-
The 14th Industrial Electronics Seminar 2012 (IES 2012)
Electronic Engineering Polytechnic Institute of Surabaya (EEPIS),
Indonesia, October 24, 2012
ISBN: 978-602-9494-28-0 143
Sistem Pengenalan Keabsahan dan Nominal Uang Kertas Rupiah
dengan Metode Histogram Interseksi dan Integral Proyeksi
Nana Ramadijanti, Setiawardhana, Andy Vebby Setiawan Departemen
Informatika dan Komputer Politeknik Elektronika Negeri Surabaya
Kampus PENS, Jalan Raya ITS Sukolilo, Surabaya 60111 Tel: (031)
594 7280; Fax: (031) 594 6114
Email: [email protected], [email protected],
[email protected]
Abstrak
Penelitian ini bertujuan membuat sistem pengenalan keabsahan
uang kertas menggunakan metode seleksi warna menggunakan metode
histogram interseksi dan pengenalan nominal uang menggunakan metode
integral proyeksi. Untuk mengetahui keabsahan uang kertas terdapat
beberapa hal yang harus diperhatikan seperti benang pengaman, tanda
air, perbedaan warna dan tekstur, dan bahan kertas yang digunakan.
Pengenalan keabsahan uang, fitur yang diambil berupa benang
pengaman dan hologram. Pada proses pengenalan nominal uang, fitur
yang diambil berupa angka pada nominal uang. Hasil dari penelitian
ini adalah sistem mampu memberikan informasi status keabsahan dan
nilai nominal uang. Status keabsahan uang dengan mendeteksi adanya
benang pengaman atau hologram dan mengenali besar nominal uang.
Kata kunci: fitur uang benang pengaman, fitur uang hologram,
seleksi warna, histogram interseksi, integral proyeksi. 1.
Pendahuluan Keabsahan uang dapat ditentukan dengan memperhatikan
karakteristik uang kertas [12] dengan cara sebagai berikut : a.
Melihat warnanya pudar, kusam, atau pucat b. Meraba permukaan uang
kertas apakah terasa
kasar atau lembut c. Menerawang pada sumber cahaya yang kuat
apakah terlihat bagian tali pengaman dalam kondisi baik atau
tidak. Beberapa hal yang perlu diperhatikan seperti
benang pengaman, tanda air, dan perbedaan warna dan tekstur, dan
bahan kertas yang digunakan. Penelitian sebelumnya telah dilakukan
oleh Kharisma, Gilang [1] dalam Identifikasi Uang Kertas
Menggunakan Metode Backpropagasi Pada Sistem Internet-Telepon Umum,
maka pada penelitian ini melakukan pengembangan dengan menggunakan
web cam untuk menggantikan sensor cahaya. Hassanuzzaman, dkk telah
menulis komponen-komponen yang handal dan efektif untuk pengenalan
nota bank [2] dipakai sebagai referensi pada sistem
ini untuk penentuan nominal uang. Ginting, Elias Dianta [3]
dalam Deteksi Tepi Menggunakan Metode Canny Dengan Matlab Untuk
Membedakan Uang Asli dan Uang Palsu, dan Lesmana, Hendra [5] dalam
Algoritma Pengenalan Nilai Mata Uang Pada Alat Penghitung Uang
Kertas Berbasis Webcam dan Artificial Neural Network. Penelitian
ini melakukan pengembangan dengan melakukan klasifikasi jenis uang
untuk mengelompokkan uang kedalam kelompok tertentu sebagai langkah
awal untuk pengenalan keabsahan uang menggunakan histogram
interseksi hue seperti yang digunakan pada Sistem Online CBIR
Menggunakan Identifikasi Warna Dominan Pada Foreground Obyek oleh
Purnamasari, Fitria [6]. Sistem melakukan seleksi warna hue untuk
melakukan pengenalan keabsahan uang pada model warna HSV seperti
yang digunakan pada Implementasi Pengolah Citra Untuk Identifikasi
Produk Kemasan Berdasarkan Label Kemasannya oleh Mahsun, Moh. Ali
Habibi [4]. Sistem melakukan pengenalan angka terhadap nominal uang
menggunakan integral proyeksi seperti yang digunakan pada robot
cerdas pemadam api oleh Setiawardhana, Riyanto, dan Dadet [7]. Dari
beberapa hal tersebut, maka dalam penelitian ini melakukan
konstribusi pada beberapa bagian, mencoba menyelesaikan
permasalahan pada pengenalan keabsahan uang yang mengembangkan
sistem dengan menggantikan sensor cahaya dengan web cam.
