i

APLIKASI PENDETEKSI KELAYAKAN PENUKARAN UANG

KERTAS RUPIAH MENGGUNAKAN FITUR HSV, FITUR GLCM,

DAN CANNY EDGE DETECTION MENGGUNAKAN METODE

KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) UNTUK

PERANGKAT ANDROID

Tugas Akhir

Untuk memenuhi sebagian persyaratan

mencapai derajat Sarjana S-1 Program Studi Teknik Informatika

Oleh:

Nabila Puspita

F1D 016 062

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS MATARAM

2020

ii

TUGAS AKHIR

APLIKASI PENDETEKSI KELAYAKAN PENUKARAN UANG KERTAS

RUPIAH MENGGUNAKAN FITUR HSV, FITUR GLCM, DAN CANNY EDGE

DETECTION MENGGUNAKAN METODE KLASIFIKASI SUPPORT

VECTOR MACHINE (SVM) UNTUK PERANGKAT ANDROID

Telah diperiksa dan disetujui oleh Tim Pembimbing :

1. Pembimbing Utama

Tanggal: 16/07/2021

Prof. Dr.Eng. I Gede Pasek Suta Wijaya, S.T., M.T.

NIP: 197311 200003 1 001

2. Pembimbing Pendamping

Tanggal: 16/07/2021

Ramaditia Dwiyansaputra, S.T.,M.Eng.

NIP: -

Mengetahui,

Ketua Program Studi Teknik Informatika

Fakultas Teknik

Universitas Mataram

Prof. Dr.Eng. I Gede Pasek Suta Wijaya, S.T., M.T.

NIP: 197311 200003 1 001

iii

TUGAS AKHIR

APLIKASI PENDETEKSI KELAYAKAN PENUKARAN UANG KERTAS

RUPIAH MENGGUNAKAN FITUR HSV, FITUR GLCM, DAN CANNY EDGE

DETECTION MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR

MACHINE (SVM) UNTUK PERANGKAT ANDROID

Oleh:

NABILA PUSPITA

F1D016062

Telah diujikan di depan penguji

Pada tanggal 1 Juli 2021

Dan dinyatakan telah memenuhi syarat mencapai derajat Sarjana S-1

Program Studi Teknik Informatika

Susunan Tim Penguji :

1. Penguji 1

Fitri Bimantoro, ST.,M.Kom. Tanggal: 16/07/2021

NIP. 198606222015041002

2. Penguji 2

Arik Aranta, S.Kom., M.Kom. Tanggal: 10/07/2021

NIP. 199402202019031004

3. Penguji 3

Royana Afwani, ST.,MT. Tanggal: 13/07/2021

NIP. 198507072014042001

Mataram, 23 Juli 2021

Dekan Fakultas Teknik

Universitas Mataram

Muhamad Syamsu Iqbal, S.T., M.T., Ph.D.

NIP: 197202221999031002

iv

HALAMAN PERNYATAAN KEASLIAN TUGAS AKHIR

Saya yang bertanda tangan di bawah ini menyatakan bahwa dalam Tugas Akhir

ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di

suatu perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau

pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali secara tertulis diacu

dalam naskah ini dan disebutkan dalam daftar pustaka.

Mataram, 16 Juli 2021

Yang membuat pernyataan

NABILA PUSPITA

v

PRAKATA

Assalamu’alaikum Warahmatullahi Wabarakatuh

Segala puji bagi Allah SWT yang telah memberikan rahmat dan karunianya

kepada penulis, sehingga penulis dapat menyelesaikan skripsi dengan judul “Aplikasi

Pendeteksi Kelayakan Penukaran Uang Kertas Rupiah Menggunakan Fitur HSV, Fitur

GLCM, dan Fitur Canny Edge Detection Menggunakan Klasifikasi Support Vector

Machine (SVM) untuk Perangkat Android” tepat pada waktunya sebagai syarat untuk

menyelesaikan Program Studi (S1) pada Program Sarjana Fakultas Teknik Jurusan

Informatika Universitas Mataram, Shalawat serta salam senantiasa tercurahkan kepada

Rasulullah SAW yang mengantarkan manusia dari zaman kegelapan ke zaman yang

terang benderang.

Penulis tentu menyadari Tugas Akhir ini masih jauh dari kata sempurna dan masih

terdapat kesalahan dan kekurangan di dalamnya dikarenakan terbatasnya pengalaman

dan pengetahuan yang dimiliki penulis. Untuk itu, penulis mengharapkan segala bentuk

kritik serta saran dari pembaca untuk Tugas Akhir ini, agar Tugas Akhir ini dapat menjadi

lebih baik lagi.

Demikian yang bisa disampaikan, Terimakasih atas semua pihak yang telah

membantu dalam penyelesaian Tugas Akhir ini baik moril maupun materil. Semoga

Tugas Akhir ini dapat bermanfaat bagi para pembaca.

Wassalamual’aikum Warahmatullahi Wabaraktuh

Mataram, 16 Juli 2021

vi

UCAPAN TERIMA KASIH

Penulis menyadari bahwa selesainya Tugas Akhir ini tentunya bukan hanya dari

usaha penulis saja. Tugas Akhir ini bisa selesai tepat waktu tentunya berkat dukungan

dari semua pihak yang terlibat juga. Oleh karena itu, pada kesempatan ini penulis

menghaturkan terima kasih yang sebesar-besarnya kepada:

1. Orangtua dan kakak saya yang selalu memberikan dukungan kepada penulis dalam

segala lini kehidupan selama perkuliahan.

2. Bapak Prof. Dr.Eng. I Gede Pasek Suta Wijaya, S.T.,M.T. selaku dosen pembimbing

utama yang telah memberikan bimbingan dan arahan kepada penulis selama

penyusunan Tugas Akhir sehingga dapat selesai dengan baik.

3. Bapak Ramaditia Dwiyansaputra, S.T.,M.Eng. selaku dosen pembimbing

pendamping yang telah memberikan bimbingan dan arahan kepada penulis selama

penyusunan Tugas Akhir sehingga dapat terselesaikan dengan baik.

4. Bapak Ketut Yudhi S.Ak selaku dosen pembimbing di Bank Indonesia Provinsi NTB

yang telah bersedia memberikan waktu luang dan membantu dalam membimbing

penulis mengambil dataset uang di Bank Indonesia Provinsi NTB.

5. Pacar saya DekMas Dwi Prayoga yang telah memberikan dukungan dan menemani

saya dari awal perkuliahan hingga saya lulus mendapatkan gelar sarjana.

6. Sahabat-sahabat saya yang telah memberikan dukungan dan menemani saya dalam

menyelesaikan Tugas Akhir ini.

7. Rival Biasrori, Budiman Rabbani, Rhomy Idris Sardi, dan Muhammad Naufal yang

telah membantu dan menemani saya dalam pengerjaan Tugas Akhir ini.

8. Teman-teman Informatika angkatan 2016 selaku teman diskusi dan teman pada masa

perkuliahan.

9. Semua pihak yang tidak dapat saya sebutkan namanya satu persatu yang telah

memberikan dukungan baik moril maupun materil sehingga penulis dapat

menyelesaikan Tugas Akhir dengan baik.

10. Last but not least, I wanna thank me, for believing in me, for doing all this hard work,

for having no days off, for never quitting, for just being me at all times.

Semoga Allah SWT selalu memberikan rahmat dan hidayah-Nya dan memberikan

imbalan yang setimpa atas bantuan yang diberikan kepada penulis.

vii

ABSTRAK

Dalam rangka menjaga kualitas uang Rupiah yang beredar di masyarakat, Bank

Indonesia menerapkan kebijakan untuk mengganti atau menukarkan uang Rupiah tidak

layak edar dengan Rupiah layak edar, tetapi kegiatan tukar menukar uang Rupiah ini sering

mengalami penyalahgunaan berupa uang Rupiah yang rusak tidak ditukar sesuai dengan

nilai nominal uang yang ada, sehingga dibutuhkan perangkat yang tidak hanya dapat

mendeteksi nilai nominal serta keaslian uang tetapi juga mendeteksi kelayakan uang dapat

ditukar atau tidak. Penelitian ini bertujuan untuk membuat suatu prototype perangkat lunak

yang dapat mendeteksi kelayakan penukaran uang kertas Rupiah melalui proses

pengolahan citra dengan menggunakan klasifikasi Support Vector Machine (SVM).

Pencitraan uang kertas berasal dari scanner handphone. Penelitian ini dilakukan dengan

tiga jenis ekstraksi ciri diantaranya GLCM (Gray Level Co-Occurrence Matrix)

menggunakan empat arah sudut (0, 45, 90, 135) dengan jarak piksel d=1, HSV (Hue,

Saturation, Value) menggunakan lima jenis fitur, dan Canny Edge Detection

menggunakan deteksi tepi (50,50). Hasil penelitian yang telah dilakukan menghasilkan

performa yang baik dalam mendeteksi kelayakan penukaran uang kertas rupiah dengan

menggunakan sebanyak 420 citra uang didapatkan nilai akurasi sebesar 71%, presisi

sebesar 82%, dan recall sebesar 85%.

Keywords : Uang kertas Rupiah, Support Vector Machine, Canny Edge Detection,

GLCM, HSV.

viii

ABSTRACT

To maintain the quality of Rupiah money circulating in the community, Bank

Indonesia implements a policy to replace or exchange rupiah money that is not fit for

circulation with Rupiah that is fit for circulation, however this activity of exchanging

Rupiah currency often experiences abuse in the form of damage rupiah currency which

is not exchanged according to the nominal value of existing money, so it needs a device

that can not only detect the nominal value and authenticity of money but also detect the

feasibility of money being exchanged or not. This research aims to create a software

prototype that can detect the feasibility of exchanging Rupiah through image processing

using the Support Vector Machine (SVM) classification. Imaging money comes from a

cellphone scanner. This research was conducted with three types of feature extraction

including GLCM (Gray Level CO-Occurrence Matrix) using four angle directions (0, 45,

90, 135) with a pixel distance of d=1, HSV (Hue, Saturation, Value) uses five types of

features, and Canny Edge Detection using (50,50) edge detection. The research that has

been done to produce good performance in detecting the feasibility of exchanging rupiah

using 420 images of money obtained the accuracy value is 71%, precision is 82%, and

recall is 85%.

Keywords: Uang Kertas Rupiah,HSV, GLCM, Canny Edge Detection, Support Vector Machine

ix

DAFTAR ISI

COVER

LEMBAR PENGESAHAN

HALAMAN PERNYATAAN KEASLIAN TUGAS AKHIR ................................................... iv

PRAKATA .................................................................................................................................. v

UCAPAN TERIMA KASIH ...................................................................................................... vi

ABSTRAK ................................................................................................................................ vii

ABSTRACT ............................................................................................................................... viii

DAFTAR ISI .............................................................................................................................. ix

DAFTAR GAMBAR .................................................................................................................. xi

DAFTAR TABEL ..................................................................................................................... xii

BAB I PENDAHULUAN .......................................................................................................... 1

1.1 Latar Belakang .............................................................................................................. 1

1.2 Rumusan masalah ......................................................................................................... 3

1.3 Batasan Masalah ........................................................................................................... 3

1.4 Tujuan ........................................................................................................................... 4

1.5 Manfaat ......................................................................................................................... 4

1.6 Sistematika Penulisan.................................................................................................... 5

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI ........................................................... 6

2.1 Tinjauan Pustaka ........................................................................................................... 6

2.2 Dasar Teori .................................................................................................................... 7

2.2.1 Uang Kertas Rupiah ............................................................................................... 7

2.2.2 Ciri-ciri Keaslian Uang Kertas Rupiah Tahun Emisi 2016 .................................. 10

2.2.3 Pengolahan Citra .................................................................................................. 11

2.2.4 Citra Digital ......................................................................................................... 11

2.2.5 Ekstraksi Ciri HSV .............................................................................................. 12

2.2.6 Ekstraksi Ciri GLCM ........................................................................................... 13

2.2.7 Deteksi Tepi ......................................................................................................... 14

2.2.8 Nilai Mean dan Standar Deviasi .......................................................................... 16

2.2.9 Ekstraksi ciri Canny Edge Detection ................................................................... 16

2.2.10 Support Vector Machine (SVM) .......................................................................... 17

BAB III METODE PENELITIAN ........................................................................................... 19

x

3.1 Alat dan Bahan ............................................................................................................ 19

3.2 Rancangan Penelitian .................................................................................................. 19

3.3 Pengumpulan Data ...................................................................................................... 20

3.4 Rancangan Sistem Pendeteksi Kelayakan Penukaran Uang Kertas Rupiah .............. 21

3.4.1. Tahap Preprocessing ........................................................................................... 24

3.4.2. Ekstraksi Ciri HSV .............................................................................................. 25

3.4.3. Ekstraksi ciri GLCM ............................................................................................ 29

3.4.4. Ekstraksi ciri Canny Edge Detection ................................................................... 32

3.4.5. K-Fold Cross Validation ...................................................................................... 35

3.4.6. Klasifikasi ............................................................................................................ 36

3.5. Skenario Pengujian...................................................................................................... 39

3.6. Rancangan Antarmuka Aplikasi Kelayakan Penukaran Uang Rupiah ....................... 40

3.6.1 Antarmuka Beranda ............................................................................................. 41

3.6.2. Antarmuka Menu ................................................................................................. 41

3.6.3. Antarmuka Hasil Uang Deteksi ........................................................................... 42

4.1. Pengumpulan Dataset ................................................................................................. 43

4.2. Mekanisme Penelitian ................................................................................................. 43

4.3. Preprocessing .............................................................................................................. 44

4.4. Klasifikasi Uang Menggunakan SVM ........................................................................ 46

4.5. Hasil Pengujian ........................................................................................................... 46

4.5.1. Pengujian Jumlah Fitur HSV ............................................................................... 46

4.5.2. Pengujian Kombinasi Sudut dan Jarak GLCM .................................................... 47

4.5.3. Pengujian Kombinasi Fitur HSV, GLCM, dan Canny Menggunakan SVM ....... 48

4.5.4. Pengujian Black Box Testing ............................................................................... 51

4.6. Implementasi Aplikasi Kelayakan Tukar Uang Rupiah .............................................. 55

4.6.1. Halaman Beranda ................................................................................................. 55

4.6.2. Halaman Menu ..................................................................................................... 55

4.6.3. Halaman Hasil Uang ............................................................................................ 56

BAB V DAFTAR PUSTAKA .................................................................................................. 57

xi

DAFTAR GAMBAR

Gambar 2.1 Tujuh jenis pecahan uang kertas rupiah .................................................................. 8

Gambar 2.2 Kondisi Uang Kertas Rupiah ................................................................................ 13

Gambar 2.3 (a) Piksel dengan berbagai sudut (b) Matriks co-occurrence ............................... 13

Gambar 2.4 Batas keputusan yang mungkin untuk set data ..................................................... 17

Gambar 3.1 Flow Chart penelitian ........................................................................................... 20

Gambar 3.2 Block Diagram Sistem .......................................................................................... 22

Gambar 3.3 Tahapan Pre-processing ....................................................................................... 24

Gambar 3.5 Contoh penerapan filter Gaussian ......................................................................... 33

Gambar 3.6 Contoh matriks dengan kernel 𝑔𝑥 ........................................................................ 33

Gambar 3.7 Contoh matriks dengan kernel 𝑔𝑦 ........................................................................ 33

Gambar 3.8 Hasil Konvolusi Matriks ....................................................................................... 33

Gambar 3.9 Hasil perhitungan matriks arah tepi ...................................................................... 34

Gambar 3.10 Hasil matriks Gradien ......................................................................................... 34

Gambar 3.11 Hasil matriks Non Maximus Supression ............................................................. 34

Gambar 3.12 Hasil matriks thresholding .................................................................................. 35

Gambar 3.14 Hasil matriks canny ............................................................................................ 35

Gambar 3.15 Dataset dalam diagram kartesius. ....................................................................... 37

Gambar 3.16 Contoh dataset dengan hyperplane ..................................................................... 38

Gambar 3.17 Antarmuka beranda ............................................................................................. 41

Gambar 3.18 Antarmuka menu ................................................................................................ 41

Gambar 3.19 Antarmuka hasil deteksi uang ............................................................................. 42

Gambar 4.1 Dataset uang kertas (a) baru, (b) rusak, (c) palsu ................................................. 43

Gambar 4.2 Citra Training ....................................................................................................... 45

Gambar 4.3 Citra Testing ......................................................................................................... 45

Gambar 4.4. Halaman beranda ................................................................................................. 55

Gambar 4.5. Halaman menu ..................................................................................................... 56

Gambar 4.6. Halaman hasil ...................................................................................................... 56

xii

DAFTAR TABEL

Tabel 2.1 Tabel fitur HSV ........................................................................................................ 13

Tabel 2.2 Tabel fitur tekstur GLCM ......................................................................................... 14

Tabel 3.1 Contoh data uang kertas rupiah ................................................................................ 21

Tabel 3.2 Matriks ...................................................................................................................... 30

Tabel 3.3 Nilai Piksel Matriks GLCM ..................................................................................... 31

Tabel 3.4 Dataset kelas -1 dan kelas +1 ................................................................................... 36

Tabel 3.5 Confusion matrix 2x2. .............................................................................................. 40

Tabel 4.1 Hasil pengujian dengan jumlah fitur HSV ............................................................... 47

Tabel 4.2. Hasil pengujian kombinasi sudut dan jarak GLCM ................................................ 48

Tabel 4.3. Hasil pengujian berbagai variasi deteksi tepi Canny ............................................... 49

Tabel 4.4 Hasil klasifikasi uang layak tukar dengan SVM ...................................................... 49

Tabel 4.5 Hasil akurasi klasifikasi uang layak tukar ................................................................ 50

Tabel 4.6 Hasil klasifikasi uang tidak layak tukar dengan SVM.............................................. 50

Tabel 4.7 Hasil akurasi klasifikasi uang tidak layak tukar ....................................................... 51

Tabel 4.8. Hasil uang pada model ............................................................................................ 52

Tabel 4.9. Hasil uang pada sistem ............................................................................................ 52

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Uang Rupiah merupakan mata uang negara Indonesia yang digunakan sebagai alat

pembayaran yang sah untuk melakukan transaksi ekonomi. Sebagai alat pembayaran,

uang senantiasa dibawa kemana-kemana sehingga penggunaan sehari-hari seperti uang

dilipat, ditekuk, dipindah tangankan membuat pengguna harus lebih berhati-hati karena

dapat membuat uang menjadi lusuh, robek, rusak atau dapat dikatakan tidak layak edar.

