Deteksi Nominal Mata Uang Dengan Template Matching

Currency Nominal Detection With Template Matching

Djuniar Angga Samudra[1], Yisti Vita Via[2], Eva Yulia Puspaningrum [3]
Jurusan Teknik Informatika, Fakultas Ilmu Komputer
UPN “Veteran” Jawa Timur
Jl. Raya Rungkut Madya, Gunung Anyar Surabaya
Tlp. (031) 8782179 , Faks. (031) 9792257
djuniar23@gmail.com[1], yistivia.if@upnjatim.ac.id[2],
evapuspaningrum.if@upnjatim.ac.id[3]

ABSTRAK
Deteksi nominal mata uang merupakan salah satu hal yang sangat penting saat ini,
proses deteksi nominal mata uang sendiri merupakan salah satu dasar dari pengembangan alat
atau mesin yang dapat mempermudah kehidupan sehari-hari khususnya pada bidang
perkonomian. Penelitian ini menggunakan teknik template matching dalam pengenalannya,
tahap pengenalan dimulai dari proses resize, cropping, grayscale, biner, segmentasi. Dan
tahap terakhir adalah proses pengenalan karakter uang dengan cara membandingkan tiap
objek dengan template yang telah disediakan. Deteksi nominal uang dengan teknik template
matching mendapatkan hasil akurasi sebesar 82.85%, akurasi tersebut didapat dengan menguji
sebanyak 35 citra uang.

Kata Kunci : Deteksi Nominal Mata Uang, Template Matching, OCR

ABSTRACK
Nominal currency detection is one of the most important things nowadays, the
currency nominal detection process itself is one of the foundations of the development of tools
or machines that can facilitate daily life, especially in the field of economy. This research uses
template matching technique in its introduction, introduction stage starts from process resize,
cropping, grayscale, binary, segmentation. And the last step is the process of recognizing the
character of money by comparing each object with a template that has been provided.
Nominal detection of money by matching template technique gets the result of accuracy of
82.85%, the accuracy is obtained by testing as many as 35 image of money.

Key Word: Currency Nominal Detection, Template Matching, OCR

1
I. PENDAHULUAN
1. Latar Belakang

Manurut Solikin & Suseno Uang adalah suatu benda yang pada dasarnya dapat
berfungsi sebagai: (1) alat tukar (medium of exchange), (2) alat penyimpan nilai (store of
value), (3) satuan hitung (unit of account), dan (4) ukuran pembayaran yang tertunda
(standard for deffered payment).
Seiring dengan meningkatnya perkembangan teknologi saat ini, banyak permasalahan
yang dapat diselesaikan dengan bantuan teknologi yang ada. Semakin banyak penemuan-
penemuan baru dan juga pengembangan dari teknologi yang sudah pernah ada sebelumnya
yang memberikan berbagai dampak positif bagi kehidupan manusia.
Salah satu hal yang sangat dibutuhkan saat ini adalah bagaimana mengenali sebuah
mata uang secara cepat dan akurat dengan memanfaatkan perkembangan teknologi saat ini.
Hal ini akan sangat membantu dalam pelayanan umum, seperti contoh dalam hal jual beli
sehingga dapat mempercepat transaksi ataupun dapat digunakan oleh penyandang tuna netra
agar tidak kesulitan dalam bertransaksi.
Pengenalan nominal mata uang dilakukan dengan serangkaian proses pengolahan citra
(Image Processing). Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah
diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan
citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan
keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra
masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra (image compression).
(Rinaldi Munir, 2004)
Penelitian kali ini menggunakan teknik Template Matching sebagai metode dalam
mengenali nominal uang kertas yang ada. Template matching merupakan salah satu cara
untuk melakukan pengenalan obyek, identifikasi, dan deteksi. Salah satu metode template
matching yang sering digunakan adalah korelasi dengan memanfaatkan posisi dari nilai
korelasi silang tertinggi citra template dan citra frame yang berisi obyek yang ingin dideteksi.
(Hendry & Hidayat, 2011)
Dan menurut Jurie metode ini adalah salah satu metode yang paling popular untuk
mendapatkan informasi dari media gambar. Dalam metode ini dikenal pencarian fitur tertentu
atau target dari waktu ke waktu yang didasarkan pada perbandingan isi setiap gambar dengan
sample template. Template matching adalah sebuah teknik dalam pengolahan citra digital
untuk menemukan bagian-bagian kecil dari gambar yang cocok dengan template gambar.