2. Metode Penelitian ini bertujuan untuk mengenali keabsahan
uang yang kemudian mengenali nominal dari uang tersebut. Diagram
kerja sistem keseluruhan dapat dilihat pada gambar 1.
-
Communication and Network Systems, Technologies and
Applications
144
Gambar 1. Diagram Sistem Secara Umum Gambar diperoleh dari hasil
capture oleh web camera akan dilakukan pengelompokkan jenis uang.
Pengelompokkan jenis uang terdiri dari jenis uang 2000 dan jenis
uang 5000. Setelah dikelompokkan ke dalam masing-masing kelompok,
gambar tersebut akan diolah lagi untuk pengenalan keabsahan uang.
Pengenalan keabsahan uang dilakukan dengan melakukan seleksi warna
hue pada model warna HSV. Setelah sistem mengenali uang tersebut
sebagai uang asli, maka selanjutnya adalah dengan melakukan
pengenalan nominal uang menggunakan seleksi warna rgb pada model
warna RGB yang nantinya akan dilakukan pencocokan data training
dengan data testing dengan menggunakan integral proyeksi.
2.1. Konversi Warna BGR Ke HSV Gambar yang diperoleh dari hasil
capture oleh web camera merupakan gambar dengan model warna RGB.
Untuk mendapatkan gambar dengan model warna HSV, sistem harus
merubah model warna BGR menjadi model warna HSV dengan melakukan
perhitungan matematis. Adapun rumus yang digunakan adalah sebagai
berikut [9] :
(1)
(2)
(3)
2.2. Histogram Interseksi Hue Histogram interseksi dilakukan
dengan pehitungan jarak yang membandingkan dua histogram h1 dan h2
dan terhadap jumlah bin dengan mengambil nilai interseksi dari
kedua histogram tersebut. Adapun perhitungan yang dipakai dalam
histogram interseksi [6] adalah sebagai berikut:
(4)
Pada penelitian ini, histogram interseksi hue digunakan untuk
mengelompokkan jenis uang. Sifat dari histogram interseksi adalah
menghilangkan bagian tertentu apabila sebuah obyek dalam suatu
gambar dihilangkan pada bagian tertentu, bagian yang kelihatan
masih mempunyai konstribusi untuk kesamaan atau similaritas. 2.3.
Seleksi Warna
Seleksi Warna adalah proses pengolahan citra dengan menangkap
informasi warna dari obyek yang diambil gambarnya. Pada umumnya
warna-warna yang dilakukan untuk seleksi warna adalah warna-warna
primer Red, Green, dan Blue. Hasil pembelajaran warna terhadap
fitur uang bisa dilihat pada tabel 1 dan tabel 2. Tabel 1. Hasil
Pembelajaran Warna Fitur Keabsahan
Uang
Tabel 2. Hasil Pembelajaran Warna Fitur Nominal
Uang
Gambar 2. Grafik Pembelajaran Warna Fitur
Keabsahan Uang Fitur Keabsahan Uang
(a)
-
Communication and Network Systems, Technologies and
Applications
145
(b)
Gambar 3. Grafik Pembelajaran Warna Fitur Nominal Uang; (a) Uang
2000; (b) Uang 5000
2.4. Perhitungan Integral Proyeksi Integral proyeksi adalah
suatu metode yang digunakan untuk mencari daerah lokasi dari obyek.
