Seminar Nasional Teknologi Informasi dan Multimedia 2016STMIK AMIKOM Yogyakarta, 6-7 Februari 2016

ISSN : 2302-3805

2.2-13

PEMBUATAN APLIKASI PEMINDAI UANG KERTASDENGAN ALGORITMA VIOLA-JONES

Sidik Hadi Kurniadi1), Akhmad Adi Edvanto2)

1), 2) Teknik Informatika STMIK AMIKOM YogyakartaJl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281

Email : sidik.k@students.amikom.ac.id 1), akhmad.e@students.amikom.ac.id 2)

Abstrak

Mengidentifikasi uang kertas secara manualmenggunakan jari memiliki keterbatasan. Penginderaanmanusia seperti indra peraba yang berbeda pada setiaporang. Orang yang terbiasa bekerja halus dan orangyang biasa bekerja kasar memiliki penginderaan yangberbeda. Utamanya bagi tunanetra akan sulit untukmelakukan identifikasi mata uang secara manual. Untukdapat mengidentifikasi mata uang pada suatu citradigunakan metode Viola-Jones yang merupakan metodependeteksian obyek dengan menggabungkan Haar LikeFeature, Integral image, AdaBoost Machine-Learning,dan Cascade Classifier. Dari hasil pengujian, tingkatkeberhasilan pengenalan uang kertas berdasarkanidentifikasi gambar sebesar 96,43%. Selain itu aplikasiyang dibuat dapat digunakan dengan mudah melaluiperintah suara dan sangat cocok digunakan bagitunanetra.

Kata kunci:,Mata Uang, Deteksi Obyek,Viola Jones,OpenCV, C Sharp

1. Pendahuluan

Bertransaksi ekonomi dengan uang kertassebagai alat tukar merupakan rutinitas masyarakatIndonesia. Uang kertas merupakan alat tukar yang sah.Tunanetra adalah istilah umum yang digunakan untukkondisi seseorang yang mengalami gangguan atauhambatan dalam indra penglihatannya. Sistempemindaian mata uang secara manual dapat digantidengan suatu sistem elektronik dengan prosesidentifikasi gambar menggunakan teknologi ComputerVision. Teknologi Computer Vision adalah ilmu danteknologi mesin yang melihat, di mana mesin mampumengekstrak informasi dari gambar yang diperlukanuntuk menyelesaikan tugas tertentu.Salah satu metodependeteksian obyek adalah metode Viola-Jones. MetodeViola-Jones merupakan metode pendeteksian objek hasildengan akurasi tinggi sekitar 93,7% dan dengankecepatan yang sangat tinggi sekitar 0,067 detik[1].

Proses ekstraksi ciri dapat juga dilakukanterhadap bagian uang kertas yang lain seperti lambanggaruda. Sistem pembacaan mata uang membutuhkanpendeteksian obyek secara cepat dengan akurasi yangbaik, sehingga metode Viola-Jones cocok untukdigunakan. Pada penelitian ini akandikembangkan sistem

pembacaan mata uang berbasis identifikasi citra uangkertas menggunakan metode Viola-Jones.

2. Pembahasan

A. BiometrikMenurut pendapat Mansfield dan Roethenbaugh,

biometrik adalah metode otomatisasi dari pengenalanataupun verifikasi identitas seseorang berdasarkan padasebuah karakteristik fisik ataupun tingkah laku [2].Teknologi biometrik didasarkan pada ciri khusus fisikdan karakteristik perilaku individu antara lain sidik jari,geometri tangan, iris, retina, wajah, suara, tanda tangandan tulisan tangan [3].

B. Metode Viola – JonesMetode Viola-Jones merupakan metode

pendeteksian obyek yang memiliki tingkat keakuratanyang cukup tinggi yaitu sekitar 93,7 % dengan kecepatan15 kali lebih cepat daripada detektor Rowley Baluja-Kanade dan kurang lebih 600 kali lebih cepat daripadadetektor Schneiderman-Kanade. Metode ini, diusulkanoleh Paul Viola dan Michael Jones pada tahun 2001.Metode Viola-Jones menggabungkan empat kunci utamayaitu Haar Like Feature, Integral Image, Adaboostlearning dan Cascade classifier. Haar Like Feature yaituselisih dari jumlah piksel dari daerah di dalam persegipanjang. Contoh Haar Like Feature disajikan dalamGambar 1.

