Pengolah Citra Digital Untuk Identifikasi Uang Kertas

Jurnal Teknologi Informasi DINAMIK Volume XV, No.1, Januari 2010 : 34-40 ISSN : 0854-9524

Pengolah Citra Digital Untuk Identifikasi Uang Kertas34

Pengolah Citra Digital untuk Identifikasi Uang Kertas

Siti Munawaroh, Felix Andreas SutantoFakultas Teknologi Informasi, Universitas Stikubank

email : [email protected], [email protected]

Abstrak

Pada masa sekarang semua orang, baik di Indonesia ataupun diseluruh dunia pasti membutuhkanuang untuk memenuhi kebutuhan dalam hidupnya, dengan kata lain peran uang sangat penting. Denganuang setiap orang dapat memenuhi kebutuhan hidupnya.

Pada waktu seseorang membeli barang atau yang lainnya, yang membutuhkan transaksi uang tunai,kadang-kadang sering terjadi kekeliruan karena hampir samanya warna uang yang akan dibayarkan. Hal initentu akan merugikan orang pada waktu melakukan pembayaran suatu barang

Kekeliruan juga bisa saja terjadi di mana saja, seperti misalnya pada waktu terjadi pembayaran tunaiyang menggunakan uang kertas, atau juga transaksi-transaksi lain yang membutuhkan identifikasi uangkertas secara cepat dan akurat, meskipun uang itu dikirim atau diterima pada waktu transaksi masih dalamkeadaaan acak atau tidak dikelompokkan terlebih dahulu.

Pada idetifikasi uang kertas ini nanti yang akan dilakukan adalah tahap-tahap pengolahan sepertiperbaikan citra (enhancement), segmentasi dan pencocokan. Dengan adanya identifikasi uang kertas ini,diharapkan komputer dapat mengenali uang kertas, meskipun uang tersebut tidak dikelompok-kelompokkan atau acak.

Kata kunci : uang kertas, pengolahan citra, enhancement, segmentasi, pencocokan.

PENDAHULUAN

Pada masa sekarang semua orang, baik diIndonesia ataupun diseluruh dunia pastimembutuhkan uang untuk memenuhi kebutuhandalam hidupnya, dengan kata lain peran uangsangat penting sekali. Dengan uang orang dapatmemenuhi kebutuhan hidup, semua orang bisamembeli segala kebutuhan apabila mempunyaiuang.

Pada waktu membeli barang atau yanglainnya, yang membutuhkan transaksi uangtunai, kadang-kadang sering keliru karenahampir samanya warna uang yang akanbayarkan. Hal ini tentunya akan merugikan padawaktu melakukan pembayaran suatu barangtersebut.

Kekeliruan juga bisa saja terjadi di manasaja, seperti tadi misalnya sudah disebutkanadalah pada waktu terjadi pembayaran tunaiyang menggunakan uang kertas, atau jugatransaksi-transaksi lain yang membutuhkanidentifikasi uang kertas secara cepat dan akurat,meskipun uang itu dikirim atau diterima pada

waktu transaksi masih dalam keadaaan acak atautidak dikelompokkan terlebih dahulu.

Pada idetifikasi uang kertas ini nanti yangakan dilakukan adalah tahap-tahap sepertiperbaikan citra, segmentasi dan pencocokan.Dengan adanya identifikasi uang kertas ini,diharapkan komputer dapat mengenali uangkertas, meskipun uang tersebut tidakdikelompok-kelompokkan atau acak.

Untuk memperjelas permasalahan yangakan dibahas, sekaligus membatasipermasalahan yang akan diteliti, maka batasan–batasan masalah ditentukan sebagai berikut :

1. Membuat database untuk mengidentifikasiuang kertas.

2. Identifikasi beberapa uang kertas yangdicocokkan dengan database yang ada.

3. Pembuatan program dengan menggunakanbahasa pemrograman Visual Basic.

Uang kertasUang kertas adalah uang yang terbuat dari

kertas dengan gambar dan cap tertentu danmerupakan alat pembayaran yang sah. Menurut

mailto:[email protected]

mailto:[email protected]


Pengolah Citra Digital Untuk Identifikasi Uang Kertas 35

penjelasan UU No. 23 tahun 1999 tentang BankIndonesia, yang dimaksud dengan uang kertasadalah uang dalam bentuk lembaran yangterbuat dari bahan kertas atau bahan lainnya(yang menyerupai kertas).