2
Roberto Brunelli menerangkan bahwa template matching adalah suatu teknik untuk mengukur
kesamaan dari dua gambar digital, untuk menentukan apakah mereka adalah sama atau tidak.

2. Landasan Teori
2.1 Citra Digital
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek.
Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat digital. Citra
analog adalah citra yang bersifat kontinu seperti gambar pada monitor televisi, foto sinar X,
hasil CT Scan dll. Sedangkan pada citra digital adalah citra yang dapat diolah oleh komputer (
T,Sutoyo 2009).
Sebuah citra digital dapat mewakili oleh sebuah matriks yang terdiri dari M kolom N
baris, dimana perpotongan antara kolom dan baris disebut piksel ( piksel = picture element),
yaitu elemen terkecil dari sebuah citra. Piksel mempunyai dua parameter, yaitu koordinat dan
intensitas atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar
intensitas atau warna dari piksel di titik itu. Oleh sebab itu, sebuah citra digital dapat ditulis
dalam bentuk matriks berikut.
𝑓(0,0) 𝑓(0,1) … 𝑓(0, 𝑀 − 1)
𝑓 𝑥, 𝑦 = 𝑓(1,0) … … 𝑓(1, 𝑀 − 1)
… … … …
𝑓(𝑁 − 1,0) 𝑓(𝑁 − 1,1) … 𝑓(𝑁 − 1, 𝑀 − 1)

Berdasarkan matriks tersebut, secara matematis citra digital dapat dituliskan sebagai
fungsi intensitas f (x,y), dimana harga x (baris) dan y (kolom) merupakan 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. Pada proses digitalisasi (sampling dan
kuantitas) diperoleh besar baris M dan kolom N hingga citra membentuk matriks M x N dan
jumlah tingkat keabuan piksel G (T, Sutoyo 2009).
2.2 Pengolahan Citra Digital
Pengolahan citra digital adalah sebuah disiplin ilmu yang mempelajari hal-hal yang
berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna,
restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geometrik),
melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan analisis,
melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang
terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data,

3
transmisi data, dan waktu proses data. Input dari pengolahan citra adalah citra, sedangkan
output-nya adalah citra hasil pengolahan. (T.Sutoyo, 2009)
2.3 Pengenalan Pola
Pola adalah entitas yang terdefinisi atau didefinisikan melalui ciri-cirinya (feature).
Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lainnya. Ciri
yang baik adalah ciri yang memiliki daya pembeda yang tinngi, sehingga pengelompokan
pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi (Sitorus,
Syahriol dkk, 2006).
2.4 Segmentasi
Salah satu cara yang sering digunakan dalam memilah-milah citra dalam data-data
adalah segmentasi, yaitu membagi citra menjadi bagian-bagian yang diharapkan termasuk
objek-objek yang dianalisis. Segmentasi sering dideskripsikan sebagai proses analogi
terhadap proses pemisahan latar depan dan latar belakang. Untuk memperjelas pemisahan
antara objek dengan latar belakang, citra dithreshold berdasarkan nilai ambang tertentu
dengan metode Otsu. Keakuratan dari segmentasi ini sangat menentukan keberhasilan
dalam pemrosesan analisis citrsecara otomatis. Konversi suatu citra abu-abu menjadi
citra biner adalah bentuk sederhana dari segmentasi citra, dimana citra dipartisi menjadi dua
bagian. Ada dua pendekatan yang digunakan dalam segmentasi objek (Rinaldi Munir, 2004)
2.5 Template Matching
Menurut Jurie (2001), Template Matching merupakan metode pengolahan citra digital
untuk menemukan bagian-bagian kecil dari gambar yang cocok dengan template gambar dan
merupakan metode yang paling populer untuk mendapatkan informasi dari media gambar.
Sedangkan, template matching correlation merupakan metode pencocokan setiap piksel pada
suatu matriks citra digital dengan citra yang menjadi acuan untuk menguji kemiripan sebuah
data dengan yang lain.
Menurut Wahyudi dkk (2015) Nilai korelasi dua buah matriks didapatkan dengan
menggunakan rumus korelasi dibawah ini:
𝑛
(𝑥𝑖𝑘 − 𝑥𝑖 ) ∙ (𝑥𝑗𝑘 − 𝑥𝑗 )
𝑘=1

r =

𝑛 𝑛
𝑘=1(𝑥𝑖𝑘 − 𝑥𝑖 )² ∙ 𝑘=1(𝑥𝑗𝑘 − 𝑥𝑗 )²

Dimana 𝑥𝑖 dirumuskan dengan persamaan (1)