Uang yang sudah tidak layak edar kemudian ditarik untuk dilakukannya pemusnahan

uang sebagai wujud komitmen Bank Indonesia dalam menyediakan uang yang layak

edar di masyarakat. Dalam Laporan Tahunan Bank Indonesia (LTBI) tahun 2019, Bank

Indonesia melakukan pemusnahan uang Rupiah senilai Rp. 205,13 triliun yang terdiri

dari 6.818,7 juta lembar uang rupiah kertas dan 56,6 juta keping uang Rupiah logam[1].

Selain melakukan pemusnahan uang, dalam menjaga kualitas uang Rupiah yang

beredar di masyarakat, Bank Indonesia menerapkan kebijakan untuk mengganti uang

Rupiah yang tidak layak edar dengan Rupiah yang layak edar. Uang Rupiah dikatakan

layak edar apabila uang memenuhi persyaratan untuk diedarkan berdasarkan standar

kualitas yang ditetapkan oleh Bank Indonesia yaitu uang Rupiah asli dan ukuran fisik

uang utuh. Menurut UU No.7 Tahun 2011 tentang Mata Uang Pasal 4 “Penukaran

Rupiah” sebagaimana dimaksud dilakukan oleh Bank Indonesia, bank yang beroperasi

di Indonesia, atau pihak lain yang ditunjuk oleh Bank Indonesia”[2].

Berdasarkan hasil wawancara yang dilakukan dengan salah satu pegawai Kantor

Perwakilan Bank Indonesia (KPw BI) NTB, adapun beberapa informasi yang diperoleh

antara lain yang pertama, ketidakpedulian masyarakat terhadap uang kertas Rupiah

terutama dalam hal perlakuan dan penyimpanan, dimana masyarakat memperlakuan uang

dengan tidak semestinya seperti menyimpan uang tunai dalam jumlah yang berlebihan,

iseng mencoret-coret uang dengan pena, dan lainnya. Kedua, penukaran uang Rupiah

lusuh, rusak atau tidak layak edar di NTB cukup besar yakni rata-rata per bulan per

periode tahun 2019 sebanyak 30,4 miliar. Ketiga, kegiatan tukar menukar uang kertas

Rupiah dapat dilakukan ke Bank Indonesia melalui layanan kas keliling yang sering

digelar di tempat-tempat publik seperti taman atau dapat dilakukan ke sejumlah bank atau

pihak lain yang telah disetujui oleh Bank Indonesia. Keempat, kebanyakan orang tidak

2

melakukan penukaran uang di tempat-tempat yang telah disetujui Bank Indonesia karena

berbagai faktor salah satunya yakni kurangnya pengetahuan tempat menukar uang rupiah

dan syarat-syarat dalam menukar uang Rupiah seperti syarat fisik uang Rupiah yang harus

>2/3 bagian uang dimana masyarakat masih belum mengetaui ukuran fisik uang yang

>2/3 itu seperti apa dan bagaimana yang mengakibatkan timbulnya rasa malas untuk pergi

menukar uang secara langsung di Bank Indonesia. Selain itu, kegiatan tukar menukar

uang ini seringkali dimanfaatkan oknum-oknum tertentu dalam mencari rezeki bahkan

menjadikannya profesi sebagai penyedia jasa uang rusak yang sayangnya mengalami

penyahlahgunaan. Penyalahgunaan yang dimaksud adalah uang Rupiah yang rusak tidak

ditukar sesuai dengan nilai nominal uang yang ada. Misalnya, uang yang rusak

bernominal Rp.5.000.- rupiah maka uang rusak tersebut ditukar dan dihargai dengan nilai

nominal kurang dari Rp.5.000.- yang seharusnya apabila ditukarkan melalui Bank

Indonesia langsung bisa mendapatkan uang tukaran dengan nilai nominal yang sesuai.

Dari wawancara tersebut dapat disimpulkan bahwa masih banyak masyarakat NTB

yang kurang informasi dan kurang peduli terhadap Uang Kertas yang membuat uang tidak

layak edar (lusuh, robek, rusak, dan bercoret-coret) menjadi semakin banyak sehingga

penyalahgunaan manfaat dari berbagai oknum pun semakin banyak. Dengan

berkembangnya teknologi digital membuat aktifitas manusia perlahan beralih ke media

digital. Pengolahan citra digital dalam mendeteksi kelayakan penukaran uang merupakan

salah satu solusi yang dapat digunakan untuk membuat suatu aplikasi prototype yang

dapat mendeteksi kelayakan penukaran uang kertas Rupiah.

Dalam mendeteksi kelayakan penukaran uang kertas rupiah dibutuhkan metode

yang tepat dan handal. Salah satu metode itu adalah Support Vector Machine (SVM).

SVM merupakan mesin pembelajaran yang bekerja berdasarkan prinsip Structural Risk

Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan

dua buah kelas. Pada penelitian sebelumnya, metode SVM digunakan untuk

mengidentifikasi nilai nominal dan keaslian uang kertas rupiah dan berhasil mendapatkan

akurasi sebesar 96% untuk nilai nominal uang kertas dan 100% untuk keaslian uang

kertas[3].

Setiap uang kertas rupiah memiliki ciri yang unik yang membedakannya satu

dengan lainnya sehingga fitur yang dapat digunakan adalah fitur warna, fitur bentuk dan

fitur tekstur. Untuk fitur warna digunakan model ruang warna HSV. HSV merupakan

3

model ruang warna yang sangat cocok untuk image processing dikarenakan HSV melihat

warna seperti penglihatan manusia[4]. Untuk fitur bentuk digunakan metode Canny

dalam melakukan pendeteksian tepi. Metode Canny menggunakan kernel Gaussian untuk

menyaring noise dari citra awal sehingga mendapatkan hasil deteksi tepi yang halus.

Canny juga dapat memberikan tingkat kesalahan yang rendah dan tidak menghilangkan

deteksi tepi yang sebenarnya[5]. Untuk fitur tekstur digunakan metode GLCM yang mana

pada tahap ini dilakukan dengan matriks kookurensi. Matriks kookurensi merupakan

suatu matriks yang merepresentasikan hubungan ketetanggaan antara piksel dalam citra

pada berbagai arah orientasi dan jarak spasial[3]. Matriks kookurensi menangkap

distribusi spasial intensitas dan memperoleh fitur seperti contrast, correlation, energi,

entropy, dan hemogenity.

Aplikasi akan dikembangkan berbasis mobile dengan sistem operasi Android.

Sistem operasi Android adalah sistem operasi smartphone yang paling banyak

digunakan di Indonesia. Pada akhir tahun 2017, Android menguasai pasar sebesar

88.37%. Kemudian di tahun 2018 pasar Android naik menjadi 92.31% dan pada

September 2019 pasar Android masih naik menjadi 93.83% [6].

Berdasarkan uraian yang telah dipaparkan di atas penulis akan melakukan

penelitian untuk menghasilkan sebuah prototype aplikasi Android pendeteksi kelayakan

uang kertas Rupiah menggunakan metode klasifikasi SVM dan ekstraksi ciri HSV,

GLCM, serta Canny Edge Detection.

1.2 Rumusan masalah

Berdasarkan pemaparan masalah dari latar belakang di atas, rumusan masalah yang

mendasari penelitian ini adalah bagaimana aplikasi Android mendeteksi kelayakan uang

kertas Rupiah menggunakan metode klasifikasi SVM dan ekstraksi ciri HSV, GLCM,

serta Canny Edge Detection.

1.3 Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah:

1. Citra yang digunakan dalam penelitian ini adalah citra uang kertas Rupiah yang

diambil dengan format jpg.

4

2. Jumlah satuan pecahan mata uang kertas Rupiah yang digunakan sebanyak 7 jenis

satuan pecahan diantaranya Rp. 1.000.-, Rp.2.000.-, Rp.5.000.-, dan Rp.10.000.-,

Rp.20.000.-, Rp. 50.000.-, dan Rp. 100.000.-.

3. Uang kertas Rupiah yang digunakan hanya uang tahun emisi 2016.

4. Gambar uang kertas rupiah diambil menggunakan aplikasi scanner smartphone.

5. Uang kertas Rupiah yang digunakan terdiri dari 4 kondisi yaitu uang lusuh, uang

rusak, uang palsu, dan uang dengan ukuran fisik > 2/3 bagian uang.

6. Uang kertas palsu yang digunakan merupakan uang tiruan (uang mainan).

7. Citra uang kertas Rupiah rusak yang digunakan hanya bagian sisi muka uang kertas.

1.4 Tujuan

Tujuan dilakukannya penelitian ini adalah untuk menghasilkan sebuah prototype

aplikasi Android pendeteksi kelayakan uang kertas Rupiah berdasarkan ukuran fisik uang

kertas yakni lebih besar dari 2/3 (dua pertiga) ukuran aslinya dan ciri uang dapat dikenali

keasliannya menggunakan metode klasifikasi SVM dan ekstraksi ciri HSV, GLCM, serta

Canny Edge Detection.

1.5 Manfaat

Penelitian ini diharapkan dapat memberi manfaat sebagai berikut:

1. Bagi Mahasiswa

Menerapkan dan mengembangkan pengetahuan tentang Support Vector Machine

(SVM) untuk mendeteksi kelayakan penukaran uang kertas rupiah .

2. Bagi Instansi

Memudahkan Bank Indonesia Provinsi NTB dalam melakukan sosialiasi serta

pendeteksian kelayakan penukaran uang kertas rupiah ke masyarakat.

3. Bagi Masyarakat

a. Dapat mengetahui dengan mudah uang kertas yang layak ditukarkan atau tidak

melalui smartphone yang dimiliki.

b. Menambah ilmu pengetahuan khususnya mengenai teknologi deteksi kelayakan

penukaran uang kertas dalam pengolahan citra digital.

5

1.6 Sistematika Penulisan

Sistematika penulisan laporan tugas akhir ini adalah sebagai berikut:

1. Bab I Pendahuluan

Bab ini menjelaskan dasar-dasar dalam penulisan laporan tugas akhir yang terdiri

atas latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi serta

sistematika penulisan laporan tugas akhir.

2. Bab II Tinjauan Pustaka dan Dasar Teori

Bab ini membahas tentang penelitian-penelitian terdahulu yang berkaitan dengan

penggunaan Canny Edge Detection, HSV, dan GLCM pada uang kertas Rupiah

serta dasar teori yang digunakan sebagai referensi penulis dalam melakukan

penelitian.

3. Bab III Metodologi Penelitian

Bab ini membahas tentang metodologi yang digunakan dalam membangun

prototype aplikasi pendeteksi kelayakan uang kertas Rupiah dengan metode Canny

Edge Detection, HSV, dan GLCM menggunakan metode klasifikasi Support Vector

Machine (SVM) .

4. Bab IV Analisis dan Perancangan

Bab ini membahas tentang analisis perangkat lunak, meliputi analisis, analisis

masalah, analisis metode, analisis kebutuhan sistem, serta perancangan sistem yang

terdiri dari perancangan diagram alir (flowchart).

5. Bab V Implementasi dan Pengujian Metode

Bab ini membahas tentang implementasi yang dilakukan terhadap pembuatan

prototype aplikasi dengan metode Canny Edge Detection, HSV, dan GLCM

menggunakan metode klasifikasi Support Vector Machine (SVM).

6

BAB II

TINJAUAN PUSTAKA DAN DASAR TEORI

2.1 Tinjauan Pustaka

Penelitian terdahulu yang terkait dengan penelitian ini antara lain: penelitian

Identifikasi Nilai Nominal dan Keaslian Uang Kertas Rupiah Menggunakan Support

Vector Machine [3]. Hasil penelitian ini menunjukkan sistem melakukan proses

identifikasi dengan menggunakan dua jenis kernel yaitu kernel Gaussian dan Polynomial

yang masing-masing memiliki tingkat akurasi sebesar 96%(Gaussian) untuk nilai

nominal dan 100% (Polynomial) untuk keaslian uang kertas rupiah.

Penelitian yang berjudul Perancangan dan Realisasi Sistem Deteksi Keaslian

Uang Kertas Rupiah Berbasis Pengolahan Citra Digital Menggunakan Metode PCA dan

SVM [7]. Hasil penelitian sistem menggunakan dua macam parameter yaitu variasi nilai

PC pada pengambilan ciri dan variasi nilai C pada multiclass SVM. Tingkat akurasi 100%

diperoleh saat sistem melakukan kombinasi PC bernilai 60 dan C bernilai 15 pada

multiclass SVM OAA dan kombinasi PC bernilai 20 dan C bernilai 20 pada multiclass

SVM OAO.

Penelitian tentang Klasifikasi Penyakit Gigi dan Mulut Menggunakan Metode

Support Vector Machine [8]. Hasil penelitian ini menunjukkan sistem klasifikasi SVM

yang digunakan bersifat non-linear dan kernel yang digunakan pada pengujian

memberikan tingkat akurasi yang paling optimal sebesar 93,33%. Kelemahannya tingkat

akurasi klasifikasi penyakit gigi dan mulut menggunakan kernel linear atau polynomial

rendah disebabkan karena data yang ada pada penelitian tersebut memiliki pola yang

cenderung tetap, sedangkan kernel polynomial lebih cenderung pada data yang

mempunyai sebaran data yang cenderung tidak tetap atau pola yang naik turun.

Penelitian yang berjudul Analisis Citra Daun Berdasarkan Fitur Local Binary

Pattern dan Fitur Canny Edge Detection Menggunakan Metode Klasifikasi KNN[9]. Dari

hasil pengujiannya, sistem dengan menggunakan 350 citra daun dari 7 spesies citra daun

berbeda didapatkan akurasi pada ekstrasi fitur Local Binary Pattern sebesar 94,28%,

sedangkan pada fitur Canny Edge Detection mendapatkan akurasi tertinggi sebesar

98,85%.

7

Penelitian yang berjudul Klasifikasi Citra Buah Berbasis Fitur Warna HSV

dengan Klasifikator SVM [10]. Hasil penelitian dilakukan dengan menggunakan fitur

HSV yang telah dinormalisasi dan similarity dari citra training dengan citra target untuk

kemudian digunakan pada proses training dan uji dengan klasifikator SVM dan

didapatkan tingkat akurasi sebesar 94%.