Integral proyeksi merupakan bagian dari ciri bentuk gambar. Pada
penelitian ini, dalam melakukan pengenalan nominal angka pada uang
terhadap fitur yang diambil terlebih dahulu. Pengenalan nominal
uang, fitur untuk uang 2000 adalah angka 2 dan fitur uang 5000
adalah angka 5. Perhitungan integral proyeksi dengan menjumlahkan
piksel per baris maupun pixel per kolom [7] adalah sebagai berikut
:
(5)
(6)
3. Hasil Pengujian yang akan dilakukan antara lain:
Pengujian klasifikasi jenis uang Pengujian keabsahan uang
Pengujian nominal uang
3.1. Hasil Pengujian Klasifikasi Jenis Uang Pengujian
klasifikasi jenis uang memerlukan bantuan sinar putih sebagai
pencahayaan pada pengambilan gambar. Pengujian masing-masing uang
2000 dan uang 5000 diuji dalam kondisi baik, sedang, buruk, dan
palsu.
Gambar 4. Grafik Tingkat Akurasi Klasifikasi Jenis Uang
Hasil percobaan menunjukkan tingkat akurasi keberhasilan
klasifikasi jenis uang 2000 maupun
uang 5000 sama-sama baiknya, baik pada kondisi baik, sedang,
buruk, dan palsu dengan tingkat akurasi keberhasilan yang diperoleh
sebesar 100%. Sedangkan pada uang lainnya tingkat akurasi
keberhasilan yang diperoleh sebesar 0%. 2000 dan uang 5000.
3.2. Hasil Pengujian Keabsahan Uang Pengujian kabsahan uang
memerlukan bantuan sinar ultraviolet guna melihat fitur keabsahan
yang tersembunyi pada uang asli. Pengujian keabsahan uang dilakukan
dengan menggunakan seleksi warna hue pada model warna HSV. Untuk
mendapatkan nilai hue, terlebih dahulu dilakukan konversi gambar
model warna BGR ke HSV. Seleksi warna hue berdasarkan data-data
warna pada fitur keabsahan pada tabel 1. Pada kasus uang 2000,
seleksi nilai warna hue yang diberikan berkisar antara 134-146.
Sedangkan pada kasus uang 5000, seleksi nilai warna hue yang
diberikan berkisar antara 66-116.
(a)
(b)
(c) (d)
Gambar 5. (a) Uang 2000; (b) Uang 5000; (c) Hasil Pengenalan
Keabsahan Pada Uang
2000; (d) Hasil Pengenalan Keabsahan Pada Uang 5000
Gambar 6. Grafik Tingkat Akurasi Keabsahan Uang Tingkat akurasi
keberhasilan pengenalan keabsahan pada uang 2000 maupun uang 5000
yang diperoleh sebesar 100% apabila uang dalam kondisi baik. Pada
kondisi sedang, tingkat akurasi keberhasilan uang 5000 dengan
persentase keberhasilan 97% lebih baik daripada uang 2000 dengan
persentase keberhasilan 80%. Pada kondisi uang yang buruk, tingkat
akurasi keberhasilan uang 5000 memiliki persentase keberhasilan 83%
lebih baik daripada uang 2000 dengan persentase keberhasilan 67%.
Pada uang palsu, tidak dikenali sebagai uang asli 2000 atau uang
asli 5000 karena pada tidak memiliki fitur keabsahan yang akan
dikenali oleh sistem, yaitu benang pengaman atau hologram. 3.3.
Hasil Pengujian Nominal Uang Pada pengujian pengenalan nominal uang
memerlukan bantuan sinar putih sebagai pencahayaan dalam
pengambilan gambar. Dalam pengujian ini,
-
Communication and Network Systems, Technologies and
Applications
146
sistem harus mencari fitur nominal pada uang terlebih dahulu.