Dan 𝑥𝑗 dirumuskan dengan persamaan (2)

4
 1 𝑛
𝑥𝑖 = 𝑛 𝑘=1 𝑥𝑖𝑘 ................................................... (1)
1 𝑛
𝑥𝑗 = 𝑛 𝑘=1 𝑥𝑗𝑘 .................................................... (2)

Keterangan :
r = adalah nilai korelasi antara dua buah matriks (nilainya antar
-1 dan +1)
𝑥𝑖𝑘 = adalah nilai pixel ke-k dalam matriks i
𝑥𝑗𝑘 = adalah nilai pixel ke-k dalam matriks j
𝑥𝑖 = adalah rata-rata nilai pixel matriks i
𝑥𝑗 = adalah rata-rata nilai pixel matriks j
n = menyatakan jumlah pixel dalam suatu matriks

II. METODE PENELITIAN

Alur dari program ini dapat dilihat pada flowchart dibawah ini.

Start Negasi

Input Citra
Uji Noise Filtering

Resize Segmentasi

Cropping Template Database

Matching pembanding

Grayscale Hasil
Pengenalan

Biner
End

Gambar 1. Flowchart Alur Sistem

1. Input Citra Uji

5
 Input citra yang digunakan adalah uang kertas rupiah keluaran 2016 nominal 1000
sampai dengan 100.000 , keseluruhan citra akan diambil pada bagian sisi belakang dengan
posisi horizontal dan tidak terbalik bagian atas dan bawahnya. Tujuan pengambilan sisi
belakang karena bagian yang akan dikenali adalah nominal uang pada posisi kanan bawah, hal
itu dikarenakan pada bagian tersebut memiliki ukuran karakter yang cukup besar dan tanpa
danya background yang menggangu untuk melakukan proses selanjutnya.

2. Resize
Proses resize digunakan untuk mengubah ukuran citra uji yang sebelumnya ukurannya
tidak diketahui dirubah menjadi ukuran 400x900 pixel. Tujuannya adalah agar semua citra
yang akan diproses memiliki ukuran yang sama, sehingga tidak akan terjadi kesalahan dalam
proses berikutnya

3. Cropping
Cropping adalah proses pemotongan gambar sesuai dengan yang diinginkan. Pada tahap
ini proses crop digunakan untuk mengambil bagian nominal yang ada pada pojok kanan
bawah citra uang yang akan diuji. Proses crop ini menggunakan koordinat yang telah
ditetapkan sebelumnya dan hasil crop akan masuk ke proses selanjutnya.

Gambar 2. Bagian yang Akan Dikenali

4. Grayscale
Proses ini bertujuan untuk mengubah citra RGB menjadi biner agar citra yang didapatkan
berupa citra dengan skla abu-abu. Proses mencari nilai grayscale adalah dengan mencari nilai
rata-rata RGB dan pencarian nilai rata-rata dilakukan untuk semua pixel yang ada pada citra
tersebut.

5. Biner
Proses ini dilakukan untuk mendapatkan citra yang memiliki 2 warna, yaitu hitam dan
putih atau dapat citra yang bernilai 1 dan 0. Proses biner dilakukan untuk dapat mengenali
bagian yang merupakan objek atau background.

6. Negasi

6
 Negasi dalam matematika merupakan sebuah ingkaran atau kebalikan dari suatu nilai.
Pada penelitian ini negasi digunakan untuk mengubah citra biner yang sebelumnya
menunjukkan warna putih sebagai background, menjadi kebalikannya yaitu warna putih
dikenali sebagai objek.

7. Noise Filtering
Proses yang bertujuan untk menghilangkan noise pada citra. Noise berupa area berwarna
putih disekitar pada citra yang bukan merupakan objek. Proses filtering dilakukan dengan
menghapus area yang memiliki luas kurang dari 200 pixel.

8. Segmentasi
Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel,
juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk memisahkan antar
objek menjadi bagian sendiri, yang nantinya tiap objek tersebut akan dilakukan proses
pengenalan karakter.
Proses segmentasi menggunakan teknik regionprops, teknik ini bekerja dengan cara
mencari area-area berwarna putih (memiliki nilai 1) dan dilanjut dengan boundingbox yang
bergunak untuk membatasi antar objek.