Penelitian yang berjudul Mengenali Keaslian Mata Uang Kertas Rupiah dengan

Penerapan Metode Support Vector Machine [11]. Hasil penelitian dilakukan berdasarkan

unsur tekstur keseluruhan uang yang dilihat dengan GLCM menggunakan empat arah

sudut (0, 45, 90, 135) dengan jarak piksel d=1 dan menghasilkan performa yang baik

dalam mengenali keaslian uang kertas rupiah. Dari penggunaan kernel Gaussian dan

Polynomial hasil terbesar yang didapat dengan kernel Plynomial dengan akurasi sebesar

95%, sensitivity sebesar 98% dan specificity sebesar 92%.

Penelitian berjudul Penerapan Support Vector Machine Untuk Pendeteksian dan

Klasifikasi Motif Pada Citra Batik Besurek Motif Gabungan Berdasarkan Fitur

Histogram of Oriented Gradient[12]. Hasil penelitian dari pengujian aplikasi diperoleh

akurasi pada citra yang telah dilatih, citra yang belum dilatih, dan citra non Besurek

masing-masing 83.06% , 86.87% , 84.69% dan akurasi dari proses klasifikasi pada citra

yang telah dilatih, belum dilatih, dan non Besurek masing-masing yatu 100%, 89.33%

dan 0%. Kelemahannya tingkat akurasi pada klasifikasi citra batik non Besurek rendah

sebesar 0%, dikarenakan kelas batik non Besurek belum diinisialisasikan pada sistem

sehingga batik non Besurek diklasifikasikan ke dalam kelas yang ada.

Berdasarkan penelitian yang telah dipaparkan di atas, maka penulis mengusulkan

sebuah sistem identifikasi kelayakan penukaran uang kertas rupiah dengan menggunakan

ekstraksi ciri Canny Edge Detection sebagai ekstraksi ciri bentuk, ekstraksi ciri GLCM

sebagai ekstraksi ciri tekstur dan HSV sebagai ekstraksi ciri warna serta SVM sebagai

metode klasifikasinya.

2.2 Dasar Teori

2.2.1 Uang Kertas Rupiah

Uang kertas rupiah merupakan mata uang negara Indonesia dalam bentuk

lembaran yang terbuat dari bahan kertas atau bahan lainnya (yang menyerupai kertas)

yang dikeluarkan oleh pemerintah Indonesia, dalam hal ini Bank Indonesia, dimana

8

penggunaannya dilindungi oleh UU No. 23 tahun 1999 dan sah digunakan sebagai alat

tukar pembayaran di wilayah Negara Kesatuan Republik Indonesia [13].

Gambar 2.1 Tujuh jenis pecahan uang kertas rupiah

Uang Rupiah dibagi menjadi tujuh jenis pecahan uang kertas antara lain pecahan

Rp. 1.000.-, Rp. 2.000.-, Rp. 5.000.-, Rp. 10.000.-, Rp. 20.000.-, Rp. 50.000.-, dan Rp.

100.000.-. atau dapat dilihat pada Gambar 2.1. Selain itu, uang kertas Rupiah juga dibagi

menjadi beberapa jenis kondisi yaitu[14] :

1. Uang Rupiah Layak Edar adalah Rupiah asli yang memenuhi persyaratan untuk

diedarkan berdasarkan standar kualitas yang ditetapkan oleh Bank Indonesia.

2. Uang Rupiah Tidak Layak Edar adalah uang Rupiah yang terdiri atas Uang Rupiah

Lusuh, Uang Rupiah Cacat, dan Uang Rupiah Rusak.

9

3. Uang Rupiah Lusuh adalah Uang Rupiah yang ukuran dan bentuk fisiknya tidak

berubah dari ukuran aslinya, tetap kondisinya telah berubah yang anatara lain karena

jamur, minyak, bahan kimia, atau coretan.

4. Uang Rupiah Cacat adalah Uang Rupiah hasil cetak yang spesifikasi teknisnya tidak

sesuai dengan yang telah ditetapkan oleh Bank Indonesia.

5. Uang Rupiah Rusak adalah Uang Rupiah yang ukuran atau fisiknya telah berubah

dari ukuran aslinya yang antara lain terbakar, berlubang, hilang Sebagian, atau Uang

Rupiah yang ukuran fisiknya berbeda dengan ukuran aslinya karena robek atau

mengerut.

6. Uang Rupiah Tiruan adalah suatu benda yang bahan, ukuran, warna, gambar, dan/

atau desainnya menyerupai Rupiah yang dibuat, dibentuk, dicetak, digandakan, atau

diedarkan, tidak digunakan sebagai alat pembayaran yang merendahkan kehormatan

Rupiah sebagai simbol negara.

Uang Rupiah Layak Edar

Uang Rupiah Tidak Layak Edar

Uang Rupiah Rusak

Uang Rupiah Lusuh

Uang Rupiah Cacat

Uang Rupiah Tiruan

Gambar 2.2. Kondisi Uang Kertas Rupiah

10

Berdasarkan peraturan Anggota Dewan Gubernur nomor 19/13 PADG/ 2017

Tentang Penukaran Uang Kertas Rupiah bahwa untuk memenuhi kebutuhan uang rupiah

masyarakat Indonesia dapat menukarkan atau mengganti uang rupiah rusak yang dimiliki

ke Bank Indonesia dengan persyaratan-persyaratan yang terpenuhi. Syarat-syarat uang

kertas rupiah rusak yang dapat diganti atau ditukar[15] :

1. Fisik uang kertas lebih besar dari 2/3 (dua pertiga) ukuran aslinya dan ciri uang dapat

dikenali keasliannya.

2. Uang kertas masih merupakan satu kesatuan dengan nomor seri atau tanpa nomor

seri yang lengkap.

2.2.2 Ciri-ciri Keaslian Uang Kertas Rupiah Tahun Emisi 2016

Dalam Pasal 1 ayat 5 UU No.7 tahun 2011 tentang Mata Uang disebutkan bahwa

ciri Rupiah adalah tanda tertentu pada setiap Rupiah yang ditetapkan dengan tujuan untuk

menunjukkan identitas, membedakan harga atau nilai nominal, dan mengamankan

Rupiah tersebut dari upaya pemalsuan[2]. Untuk membedakan mata uang rupiah asli dan

mata uang rupiah palsu dapat dilihat dari ciri-ciri yang dimiliki mata uang Rupiah asli :

1. Tanda Air (watermark) dan Electrotype

Pada kertas uang terdapat tanda air berupa gambar yang akan terlihat apabila

diterawangkan kearah cahaya.

2. Benang Pengaman (Security Thread)

Ditanam atau dianyam pada bahan kertas uang sehingga tampak sebagai garis

melintang dari atas ke bawah. Pada pecahan tertentu akan memendar apabila terlihat

dengan sinar ultraviolet.

3. Cetak Dalam/Intaglio

Cetakan yang terasa kasar apabila diraba.

4. Gambar Saling Isi (Rectoverso)

Pencetakan suatu ragam bentuk yang menghasilkan cetakan pada bagian muka dan

belakang beradu tepat dan saling mengisi jika diterawangkan ke arah cahaya.

5. Tinta Berubah Warna (Optically Variable Ink)

Hasil cetak tinta khusus yang akan berubah warna apabila dilihat dari sudut pandang

yang berbeda.

6. Cetakan Tidak Kasat Mata (Invisible Ink)

Hasil cetak tidak kasat mata yang akan memendar dibawah sinar ultraviolet.

11

7. Gambar Tersembunyi (Latent Image)

Hasil cetak berupa gambar atau tulisan tersembunyi yang dapat dilihat dari sudut

pandang tertentu.

2.2.3 Pengolahan Citra

Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan

menganalisis citra dengan bantuan komputer. Pengolahan citra digital dapat

dikelompokkan dalam dua jenis kegiatan [1]:

1. Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah diinterpretasi oleh

manusia.

2. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan

objek secara otomatis.

2.2.4 Citra Digital

Citra digital adalah citra yang dapat diolah oleh komputer. Pada umumnya citra

digital berbentuk persegi panjang atau bujur sangkar (pada beberapa sistem pencitraan

ada pula yang berbentuk segi enam) yang memiliki lebar dan tinggi tertentu. Ukuran ini

biasanya dinyatakan dalam banyaknya titik atau piksel sehingga ukuran citra selalu

bernilai bulat. Setiap titik memiliki koordinat sesuai posisinya dalam citra. Koordinat ini

biasanya dinyatakan dalam bilangan bulat positif, yang dapat dimulai dari 0 atau 1

tergantung pada sistem yang digunakan[16].

Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran N baris dan M

kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y)

dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,

y, dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka

dikatakan bahwa citra tersebut adalah citra digital.

Citra digital juga dapat ditulis dalam bentuk matriks pada perumusan (2-1) :

𝑓(𝑥, 𝑦) =

[

𝑓(0,0) 𝑓(0,1) … 𝑓(0,𝑀 − 1)

𝑓(1,0) 𝑓(1,1) … 𝑓(1,𝑀 − 1)⋮ ⋯ … …⋮ … … …⋮ … … …

𝑓(𝑁 − 1,0) 𝑓(𝑁 − 1,1) … 𝑓(𝑁 − 1,𝑀 − 1)]

(2-1)

Berdasarkan bentuk matriks diatas, secara sistematis citra digital dapat ditulis

sebagai fungsi intensitas f(x,y), dimana harga x (baris) dan y (kolom) merupakan

12

koordinat posisi dan f(x,y) adalah nilai fungsi pada setiap titik (x,y) yang menyatakan

besar intensitas citra atau tingkat keabuan atau warna dari piksel di titik tersebut[16].

2.2.5 Ekstraksi Ciri HSV

HSV merupakan model warna yang memprepresentasikan warna seperti yang

dilihat oleh mata manusia. H (Hue) adalah warna yang dikenal dengan ditangkap oleh

mata manusia yang menanggapi berbagai nilai Panjang gelombang cahaya seperti warna

merah dan hijau. S (saturation) menyatakan tingkat kemurnian suatu warna, yaitu

mengindikasikan seberapa banyak warna putih yang tercampur dengan Hue. Semakin

kecil nilai dari Saturation, maka warna yang ditampilkan condong ke warna abu-abu. V

(Value) sama seperti brightness atau kecerahan yang menyatakan banyaknya cahaya

yang diterima oleh mata disemua warna[17].

Alur ekstraksi ciri HSV yaitu input citra RGB dikonversi menjadi Citra HSV.

RGB merupakan singkatan dari merah (Red), hijau (Green) dan biru (Blue). Warna-warna

yang dibentuk oleh model warna merupakan hasil campuran dari warna-warna primer

merah, hijau, dan biru berdasarkan komposisi tertentu. Untuk mengkonversi nilai RGB

ke HSV, dilakukan proses normalisasi terlebih dahulu terhadap nilai RGB dengan

perumusan berikut [18]:

𝑟 =𝑅

𝑅+𝐺+𝐵

𝑔 =𝐺

𝑅+𝐺+𝐵

𝑏 =𝐵

𝑅+𝐺+𝐺

Setelah mendapatkan nilai r,g, b, yang telah dinormalisasi, maka nilai konversi

HSV dapat dilakukan dengan menggunakan perumusan sebagai berikut :

(2-1)

(2-2)

) (2-3)

(2-4)

13

Nilai hasil dari ekstraksi ciri warna HSV akan dilakukan perhitungan nilai ke lima

jenis fitur yang digunakan pada penelitian ini dengan menggunakan perumusan yang

ditunjukkan pada Tabel 2.1 :

Tabel 2.1 Tabel fitur HSV

No. Properti Rumus Persamaan

1. Mean 𝑚 = ∑ 𝑧𝑖. 𝑝(𝑧𝑖)𝐿−1𝑖=0 (2-14)

2. Standar Deviasi 𝜎 = √∑ (𝑧𝑖 − 𝑚)2𝑝(𝑧𝑖)

𝐿−1𝑖=0

(2-15)

3. Skewness 𝑎3 = 1

𝜇3∑ (𝑧𝑖 − 𝑚)3𝑝(𝑧𝑖)

𝐿−1𝑖=0 (2-16)

4. Entropi 𝑒 = ∑ 𝑝(𝑧𝑖) 𝑙𝑜𝑔2 𝑝(𝑧𝑖)

𝐿−1

𝑖=0

(2-17)

5. Kurtosis 𝑎4 =

1

𝜇4∑ (𝑧𝑖 − 𝑚)4𝑝(𝑧𝑖)

𝐿−1

𝑖=0

(2-18)

2.2.6 Ekstraksi Ciri GLCM

Gray Level Co-occurrence Matrix (GLCM) merupakan salah satu metode

statistika yang digunakan untuk menganalisis tekstur. Pada GLCM perolehan ciri

diperoleh dari nilai piksel matriks yang mempunyai nilai tertentu dan membentuk suatu

sudut pola. Untuk sudut GLCM memiliki 4 arah sudut dalam ketetanggaan antar piksel

yaitu 0°, 45°, 90° dan 135° [19]. Sebagai ilustrasi, arah sudut ketetanggan piksel GLCM

dapat dilihat pada Gambar 2.3. Untuk sudut 0°, ketetanggaan piksel dihitung dengan jarak

1 piksel ke kanan. Untuk sudut 45°, ketetanggaan piksel dihitung dengan jarak 1 piksel

ke kanan atas. Untuk sudut 90°, ketetanggaan piksel dihitung dengan jarak 1 piksel ke

atas. Untuk sudut 135°, ketetanggan piksel dihitung dengan jarak 1 piksel ke kiri atas.

(a) (b)

Gambar 2.3 (a) Piksel dengan berbagai sudut (b) Matriks co-occurrence

14

Setiap citra akan menghasilkan suatu Co-occurrence Matrix dengan setiap element p

dengan posisi (i,j) menunjukkan frekuensi relative dua piksel gray level i dan j. Kemudian

setiap nilai pada matriks akan dinormalisasi dengan persamaan (2-1) menjadi suatu

matriks probabilitas.

𝑝(𝑖, 𝑗) = 𝑝𝑑(𝑖,𝑗)

∑ 𝑝𝑑(𝑖,𝑗)𝑁−1𝑖,𝑗=0

(2-1)

Di dalam penelitian ini ekstraksi fitur tekstur GLCM yang digunakan terdiri dari 5

jenis fitur yang ditunjukkan pada Tabel 2.2 berikut [20] :

Tabel 2.2 Tabel fitur tekstur GLCM

No. Properti Rumus Persamaan

1. Energy 𝑓1 = ∑𝑖∑𝑗{𝑝(𝑖, 𝑗)}2 (2-19)

2. Contrast 𝑓2 = −∑𝑖∑𝑗(𝑖 − 𝑗)2𝑝(𝑖, 𝑗) (2-20)

3. Correlation 𝑓3 =

∑𝑖∑𝑗(𝑖𝑗)𝑝(𝑖, 𝑗) − 𝜇𝑥𝜇𝑦

𝜎𝑥𝜎𝑦

(2-21)

4. Entropy 𝑓9 = −∑𝑖∑𝑗𝑝(𝑖, 𝑗) log(𝑝(𝑖, 𝑗)) (2-22)

5. Homogeneity 𝑓5 = ∑𝑖∑𝑗

1

1 + (𝑖 − 𝑗)2 𝑝(𝑖, 𝑗)

(2-23)

2.2.7 Deteksi Tepi

Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang

menghasilkan tepi-tepi dari obyek-obyek citra yang membatasi dua wilayah citra homogen

yang memiliki tingkat kecerahan yang berbeda. Proses deteksi tepi ini dilakukan sebelum

proses ekstraksi ciri bentuk untuk meningkatkan penampakan garis batas suatu daerah

atau objek didalam citra dan mendapatkan bentuk dasar citra.

