The 14th Industrial Electronics Seminar 2012 (IES 2012) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia,

October 24, 2012

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: nana@eepis-its.edu, setia@eepis-its.edu, andy@student.eepis-its.edu

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 komponenkomponen 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.

ISBN: 978-602-9494-28-0

143

Communication and Network Systems, Technologies and Applications

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)

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 warnawarna 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

(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)

Gambar 2. Grafik Pembelajaran Warna Fitur Keabsahan Uang Fitur Keabsahan Uang

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 (a)

144

Communication and Network Systems, Technologies and Applications

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.

(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)

(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

(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 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,

Gambar 4. Grafik Tingkat Akurasi Klasifikasi Jenis Uang

Hasil percobaan menunjukkan tingkat akurasi keberhasilan klasifikasi jenis uang 2000 maupun

145

Communication and Network Systems, Technologies and Applications

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;

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

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

146

Communication and Network Systems, Technologies and Applications

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://wwwee.ccny.cuny.edu/www/web/yltian/Publication s/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]

[9]

HSL and HSV. Available: http://en.wikipedia.org/wiki/HSV_color_space . Tips Membedakan Uang Asli Atau Uang Palsu,Available:http://www.republika.co.id/b erita/video/berita/12/03/21/lmtd19-tipsmembedakan-uang-asli-atau-palsu.

147