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.
Top Related