Operator atau teknik yang digunakan untuk deteksi tepi pada penelitian ini adalah

deteksi tepi Canny. Operator Canny dikemukakan oleh John Canny pada tahun 1986 dan

terkenal sebagai operator deteksi tepi yang optimal. Algoritma ini memberikan tingkat

kesalahan yang rendah, melokalisasi titik-titik tepi (jarak piksel-piksel tepi yang

ditemukan deteksi dan tepi yang sesungguhnya sangat pendek), dan hanya

memberikan satu tanggapan untuk satu tepi[17]. Langkah-langkah dalam melakukan

deteksi tepi Canny Edge Detection adalah sebagai berikut [21] :

15

a. Penghalusan citra (smoothing) dengan menggunakan gaussian filter

Smoothing dilakukan untuk menghilangkan noise yang terdapat dalam citra. Proses

smooting merupakan proses perkalian matrik atau perkalian konvolusi antara citra asli

dengan mask filter gaussian. Persamaan yang digunakan untuk proses smoothing

terdapat pada perumusan (2-2) :

𝐺(𝑖, 𝑗) =1

2𝜋𝜎2. 𝑒

−(𝑖−𝑢)2+(𝑗−𝑣)2

2𝜎2

dimana :

e = 2.71 (konstanta euler)

= standar deviasi (sigma)

Π = 3.14 (pi)

b. Menghitung nilai gradient

Nilai gradient merupakan kesamaan dua dimensi dari turunan pertama dan

didefinisikan sebagai vektor. Nilai gradient diperoleh dengan melakukan perkalian

turunan pertama. Berdasarkan mask turunan pertama rumus yang digunakan untuk

menemukan nilai gradient pada perumusan (2-3) :

𝐺 = √|𝐺𝑥|2 + |𝐺𝑦|2

c. Menghitung arah tepian

Berdasarkan nilai gradient kemudian akan dicari nilai arah dari tepian citra dengan

menggunakan perumusan (2-4) :

𝛿 = 𝑡𝑎𝑛−1 (𝐺𝑦

𝐺𝑥)

d. Garis tepi diperkecil dengan menerapkan Non Maximus Suppression

Penghilangan non-maximum dilakukan di sepanjang tepi dan menghilangkan piksel –

piksel yang tidak dianggap sebagai tepi. Hanya nilai maksimum yang ditandai sebagai

tepi. Sehingga didapatkan garis tepi yang lebih ramping [22].

e. Binerisasi dengan menggunakan hysteresis thresholding

Tahap ini adalah klasifikasi tiap piksel apakah termasuk dalam kategori piksel tepi

atau tidak dengan diterapkan dua buah thresholding yaitu low thresholding (T1) dan

high thresholding (T2). Nilai yang kurang dari T1 akan diubah menjadi hitam (nilai

0) dan nilai yang lebih dari T2 diubah menjadi putih (nilai 255) [22].

(2-2)

(2-3)

(2-4)

16

2.2.8 Nilai Mean dan Standar Deviasi

Nilai mean dan standar deviasi merupakan perhitungan statistik yang dijadikan

sebagai nilai ciri bentuk citra uang kertas. Nilai mean merupakan nilai rata-rata peluang

kemunculan dari nilai piksel yang ditandai sebagai tepi citra. Nilai standar deviasi

merupakan nilai sebaran piksel-piksel tepi. Persamaan mean dan standar deviasi dapat

dilihat pada persamaan (2-5) dan (2-6) :

𝑚 = ∑ 𝑧𝑖𝑝(𝑧𝑖)𝐿=1𝑖=0

𝑠 = √∑ (𝑧𝑖−𝑚)2𝑛

𝑖=1

𝑛−1

Keterangan :

zi = nilai piksel yang ditandai sebagai tepi

n = jumlah piksel yang ditandai sebagi tepi

p = peluang kemunculan nilai piksel yang ditandai sebagai tepi

2.2.9 Ekstraksi ciri Canny Edge Detection

Metode Canny adalah metode yang memaksimalkan deteksi titik tepi yang benar

dengan cara memaksimalkan signal to noise dan tepi yang terdeteksi harus sedekat

mungkin dengan tepi yang nyata. Tujuan dilakukannya pendeteksian tepi untuk

meningkatkan penampakan garis batas suatu daerah yang terdapat pada objek di dalam

suatu citra. Yang dimaksudkan dengan tepi (edge) adalah perubahan nilai intensitas

derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Tepi biasanya terdapat

pada batas antara dua daerah berbeda pada suatu citra. Tepi dapat diorientasikan dengan

suatu arah dan arah ini berbeda-beda bergantung pada perubahan intensitas[9]. Pada

penelitian ini menggunakan dua jenis ekstraksi ciri Canny, diantaranya yaitu :

1. Area

Menghitung nilai skalar yang menentukan jumlah piksel aktual di wilayah tersebut.

Adapun rumus perhitungannya dapat dilihat pada perumusan (2-7) :

𝐴𝑟𝑒𝑎 = ∑ ∑ 𝑓(𝑖, 𝑗)𝑚𝑗=1

𝑛𝑖=1

dimana : m = Jumlah baris piksel citra,

n = Jumlah kolom piksel citra ,

(i, j) = Koordinat spasial, dan

f(i, j) = 1 jika (i, j) adalah piksel objek dalam citra biner

2. Contour

(2-5)

(2-6)

(2-7)

17

Untuk menentukan batas dari segmen obyek.

2.2.10 Support Vector Machine (SVM)

Support Vector Machine (SVM) merupakan metode klasifikasi yang paling kuat

dan sukses. Konsep klasifikasi dengan SVM adalah sebagai usaha mencari hyperplane

terbaik yang berfungsi sebagai pemisah dua buah kelas data pada input space.

(a) (b)

Gambar 2.4 Batas keputusan yang mungkin untuk set data

Pada gambar 2.4 diatas memperlihatkan beberapa data yang merupakan anggota

dari dua buah kelas data yakni +1 dan -1. Bentuk lingkaran merupakan simbol data yang

tergabung dalam kelas -1, sedangkan bentuk bujur sangkar merupakan simbol data yang

tergabung dalam kelas +1. Hyperplane pemisah terbaik antar kedua kelas tersebut dapat

ditemukan dengan mengukur margin hyperplane dan mencari titik maksimalnya. Margin

merupakan jarak antara hyperplane tesebut dengan data terdekat dari masing-masing

kelas. Data yang paling dekat inilah yang disebut dengan support vector. Gambar 2.1 (b)

di atas menunjukkan hyperplane terbaik karena terletak di tengah-tengah kedua kelas.

Data lingkaran dan bujur sangkar yang dilewati garis putus-putus (garis batas margin)

adalah support vector[23].

Data yang tersedia dinotasikan sebagai →𝑋𝑖

∈ ℜd sedangkan label masing-masing

dinotasikan 𝑦𝑖 ∈ {−1,+1} untuk i = 1,2, … l , yang mana l adalah banyaknya data.

Diasumsikan kedua kelas -1 dan +1 dapat terpisah secara sempurna oleh hyperplane

berdimensi d yang didefinisikan pada perumusan (2-24) [24] :

�⃗⃗� . 𝑥 + 𝑏 = 0 4 (2-24)

18

Pattern 𝑋i→ yang termasuk kelas -1 (sampel negatif) dapat dirumuskan sebagai

pattern yang memenuhi pertidaksamaan[24] :

�⃗⃗� . 𝑥 + 𝑏 ≤ −1

Sedangkan pattern 𝑋i→ yang termasuk kelas +1 (sampel positif) [24]:

�⃗⃗� . 𝑥 + 𝑏 ≥ +1 (2-26)

(2-25)

19

BAB III

METODE PENELITIAN

3.1 Alat dan Bahan

Penelitian identifikasi kelayakan penukaran uang kertas menggunakan metode

SVM menggunakan aplikasi mobile berbasis Android membutuhkan alat dan bahan

sebagai berikut:

1. Alat:

a. Laptop ASUS A456U Intel® CoreTM i7 – 7500U dual-core @2.70 GHz

TurboBoost 3.50 GHz, dengan GPU NVIDIA GeForce 940MX dan RAM 8 GB.

b. Operating sistem menggunakan Operating Sistem Windows 10 64-bit.

c. Software menggunakan Android Studio 3 untuk pembuatan program dengan

pengkodean berbasis Java.

d. Jupyter Notebook

e. Lampu Philips 23 watt digunakan sebagai efek pencahayaan untuk mengambil

gambar.

f. Scanner smartphone.

g. Framework Django

2. Bahan:

Bahan penelitian yang digunakan dalam penelitian ini adalah citra uang kertas

Rupiah sejumlah 420 citra dengan format .jpg dan ukuran 256 x 512 piksel yang

diambil menggunakan scanner smartphone. Uang kertas Rupiah yang digunakan

terdiri dari tujuh jenis pecahan yaitu Rp. 1.000.-, Rp. 2.000.-, Rp. 5.000.-, Rp.

10.000.-, Rp. 20.000.-, Rp. 50.000.-, dan Rp. 100.000.-.

3.2 Rancangan Penelitian

Pada bab ini akan dibahas mengenai bagaimana alur dari proses pendeteksian

kelayakan penukaran uang kertas Rupiah yang diusulkan. Secara umum diagram alir dan

proses pembuatan sistem dari mulai pengumpulan data hingga pembuatan laporan dari

sistem yang telah dibuat seperti pada Gambar 3.1.

Pada Gambar 3.1 pertama dilakukan studi literatur yang bertujuan untuk

memperoleh wawasan atau dasar dalam melakukan penelitian dengan cara membaca

jurnal, buku, dan peneltian-penelitian terkait tentang pengolahan citra dan uang kertas

20

Rupiah. Kemudian dilakukan pengambilan data citra uang kertas Rupiah yang akan

digunakan dalam pembuatan sistem baik sebagai data latih maupun data uji. Tahap

selanjutnya melakukan pembuatan sistem dengan metode Support Vector Machine

(SVM) yang telah dipelajari pada tahap studi literatur. Setelah sistem selesai dibuat,

kemudian dilakukan pengujian data dengan beberapa jenis skenario pengujian. Setelah

pengujian skenario selesai, maka dilakukan analisa terhadap hasil pengujian skenario

yang selanjutnya dapat dilakukan tahap terakhir yaitu pembuatan laporan.

Gambar 3.1 Flow Chart penelitian

3.3 Pengumpulan Data

Dataset yang digunakan dalam penelitan ini berupa citra dari 7 jenis pecahan uang

kertas rupiah yang diambil langsung oleh penulis dengan beberapa kondisi pencahayaan

yaitu tempat teduh, di bawah sinar matahari, dan di bawah cahaya lampu. Masing-masing

jenis pecahan uang kertas diambil dengan 3 kriteria atau kondisi uang kertas yang dapat

dilihat pada Tabel 3.2. dengan pengambilan melalui kamera handphone. Total citra yang

didapat sejumlah 420 citra. Dari 420 citra uang kertas dibagi menjadi 70% atau 294 data

latih dan 30% atau 126 data uji. Citra dibagi menjadi 2 kelas yaitu dapat ditukar atau tidak

21

dapat ditukar dengan 3 kriteria atau kondisi uang kertas dan 3 spesifikasi seperti yang

ditunjukkan pada Tabel 3.1 dan 3.2.

Tabel 3.1 Contoh data uang kertas rupiah

Dapat ditukar Tidak dapat ditukar

Tabel 3.2. Komposisi kriteria dataset uang kertas

Kriteria Pecahan Total

Rp.

1.000.

Rp.

2.000.

Rp.

5.000.

Rp.

10.000.

Rp.

20.000.

Rp.

50.000.

Rp.

100.000.

Baru 20 20 20 20 20 20 20 140

Rusak 20 20 20 20 20 20 20 140

Palsu 20 20 20 20 20 20 20 140

Total 420

Dataset pada penelitian ini di assessment oleh bapak Ida Bagus Ketut Yudhi

Sugiarta S.Ak dari Bank Indonesia Provinsi NTB dan selanjutnya akan dilakukan

standarisasi data agar dapat meningkatkan hasil akhir pada tahap pengujian. Standarisasi

data dilakukan secara manual oleh peneliti dengan cara me-resize citra uang kertas

menjadi ukuran sebesar 256 x 512 piksel.

3.4 Rancangan Sistem Pendeteksi Kelayakan Penukaran Uang Kertas Rupiah

Di dalam sub bab ini dijelaskan bagaimana sistem pendeteksi kelayakan penukaran

uang kertas rupiah dirancang mulai dari tahap pelatihan citra hingga sistem dapat

mengetahui hasil akurasi optimal dari citra latih dan citra uji yang dapat dilihat pada

Gambar 3.2.

22

Input Citra Pelatihan Input Citra Pengujian

Preprocessing

Ekstraksi Fitur

Preprocessing

Ekstraksi Fitur

Pelatihan dengan SVM

Simpan data tahap pelatihan

Klasifikasi dengan SVM

Hasil klasifikasi kelayakan penukaran

uang

Database hasil pelatihan

Mulai

Selesai

Gambar 3.2 Block Diagram Sistem

Pada Gambar 3.2 terdapat dua proses yaitu pelatihan dan klasifikasi, yaitu :

a. Proses pelatihan meliputi:

1. Input citra uang untuk pelatihan, citra yang dimasukkan ke dalam sistem

merupakan citra yang berwarna dengan ukuran 1200 x 2500 piksel.

2. Melakukan Melakukan tahap preprocessing dimulai dengan melakukan proses

cropping secara manual pada citra uang kertas yang telah diambil, citra hasil

cropping sebelumnya diolah lagi dengan melakukan proses resize citra ukuran

256 x 512 piksel untuk memudahkan ekstraksi ciri dan memudahkan komputasi

terhadap citra.

3. Ekstraksi ciri yang dilakukan pada proses pelatihan antara lain melakukan

pendeteksian keaslian uang dengan menggunakan ekstraksi ciri HSV, kemudian

melakukan pendeteksian nominal uang dengan menggunakan ekstraksi ciri

GLCM, dan terakhir menentukan ukuran uang dengan menggunakan ekstraksi ciri

Canny Edge Detection.

4. Pelatihan dengan metode SVM untuk mendapatkan nilai bobot data pelatihan.

5. Bobot data pelatihan yang didapatkan dari proses pelatihan dengan metode

Support Vector Machine disimpan ke dalam database local hardisk laptop untuk

proses klasifikasi.

23

b. Proses pengklasifikasian meliputi:

1. Input citra uang untuk pengujian, citra yang dimasukkan ke dalam sistem

merupakan citra yang berwarna dengan ukuran 1200 x 2500 piksel.

2. Melakukan tahap preprocessing dimulai dengan melakukan proses cropping

secara manual pada citra uang kertas yang telah diambil, citra hasil cropping

sebelumnya diolah lagi dengan melakukan proses resize citra ukuran 256 x 512

piksel untuk memudahkan ekstraksi ciri dan memudahkan komputasi terhadap

citra.

3. Ekstraksi ciri yang dilakukan pada proses pelatihan antara lain melakukan

pendeteksian keaslian uang dengan menggunakan ekstraksi ciri HSV, kemudian

melakukan pendeteksian nominal uang dengan menggunakan ekstraksi ciri

GLCM, dan terakhir menentukan ukuran uang dengan menggunakan ekstraksi ciri

Canny Edge Detection.

4. Pengujian dengan metode Support Vector Machine untuk mendapatkan nilai

bobot data pelatihan.

5. Melakukan klasifikasi berdasarkan bobot data pelatihan hasil pengujian dengan

metode SVM dibandingkan dengan data pelatihan yang ada pada database local

hardisk laptop.

6. Didapatkan keluaran klasifikasi berupa uang layak ditukar atau uang tidak layak

ditukar.

PYTHON MODEL ANDROID RETROFIT

SERVER REST API

Gambar 3.3 Model Sistem

Pada Gambar 3.3 terdapat beberapa proses dalam pembuatan sistem meliputi :

a. Model machine learning dibuat dengan menggunakan Bahasa pemrograman Python

dengan tool Jupyter Notebook. Adapun library yang digunakan adalah Sklearn,

Numpy, SciPy, Pandas, Skimage, dan OpenCV dimana library-library ini berguna

24

untuk membangun model machine learning. Selain itu, digunakan sebuah framework

yaitu Django dalam proses pembuatan API.

b. Setelah model machine learning selesai dibuat, model di import ke Android Studio.

c. Di Android Studio dibuat beberapa kelas dengan bahasa pemrograman Java dan UI

aplikasi deteksi kelayakan tukar uang kertas Rupiah.

d. Membuat instansi Retrofit yang berguna untuk mempermudah proses pertukaran data

antara aplikasi Android dengan server melalui REST API.

e. Membuat API yang didalamnya terdapat APIService dan APIClient. APIService

berisi metode yang berfungsi untuk menjalankan permintaan HTTP seperti post dan

put, sedangkan APIClient berisi metode yang berfungsi untuk membuat koneksi

dengan server dan konfigurasi alamat IP server dengan alamat IP yaitu

103.163.139.75.

f. Menjalankan server dan selesai. Sistem sudah dapat dijalankan.

3.4.1. Tahap Preprocessing

Tahap preprocessing dilakukan untuk mengolah data masukan sehingga

meningkatkan kualitas citra dan dapat digunakan untuk proses ekstraksi ciri. Setiap citra

latih dan citra uji akan melewati tahapan ini untuk menghilangkan dan mengurangi error

yang dapat berdampak pada akurasi akhir pada saat masuk ke tahap klasifikasi. Terdapat

beberapa langkah yang dilakukan dalam preprocessing ini yaitu melakukan cropping dan

resizing.

