Deteksi Citra Uang Kertas dengan Fitur RGB Menggunakan K-Nearest Neighbor

Main Article Content

Andhika Ryan Pratama
Muhammad Mustajib
Aryo Nugroho

Abstract

Mesin pendeteksi uang kertas menjadi salah satu objek yang diperhatikan untuk diteliti dan dikembangkan. Mesin pendeteksi uang kertas Indonesia yang ditemukan seperti di stasiun kereta api di suatu kota, terdapat kegagalan dalam mengenali nilai uang kertas tertentu. Tujuan dari penelitian ini adalah membangun model dari pengenalan nilai uang kertas menggunakan K-Nearest Neighbor (KNN) yang merupakan metode yang paling sederhana dan paling penting dalam pengenalan pola, hal ini ditunjukkan pada akurasi yang diperoleh lebih tinggi dibandingkan metode lainnya seperti Artificial Neural Networks (ANN) dan Feedforward Neural Network (FNN). Model yang diusulkan menggunakan ekstraksi fitur, terdapat beberapa fitur yang digunakan untuk pengenalan uang kertas seperti yang pernah dilakukan menggunakan ekstraksi fitur tekstur. Penelitian ini menggunakan ekstraksi fitur warna. Warna memberikan informasi yang berarti dan nilai-nilai yang penting dalam proses mendeskripsikan suatu objek. Warna yang digunakan adalah  Red, Green, Blue (RGB). Hasil disajikan pada dataset 40 gambar uang kertas yang terdiri dari pecahan 2000 rupiah keluaran lama, 2000 rupiah keluaran baru, 5000 rupiah keluaran lama, dan 5000 rupiah keluaran baru. Pendekatan yang diusulkan terlihat kinerja yang cukup baik dengan menggunakan metode KNN. Dari 16 data uji menunjukkan 15 objek uang kertas berhasil dideteksi dengan benar. Akurasi yang dihasilkan sebesar 93,7% dengan nilai K=5.

Downloads

Download data is not yet available.

Article Details

How to Cite
Pratama, A., Mustajib, M., & Nugroho, A. (2020). Deteksi Citra Uang Kertas dengan Fitur RGB Menggunakan K-Nearest Neighbor. Jurnal Eksplora Informatika, 9(2), 163-172. https://doi.org/10.30864/eksplora.v9i2.336
Section
Articles

References

J. F. Fauzi, H. Tolle, and R. K. Dewi, “Implementasi Metode RGB To HSV pada Aplikasi Pengenalan Mata Uang Kertas Berbasis Android untuk Tuna Netra,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 6, pp. 2319–2325, 2018.

J. Fathani, U. Sunarya, and I. N. A. Ramatryana, “Aplikasi Identifikasi Dan Konversi Mata Uang Kertas Asing Terhadap Rupiah Dengan Metoda Local Binary Pattern ( Lbp ) Berbasis Android,” e-Proceeding Eng., vol. 1, no. 1, pp. 363–371, 2014.

M. Sarfraz, “An Intelligent Paper Currency Recognition System,” Procedia Comput. Sci., vol. 65, no. International Conference on Communication, Management and Information Technology, pp. 538–545, 2015.

C. Page and S. H. M. G, “Paper Currency Detection based Image Processing Techniques: A review paper,” J. Al-Qadisiyah Comput. Sci. Math., vol. 10, no. 1, pp. 1–8, 2018.

V. Abburu, S. Gupta, S. R. Rimitha, M. Mulimani, and S. G. Koolagudi, “Currency recognition system using image processing,” 2017 10th Int. Conf. Contemp. Comput. IC3 2017, vol. 2018-Janua, pp. 1–6, 2018.

J. Akter, M. K. Hossen, and M. S. A. Chowdhury, “Bangladeshi Paper Currency Recognition System Using Supervised Learning,” Int. Conf. Comput. Commun. Chem. Mater. Electron. Eng. IC4ME2 2018, pp. 1–4, 2018.

G. Ibrahim Raho, A. Al-Khiat, and A. H. Al-Hamami, “Cash Currencies Recognition Using k-Nearest Neighbor Classifier,” Int. J. Web Semant. Technol., vol. 6, no. 4, pp. 11–21, 2015.

I. Abu Doush and S. AL-Btoush, “Currency recognition using a smartphone: Comparison between color SIFT and gray scale SIFT algorithms,” J. King Saud Univ. - Comput. Inf. Sci., vol. 29, no. 4, pp. 484–492, 2017.

E. B. Santoso and A. Nugroho, “Analisis Sentimen Calon Presiden Indonesia 2019 Berdasarkan Komentar Publik Di Facebook,” Eksplora Inform., vol. 9, no. 1, pp. 60–69, 2019.

Suyanto, Data Mining Untuk Klasifikasi dan Klasterisasi Data. Informatika Bandung., 2019.

K. N. N. Hlaing and A. K. Gopalakrishnan, “Myanmar paper currency recognition using GLCM and k-NN,” 2016 2nd Asian Conf. Def. Technol. ACDT 2016, pp. 67–72, 2016.

J. A. Septian, T. M. Fahrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF - IDF dan K - Nearest Neighbor,” J. Intell. Syst. Comput., pp. 43–49, 2019.

F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor,” J. Ultim., vol. 7, no. 2, pp. 98–104, 2016.

F. Y. Manik and K. S. Saragih, “Klasifikasi Belimbing Menggunakan Naïve Bayes Berdasarkan Fitur Warna RGB,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 11, no. 1, p. 99, 2017.