Gambar 1. Contoh Haar Like Feature

Nilai Haar Like Feature diperoleh dari selisihjumlah nilai piksel daerah gelap dengan jumlah nilaipiksel daerah terang :

Seminar Nasional Teknologi Informasi dan Multimedia 2016STMIK AMIKOM Yogyakarta, 6-7 Februari 2016

ISSN : 2302-3805

2.2-14

F(Haar) = Nilai fitur total= Nilai fitur pada daerah terang= Nilai fitur pada daerah gelap

Integral Image yaitu suatu teknik untuk menghitungnilai fitur secara cepat dengan mengubah nilai dari setiappiksel menjadi suatu representasi citra baru,sebagaimana disajikan dalam gambar 2.

Gambar 2. Integral Image (x,y)

ii(x,y) = Citra integral pada lokasi x,yi(x’,y’) = Nilai piksel pada citra asli

Berdasarkan gambar 2, citra integral pada titik (x,y)(ii(x,y)) dapat dicari menggunakan persamaan

Perhitungan nilai dari suatu fitur dapat dilakukansecara cepat dengan menghitung nilai citra integral padaempat buah titik sebagaimana disajikan dalam Gambar 3.

Gambar 3. Perhitungan Nilai Fitur

Jika nilai integral image titik 1 adalah A, titik 2adalah A+B, titik 3 adalah A+C, dan di titiki 4 adalahA+B+C+D, maka jumlah piksel di daerah D dapatdiketahui dengan cara 4 + 1 – (2 + 3).

Algoritma Adaboost learning, digunakan untukmeningkatkan kinerja klasifikasi dengan pembelajaransederhana untuk menggabungkan banyak classifierlemah menjadi satu classifier kuat. Classifier lemahadalah suatu jawaban benar dengan tingkat kebenaranyang kurang akurat. Sebuah classifier lemah dinyatakan:

(x) =

Keterangan:adalah klasifikasi lemah, adalah parity ke j,

adalah threshold ke j dan x adalah dimensi sub imagemisalnya 24x24.

Langkah-langkah untuk mendapatkan sebuahclassifier kuat dinyatakan dalam suatu algoritma sebagaiberikut : Diberikan contoh gambar ( ) , ... ( )

dimana = 0 untuk contoh positif dan = 1 untukcontoh negative

Inisialisasi bobot m dan l adalahjumlah negative dan positive

Untuk t = 1, …, To Menormalkan bobot sehingga adalah

distribusi probabilitas

←

o Untuk setiap fitur, j melatih classifier , untuksetiap fitur tunggal

o Kesalahan ( ) dievaluasi dengan bobot

= | |

o Pilih classifier dengan eror terkecil dimana= 0 untuk adalah klasifikasi benar, dan =

1 untuk yang lain.o Perbarui bobot : =

Dimanao Didapatkan sebuah Classifier kuat yaitu :

h(x) =

dimana

(1)

(2)

(3)

(7)

(4)

(5)

(6)

Seminar Nasional Teknologi Informasi dan Multimedia 2016STMIK AMIKOM Yogyakarta, 6-7 Februari 2016

ISSN : 2302-3805

2.2-15

Cascade classifier adalah sebuah metode untukmengkombinasikan classifier yang kompleks dalamsebuah struktur bertingkat yang dapat meningkatkankecepatan pendeteksian obyek dengan memfokuskanpada daerah citra yang berpeluang saja[4]. Strukturcascade classifier disajikan pada gambar 4.

Gambar 4. Cascade Classifier

Gambar 4 menjelaskan proses penyeleksiankeberadaan obyek. Di asumsikan suatu sub image dievaluasi oleh classifier pertama dan berhasil melewaticlassifier tersebut, hal ini mengindikasikan sub imageberpotensi terkandung obyek dan dilanjutkan padaclassifier ke dua sampai dengan ke-n, jika berhasilmelewati keseluruhan classifier, maka disimpulkanterdapat obyek yang dideteksi. Jika tidak, proses evaluasitidak dilanjutkan ke classifier berikutnya dandisimpulkan tidak terdapat obyek.

3. Metode Penelitian

Penelitian ini merupakan penelitian eksperimendengan menggunakan jenis data primer berupacitra uangkertas berformat RGB (Red Green Blue) yang diperolehdari hasil pengambilan gambar menggunakan kameraponseldan classifier xml yang dibuat secara mandiri.Variabel penelitian ini terdiri dari variabel input berupacitra uang kertaslatih dan citra uang kertas uji. Variabelproses berupa feature_coordinate, feature_threshold,feature_val, stage_classifier, feature_weight dan nilaiproyeksi. Variabel output berupa hasil deteksi uangkertas.

a. Proses deteksi Uang KertasProses deteksi uang kertas merupakan prosesdeteksi obyek didepan kamera yang disajikandalam Gambar 5.