Gambar 3.3 Tahapan Pre-processing

1. Cropping

Pada tahap cropping dilakukan secara manual pada citra uang kerta Rupiah yang

telah diambil.

2. Resizing

Pada tahapan resizing dilakukan dengan mengubah ukuran citra asli uang kertas

Rupiah dengan ukuran awal 1200 x 2500 piksel di resize menjadi 256 x 512 piksel.

25

3.4.2. Ekstraksi Ciri HSV

Data citra yang telah melewati tahap preprocessing, selanjutnya akan diambil ciri

warnanya menggunakan ekstraksi ciri HSV untuk menentukan keaslian uang yang akan

ditukarkan, sehingga inputan yang digunakan menjadi bentuk dan warna objek uang.

Langkah awal yang dilakukan untuk ekstraksi ciri warna yaitu mengkonversi nilai

RGB ke HSV dengan melakukan proses normalisasi terlebih dahulu terhadap nilai RGB

menggunakan persamaan 2.1, 2.2, dan 2.3. Berikut adalah contoh matriks RGB ukuran

300x300 yang nantinya akan digunakan untuk mengkonversi nilai RGB ke HSV.

Tabel 3.3 Matriks R

x,y 1 2 3 … 300

1 140 140 139 … 172

2 136 134 136 … 172

3 133 127 133 … 174

… … … … … …

300 129 127 131 128 155

Pada Tabel 3.3 R(x,y) adalah koordinat dari piksel. Pada piksel (1,1) nilai R=140

dan pada piksel (300,300) nilai R= 155.

Tabel 3.4 Matriks G

x,y 1 2 3 … 300

1 56 55 53 … 68

2 52 49 50 … 68

3 49 43 48 … 70

… … … … … …

300 36 36 39 … 72

Pada tabel 3.4 G(x,y) adalah koordinat dari piksel. Pada piksel (1,1) nilai G=56

dan pada piksel (300,300) nilai G= 72.

26

Tabel 3.5 Matriks B

x,y 1 2 3 … 300

1 56 56 55 … 59

2 49 50 52 … 59

3 43 43 49 … 61

… … … … … …

300 30 28 32 … 64

Pada tabel 3.5 B(x,y) adalah koordinat dari piksel. Pada piksel (1,1) nilai B=56

dan pada piksel (300,300) nilai B= 64

Dari ketiga matriks RGB diatas, selanjutnya dilakukan pencarian nilai r dengan

persamaan 2.1, nilai g dengan persamaan 2.2, dan nilai b dengan persamaan 2.3.

1. Mencari nilai r

𝑟1,1 =𝑅1,1

𝑅1,1 + 𝐺1,1 + 𝐵1,1=

140

140 + 56 + 56= 0,556

𝑟1,2 =𝑅1,2

𝑅1,2 + 𝐺1,2 + 𝐵1,2=

136

136 + 52 + 52= 0,567

𝑟1,3 =𝑅1,3

𝑅1,3 + 𝐺1,3 + 𝐵1,3=

133

133 + 49 + 49= 0,576

…

𝑟300,1 =𝑅300,1

𝑅300,1 + 𝐺300,1 + 𝐵300,1=

129

129 + 36 + 30= 0,662

2. Mencari nilai g

𝑔1,1 =𝐺1,1

𝑅1,1 + 𝐺1,1 + 𝐵1,1=

56

140 + 56 + 56= 0,222

𝑔1,2 =𝐺1,2

𝑅1,2 + 𝐺1,2 + 𝐵1,2=

52

136 + 52 + 52= 0,217

𝑔1,3 =𝐺1,3

𝑅1,3 + 𝐺1,3 + 𝐵1,3=

49

133 + 49 + 49= 0,212

…

𝑔300,1 =𝐺300,1

𝑅300,1 + 𝐺300,1 + 𝐵300,1=

36

129 + 36 + 30= 0,185

3. Mencari nilai b

27

𝑏1,1 =𝐵1,1

𝑅1,1 + 𝐺1,1 + 𝐵1,1=

56

140 + 56 + 56= 0,222

𝑏1,2 =𝐵1,2

𝑅1,2 + 𝐺1,2 + 𝐵1,2=

52

136 + 52 + 52= 0,217

𝑏1,3 =𝐵1,3

𝑅1,3 + 𝐺1,3 + 𝐵1,3=

49

133 + 49 + 49= 0,212

⋮

𝑏300,1 =𝐵300,1

𝑅300,1 + 𝐺300,1 + 𝐵300,1=

30

129 + 36 + 30= 0,154

Setelah mendapatkan nilai r, g, b, selanjutnya mencari nilai HSV dengan

menggunakan persamaan 2.4.

1. Nilai V (value)

𝑉1,1 = max{𝑟1,1, 𝑔1,1, 𝑏1,1} = 0,556

𝑉1,2 = max{𝑟1,2, 𝑔1,2, 𝑏1,2} = 0,567

𝑉1,3 = max{𝑟1,3, 𝑔1,3, 𝑏1,3} = 0,576

⋮

𝑉300,1 = max{𝑟300,1, 𝑔300,1, 𝑏300,1} = 0,662

2. Nilai S (saturation)

𝑆1,1 = 1 −min{𝑟1,1, 𝑔1,1, 𝑏1,1}

𝑣= 1 −

0,222

0,556= 0,600

𝑆1,2 = 1 −min{𝑟1,2, 𝑔1,2, 𝑏1,2}

𝑣= 1 −

0,217

0,567= 0,618

𝑆1,3 = 1 −min{𝑟1,3, 𝑔1,3, 𝑏1,3}

𝑣= 1 −

0,212

0,576= 0,632

⋮

𝑆300,1 = 1 −min{𝑟300,1, 𝑔300,1, 𝑏300,1}

𝑣= 1 −

0,154

0,662= 0,767

3. Nilai H (hue)

𝐻1,1 = [60 ∗ (𝑔1,1 − 𝑏1,1)

𝑠1,1 𝑥 𝑣1,1] = (

60 ∗ (0,222 − 0,222

0,608 𝑥 0,556) = 0

𝐻1,2 = [60 ∗ (𝑔1,2 − 𝑏1,2)

𝑠1,2 𝑥 𝑣1,2] = (

60 ∗ (0,217 − 0,217

0,618 𝑥 0,567) = 0

28

𝐻1,3 = [60 ∗ (𝑔1,3 − 𝑏1,3)

𝑠1,3 𝑥 𝑣1,3] = (

60 ∗ (0,212 − 0,212

0,632 𝑥 0,576) = 0

⋮

𝐻300,1 = [60 ∗ (𝑔300,1 − 𝑏300,1)

𝑠300,1 𝑥 𝑣300,1] = (

60 ∗ (0,185 − 0,154

0,767 𝑥 0,662) = 3,636

Setelah mendapatkan keseluruhan nilai H, S, dan V, selanjutnya dilakukan

perhitungan nilai ciri dengan menggunakan persamaan yang ada pada Tabel 2.3. Pada

penelitian ini, terdapat 5 fitur yang akan digunakan dimana tiap nilai H, S, V memiliki 5

ekstraksi fitur. Dengan demikian, dalam suatu citra menghasilkan 15 ekstraksi fitur yang

memiliki karakter masing-masing. Contoh perhitungan nilai fitur HSV:

𝑚𝑒𝑎𝑛 𝐻 = ∑1

𝑀𝑁. 𝑝(𝑧𝑖) = 96,776

𝐿−1

𝑖=0

𝑚𝑒𝑎𝑛 𝑆 = ∑1

𝑀𝑁𝑝(𝑧𝑖) = 102,657

𝐿−1

𝑖=0

𝑚𝑒𝑎𝑛 𝑉 = ∑1

𝑀𝑁. 𝑝(𝑧𝑖) = 102,758

𝐿−1

𝑖=0

Perhitungan nilai mean dilakukan dengan menjumlahkan seluruh hasil

probabilitas aras keabuan yang dibagi dengan seluruh nilai piksel.

𝑠𝑡𝑑 𝐻 = √∑ (𝑧𝑖 − 𝑚)2𝑝(𝑧𝑖)𝐿−1𝑖=0 = 0,005

𝑠𝑡𝑑 𝑆 = √∑ (𝑧𝑖 − 𝑚)2𝑝(𝑧𝑖)𝐿−1𝑖=0 = 0,006

𝑠𝑡𝑑 𝑉 = √∑ (𝑧𝑖 − 𝑚)2𝑝(𝑧𝑖)𝐿−1𝑖=0 = 0,007

Perhitungan nilai standar deviasi dilakukan dengan menjumlahkan seluruh nilai

akar kuadrat dari hasil kali nilai probabilitas aras keabuan dengan nilai kuadrat hasil

selisih aras keabuan dengan mean.

𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 𝐻 =1

𝜇3∑ (𝑧𝑖 − 𝑚)3𝑝(𝑧𝑖) = 4,111

𝐿−1

𝑖=0

𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 𝑆 =1

𝜇3∑ (𝑧𝑖 − 𝑚)3𝑝(𝑧𝑖) = 5,887

𝐿−1

𝑖=0

𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 𝑉 =1

𝜇3∑ (𝑧𝑖 − 𝑚)3𝑝(𝑧𝑖) = 6,476

𝐿−1

𝑖=0

29

Perhitungan nilai skewness dilakukan dengan menjumlahkan seluruh probabilitas

aras keabuan dengan nilai pangkat tiga dari selisih aras keabuan dengan mean, kemudian

dibagi dengan nilai standar deviasi.

𝑒𝑛𝑡𝑟𝑜𝑝𝑦 𝐻 = ∑ 𝑝(𝑧𝑖) 𝑙𝑜𝑔2 𝑝(𝑧𝑖) = 4,985𝐿−1

𝑖=0

𝑒𝑛𝑡𝑟𝑜𝑝𝑦 𝑆 = ∑ 𝑝(𝑧𝑖) 𝑙𝑜𝑔2 𝑝(𝑧𝑖) = 4,893𝐿−1

𝑖=0

𝑒𝑛𝑡𝑟𝑜𝑝𝑦 𝑉 = ∑ 𝑝(𝑧𝑖) 𝑙𝑜𝑔2 𝑝(𝑧𝑖) = 4,765𝐿−1

𝑖=0

Perhitungan nilai entropy dilakukan dengan menjumlahkan seluruh hasil kali dari

nilai probabilitas ketetanggaan tingkat keabuan dengan nilai logaritma dari nilai

probabilitasnya

𝑘𝑢𝑟𝑡𝑜𝑠𝑖𝑠 𝐻 = 1

𝜇4∑ (𝑧𝑖 − 𝑚)4𝑝(𝑧𝑖) = 20,933

𝐿−1

𝑖=0

𝑘𝑢𝑟𝑡𝑜𝑠𝑖𝑠 𝑆 = 1

𝜇4∑ (𝑧𝑖 − 𝑚)4𝑝(𝑧𝑖) = 41,101

𝐿−1

𝑖=0

𝑘𝑢𝑟𝑡𝑜𝑠𝑖𝑠 𝑉 = 1

𝜇4∑ (𝑧𝑖 − 𝑚)4𝑝(𝑧𝑖) = 50,473

𝐿−1

𝑖=0

Perhitungan nilai kurtosis dilakukan dengan menjumlahkan seluruh probabilitas

aras keabuan dengan nilai pangkat empat dari selisih aras keabuan dengan mean,

kemudian dibagi dengan nilai standar deviasi.

3.4.3. Ekstraksi ciri GLCM

Proses ekstraksi ciri dengan metode GLCM dibagi menjadi dua tahap, yaitu

pembentukan matriks kookurensi dan perhitungan nilai fitur GLCM hingga menghasilkan

lima ekstraksi ciri. Pembentukan matriks kookurensi merupakan matriks yang

menunjukkan jumlah pasangan ketetanggaan nilai piksel baris ke-I dengan nilai piksel

kolom ke-j dengan derajat tertentu dan jarak ketetanggaan tertentu. Contoh pembuatan

matriks kookurensi dapat dilihat pada Tabel 3.6 hingga Tabel 3.7.

30

1. Pembentukan matriks GLCM

Tabel 3.6 Matriks GLCM sudut 0o Tabel 3.7 Matriks GLCM transpose

0 2 1 0

1 1 0 1

0 1 0 2

0 2 1 0

Tabel 3.8 Matriks

0 1 0 0

2 1 1 2

1 0 0 1

0 1 2 0

GLCM simetris sudut

0 3 1 0

3 2 1 3

1 1 0 3

0 3 3 0

Setelah didapat matriks GLCM yang simetris, matriks GLCM melalui tahap

normalisasi. Tiap nilai piksel matriks akan dibagi dengan jumlah piksel ketetanggaan.

Pada Tabel 3.8, jumlah piksel ketetanggaan ialah 24. Untuk itu, tiap nilai piksel matriks

GLCM akan dibagi dengan 24. Setelah dinormalisasi, selanjutnya dapat dihitung

menggunakan rumus untuk mendapat nilai ekstraksi ciri.

Tabel 3.9 Matriks GLCM 4x4 sudut 0o setelah dinormalisasi

0 0.125 0.042 0

0.125 0.083 0.042 0.125

0.042 0.042 0 0.125

0 0.125 0.125 0

2. Perhitungan nilai fitur GLCM

Langkah selanjutnya dalam ekstraksi ciri GLCM adalah perhitungan nilai ciri dengan

menggunakan persamaan yang ada pada Tabel 2.2 yang kemudian diterapkan pada

matriks GLCM 4x4 sudut 0o yang telah dinormalisasikan sebelumnya. Nilai piksel

matriks GLCM 4x4 dapat dilihat melalui Tabel 3.10. Nilai piksel 0o tidak dihitung dalam

persamaan.

31

Tabel 3.10 Nilai Piksel Matriks GLCM

GLCM Nilai

(1,2) 0,125

(1,3) 0,042

(2,1) 0,125

(2,2) 0,083

(2,3) 0,042

(2,4) 0,125

(3,1) 0,042

(3,2) 0,042

(3,4) 0,125

(4,2) 0,125

(4,3) 0,125

Pada penelitian ini, terdapat lima fitur yang akan digunakan dimana tiap sudut

GLCM memiliki lima ekstraksi fitur dan dalam suatu citra digunakan empat sudut

ketetanggaan piksel. Dengan demikian, dalam suatu citra menghasilkan 20 ekstraksi fitur

yang memiliki karakter masing-masing. Berikut adalah contoh perhitungan nilai fitur

GLCM :

𝑒𝑛𝑒𝑟𝑔𝑦 = ∑𝑖∑𝑗{𝑝(𝑖, 𝑗)}2 = 0,1076

Perhitungan nilai energy dilakukan dengan menjumlahkan seluruh hasil

penjumlahan pangkat dari elemen matriks GLCM.

𝑐𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = −∑𝑖∑𝑗(𝑖 − 𝑗)2𝑝(𝑖, 𝑗) = 0,192

Perhitungan nilai contrast dilakukan dengan menjumlahkan seluruh hasil

penjumlahan dari nilai kuadrat dari selisih tingkat keabuan, dimana selanjutnya dikalikan

dengan nilai probabilitas kemunculan ketetanggaannya.

𝑒𝑛𝑡𝑟𝑜𝑝𝑦 = −∑𝑖∑𝑗𝑝(𝑖, 𝑗) log(𝑝(𝑖, 𝑗)) = 0,9973

Perhitungan nilai entropy dilakukan dengan menjumlahkan seluruh hasil kali dari

nilai probabilitas ketetanggaan tingkat keabuan dengan nilai logaritma dari nilai

probabilitasnya.

ℎ𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑𝑖∑𝑗

1

1 + (𝑖 − 𝑗)2 𝑝(𝑖, 𝑗) = 0,4418

32

Perhitungan nilai homogeneity dilakukan dengan menjumlahkan seluruh nilai dari

probabilitas ketetanggaan tingkat keabuan i dan tingkat keabuan j, kemudian dibagi

dengan nilai kuadrat dari selisih tingkat keabuan yang ditambahkan dengan nilai 1.

𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 =∑𝑖∑𝑗(𝑖𝑗)𝑝(𝑖, 𝑗) − 𝜇𝑥𝜇𝑦

𝜎𝑥𝜎𝑦= 0,1047

Perhitungan nilai correlation dilakukan dengan menjumlahkan seluruh hasil kali

dari probabilitas ketetanggaan tingkat keabuan i dan tingkat keabuan j yang dikurangi

dengan nilai means, kemudian dibagi dengan nilai standar deviasi dari probabilitas.