Uang kertas mempunyai nilai karenanominalnya. Oleh karena itu, uang kertas hanyamemiliki dua macam nilai, yaitu nilai nominaldan nilai tukar. Ada 2(dua) macam uang kertas :

Uang Kertas Negara (sudah tidakdiedarkan lagi), yaitu uang kertas yangdikeluarkan oleh pemerintah dan alatpembayaran yang sah dengan jumlah yangterbatas dan ditandatangani mentrikeuangan.

Uang Kertas Bank, yaitu uang yangdikeluarkan oleh bank sentral. Gambar uangkertas Indonesia ditunjukkan pada gambar 1.

Gambar 1. Uang Kertas Indonesia

Pengolahan Citra DigitalSecara harfiah, citra (image ) adalah

gambar pada bidang dwimatra atau dua dimensi[Munir, 2004]. Ditinjau dari sudut pandangmatematis, citra merupakan fungsi malar(continue) dari intensitas cahaya pada bidangdwimatra. Sumber cahaya menerangi objek,objek memantulkan kembali sebagian dariberkas cahaya tersebut. Pantulan cahaya iniditangkap oleh alat-alat optik, misalnya matapada manumur, kamera, pemindai (scanner), dansebagainya, sehingga bayanagan objek yangdisebut citra tersebut terekam.

Pada pengolahan citra, dimaksudkan agarcitra yang mengalami gangguan lebih mudahdiinterpretasikan (baik oleh manumur maupunmesin) dengan cara memanipulasi menjadi citra

lain yang kualitasnya lebih baik. Padaumumnya, operasi-operasi pada pengolahan itraditerapkan pada citra bila [Jain, 1989]:

a. Perbaikan atau memodifikasi citra perludilakukan untuk meningkatkan kualitaspenampakan atau menonjolkan beberapaaspek informasi yang terkandung di dalamcitra,

b. Elemen di dalam citra perlu dikelompokkan,dicocokkan, atau diukur,

c. Sebagian citra perlu digabung denganbagian citra yang lain.

Agar dapat diolah dengan mesin(computer) digital, maka suatu citra harusdirepresentasikan secara numeric dengan nilai-nilai diskrit. Reprresentasi citra dari fungsi malar(continue) menjadi nilai-nilai diskrit disebutdigitalisasi. Citra yang dihasilkan inilah yangdisebut Citra Digital. Pada umumnya citradigital berbentuk empat persegi panjang, dandimensi ukurannya dinyatakan sebagai tinggi xlebar [Munir, 2004].

Akuisisi CitraTahap akuisisi citra adalah tahap yang

diawali dengan menangkap / mengambil gambaruang dengan menggunakan scanner.

PreprocessingTahapan preprocessing meliputi beberapa

tahapan yaitu : perbaikan cittra (enhancement),segmentasi, cropping, pencocokan ( matching).

1. Peregangan kontrasKontras menyatakan sebaran terang

(lightness) dan gelap (darkness) di dalam sebuahgambar. Citra dapat dikelompokkan ke dalamtiga kategori kontras [Munir, 2004]: citrakontras-rendah (low contrast), citra kontras-bagus (good contrast atau normal contrast), dancitra kontras-tinggi (high contrast).

Citra kontras-rendah dicirikan dengansebagian besar komposisi citranya adalah terangatau sebagian besar gelap. Dari histogramnyaterlihat sebagian besar derajat kebauannyaterkelompok (clustered) bersama atau hanyamenempati sebagian kecil dari rentang nilai-nilaikeabuan yang mungkin. Jika pengelompokannilai-nilai pixel berada di bagian kiri (yang berisinilai keabuan yang rendah), citranya cenderunggelap. Jika pengelompokan nilai-nilai pixelberada di bagian kanan ( yang berisi nilai



keabuan yang tinggi), citranya cenderung terang.Tetapi mungkin saja suatu citra tergolongkontras-rendah meskipun tidak terlalu terangatau tidak terlalu gelap bila semuapengelompokan nilai keabuab yang relativeseragam.

Citra kontras-tinggi, seperti halnya citrakontras bagus, memiliki jangkauan nilai keabuanyang lebar, tetapi terdapat area yang lebar yangdidominasi oleh warna terang. Gambar denganlangit terang dan latar depan yang gelap adalahcontoh citra kontras-tinggi. Pada histogramnyaterlihat dua puncak, satu pada area nilai keabuanyang rendah dan satu lagi pada area nilaikeabuan yang tinggi.

Citra dengan kontras-rendah dapatdiperbaiki kualitasnya dengan operasiperegangan kontras. Melalui operasi ini, nilai-nilai keabuan pixel akan merentang dari 0sampai 255 (citra 8-bit), dengan kata lainseluruh nilai keabuan pixel terpakai secaramerata.