Gambar 3. Proses Segmentasi

Objek yang telah dikenali kemudian akan dilakukan proses crop sesuai dengan
boundingbox. Citra kemudian dilakukan proses negasi sekali lagi untuk mendapatkan citra
dengan objek berwarna hitam dan background berwarna putih. Hal ini bertujuan untuk
mendapatkan citra uji yang sama dengan citra template nantinya
Setelah itu citra diubah dengan ukuran 22x14 pixel, di mana ukuran ini sama dengan
ukuran citra template, hal ini dikarenakan salah sati syarat untuk menggunakan template
matching adalah ukuran citra harus sama satu sama lain.

Gambar 4. Hasil Pemotongan

9. Template Matching

7
 Pengenalan pola dengan menggunakan metode template matching dilakukan dengan cara
membandingkan citra masukan dengan citra template. Citra masukan dihitung berdasarkan
banyaknya titik yang sesuai dengan citra template. Pixel citra biner ditelusuri mulai dari kiri
atas hingga ke kanan bawah.
Dengan menggunakan rumus korelasi, karakter yang terdeteksi akan dicocokan dengan
keseluruhan data yang ada pada template dan akan menghasilkan nilai antara -1 sampai
dengan 1 , dua buah citra dianggap mirip apabila nilai korelasi mendekati 1.
Hasil tersebut kemudian akan melalui proses dimana ketika karakter terdeteksi dengan
salah satu template di database maka akan dilakukan proses penentuan nominal mata uang.

10. Database
Database yang dimaksud yakni penyimpanan beberapa file template yang digunakan
sebagai pembanding dalam proses pengenalan. Basis data ini berisi 10 angka mulai dari 0
sampai 9. Data template di atur dengan ukuran yang sama yaitu 22x14 pixel sama seperti data
uji nantinya. Data tersebut akan disimpan dalam folder yang nantinya setiap file angka di
inisialisasikan satu persatu ke dalam program kemudian disimpan dalam sebuah matriks.
Matriks yang tersimpan yakni 1x10.

11. Hasil Pengenalan

Hasil pengenalan didapatkan dari proses pencocokan citra masukan dengan citra
pembanding. Hasil pengenalan berupa pemberitahuan atau sebuah tulisan yang berisi nominal
uang sesuai dengan citra yang dimasukkan sebelumnya.
Seluruh citra yang akan diuji akan menghasilkan sebuah hasil yang berbeda-beda, selain
dari nominal tersebut. Terkadang akan ada citra yang tidak terdeteksi secara tepat, bukan
berarti citra uang tersebut tidak berhasil di deteksi, melainkan hanya angka tersebut yang
tidak terdeteksi dengan benar.
Hal ini sangat mungkin ada citra uang yang memiliki cacat fisik atau kondisi uang yang
kurang bagus karena sobek atau ada coretan, sehingga akan mengganggu proses pengenalan
tersebut.

12. Kebutuhan Sistem

Pada skripsi ini menggunakan sebuah perangkat keras dan perangkat lunak sebagai
berikut :
Hardware :
1. Komputer dengan processor Intel(R) Core(TM) i3-3217U

8
2. RAM (2GB)
3. Hard Disk 500 GigaByte
4. Asus Zenfone 2 Laser

Software :
1. Sistem Operasi Windows 7 32 bit.
2. Matlab R2013a

III. HASIL DAN PEMBAHASAN

Berdasarkan hasil uji coba yang telah dilakukan, maka akan dilakukan analisa, antara
lain pada Tabel 4.1 adalah hasil dari proses deteksi nominal mata uang dengan teknik
Template Matching. Dari 35 citra yang dimasukkan, akan diuji tingkat keberhasilanya, apakah
dari semua citra berhasil atau tidak untuk dideteksi. Untuk pengujian awal dilakukan pada
citra 1, untuk hasil sebagai berikut :

Gambar 5. Hasil Uji Coba 1

Pada gambar 5 menunjukkan hasil uji coba pada uang 100.000 , secara keseluruhan
sistem dapat mendeteksi nominal uang dengan benar. Proses segmentasi sangat berperan
penting dalam proses pengenalan kali ini, dapat dilihat pada proses segmentasi ditemukan 6
objek yang ditandai dengan kotak berwarna merah. Seluruh objek tersebut nantinya akan
dilakukan proses pembandingan dengan data citra template dan dicari nilai korelasi antar citra
tersebut.