3.4.4. Ekstraksi ciri Canny Edge Detection

Bentuk merupakan gambaran dari suatu objek dalam posisi, orientasi, dan ukuran.

Ciri bentuk dalam suatu citra sangat esensial untuk segmentasi citra karena dapat

mendeteksi objek. Ciri bentuk yang digunakan pada penelitian ini sesuai dengan

peraturan yang dikeluarkan oleh Bank Indonesia yaitu selama bentuk uang yang akan di

teliti >2/3 bagian meskipun keadaan uang tidak beraturan maka akan dijadikan sebagai

bagian dari inputan yg akan menentukan tingkat kelayakan penukarannya. Berikut contoh

perhitungan dari metode ini sebagai berikut :

1. Filter Gaussian

Untuk menghitung atau menentukan nilai-nilai dari setiap elemen dalam filter

penghalus Gaussian yang akan dibentuk seperti Persamaan (2-2). Dalam hal ini,

𝜎 adalah standar deviasi dan piksel pada pusat (x, y) dengan bobot terbesar berupa 1.

Sebagai contoh, bobot-bobotnya dapat diperoleh dengan contoh sebagai berikut :

𝐺(0,0) = 𝑒−0 = 1

𝐺(1,0) = 𝐺(0,1) = 𝐺(−1,0) = (0,−1) = 𝑒−1/2 = 0,6065

𝐺(1,1) = 𝐺(1,−1) = 𝐺(−1,1) = (−1,−1) = 𝑒−1 = 0,3679

𝐺(2,1) = 𝐺(1,2) = 𝐺(−2,1) = (−2,−1) = 𝑒−5/2 = 0,0821

𝐺(2,0) = 𝐺(0,2) = 𝐺(0,−2) = (−2,0) = 𝑒−2 = 0,1353

𝐺(2,2) = 𝐺(−2,−2) = 𝐺(−2,2) = (2,−2) = 𝑒−4 = 0,0183

Langkah selanjutnya adalah melakukan proses filtering dengan menerapkan operasi

konvolusi sebagai berikut :

33

3 4 2 5 1

2 1 6 4 2

3 5 7 1 3

4 2 5 7 1

2 5 1 3 2

Gambar 3.5 Contoh penerapan filter Gaussian

2. Menghitung Gradien

Menentukan gradien gambar yang telah diperhalus dengan menggunakan operator

Sobel. Untuk melakukan proses perhitungan gradien dengan menerapkan proses

konvolusi dengan persamaan yang akan dibentuk seperti Persamaan (2-3).

3 4 2 5 1

𝑘𝑒𝑟𝑛𝑒𝑙 𝑔𝑥 =

-1 0 1

-2 0 2

-1 0 1

2 1 6 4 2

3 5 7 1 3

4 2 5 7 1

2 5 1 3 2

Gambar 3.6 Contoh matriks dengan kernel 𝑔𝑥

3 4 2 5 1

𝑘𝑒𝑟𝑛𝑒𝑙 𝑔𝑦 =

1 2 1

0 0 0

-1 -2 -1

2 1 6 4 2

3 5 7 1 3

4 2 5 7 1

2 5 1 3 2

Gambar 3.7 Contoh matriks dengan kernel 𝑔𝑦

3 4 2 5 1

2 18 10 14 2

3 16 2 20 3

4 12 14 14 1

2 5 1 3 2

Gambar 3.8 Hasil Konvolusi Matriks

34

3. Menghitung sudut

Pada proses ini yaitu menghitung arah tepian yang ditentukan dengan

menggunakan persamaan yang telah dibentuk pada Persamaan (2-4). Dengan hasil

perhitungan arah tepi sebagai berikut :

45 45 45 45 45

45 32 67 4 45

45 13 90 14 45

45 54 68 15 45

45 45 45 45 45

Gambar 3.9 Hasil perhitungan matriks arah tepi

Setelah arah tepi diperoleh, maka perlu menghubungkan antara arah tepi dengan

sebuah arah yang data dilacak dari citra, dengan pembagian warna yang berkisar antara :

00 = 0 – 22.5 dan 157.5 – 180

450 = 22.5 – 67.5

900 = 67.5 – 112.5

1350 = 112.5 – 157.5

45 45 45 45 45

45 45 45 45 45

45 90 45 45 45

45 90 45 45 45

45 45 45 45 45

Gambar 3.10 Hasil matriks Gradien

4. Non Maximus Supression

Pada tahap ini garis tepi diperkecil dengan menerapkan Non Maximus Supression,

dimana dilakukan dengan menghilangkan piksel-piksel yang tidak dianggap sebagai

tepi. Dengan hasil matriks Non Maximus Supression arah tepi sebagai berikut :

45 45 45 45 45

45 54 0 0 45

45 0 54 0 45

45 74 0 66 45

45 45 45 45 45

Gambar 3.11 Hasil matriks Non Maximus Supression

35

5. Hysteresis Thresholding

Pada tahap ini diterapkan dua buah thresholding yaitu low thresholding (T1) dan high

thresholding (T2). Nilai yang kurang dari T1 akan diubah menjadi hitam (nilai 0) dan

nilai yang lebih dari T2 diubah menjadi putih (nilai 1). Misalkan T1= 0 dan T2=255.

1 1 1 1 1

1 1 0 0 1

1 0 1 0 1

1 1 0 1 1

1 1 1 1 1

Gambar 3.12 Hasil matriks thresholding

Setelah melalui tahap Canny edge detection selanjutnya melakukan penghitungan

empat ekstraksi ciri bentuk dengan hasil matriks canny, sebagai berikut :

1 1 1 1 1

1 0 0 0 1

1 0 0 0 1

1 1 0 0 1

1 1 1 1 1

Gambar 3.14 Hasil matriks canny

Pada penelitian ini terdapat dua fitur yang akan digunakan yaitu area dan contour. Berikut

adalah contoh perhitungan nilai fitur Canny :

1. Area

Untuk menghitung luas suatu citra, dengan Persamaan (2-7) :

𝐴𝑟𝑒𝑎 = ∑ ∑ 𝑓(𝑖, 𝑗)𝑚𝑗=1

𝑛𝑖=1 = 𝐴𝑟𝑒𝑎 = 5 𝑥 5 = 25

2. Contour

Untuk menentukan batas / contour dari segmen obyek.

3.4.5. K-Fold Cross Validation

K-fold cross validation adalah suatu cara pembagian data dimana data dibagi

menjadi beberapa kluster kemudian diapatkan berbagai jenis kombinasi data dengan rasio

yang sama sesuatu dengan kluster yang sudah ada. Misalnya, terdapat 500 data uang

36

kertas dengan nilai n adalah 5, maka data uang kertas dibagi menjadi n fold sama rata.

Pemilihan citra dengan k-fold cross validation dapat dilihat pada Tabel 3.11.

Tabel 3.11 Skenario uji dengan k-fold cross validation.

Fold ke- Data subset

1 Training

Testing

S2,S3,S4,S5

S1

2 Training

Testing

S1,S3,S4,S5

S2

3 Trraing

Testing

S1,S2,S4,S5

S3

4 Traing

Testing

S1,S2,S3,S5

S4

5 Traing

Testing

S1,S2,S3,S4

S5

3.4.6. Klasifikasi

Proses klasifikasi yang dilakukan dalam penelitian ini menggunakan metode

Support Vector Machine (SVM) dengan kelas klasifikasi ada 2 kelas yaitu dapat ditukar

dan tidak dapat ditukar. Misalkan terdapat 2 set data kelas +1 dan kelas -1 dengan data

seperti pada Tabel 3.12.

Tabel 3.12 Dataset kelas -1 dan kelas +1

Kelas -1 Kelas +1

1,0 3,1

0,1 3,-1

0,-1 6,1

-1,0 6,-1

-2,-1 8,0

37

Titik-titik di atas dimasukkan ke dalam diagram kartesius seperti pada Gambar 3.15.

Gambar 3.15 Dataset dalam diagram kartesius.

Dari dataset pada Tabel 3.12 diambil 3 buah data yakni S1=(1,0), S2=(3,1) dan

S3=(3,-1). Selanjutnya data-data ini digunakan untuk mencari persamaan hyperplane.

Adapun proses pencarian persamaan hyperplane dijabarkan sebagai berikut.

α1Φ(S1).Φ(S1)+α2Φ(S2).Φ(S1)+α3Φ(S3).Φ(S1) = -1

α1Φ(S1).Φ(S2)+α2Φ(S2).Φ(S2)+α3Φ(S3).Φ(S2) = +1

α1Φ(S1).Φ(S3)+α2Φ(S2).Φ(S3)+α3Φ(S3).Φ(S3) = +1 (3-7)

Φ(S1).Φ(S1) = w*x+b, b = 1 (3-8)

Φ(U).Φ(Z)=(U1.Z1)2+2(U1.Z1)(U2.Z2)+(U2.Z2)

2+2(U1.Z1)+2(U2.Z2)+1 (3-9)

Ketiga data yang telah dipilih kemudian disubstitusikan ke dalam persamaan (3-9).

Proses perhitungannya dijabarkan sebagai berikut.

Φ(S1).Φ(S1)=Φ(1,0).Φ(1,0)=(1.1)2+2(1.1)(0.0)+(0.0)2+2(1.1)+2(0.0)+1

Φ(S1).Φ(S1)=4

Φ(S2).Φ(S1)=Φ(3,1).Φ(1,0)=(3.1)2+2(3.1)(1.0)+(3.0)2+2(3.1)+2(1.0)+1

Φ(S2).Φ(S1)=16

Φ(𝑆3).Φ(𝑆1)=Φ(3,-1).Φ(1,0)=(3.1)2+2(3.1)(-1.0)+(-1.0)2+2(3.1)+2(-1.0)+1

Φ(𝑆3).Φ(S1)=16

Φ(S1).Φ(S2)=Φ(1,0).Φ(3,1)=(1.3)2+2(1.3)(0.1)+(0.1)2+2(1.3)+2(0.1)+1

Φ(S1).Φ(S2)=16

Φ(S2).Φ(S2)=Φ(3,1).Φ(3,1)=(3.1)2+2(3.1)(1.1)+(1.1)2+2(3.1)+2(1.1)+1

Φ(S2).Φ(S2)=121

38

Φ(S3).Φ(S2)=Φ(3,-1).Φ(3,1)=(3.3)2+2(3.3)(-1.1)+(-1.1)2+2(3.3)+2(-1.1)+1

Φ(S3).Φ(S2)=79

Φ(S1).Φ(S3)=Φ(1,0).Φ(3,-1)=(1.3)2+2(1.3)(0.-1)+(0.-1)2+2(1.3)+2(0.-1)+1

Φ(S1).Φ(S3)=16

Φ(S2).Φ(S3)=Φ(3,1).Φ(3,-1)=(3.3)2+2(3.3)(1.-1)+(1.-1)2+2(3.3)+2(1.-1)+1

Φ(S2).Φ(S3)=79

Φ(S3).Φ(S3)=Φ(3,-1).Φ(3,-1)=(3.3)2+2(3.3)(-1.-1)+(-1.-1)2+2(3.3)+2(-1.-1)+1

Φ(S3).Φ(S3)=121

Hasil perhitungan menggunakan persamaan (3-9) kemudian disubstitusikan ke

dalam persamaan (3-7).

4α1+16α2+16α3=-1

16α1+121α2+79α3=+1

16α1+79α2+121α3=+1 (3-10)

Dengan menggunakan metode substitusi, didapatkan nilai α1 = −3.5, α2 = 0.75 dan

α3 = 0.75. Langkah selanjutnya yaitu menghitung offset dan bobot hyperplane dengan

menggunakan persamaan (3-11).

w = ∑ αiSi

𝑤 = −3,5 (101) + 0,75(

311) + 0,75(

3−11

) = (10

−2)

(3-11)

Sehingga diperoleh offset dan bobot hyperplane y= wx+b dengan 𝑤 = (01) dan

b=-2. Gambar 3.16 menunjukkan dataset yang dipisahkan oleh garis hyperplan.

Gambar 3.16 Contoh dataset dengan hyperplane

39

3.5. Skenario Pengujian

Pada sebuah penelitian, pengujian sistem merupakan proses yang penting untuk

menentukan kesesuaian antara sistem yang dibangun dengan tujuan pembangunan sistem.

Pada penelitian ini, penulis akan melakukan pengujian sistem yang terdiri dari 4 skenario

antara lain sebagai berikut :

1. Pengujian akurasi berdasarkan parameter pada jumlah fitur yang digunakan metode

HSV, menggunakan satu hingga lima fitur yang diantaranya fitur mean, standar

deviasi, skewness, entropy, dan kurtosis. Adapun digunakan hanya 1 jenis fitur yaitu

fitur mean karena dalam penelitian sebelumnya fitur mean ini memiliki akurasi

tinggi. Dan pada penelitian ini, akurasi tertinggi pada ekstraksi fitur HSV didapatkan

dengan menggunakan lima jenis fitur.

2. Pengujian akurasi berdasarkan kombinasi jarak dan sudut. Kombinasi jarak yang

digunakan yaitu 1, 2, 3, 4, dan 5. Kombinasi sudut yang digunakan yaitu 0, 45, 90,

dan 135.

3. Pengujian akurasi berdasarkan kombinasi fitur HSV, GLCM, dan Canny dengan

deteksi tepi 10.10, 20.20, 30.30, 40.40, dan 50.50 menggunakan klasifikator SVM.

4. Pengujian Black Box Testing, pengujian ini digunakan untuk menguji fungsionalitas

dari sistem deteksi kelayakan tukar uang kertas rupiah dengan cara membandingkan

hasil akurasi model dengan hasil akurasi yang diberikan oleh sistem berdasarkan

uang yang akan dideteksi kelayakan penukarannya.

Adapun teknik pengujian yang dilakukan adalah dengan menghitung nilai akurasi,

presisi, dan recall. Dalam penelitian ini, pengujian precission dan recall merupakan

pengujian subyektif karena kedua pegujian tersebut dilakukan dengan memberi nilai

benar atau salah pada citra hasil, sehingga berdasarkan nilai benar dan salah tersebut rata-

rata precission dan recall didapatkan. Nilai recall dan precision membutuhkan suatu

matriks yang disebut dengan confusion matrix. Confusion matrix merupakan metode

perhitungan yang berguna untuk menganalisis seberapa baik pengklasifikasian dapat

mengenali kelas-kelas yang berbeda. Matriks tersebut dapat dilihat pada Tabel 3.13.

definisi recall ditunjukkan pada persamaan (3-12), sedangkan definisi precision

ditunjukkan pada persamaan (3-13)[25].

40

Tabel 3.13 Confusion matrix 2x2.

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝑡𝑝 + 𝑡𝑛

𝑛𝑝 + 𝑛𝑛× 100%

Keterangan :

tp : true positive (jumlah uang dapat ditukar pada citra uang kertas yang berhasil

terdeteksi sebagai uang yang dapat ditukar)

tn : true negative (jumlah uang tidak dapat ditukar pada citra uang kertas yang

berhasil terdeteksi sebagai uang yang tidak dapat ditukar)

fp : false positive (jumlah uang tidak dapat ditukar pada citra uang kertas yang

terdeteksi sebagai uang yang dapat ditukar)

fn : false negative (jumlah uang dapat ditukar pada citra uang kertas yang terdeteksi

sebagai uang yang tidak dapat ditukar)

np : Jumlah data bernilai prositive

nn : Jumlah data bernilai negative

3.6. Rancangan Antarmuka Aplikasi Pendeteksi Kelayakan Penukaran Uang

Kertas Rupiah

Perancangan antarmuka (interface) aplikasi merupakan perancangan yang

berhubungan dengan tampilan dan interaksi antara pengguna dengan aplikasi. Antarmuka

aplikasi digunakan untuk mempermudah pengguna (masyarakat umum) dalam

berkomunikasi dengan aplikasi. Adapun perancangan antarmuka aplikasi pendeteksi

kelayakan penukaran uang kertas Rupiah adalah sebagai berikut :

Predict class

Uang dapat

ditukar

Uang tidak

dapat ditukar

Actual

class

Terdeksi sebagai uang dapat ditukar Tp Fp

Terdeteksi sebagai uang tidak dapat

ditukar

Fn Tn

(3-12)

(3-13)

(3-11)

41

3.6.1 Antarmuka Beranda

Gambar 3.17 Antarmuka beranda

Gambar 3.17 merupakan antarmuka beranda atau tampilan awal aplikasi pada saat

pengguna membuka aplikasi. Pada halaman ini menampilkan deskripsi mengenai aplikasi

dan juga terdapat fitur button select image yang berfungsi mengambil gambar uang yang

ingin dideteksi.