Algoritma peregangan kontras adalahsebagai berikut :

a. Cari batas bawah pengelompokan pixeldengan cara memindai (scan) histogram darinilai keabuan terkecil ke nilai keabuanterbesar (0 sampai 255) untuk menemukanpixel pertama yang melebihi nilai ambangpertama yang dispesifikasikan.

b. Cari batas pengelompokan pixel dengan caramemindai histogram dari nilai keabuantertinggi ke nilai keabuan terendah (255sampai 0) untuk menemukan pixel pertamayang lebih kecil dari nilai ambang keduayang dispesifikasikan.

c. Pixel-pixel yang berada di antara nilaiambang pertama di-set sama dengan 0,sedangkan pixel-pixel yang berada di atasnilai ambang kedua di-set sama dengan 255.

d. Pixel yang berada di antara nilai ambangpertama dan nilai ambang kedua dipetakan(diskalakan) untuk memenuhi rentang nilai-nilai keabuan yang, lengkap (0 sampai 255)dengan persamaan :

s =maxmin

max

rrrr

x 255

dalam hal ini, i adalah nilai keabuan dalamcitra semula, g adalah nilai keabuan yangbaru, I min adalah nilai keabuan terendah

dari kelompok pixel, dan imax adalah nilaikeabuan tertinggi dari kelompok pixel.Gambar peregangan kontras ditunjukkanpada gambar 2.

Gambar 2. Peregangan kontras

2. Penyesuaian kecerahan gambar(brightness adaption)

Untuk membuat citra lebih terang ataulebih gelap, kita melakukan perubahan intensitascitra, yang dalam hal ini disebut sebagaipenyesuaian kecerahan gambar (brightnessadaptation). (Gonzalez and Woods,1992).

Kecerahan gambar dapt diperbaiki denganmenambahkan atau mengurangkan sebuahkonstanta kepada (atau dari) setiap pixel didalam citra. Akibat dari operasi ini, histogramcitra mengalami pergesera.

Secara matematis operasi ini ditulissebagai berikut :

byxfyxf ,,'

Jika b positif, kecerahan gambarbertambah, sebaliknya jika b negative kecerahangambar berkurang.

SegmentasiSegmentasi adalah pemisahan daerah

bagian depan/objek(foreground) pada citra daribagian belakang (background).

Cropping

Cropping adalah memotong satubagian dari citra sehingga diperoleh citrayang berukuran lebih kecil. Operasi ini padadasarnya adalah operasi translasi, yaitu

rmax

rmin

S

r

0



menggeser koordinat titik citra. Rumus yangdigunakan untuk operasi ini adalah :

Lxxx ' untuk Lxx sampai Rx

ryyy ' untuk Tyy sampai By

TL yx , dan BR yx , masing-masing adalahkoordinat titik pojok kiri atas dan pojok kananbawah bagian citra yang hendak di – crop [Ir.Balza Achmad, M.Sc.E dan Kartika Firdausy,S.T.,M.T.,2005].

Pencocokan / MatchingMetode pencocokan digunakan erhitungan

menurut Munir [2004], yaitu :

C

rdd

n

iii

rms

1

2

Dengan id dan ir adalah kedua ciri yangdibandingkan, dan C adalah banyaknya ciri yangterlibat. Jika rmsd threshold, maka kedua ciridikatakan identik.

PermasalahanMasalah yang akan dibahas dalam

penelitian ini meliputi :

1. Menganalisa masalah seperti kekeliruan yangbisa terjadi pada waktu transaksi, dan uangdalam keadaaan acak.

2. Membuat database yang nantinya digunakanuntuk mengidentifikasi uang kertas.

3. Mencocokkan uang kertas yang ada denganuang yang ada didatabase.

ANALISA DAN PERANCANGAN SISTEMCiri merupakan suatu tanda yang khas,

yang membedakan antara satu dengan yang lain.Tidak berbeda dengan sebuah gambar, gambarjuga memiliki ciri yang dapat membedakannyadengan gambar yang lain. Masing-masing cirigambar didapatkan dari proses ekstraksi ciri.Ciri – ciri dasar dari gambar dapat berupa warna,bentuk dan teksture.

Ciri warna suatu gambar dapat dinyatakandalam bentuk histogram dari gambar tersebutyang dituliskan dengan H(r,g,b), dimanaH(r,g,b) adalah jumlah munculnya pasanganwarna r (red), g (green) dan b (blue) tertentu.

Warna merah (R), hijau (G), dan biru (B)merupakan warna pokok dalam pengelolaangambar. Jika warna-warna pokok tersebutdigabungkan, maka akan menghasilkan warnalain. Penggabungan warna tersebut bergantungpada warna pokok dimana tiap-tiap warnamemiliki nilai 256 (8 bit).