9
 Pengujian berikutnya dilakukan terhadap citra uang yang memiliki kualitas kurang
baik. Untuk hasilnya dapat dilihat sebagai berikut:

Gambar 2. Hasil Uji Coba 2

Uji coba ke 2 kali ini dilakukan terhadap nominal 10.000, di mana Citra kali ini
memiliki kualitas citra yang kurang baik. Karena kualitas citra yang kurang baik maka hasil
yang didapat tidak sesuai dengan yang diinginkan. Bias dilihat pada proses noise filtering,
sistem tidak dapat menghilangkan bagian pixel yang tidak diperlukan. Hasil yang ditampilkan
menunjukkan hasil berupa “10044” hasil ini tidak sesuai karena objek ke-4 dan ke-5 memiliki
kualitas yang buruk dan mengganggu proses template Matching.

Di bawah ini adalah beberapa hasil dari percobaan deteksi nominal mata uang dengan
teknik Template Matching
Tabel 1 Hasil Uji Coba Pada Nominal 1.000

No. Nama Citra Hasil Kesimpulan

1. 1000_1 1000 Terdeteksi
2. 1000_2 1000 Terdeteksi
3. 1000_3 1000 Terdeteksi
4. 1000_4 1000 Terdeteksi
5. 1000_5 1000 Terdeteksi

10
 Tabel 2 Hasil Uji Coba Pada Nominal 2.000

No. Nama Citra Hasil Kesimpulan

1. 2000_1 2000 Terdeteksi
2. 2000_2 2000 Terdeteksi
3. 2000_3 82000 Tidak Terdeteksi
4. 2000_4 206 Tidak Terdeteksi
5. 2000_5 2000 Terdeteksi

Tabel 3 Hasil Uji Coba Pada Nominal 5.000

No. Nama Citra Hasil Kesimpulan

1. 5000_1 5406 Tidak Terdeteksi
2. 5000_2 5000 Terdeteksi
3. 5000_3 5000 Terdeteksi
4. 5000_4 5000 Terdeteksi
5. 5000_5 5000 Terdeteksi

Tabel 4 Hasil Uji Coba Pada Nominal 10.000

No. Nama Citra Hasil Kesimpulan

1. 10_1 10000 Terdeteksi
2. 10_2 10000 Terdeteksi
3. 10_3 18 Tidak Terdeteksi
4. 10_4 10000 Terdeteksi
5. 10_5 10044 Tidak Terdeteksi

Tabel 5 Hasil Uji Coba Pada Nominal 20.000

No. Nama Citra Hasil Kesimpulan

1. 20_1 20000 Terdeteksi
2. 20_2 20000 Terdeteksi
3. 20_3 4 Tidak Terdeteksi
4. 20_4 20000 Terdeteksi
5. 20_5 20000 Terdeteksi

Tabel 6 Hasil Uji Coba Pada Nominal 50.000

No. Nama Citra Hasil Kesimpulan

1. 50_1 50000 Terdeteksi
2. 50_2 50000 Terdeteksi
3. 50_3 50000 Terdeteksi
4. 50_4 50000 Terdeteksi

11
 5. 50_5 50000 Terdeteksi

Tabel 7 Hasil Uji Coba Pada Nominal 100.000

No. Nama Citra Hasil Kesimpulan

1. 100_1 100000 Terdeteksi
2. 100_2 100000 Terdeteksi
3. 100_3 100000 Terdeteksi
4. 100_4 100000 Terdeteksi
5. 100_5 100000 Terdeteksi

Dari ke 35 data citra uji yang diproses, secara keseluruhan berhasil dideteksi meskipun
beberapa citra uji tidak menampilkan hasil yang sesuai. Kesalahan-kesalahan tersebut karena
adanya beberapa faktor, mulai dari kualitas uang yang kurang baik, kualitas pencahayaan
dalam mengambil citra uji atau adanya coretan yang menutupi bagian karakter uang. Hal ini
lazim terjadi karena program tidak dapat mengenali dengan sempurna berbeda dengan mata
manusia yang dapat membedakan meskipun kondisi uang kurang begitu baik.
Pengenalan menggunakan metode template matching ini terhitung memiliki tingkat
keberhasilan yang cukup tinggi. Akurasi keberhasilan dapat dihitung sebagai berikut :
Jumlah Data Uji = 35
Jumlah Data Berhasil = 29
Jumlah Data Gagal =6
Akurasi = 29 / 35 x 100%
Akurasi = 82.85%
Hasil yang diperoleh dari penelitian ini menunjukkan bahwa pengenalan uang dengan
template matching memperoleh hasil sebesar 82.85%. hasil tersebut diperoleh 29 citra uji
yang berdasil dari 35 jumlah citra uji keseluruhan. Hasil tersebut menunjukkan bahwa teknik
template matching sangat cocok digunakan dan dapat terus dikembangkan untuk memperoleh
hasil yang lebih tinggi lagi.