3.6.2. Antarmuka Menu

Gambar 3.18 Antarmuka menu

Gambar 3.18 merupakan antarmuka menu yang menampilkan pilihan kepada

pengguna ketika menekan button select image yang diantaranya terdapat menu camera ,

gallery, dan cancel.

42

3.6.3. Antarmuka Hasil Uang Deteksi

Gambar 3.19 Antarmuka hasil deteksi uang

Gambar 3.19 merupakan antarmuka hasil uang berhasil dideteksi. Pada halaman

ini akan menampilkan informasi-informasi terkait uang yang dideteksi seperti keaslian,

nominal, dan kelayakan tukar atau tidaknya uang.

43

BAB IV

HASIL DAN PEMBAHASAN

4.1. Pengumpulan Dataset

Pada penelitian ini, pembuatan aplikasi menggunakan citra uang kertas Rupiah

yang berjumlah 420 dengan 7 jenis pecahan uang kertas Rupiah yaitu Rp. 1.000.-, Rp.

2.000.-, Rp. 5.000.-, Rp. 10.000.-, Rp. 20.000.-, Rp. 50.000.-, dan Rp. 100.000.-. yang

masing-masing pecahan diambil berdasarkan 3 kriteria atau kondisi uang kertas

diantaranya baru, rusak, dan palsu. Masing-masing pecahan uang kertas dalam setiap

kriteria diambil sebanyak 20 citra, sehingga masing-masing kriteria dataset berjumlah

140 dataset. Pengambilan dataset tersebut diambil menggunakan smartphone dengan

menggunakan aplikasi CamScanner.

Gambar 4.1 Dataset uang kertas (a) baru, (b) rusak, (c) palsu

4.2. Mekanisme Penelitian

Mekanisme penelitian diperlukan untuk mendapatkan model aplikasi terbaik dari

machine learning yang dibentuk pada penelitian ini . Dataset yang digunakan pada

penelitian ini adalah dataset uang kertas Rupiah. Adapun alur penelitian yang pertama

yaitu melakukan training data berupa foto uang kertas Rupiah yang telah dikumpulkan

dengan tujuan untuk mendapatkan model terbaik dari metode SVM, kemudian model

tersebut diimplementasikan kedalam mobile Android.

Selanjutnya, dilakukan pengujian terhadap model machine learning yang

dibangun menggunakan dua acara pengujian yaitu pengujian citra random dan k-fold

(a) (b)

(c)

44

cross validation. Pengujian ini dilakukan dengan berbagai parameter dengan urutan

pengujian sebagai berikut :

1. Jumlah Fitur HSV, menggunakan satu hingga lima fitur yang diantaranya fitur

mean, standar deviasi, skewness, entropy, dan kurtosis.

2. Kombinasi sudut dan jarak GLCM, kombinasi jarak yang digunakan yaitu 1, 2, 3,

4, dan 5. Kombinasi sudut yang digunakan yaitu 0, 45, 90, dan 135.

3. Kombinasi fitur HSV, fitur GLCM, dan fitur Canny dengan deteksi tepi yaitu 10.10,

20.20, 30.30, 40.40, dan 50.50 menggunakan klasifikator SVM.

4. Black Box Testing, pengujian ini digunakan untuk menguji fungsionalitas daria

sistem deteksi kelayakan penukaran uang kertas Rupiah dengan cara

membandingkan hasil akurasi model dengan hasil akurasi yang diberikan oleh

sistem berdasarkan uang yang akan dideteksi kelayakan penukarannya.

4.3. Preprocessing

Preprocessing merupakan tahap persiapan data sampel sebelum digunakan baik

pada proses pelatihan maupun pengklasifikasian. Tahapan preprocessing yang dilakukan

terhadap seluruh data citra yang telah di-scan adalah proses cropping untuk mendapatkan

citra masing-masing karakter. Selanjutnya, citra masuk ke proses resize untuk

mendapatkan ukuran citra yang diinginkan. Adapun ukuran citra yang digunakan pada

pengujian ini yaitu 256 x 512 piksel dengan ruang warna dasar RGB dan memiliki format

jpg. Pengambilan penelitian ini digunakan library OpenCV pada Python untuk memuat

citra dan resize.

Cropping

Resize

Citra RGB Uang

Citra uang hasil cropping

Citra uang 256 x 512

45

Selanjutnya citra yang sudah di-resize kemudian dibagi menjadi citra untuk training

dan citra untuk testing. Skenario training dan testing yang digunakan untuk melakukan

pembagian pada penelitian ini adalah 70:30 dengan kombinasi citra training dan citra

testing dipisahkan terlebih dahulu dalam folder berbeda. Pemisahan ini dilakukan agar

ketika dilakukan penelitian untuk menguji setiap parameter, citra-citra yang digunakan

ketika training dan testing merupakan citra yang sama. Gambar 4.2 menunjukkan dataset

yang digunakan sebagai citra training, sedangkan Gambar 4.3 menunjukkan dataset yang

digunakan sebagai data testing.

Gambar 4.2 Citra Training

Gambar 4.3 Citra Testing

46

4.4. Klasifikasi Uang Menggunakan SVM

Pada penelitian ini, digunakan tiga ekstraksi fitur diantaranya fitur HSV, fitur

GLCM, dan fitur Canny. Fitur-fitur tersebut akan digunakan pada proses training

menggunakan klasifikator SVM dan terdiri dari 2 tahapan yaitu pelatihan dan pengujian.

Pada proses pelatihan pertama yang dilakukan adalah menentukan kelas yang akan

digunakan, dalam hal ini kelas layak tukar dan tidak layak tukar. Selanjutnya pada

masing-masing kelas akan ditentukan citra target. Citra target pada masing-masing kelas

ini akan diekstraksi untuk mendapatkan fitur target. Proses ekstraksi citra target

menggunakan metode yang sama dengan metode pelatihan untuk mendapatkan fitur

warna HSV dan fitur tekstur GLCM. Untuk mendapatkan ukuran setiap pecahan uang

kertas Rupiah digunakan fitur Canny dengan dua fitur yaitu area dan contour serta dengan

menggunakan berbagai variasi deteksi tepi 10.10, 20.20, 30.30, 40.40, dan 50.50.

Pada tahap pengujian, citra input diekstrak untuk mendapatkan fitur warna HSV

dan fitur tekstur GLCM, kemudian SVM akan melakukan klasifikasi terhadap citra input

tersebut, apakah termasuk pada kelas layak ditukar atau tidak layak ditukar.

4.5. Hasil Pengujian

Pengujian dilakukan secara berurutan sesuai dengan urutan yang telah dijabarkan

pada subjudul 3.5 skenario pengujian. Adapun langkah awal untuk pengujian pertama

yaitu pada parameter jumlah fitur HSV, kemudian kombinasi sudut dan jarak GLCM.

Selanjutnya kombinasi fitur HSV, fitur GLCM, dan fitur Canny dengan deteksi tepi yaitu

10.10, 20.20, 30.30, 40.40, dan 50.50 menggunakan klasifikator SVM dan terakhir white

box testing. Teknik pengujian yang digunakan untuk mengetahui performa model adalah

k-fold cross validation. K- fold cross validation merupakan metode statistik untuk

mengevaluasi serta membandingkan algoritme learning dengan membagi data menjadi

dua segmen, satu segmen digunakan untuk melatih model dan yang lain digunakan untuk

memvalidasi model. Cross validation bertujuan untuk menghindari tumpeng tindih pada

data testing. Pada penelitian ini, digunakan 5-fold cross validation dengan pembagian

dataset untuk training dan testing masing-masing yaitu 70:30.

4.5.1. Pengujian Jumlah Fitur HSV

Pengujian ini dilakukan untuk mengetahui apakah fitur HSV yang dipilih berhasil

digunakan untuk reorientasi keaslian uang Rupiah. Pengujian menggunakan citra uang

dengan ukuran 256 x 512 dengan pembagian dataset untuk training dan testing masing-

47

masing yaitu 70:30. Pada pengujian jumlah fitur HSV, pertama menggunakan satu fitur

yaitu mean karena pada penelitian [3] parameter tersebut menghasilkan akurasi tinggi.

Kemudian dicoba menggunakan lima fitur yaitu mean, standar deviasi, skewness, entropi,

dan kurtosis. Hasil dari pengujian dapat dilihat pada Tabel 4.1.

Tabel 4.1 Hasil pengujian dengan jumlah fitur HSV

Parameter Klasifikasi Validasi

Fitur HSV Akurasi

Training (%)

Akurasi

Testing

(%)

Akurasi (%)

Presisi (%)

Recall (%)

1 Fitur 70 58 70 78 88

2 Fitur 66 61 72 79 90

3 Fitur 66 60 72 79 90

4 Fitur 69 60 75 82 92

5 Fitur 72 62 77 84 93

Berdasarkan pengujian jumlah fitur HSV, diperoleh nilai akurasi tertinggi

menggunakan lima fitur HSV dengan akurasi pada klasifikasi sebesar 72% pada training

dan 62% pada testing. Pada kolom validasi, hasil tersebut didapatkan dari hasil skenario

pengujian ketiga yaitu ketika parameter deteksi tepi didapatkan (50,50) maka hasil

klasifikasi pun dapat diketahui, karena pada saat proses klasifikasi dilakukan tampilan

hasil klasifikasi terdiri dari keaslian, nominal, dan kelayakan uang. Berdasarkan

penjelasan tersebut didapatkan akurasi sebesar 77%, presisi sebesar 84%, dan recall

sebesar 93%, sehingga menandakan bahwa HSV dengan menggunakan lima fitur yaitu

mean, standar deviasi, skewness, entropi, dan kurtosis baik digunakan untuk

mengidentifikasi keaslian uang kertas Rupiah dan digunakan dalam pengujian skenario

berikutnya.

4.5.2. Pengujian Kombinasi Sudut dan Jarak GLCM

Pengujian ini dilakukan untuk mengetahui apakah metode yang dipilih berhasil

digunakan untuk reorientasi nominal uang Rupiah. Pengujian kombinasi sudut dan jarak

dilakukan menggunakan lima fitur GLCM yaitu energy, entropy, contrast, homogeneity,

dan correlation. Pada pengujian kombinasi sudut dan jarak GLCM, terdapat beberapa

48

variasi sudut dan jarak yang digunakan yaitu sudut 0, 45, 90, dan 135. Kemudian untuk

jarak yaitu 1, 2, 3, 4, dan 5. Pengujian ini menggunakan citra uang dengan ukuran 256 x

512 dengan pembagian dataset untuk training dan testing masing-masing yaitu 70:30.

Hasil pengujian dapat dilihat pada Tabel 4.2.

Tabel 4.2. Hasil pengujian kombinasi sudut dan jarak GLCM

Parameter Klasifikasi Validasi

Sudut Jarak Akurasi

Training (%)

Akurasi

Testing

(%)

Akurasi (%)

Presisi (%)

Recall (%)

0, 45,

90,

dan

135

1 86 75 73 83 88

2 74 67 69 75 81

3 81 78 71 80 83

4 77 74 65 72 75

5 70 64 62 72 71

Berdasarkan pengujian kombinasi sudut dan jarak dengan lima fitur GLCM,

diperoleh nilai akurasi tertinggi pada sudut 0, 45, 90, dan 135 dengan jarak yaitu 1 dengan

akurasi pada klasifikasi sebesar 86% pada training dan 75% pada testing. Pada kolom

validasi, hasil tersebut didapatkan dari hasil skenario pengujian ketiga yaitu ketika

parameter deteksi tepi didapatkan (50,50) maka hasil klasifikasi pun dapat diketahui,

karena pada saat proses klasifikasi dilakukan tampilan hasil klasifikasi terdiri dari

keaslian, nominal, dan kelayakan uang. Berdasarkan penjelasan tersebut didapatkan

akurasi sebesar 73%, presisi sebesar 83%, dan recall sebesar 88%,. Hal ini menandakan

bahwa GLCM dengan sudut 0, 45, 90, dan 135 dengan jarak yaitu 1 dan menggunakan

lima fitur baik digunakan untuk mengidentifikasi nominal uang kertas Rupiah dan

digunakan dalam pengujian skenario berikutnya.

4.5.3. Pengujian Kombinasi Fitur HSV, GLCM, dan Canny Menggunakan

Klasifikator SVM

Pengujian ini dilakukan untuk mengetahui apakah SVM berhasil dalam

mengklasifikasikan citra uang input untuk reorientasi kelayakan penukaran uang.

Langkah awal yang dilakukan pada pengujian ini yaitu menentukan deteksi tepi paling

49

optimal dengan berbagai variasi deteksi tepi yaitu 10.10, 20.20, 30.30, 40.40, dan 50.50.

Pengujian ini menggunakan citra uang dengan ukuran 256 x 512 . Hasil pengujian dapat

dilihat pada Tabel 4.3.

Tabel 4.3. Hasil pengujian berbagai variasi deteksi tepi Canny

Deteksi Tepi Akurasi(%) Recall(%) Presisi(%)

10,10 65 71 69

20,20 65 72 70

30,30 68 76 73

40,40 69 83 78

50,50 71 85 82

Berdasarkan pengujian berbagai variasi deteksi tepi dengan dua fitur Canny,

diperoleh nilai akurasi tertinggi pada deteksi tepi 50,50 dengan nilai akurasi sebesar 71%,

presisi sebesar 82%, dan recall sebesar 85%. Selanjutnya pengujian dilakukan terhadap

masing-masing kelas dari uang yaitu kelas uang layak tukar dan kelas uang tidak layak

tukar. Pada masing-masing kelas digunakan dataset sejumlah 210 data yang kemudian

dibagi menjadi tujuh jenis pecahan uang kertas, dimana masing-masing pecahan terdiri

dari 30 dataset yang terdiri 15 dataset uang asli dan 15 dataset uang palsu. Hasil dari

pengujian untuk kelas uang layak tukar dapat dilihat pada Tabel 4.4.

Tabel 4.4 Hasil klasifikasi uang layak tukar dengan SVM

Jenis Uang Input Jumlah Data Testing

Hasil Klasifikasi

T F

1.000 30 26 4

2.000 30 22 4

5.000 30 27 3

10.000 30 15 15

20.000 30 24 6

50.000 30 22 8

50

100.000 30 21 9

Total 210 161 49

Berdasarkan data hasil pengujian diatas, untuk data input testing dengan tujuh

jenis pecahan uang kertas Rupiah yang telah dilakukan training dengan SVM, klasifikator

SVM hanya mampu mendeteksi uang layak ditukar sebanyak 161 dari 210 data yang

diuji. Hal ini terjadi karena adanya kemiripan pada nominal dan warna uang. Selanjutnya

hasil tingkat akurasi uang layak ditukar sesuai data yang didapat pada Tabel 4.4 dapat

dilihat pada Tabel 4.5.

Tabel 4.5 Hasil akurasi klasifikasi uang layak tukar

Jenis Klasifikasi Uang Akurasi(%) Recall(%) Presisi(%)

Uang layak tukar 76,66 90,76 83,91

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑇𝑃+𝑇𝑁

𝑇𝑜𝑡𝑎𝑙𝑥 100% =

167+ 0

210𝑥 100% = 76,66%

𝑟𝑒𝑐𝑎𝑙𝑙 =𝑡𝑝

𝑡𝑝+𝑓𝑛 𝑥 100% =

167

167+17 𝑥 100% = 90,76%

𝑝𝑟𝑒𝑠𝑖𝑠𝑖 =𝑡𝑝

𝑡𝑝+𝑓𝑝 𝑥 100% =

167

167+32= 83,91%

Berdasarkan hasil akurasi pada Tabel 4.5 diatas, diketahui bahwa klasifikator

SVM dalam mendeteksi uang layak tukar mendapatkan nilai akurasi sebesar 76,66% ,

recall sebesar 90,76% dan presisi sebesar 83,91%. Selanjutnya melakukan klasifikasi

pada kelas uang tidak layak tukar dengan SVM. Hasil dari pengujian untuk kelas uang

tidak layak tukar dapat dilihat pada Tabel 4.6.

Tabel 4.6 Hasil klasifikasi uang tidak layak tukar dengan SVM

Jenis Uang

Input

Jumlah

Data

Testing

Hasil Klasifikasi

T F

1.000 30 22 8

2.000 30 22 8

5.000 30 24 6

51

10.000 30 13 17

20.000 30 19 11

50.000 30 18 12

100.000 30 18 12

Total 210 136 74

Berdasarkan data hasil pengujian diatas, untuk data input testing dengan tujuh

jenis pecahan uang kertas Rupiah yang telah dilakukan training dengan SVM, klasifikator

SVM hanya mampu mendeteksi uang tidak layak ditukar sebanyak 136 dari 210 data yang

diuji. Hal ini terjadi karena adanya kemiripan pada nominal dan warna uang. Selanjutnya

hasil tingkat akurasi uang tidak layak tukar sesuai data yang didapat pada Tabel 4.6 dapat

dilihat pada Tabel 4.7.