Gambar 5. Proses Pendeteksian Citra UangKertas

Berdasarkan Gambar 5, proses deteksi uangkertas dimulai saat kamera mengambil obyekdidepannya dengan dimensi 640x480 dalamformat RGB (true color). Pemrosesan awalberupa pengubahan format true color menjadigrayscale. Proses peninjauan (scaning)menggunakan pergeseran windows (slidingwindows) yang mulai dari kiri atas sampaidengan kanan bawah. Proses penskalaanbertujuan untuk mendeteksi obyek denganberbagai ukuran. Proses scanning dilanjutkandengan penurunan ukuran citra masukan sesuaidengan skala yang ditentukan. Proses deteksiakan berakhir jika ukuran citra kurang dariukuran sub image. Jika terdapat keberadaanlogo Bank Indonesia dilakukan penandaan logoBank Indonesia.

Seminar Nasional Teknologi Informasi dan Multimedia 2016

2.2-16

b. Proses Pengumpulan Citra Uang KertasProses pengumpulan citra uang kertasmerupakan proses untuk mendapatkan citrauang kertas latih yang disajikan dalam Gambar6.

Gambar 6. Proses Pengumpulan Citra Mata

Berdasarkan Gambar 6, citra uang kertas yangsudah terdeteksi dan ditandai di cropping. Citrahasil cropping perlu diatur ulang menggunakanfungsi rezise yang bertujuan untukmenyeragamkan ukuran lebar dan panjang citra.Ukuran yang digunakan dalam penelitian iniadalah 60x60 piksel. Kumpulan citra latihdisimpan dalam folder data.

Adapaun hasil dari uji coba pada beberapa sample uangkertas dijelaskan pada tabel 1 sebagai berikut :

Tabel 1. hasil dari uji coba pada beberapasample uang kertas

Dari 33 kali pengujian terdapat 28 percobaanyang berhasil dan 5 percobaan yang mengalami error.Artinya dari percobaan yang dilakukan, aplikasi inimampu menghasilkan keakuratan sebesar 85%.

3. Kesimpulan

Aplikasi pendeteksian nilai mata uang yangdidasarkan kerangka visual dengan aspek representasicitra dengan biometric, algoritma AdaBoost Learning,dan Cascade Classifier. Biometric berguna untuk teknikotomatisasi dari pengenalan ataupun verifikasi identitasseseorang berdasarkan pada sebuah karakteristik fisikataupun tingkah laku. Algoritma Adaboost learning,digunakan untuk meningkatkan kinerja klasifikasidengan pembelajaran sederhana untuk menggabungkanbanyak classifier lemah menjadi satu classifier kuat.Cascade classifier adalah sebuah metode untukmengkombinasikan classifier yang kompleks dalamsebuah struktur bertingkat yang dapat meningkatkankecepatan pendeteksian obyek dengan memfokuskanpada daerah citra yang berpeluang saja.

Untuk meningkatkan akurasi pengenalan harusmemperhatikan kondisi-kondisi yang dapatmempengaruhi tingkat pengenalan Antara lain jarakkamera, sudut pengambilan obyek, dan tingkatpencahayaan pada suatu ruang. Dan perlu dilakukanpengembangan dilengkapi dengan peraturan danprosedur yang relevan.

Daftar Pustaka[1] Viola P, Jones M, “Robust Real-time Object Detection”, IJCV,

Vancouver, Canada , 2001.

ISSN : 2302-3805STMIK AMIKOM Yogyakarta, 6-7 Februari 2016

Seminar Nasional Teknologi Informasi dan Multimedia 2016STMIK AMIKOM Yogyakarta, 6-7 Februari 2016

ISSN : 2302-3805

2.2-17

[2] J.D.Brand and Dr. J.S.D.Mason, Visual Speech:”A Physiologicalor Behavioral Biometric?”, Department of Electrical Engineering,University of Wales, Swansea, U.K.

[3] Riha Z, Matyas V, “Biometric Authentication Systems”, ReportSeries, Faculty of Informatics Masaryk University, 2000.

[4] Purnomo HM, Muntosa A, “Konsep Pengolahan Citra Digital danEkstraksi Fitur, Graha Ilmu Edisi Pertama”, Yogyakarta, 2010.

Biodata Penulis

Sidik Hadi Kurniadi, Masih menjalani program studiSarjana Jurusan Teknik Informatika STMIK AMIKOMYogyakarta.

Akhmad Adi Edvanto, Masih menjalani program studiSarjana Jurusan Teknik Informatika STMIK AMIKOMYogyakarta.

Seminar Nasional Teknologi Informasi dan Multimedia 2016STMIK AMIKOM Yogyakarta, 6-7 Februari 2016

ISSN : 2302-3805

2.2-18