitian Identifikasi Nilai Nominal Uang Kertas dengan Metode Local Binary Pattern, yaitu:

58 1. Masih terdapat kesalahan pada Identifikasi nilai nominal uang kertas dengan metode local binary pattern yang dikenakan pada uang yang blur dan yang diambil dengan posisi miring. Berdasarkan hasil tersebut dapat dikembangkan penelitian untuk meneliti identifikasi pada uang kertas dengan pengambilan data yang blur dan pada kemiringan tertentu. 2. Pengambilan data citra uang kertas dengan intensitas cahaya yang kurang merata menjadi salah satu penyebab kesalahan pada proses klasifikasi uang kertas. Perlu dikembangkan teknik pengambilan citra dengan intensitas cahaya yang lebih merata. 3. Metode klasifikasi k-nearest neighbor yang digunakan pada penelitian ini membutuhkan waktu komputasi yang cukup tinggi karena harus menghitung jarak dari tiap data testing ke seluruh data pada data training. Perlu dikembangkan penelitian dengan metode klasifikasi yang lebih cepat. 4. Penggunaan metode klasifikasi k-nearest neighbor membutuhkan penentuan nilai k yang sesuai, oleh karena itu harus dilakukan banyak percobaan terhadap beberapa nilai k. 5. Pada penelitian ini data citra yang digunakan masih mengikutsertakan background citra sebagai data yang digunakan. Perlu dikembangkan penelitian serupa dengan proses segmentasi pada background dan forground citra.

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 äinen, and T. M äenp ä ä, 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. 59

LAMPIRAN Lampiran 1. Alat_Uji.fig 60

61 Lampiran 2. Listing Ekstraksi Ciri Local Binary Pattern

62 Lampiran 3. Listing Fungsi Membuat Histogram

63 Lampiran 4. Listing Training 3 Fold Crossvalidation Lampiran 5. Listing Hitung Jarak Euclidean Distance

64 Lampiran 6. Listing fungsi 3 fold Crossvalidation

65 Lampiran 7. Listing fungsi Identifikasi

66 Lampiran 8. Listing Fungsi GUI Alat_Uji

69 Lampiran 9. Data Uang Kertas Tahap Pengujian

73 Lampiran 10. Data Uang Kertas Tahap Identifikasi

75 Lampiran 11. Hasil Pengujian 3 Fold Crossvalidation Dimensi Resize Citra baris 65 dan kolom 160 dengan Nilai k 1-10