Tabel 4.5 Hasil akurasi klasifikasi uang tidak layak tukar

Jenis Klasifikasi Uang Akurasi(%) Recall(%) Presisi(%)

Uang tidak layak tukar 64,76 81,92 75,55

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑇𝑃+𝑇𝑁

𝑇𝑜𝑡𝑎𝑙𝑥100% =

136+ 0

210= 64,76%

𝑟𝑒𝑐𝑎𝑙𝑙 =𝑡𝑝

𝑡𝑝+𝑓𝑛𝑥100% =

136

136+30= 81,92%

𝑝𝑟𝑒𝑠𝑖𝑠𝑖 =𝑡𝑝

𝑡𝑝+𝑓𝑝𝑥100% =

136

136+44= 75,55%

Berdasarkan hasil akurasi pada Tabel 4.7 diatas, diketahui bahwa klasifikator

SVM dalam mendeteksi uang tidak layak tukar mendapatkan nilai akurasi sebesar 64,76%

, recall sebesar 81,92% dan presisi sebesar 75,55%.

4.5.4. Pengujian Black Box Testing

Pengujian black box testing dilakukan untuk menguji fungsionalitas dari sistem

deteksi kelayakan tukar uang kertas Rupiah dengan cara membandingkan hasil akurasi

model dengan hasil akurasi yang diberikan oleh sistem berdasarkan uang yang akan

dideteksi kelayakan penukarannya. Pada tahap ini, dilakukan proses pengujian dengan

menggunakan dataset random sebanyak 70 dataset yang sama digunakan pada tahap

training dan testing. Pengujian citra uang tersebut, diuji kedalam model dan sistem untuk

52

dibandingkan hasil akurasi yang diperoleh. Hasil pengujian dapat dilihat pada Tabel 4.8

dan Tabel 4.9.

Tabel 4.8. Hasil uang pada model Tabel 4.9. Hasil uang pada sistem

Uang A N L Ket

1-1 B B B B

1-2 B B B B

1-3 B B B B

1-4 B B B B

1-5 B B B B

1-6 B B B B

1-7 B B B B

1-8 B B B B

1-9 B B S S

1-10 B B B B

2-1 B B B B

2-2 B B B B

2-3 B B B B

2-4 B B B B

2-5 B B B B

2-6 B B B B

2-7 B B B B

2-8 B B B B

2-9 B B B B

2-10 B B B B

5-1 B B B B

Uang A N L Ket

1-1 B B B B

1-2 B B B B

1-3 B B B B

1-4 B B B B

1-5 B B B B

1-6 B B B B

1-7 B B B B

1-8 B B B B

1-9 B B S S

1-10 B B B B

2-1 B B B B

2-2 B B B B

2-3 B B B B

2-4 B B B B

2-5 B B B B

2-6 B B B B

2-7 B B B B

2-8 B B B B

2-9 B B B B

2-10 B B B B

5-1 B B B B

53

5-2 B B B B

5-3 B B B B

5-4 B B B B

5-5 B B S S

5-6 B B B B

5-7 B B B B

5-8 B B B B

5-9 B B S S

5-10 B B B B

10-1 B B B B

10-2 B B B B

10-3 B B B B

10-4 B B B B

10-5 B B S S

10-6 B B B B

10-7 B B S S

10-8 B S S S

10-9 B B B B

10-10 B B B B

20-1 B B B B

20-2 B B B B

20-3 B B B B

20-4 B B B B

20-5 B B B B

20-6 B B B B

5-2 B B B B

5-3 B B B B

5-4 B B B B

5-5 B B S S

5-6 B B B B

5-7 B B B B

5-8 B B B B

5-9 B B S S

5-10 B B B B

10-1 B B B B

10-2 B B B B

10-3 B B B B

10-4 B B B B

10-5 B B S S

10-6 B B B B

10-7 B B S S

10-8 B S S S

10-9 B B B B

10-10 B B B B

20-1 B B B B

20-2 B B B B

20-3 B B B B

20-4 B B B B

20-5 B B B B

20-6 B B B B

54

20-7 B B S S

20-8 B B S S

20-9 B B B B

20-10 B B B B

50-1 B B B B

50-2 B B B B

50-3 S S S S

50-4 B B B B

50-5 B B B B

50-6 B S S S

50-7 B B B B

50-8 B B B B

50-9 B B B B

50-10 B B B B

100-1 B B B B

100-2 B B S S

100-3 B B B B

100-4 B B B B

100-5 B B B B

100-6 B B B B

100-7 B B B B

100-8 B B B B

100-9 S S S S

100-10 B B B B

20-7 B B S S

20-8 B B S S

20-9 B B B B

20-10 B B B B

50-1 B B B B

50-2 B B B B

50-3 S S S S

50-4 B B B B

50-5 B B B B

50-6 B S S S

50-7 B B B B

50-8 B B B B

50-9 B B B B

50-10 B B B B

100-1 B B B B

100-2 B B S S

100-3 B B B B

100-4 B B B B

100-5 B B B B

100-6 B B B B

100-7 B B B B

100-8 B B B B

100-9 S S S S

100-10 B B B B

55

Keterangan :

A : Asli (Keaslian uang)

N : Nominal (Nominal uang)

L : Layak (Kelayakan uang)

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑢𝑎𝑛𝑔 𝑝𝑎𝑑𝑎 𝑚𝑜𝑑𝑒𝑙 =58 𝑥 100

70= 82,85%

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 𝑢𝑎𝑛𝑔 𝑝𝑎𝑑𝑎 𝑠𝑖𝑠𝑡𝑒𝑚 = 58𝑥100

70 = 82,85%

Berdasarkan Tabel 4.4 dan Tabel 4.5 diatas, didapatkan akurasi pada model sebesar

82,85% dan akurasi pada sistem sebesar 82,85%. Kedua akurasi yang didapatkan sama,

sehingga dapat disimpulkan bahwa hasil deteksi kelayakan penukaran uang pada model

telah sesuai dengan hasil deteksi kelayakan penukaran uang pada sistem.

4.6. Implementasi Aplikasi Kelayakan Tukar Uang Rupiah

4.6.1. Halaman Beranda

Halaman beranda merupakan halaman yang akan tampil setelah splash screen

selesai ditampilkan. Pada halaman beranda ditampilkan informasi singkat mengenai

aplikasi dan terdapat button select image untuk pengguna dapat memilih foto uang yang

ingin dideteksi kelayakan penukarannya seperti yang terlihat pada Gambar 4.4.

Gambar 4.4. Halaman beranda

4.6.2. Halaman Menu

Halaman menu pada Gambar 4.5 merupakan halaman yang menampilkan

beberapa menu pilihan kepada pengguna ketika button select image ditekan oleh

56

pengguna. Adapun menu-menu yang ditampilkan yaitu menu gallery untuk mengarahkan

pengguna ke fitur gallery, dan cancel untuk membatalkan aksi dan akan dikembalikan ke

halaman beranda.

Gambar 4.5. Halaman menu

4.6.3. Halaman Hasil Uang

Halaman hasil uang merupakan halaman yang akan ditampilkan setelah pengguna

memilih uang yang ada di gallery untuk dideteksi. Halaman ini menampilkan hasil

deteksi uang yang terdiri dari keaslian, nominal, dan kelayakan tukar uang seperti yang

terlihat pada Gambar 4.6.

Gambar 4.6. Halaman hasil

Asli

1.000

0

57

BAB V

KESIMPULAN DAN SARAN

Berdasarkan hasil pengujian parameter jumlah fitur HSV terbaik didapatkan dengan

menggunakan lima jenis fitur yaitu mean, skewness, standar deviasi, entropy, dan kurtosis

dengan akurasi sebesar 77%, presisi sebesar 84%, dan recall sebesar 93%. Berdasarkan

hasil pengujian parameter kombinasi sudut dan jarak dengan lima fitur GLCM terbaik

yaitu pada sudut 0, 45, 90, dan 135 dengan jarak yaitu 1 dengan akurasi sebesar 73%,

presisi sebesar 83%, dan recall sebesar 88%. Berdasarkan hasil variasi deteksi tepi

dengan dua fitur Canny terbaik didapatkan pada deteksi tepi 50,50 dengan akurasi akurasi

sebesar 71%, presisi sebesar 82%, dan recall sebesar 85%.

Klasifikator SVM sudah berjalan cukup baik dalam melakukan deteksi uang layak

tukar dan uang tidak layak tukar dengan tingkat akurasi pada kelas uang layak tukar

sebesar 76,66% dan pada kelas uang tidak layak tukar sebesar 64,76%. Hal ini terjadi

dikarenakan kemiripan warna dan nominal pada uang. Berdasarkan hasil pengujian

blackbox dengan mengambil 70 dataset random, aplikasi dan model machine learning

memperoleh hasil yang sama dan sesuai dengan masing-masing akurasi sebesar 82,85%.

Penelitian ini diharapkan untuk dikembangkan dengan memperbanyak data uang

kertas Rupiah dengan varian yang lebih beragam agar classifier dapat mempelajari lebih

banyak uang, sehingga akurasi menjadi lebih baik. Penambahan pada fitur warna HSV,

fitur tekstur GLCM, dan fitur bentuk Canny lainnya agar diperoleh ciri yang lebih rinci

pada masing-masing sub-bagian citra. Serta pada fitur camera, aplikasi ini perlu

menerapkan beberapa proses processing untuk setiap data uang kertas sehingga fitur

camer dapat digunakan sebagai aksi dalam mengambil gambar uang secara langsung

tanpa harus menyimpannya terlebih dahulu ke dalam gallery sehingga lebih memudahkan

pengguna dalam menggunakan aplikasi.

58

DAFTAR PUSTAKA

[1] B. Indonesia, “Laporan Tahunan Bank Indonesia (LTBI) Tahun 2019,” Bank

Indonesia., no. Jakarta, 2019.

[2] Bank Indonesia, “Buku panduan uang rupiah: Ciri-Ciri Keaslian, Standar Visual

Kualitas Rupiah dan Daftar Rupiah yang Dicabut dan Ditarik Dari Peredaran,” p.

64, 2011.

[3] P. S. Sukmaningrum et al., “Identifikasi Nilai Nominal dan Keaslian Uang Kertas

Rupiah Menggunakan Support Vector Machine,” J. Teknol., vol. 1, no. 1, pp. 69–

73, 2013, doi: 10.11113/jt.v56.60.

[4] X. Zheng, H. Xiong, Y. Li, B. Han, and J. Sun, “RGB and HSV quantitative

analysis of autofluorescence bronchoscopy used for characterization and

identification of bronchopulmonary cancer,” Cancer Med., vol. 5, no. 11, pp.

3023–3030, 2016, doi: 10.1002/cam4.831.

[5] I. Hastuti, “Perbandingan Metode Deteksi Tepi Menggunakan Metode Canny,

Prewitt Dan Sobel Pada Image Ikan,” J. Repos. Poliban, vol. 5662, pp. 9–10, 2016.

[6] StatCounter GlobalStats, “Mobile Operating System Market Share Europa |

StatCounter Global Stats,” Statcounter. 2019.

[7] E. F. Setiawan, R. Magdalena, and L. Novamizanti, “Rupiah Berbasis Pengolahan

Citra Digital Menggunakan Metode,” Journals Telkom Univ., vol. 4, no. 5, p. 10,

2012.

[8] A. M. Puspitasari, D. E. Ratnawati, and A. W. Widodo, “Klasifikasi Penyakit Gigi

Dan Mulut Menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol.

Inf. dan Ilmu Komput., vol. 2, no. 2, pp. 802–810, 2018.

[9] A. Hidayat and Makhsun, “Analisis Citra Daun Berdasarkan Fitur Local Binary

Pattern Dan Fitur Canny Edge Detection Menggunakan Metode Klasifikasi K-

Nearest Neighbor ( K-NN ),” J. Esit, pp. 1–10, 2018.

[10] Meiriyama, “Klasifikasi Citra Buah Berbasis Fitur Warna HSV dengan

Klasifikator SVM,” J. Elem., vol. 4, no. 1, pp. 50–61, 2018.

[11] F. H. Sekarani and N. Chamidah, “Mengenali Keaslian Mata Uang Kertas Rupiah

Dengan Penerapan Metode Support Vector Machine,” Senamika, pp. 574–584,

2020.

[12] D. Retnowati and K. Anggriani, “Penerapan Support Vector Machine Untuk

Pendeteksian dan KlasifiKasi Motif Pada Citra Batik Besurek Motif Gabungan

Berdasarkan Fitur,” J. Pseudocode, vol. V, no. 2, p. 10, 2018.

[13] Cavenett, “Peraturan Bank Indonesia Tentang Pengelolaan Uang Rupiah,” J.

Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2013, doi:

10.1017/CBO9781107415324.004.

59

[14] G. B. Indonesia, “Standar Kualitas Rupiah,” p. 4, 2017.

[15] B. Indonesia, “Sosialisasi penggantian uang rusak,” p. 10, 2016.

[16] A. R. L. Francisco, “Pengantar Pengolahan Citra Digital,” J. Chem. Inf. Model.,

vol. 53, no. 9, pp. 1689–1699, 2013, doi: 10.1017/CBO9781107415324.004.

[17] L. Handayani, “Rancang Bangun Sistem Temu Kembali Gambar Ikan Berdasarkan

Estraksi Ciri Warna HSV , Bentuk Canny dan Tekstur Orde Dua,” J. Sains, Teknol.

dan Ind., vol. 13, no. Universitas Islam Negeri Sultan Syarif Kasim Riau, pp. 174–

180, 2016.

[18] F. R. Wicaksono et al., “Perancangan Dan Implementasi Alat Penyortir Barang

Pada Design and Implementation of Items Device Sorting on Conveyor,” vol. 5,

no. 1, pp. 40–47, 2018.

[19] Lipeng Fei Yangqiao Wen, Chensi, “Glcm, fcm dan aplikasinya,” Biomass Chem

Eng, vol. 49, no. 23–6, 2015.

[20] I. G. R. Agung, “Ekstraksi Warna, Tekstur, Dan Bentuk Untuk Image Retrieval,”

Semin. Nas. Teknol. Inf. dan Multimed. 2016, no. 2302–3805, pp. 4.3-1-4.3-6,

2016.

[21] R. Andrian, S. Anwar, M. A. Muhammad, and A. Junaidi, “Identifikasi Kupu-

Kupu Menggunakan Ekstraksi Fitur Deteksi Tepi ( Edge Detection ) dan

Klasifikasi K-Nearest Neighbor ( KNN ),” Jutisi (Jurnal Tek. Inform. dan Sist.,

vol. 5, pp. 234–243, 2019.

[22] I. D. Kurniawati and A. Kusumawardhani, “Implementasi Algoritma Canny dalam

Pengenalan Wajah menggunakan Antarmuka GUI Matlab,” vol. 7 no. 10, pp. 3–8,

2017.

[23] K. Adi and R. R. Isnanto, “Support Vector Machine Untuk Klasifikasi Citra Jenis

Daging Berdasarkan Tekstur Menggunakan Ekstraksi Ciri Gray Level Co-

Occurrence Matrices ( GLCM ),” J. Sist. Inf. Bisnis, vol. 01, pp. 1–10, 2016, doi:

10.21456/vol6iss1pp1-10.

[24] Y. X. Chu, X. G. Liu, and C. H. Gao, “Multiscale models on time series of silicon

content in blast furnace hot metal based on Hilbert-Huang transform,” Proc. 2011

Chinese Control Decis. Conf. CCDC 2011, pp. 842–847, 2011, doi:

10.1109/CCDC.2011.5968300.

[25] D. Satria and M. Mushthofa, “Perbandingan Metode Ekstraksi Ciri Histogram dan

PCA untuk Mendeteksi Stoma pada Citra Penampang Daun Freycinetia,” J. Ilmu

Komput. dan Agri-Informatika, vol. 2, no. 1, p. 20, 2013, doi: 10.29244/jika.2.1.20-

28.

60

Lampiran Dataset Uang Kertas Rupiah

• Dataset Uang Baru

61

• Dataset Uang Rusak

62

63

• Dataset Uang Palsu

e

64