Masing-masing R, G, dan B didiskritkandalam skala 256, sehingga RGB akan memilikiindeks antara 0 sampai 255. ContohnyaH(255,255,255) adalah warna putih, sedangkanH (0,0,0) adalah warna hitam. Gambar 3.merupakan percampuran warna dasar RGB.

Gambar 3. Pencampuran Warna Dasar RGB

Color histrogram merupakan hubungandari intensitas tiga macam warna. Dimana setiapgambar mempunyai distribusi warna tertentu.Distribusi warna ini dimodelkan dengan colorhistogram. Color histogram dihitung dengancara mendiskretkan warna dalam gambar, danmenghitung jumlah dari tiap-tiap pixel padagambar.

Untuk mengidentifikasi gambar uangdigunakan metode sebagai berikut:

1. Menghitung rata-rata warna merah, hijaudan biru pada sebagian gambar kemudianmembandingkan antara gambar pola dengangambar query.

2. Proses matching untuk mendapatkan gambarpola yang memiliki jarak terdekat dengangambar query. Gambar yang memiliki jarakterdekat adalah gambar yang sama atau yangpaling mirip.

1. Akuisisi Citra dan Perbaikan CitraHal pertama yang dilakukan adalah

mengambil gambar uang yang akan dijadikanpola dan query. Pengambilan gambar dilakukandengan ketentuan sebagai berikut:

a. Gambar diambil dengan scanner canon(CanoScan Lide 20).



b. Tipe gambar jpg dengan ukuran 720 x 360pixel.

c. Resolusi gambar 1200 dpi.

d. Diambil pada posisi yang sama (gambarberada pada pojok kiri atas). Backgroundgambar putih.

e. Gambar uang yang dijadikan obyekpenelitian adalah uang 1000, 5000, 10000,20000, 50000 dan 100000.

f. Gambar uang yang diambil hanya satu sisisaja, sehingga analisa gambar nantinyahanya dilakukan pada satu sisi saja. Sisigambar yang dipilih adalah sisi yang tidakada nomor serinya. Karena pada sisi tersebutterdapat perbedaan warna yang mencolokpada bagian pojok kiri atas. Bagian tersebutnantinya digunakan untuk segmentasigambar. Gambar posisi pengambilan gambarditunjukkan pada gambar 4.

Gambar 4.Posisi Pengambilan Gambar

Untuk mempercepat proses perbaikan citradigunakan software pengolah citra AdobePhotoshop. Adapun proses perbaikan citrameliputi :

a. Mengatur kontras.

b. Mengatur kecerahan / brightness.

Pada percobaan ini, perbaikan citradilakukan pada gambar uang yang sangat kumalsaja. Pengambilan gambar dengan scannersecara umum telah memberikan hasil yangcukup baik.

2. SegmentasiSegmentasi dilakukan melalui cropping.

Dari gambar uang kertas yang ada, dapatdiperoleh ciri yang cukup membedakan padapojok kiri atas. Oleh karena itu hanya sebagiangambar tersebut yang akan diproses untukdisimpan ke database maupun digunakan untukquery.

Pada tahapan implementasi, untukmendapatkan obyek tersebut digunakan

PictureBox dengan ukuran tertentu (96 x 163pixel). Gambar proses segmentasi pada uangkertas ditunjukkan gambar 5.

Gambar 5. Segmentasi - Pixel Extraction

3. Ekstraksi CiriProses ekstraksi ciri warna dengan

menggunakan histogram warna denganmenghitung rata-rata warna merah, hijau danbiru pada keseluruhan pixel gambar.

Grratr = ( ∑ Grtotr ) / NGrratg = ( ∑ Grtotg ) / NGrratb = ( ∑ Grtotb ) / N

Grratr : Nilai rata-rata warna merahGrtotr : Total warna merahGrratg : Nilai rata-rata warna hijauGrtotg : Total warna hijauGrratb : Nilai rata-rata warna biruGrtotb : Total warna biruN : Total Pixel

Algoritma program dengan Visual Basic dapatdituliskan sebagai barikut:

For Y = 1 To Picture1.ScaleHeightFor X = 1 To Picture1.ScaleWidthp = GetPixel(Picture1.hdc, X, Y)r = p And &HFFg = (p \ &H100) And &HFFb = (p \ &H10000) And &HFFgrtotr = grtotr + rgrratr = Round(grtotr / (Picture1.ScaleHeight *Picture1.ScaleWidth), 2)grtotg = grtotg + ggrratg = Round(grtotg / (Picture1.ScaleHeight *Picture1.ScaleWidth), 2)grtotb = grtotb + bgrratb = Round(grtotb / (Picture1.ScaleHeight *Picture1.ScaleWidth), 2)NextNextText1.Text = grratrText2.Text = grratgText3.Text = grratbEnd Sub