Setelah sistem menemukan fitur nominal, sistem dapat melakukan
proses seleksi warna pada fitur angka awal pada nominal uang. Model
warna yang digunakan pada pengolahan nominal angka adalah model
warna RGB. Seleksi warna dapat dilakukan sistem berdasarkan
data-data warna angka pada tabel 2. Pada kasus uang 2000, seleksi
nilai blue yang diberikan kurang dari 88 dan nilai blue kurang dari
nilai green dan nilai red kurang dari 85 dan nilai red kurang dari
nilai green. Sedangkan pada kasus uang 5000, seleksi nilai nilai
warna green kurang dari 105 dan nilai warna green lebih besar dari
nilai warna blue, sedangkan nilai warna red kurang dari sama dengan
99 dan nilai warna red lebih besar dari nilai warna blue dan nilai
warna blue kurang dari 70.
(a) (b)
(c)
(d)
Gambar 7. (a) Uang 2000; (b) Uang 5000; (c) Hasil Pengenalan
Nominal Uang 2000; (d) Hasil Pengenalan Nominal Uang 5000;
Gambar 8. Grafik Tingkat Akurasi Nominal Uang Berdasarkan
percobaan yang telah dilakukan bahwa tingkat akurasi keberhasilan
pengenalan nominal uang 2000 dan uang 5000 sebesar 100% untuk uang
dalam kondisi baik. Pada kondisi sedang maupun buruk, tingkat
akurasi keberhasilan tidak sebagus seperti pada kondisi uang yang
baik. Pada kondisi sedang, tingkat akurasi keberhasilan uang 5000
dengan persentase keberhasilan 80% sama baiknya dengan uang 2000
dengan persentase keberhasilan 80%. Pada kondisi uang yang buruk,
tingkat akurasi keberhasilan uang 2000 dengan persentase 67% lebih
baik daripada uang 5000 dengan persentase sebesar 57%. Pada uang
palsu, tidak dikenali sebagai uang asli 2000 atau uang asli 5000
karena pada pengenalan keabsahan uang, uang palsu dianggap oleh
sistem sebagai uang palsu, sehingga sistem tidak melakukan
pengenalan nominal uang terhadap uang tersebut. 4. Diskusi Pada
pengujian klasifikasi jenis uang, pengenalan terhadap uang 2000 dan
5000 baik asli dalam, kondisi baik, sedang, dan buruk maupun palsu
mampu dikenali dalam klasifikasi jenis uang tersebut. Hal ini
terjadi dikarenakan data testing memiliki kemunculan warna yang
mirip dengan data training. Apabila data testing tidak memiliki
kemunculan warna yang menyerupai warna pada uang asli 2000 dan uang
asli 5000, maka sistem akan menganggap sebagai uang yang tidak
teridentifikasi.
Pada pengujian keabsahan uang, uang 2000 asli maupun uang 5000
asli berhasil dilakukan apabila masing-masing uang tersebut dalam
kondisi baik, mulus, dan belum pernah dipakai dalam transaksi
pembayaran. Pada kondisi sedang, terdapat beberapa uang asli yang
tidak terdeteksi sebagai uang asli. Hal ini disebabkan karena
beberapa hal, yaitu tingkat pencahayaan sinar UV yang tidak stabil
yang menyebabkan fitur keabsahan (benang pengaman dan hologram)
yang terkadang tidak memendarkan warna bila terkena sinar UV.
Begitu juga dengan kondisi uang yang buruk, juga terdapat beberapa
uang asli yang tidak terdeteksi sebagai uang asli karena tingkat
pencahayaan sinar UV yang tidak stabil, uang terlalu lusut, uang
terlalu kotor, dan permukaan uang yang tipis. Sedangkan pada uang
palsu, sistem menganggap uang tersebut sebagai uang palsu karena
tidak adanya fitur keabsahan (benang pengaman dan hologram) yang
dikenali oleh sistem sebagai uang asli. Pada pengujian nominal
uang, pengenalan nominal uang yang sulit dikenali adalah pada uang
5000. Hal ini dikarenakan karena warna angka memiliki warna yang
menyerupai dengan warna background dan warna tepi yang menyebabkan
proses seleksi warna yang tidak optimal.