IV. KESIMPULAN
Berdasarkan hasil uji coba yang telah dilakukan, maka dapat diperoleh kesimpulan
sebagai berikut :
1. Pengambilan citra sangat berpengaruh pada hasil pengenalan karakter. Citra yang
diambil harus memiliki pencahayaan yang baik, kondisi uang yang tidak ada cacat
fisik ataupun coretan yang mengganggun proses pengenalan.

12
 2. Proses noise filtering paling berpengaruh dalam pengenalan nominal mata uang,
karena proses ini menentukan apakah segmentasi berhasil atau tidaknya. Dengan
menentukan nilai batasan yang benar, maka citra yang dihasilkan hanya akan
menampilkan objek saja.
3. Pengenalan karakter menggunakan metode template matching memiliki akurasi
keberhasilan yang cukup tinggi yaitu 82.85%

UCAPAN TERIMAKASIH

Puji syukur kehadirat ALLAH SWT yang maha pengasih lagi maha penyayang atas
segala limpahan rahmat, taufiq dan hidayahnya serta rezekinya sehingga dapat menyelesaikan
skripsi dengan judul “Pengenalan Nominal Mata Uang Rupiah Dengan Teknik Template
Matching”. Dalam menyelesaikan skripsi ini penulis menyadari telah banyak mendapat
bantuan dari berbagai pihak. Oleh karena itu pada kesempatan ini penulis ingin mengucapkan
terima kasih yang saya tujukan kepada :

1. Allah SWT yang telah memberikan pertolongannya, sehingga skripsi ini dapat
berjalan dengan baik.
2. Kedua Orang tua dan keluarga penulis yang dengan sabar dan tulus telah memberikan
motivasi, nasehat dan do’a yang tak ternilai harganya.
3. Untuk kakak saya yang telah memberikan support dan motivasinya selama pengerjaan
skripsi ini berlangsung.
4. Bapak Prof. Dr. Ir. Teguh Soedarto, MP., selaku Rektor Universitas Pembangunan
Nasional “Veteran” Jawa Timur.
5. Ibu Dr. Ir. Ni Ketut Sari, M.T, selaku Dekan Fakultas Ilmu Komputer UPN “Veteran”
Jawa Timur.
6. Bapak Budi Nugroho, selaku Ketua Program Studi Teknik Informatika UPN
“Veteran” Jawa Timur.
7. Ibu Yisti Vita Via, S.ST. M.Kom selaku dosen pembimbing pertama. Terima kasih
atas bimbinga, arahan dan nasihat yang diberikan selama proses pengerjaan skripsi.
8. Ibu Eva Yulia Puspaningrum, S.Kom. M.Kom selaku dosen pembimbing kedua.
Terima kasih atas bimbingan, arahan dan petunjuk kepada penulis sehingga dapat
menyelesaikan pembuatan skripsi ini.
9. Untuk Teman-teman TF-A 2013 terima kasih atas dkungan kalian.

13
 10. Semua pihak yang tidak bisa disebutkan satu-persatu yang telah banyak memberikan
bantuan dalam penyelesaian laporan ini.

DAFTAR PUSTAKA

Hendry, Jans (2011). Deteksi Karakter Pada Citra Digital (OCR) Dengan Teknik Korelasi
(Template Matching)
Hendry, Jans (2011). Using Profile Projection To Segment Character In Image (Matlab)
Hendry, J., & Hidayat, R. (2011). Jurusan Teknik Elektro FT UGM. Template Matching
Untuk Deteksi Obyek Citra Dengan Menggunakan Algoritma Korelasi .
Jurie, Dhome,(2001) Real Time Template Matching,
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung.
Penerbit: Informatika.
Sutoyo. T. (2009). Teori Pengolahan Citra Digital. Yogyakarta. Penerbit ANDI.
Sitorus, S., Suyanto, dkk. (2006). Pengolahan Citra Digital. Medan: USU Press.
Solikin, & Suseno. (2002). UANG. Pengertian, Penciptaan, Dan Peranannya Dalam
Perekonomian. Jakarta: Pusat Pendidikan Dan Studi Kebanksentralan (Ppsk) Bank
Indonesia
Wahyudi, Erwin, Dedi Triyanto, dan Ikhwan Ruslianto 2015. Identifikasi Teks Dokumen
Menggunakan Metode Profile Projection Dan Template Matching. Jurusan Sistem
Komputer, Fakultas MIPA Universitas Tanjungpura : Pontianak

14