5. Kesimpulan Kondisi uang, kestabilan tingkat pencahayaan pada
sinar UV saat pengambilan gambar mempengaruhi hasil pengenalan
keabsahan dan nominal uang. Berdasarkan pengujian klasifikasi jenis
uang yang telah dilakukan nilai persentase keberhasilan 100%
diperoleh pada data uji menyerupai data uang 2000 atau data uang
5000 baik asli dalam kondisi baik, sedang, dan buruk maupun palsu
atau data uji yang memiliki kemunculan warna yang mirip dengan data
uang 2000 atau data uang 5000. Berdasarkan pengujian keabsahan uang
yang telah dilakukan, uang dengan kondisi baik memiliki nilai
persentase keberhasilan 100%. Pada kondisi sedang, tingkat akurasi
keberhasilan uang 5000 sama dengan 97%, uang 2000 dengan persentase
keberhasilan 80%. Pada kondisi uang yang buruk, tingkat akurasi
keberhasilan uang 5000 sama dengan 83%,uang 2000 dengan persentase
keberhasilan 67%. Pada uang palsu, tidak dikenali sebagai uang asli
2000 atau uang asli 5000. Berdasarkan pengujian nominal uang
tingkat akurasi keberhasilan uang 2000 dan uang 5000 sebesar 100%
untuk uang dalam kondisi baik. Pada kondisi sedang, tingkat akurasi
keberhasilan uang 2000 dan 5000 dengan persentase keberhasilan sama
yaitu 80%. Pada kondisi uang yang buruk, tingkat akurasi
keberhasilan uang 2000
-
Communication and Network Systems, Technologies and
Applications
147
dengan persentase 67%, uang 5000 dengan persentase 57%.
Berdasarkan pengujian keabsahan uang dan nominal uang yang telah
dilakukan, sistem belum optimal dalam pengenalan obyek uang
disebabkan karena ketidakstabilan tingkat pencahayaan sinar UV
dalam pengenalan keabsahan uang. Oleh karena itu, untuk kedepannya
perlu ditambahkan metode sistem cerdas neural network untuk
pengenalan obyek uang dan nominalnya. Referensi [1] Kharisma,
Gilang, Identifikasi Uang Kertas
Menggunakan Metode Backpropagasi Pada Sistem Internet-Telepon
Umum, Politeknik Elektronika Negeri Surabaya, 2011.
[2] Hasanuzzaman, Yang, and Tian, Robust and Effective
Component-based Banknote Recognition by SURF Features, Available:
http://www-ee.ccny.cuny.edu/www/web/yltian/Publications/wocc2011_Banknote.pdf.
[3] Ginting, Elias Dianta, Deteksi Tepi Menggunakan Metode Canny
Dengan Matlab Untuk Membedakan Uang Asli Dan Uang Palsu,
Universitas Gunadarma, 2012.
[4] Moh. Nanang Habibi Mahsun, Implementasi Pengilahan Citra
Untuk Identifikasi Produk Kemasan Berdasarkan Label Kemasannya,
Politeknik Elektronika Negeri Surabaya, 2010.
[5] Lesmana, Hendra, Algoritma Pengenalan Nilai Mata Uang Pada
Alat Penghitung Uang Kertas Berbasis Webcam dan Artificial Neural
Network, Politeknik Elektronika Negeri Surabaya, 2007.
[6] Purnamasari, Fitria, Sistem Online CBIR Menggunakan
Identifikasi Warna Dominan Pada Foreground Obyek, Politeknik
Elektronika Negeri Surabaya, 2010.
[7] Setiawardhana, Sigit, dan Pramadihanto, Robot Cerdas Pemadam
Api Menggunakan Proyeksi Integral, Politeknik Elektronika Negeri
Surabaya, 2006.
[8] HSL and HSV. Available:
http://en.wikipedia.org/wiki/HSV_color_space.
[9] Tips Membedakan Uang Asli Atau Uang
Palsu,Available:http://www.republika.co.id/berita/video/berita/12/03/21/lmtd19-tips-membedakan-uang-asli-atau-palsu.