Hasil ekstraksi ciri disimpan dalam databasedengan field sebagai berikut:

Tabel 1. Hasil ekstraksi ciri yang disimpanField Type Keteranganuang text Untuk menyimpan jenis uang

r number Untuk menyimpan rata-ratawarna merah

g number Untuk menyimpan rata-ratawarna hijau

b number Untuk menyimpan rata-ratawarna biru

4. MatchingMatching adalah proses mencocokkan

data antara gambar query dengan data pola yangtelah tersimpan dalam database. Sebelumnya,gambar query juga dilakukan ekstraksi ciri yangsama seperti pada gambar pola. Sehinggagambar query akan memberikan nilai rata-ratawarna merah, hijau dan biru untuk dibandingkandengan database.

Untuk proses matching, diberikantoleransi 10. Sehingga data gambar yangmemiliki nilai x – 10 ≥ x ≤ x + 10 akan dianggapgambar yang paling mirip. Jika tidak ditemukandata yang sesuai, maka akan dianggap tidak adayang mirip. Gambar 6 merupakan gambar prosesmatching..

Gambar. 6. Proses Matching

IMPLEMENTASI SISTEMImplementasi program menggunakan

Visual Basic 6.0 dan database Microsoft Access2003. Database menggunakan satu tabel denganstruktur sebagai berikut:

Tabel 2. Struktur DatabaseNo Field Tipe Deskripsi1 Uang Text Untuk menyimpan jenis uang2 r Number Untuk menyimpan nilai

merah3 g Number Untuk menyimpan nilai hijau4 b Number Untuk menyimpan nilai biru

Adapun struktur program terdiri dari dua bagian

a. Input Data Pola : digunakan untukmengekstraksi ciri dan menyimpan datagambar yang digunakan sebagai pola yangditunjukkan pada gambar 7.

Gambar 7. Form Input Data Pola

b. Matching : digunakan untuk mengekstraksiciri gambar query dan pencarian data daridatabase yag sesuai dengan hasil ekstraksiciri gambar query yang ditunjukkan padagambar 8.

Gambar 8. Form Matching

Percobaan yang dilakukan pada penelitianini menggunakan 15 gambar. Enam gambardigunakan sebagai gambar pola, sisanyadigunakan untuk gambar query yang digunakanuntuk proses matching.

Data gambar pola dapat diberikan sebagaiberikut:

GambarTemplate

EkstraksiCiri

Database

Matching

Hasil

GambarQuery Ekstraksi

Ciri



Tabel 3. RGB dari Data gambar uangNama File Jenis

UangR G B

1000p11 1000 139.30 142.43 135.215000p11 5000 157.94 148.60 105.79

10000p11 10000 150.10 69.37 129.2320000p11 20000 137.20 156.60 153.9550000p11 50000 119.24 125.76 168.14

100000p11 100000 157.94 148.60 105.79

Percobaan identifikasi gambar dilakukan pada15 gambar. Dimana 9 gambar adalah gambaryang berbeda dengan gambar yang digunakanuntuk pola. Diantara gambar tersebut ada 1gambar uang yang terkena noda, yaitu1000s21.jpg. Gambar tersebut seharusnya akanmenjadi gambar yang tidak dikenali. Datapercobaan matching adalah sebagai berikut:

Tabel 4. hasil dari uji coba programNo Nama File Jenis

UangHasil Kebenaran

1 1000p11 1000 1000 Benar2 1000s11 1000 1000 Benar3 1000s21 1000 Uang

tidakdikenal

Benar

4 5000p11 5000 5000 Benar5 5000s11 5000 5000 Benar6 5000s21 5000 5000 Benar7 10000p11 10000 10000 Benar8 10000s11 10000 Uang

tidakdikenal

Salah

9 10000s21 10000 10000 Benar10 20000p11 20000 20000 Benar11 20000s11 20000 1000 Salah12 50000p11 50000 50000 Benar13 50000s11 50000 50000 Benar14 100000p11 100000 100000 Benar15 100000s11 100000 100000 Benar

Dari percobaan 15 gambar didapatkankeakuratan sebesar 13 / 15 x 100% = 86%.

KESIMPULAN

Dari penelitian yang sudah dilakukankesimpulan yang bisa diperoleh sebagai berikut:

1. Histogram warna dapat digunakan untukmengidentifikasi uang rupiah.

2. Proses perbaikan citra akan mendukungproses analisa citra.

3. Besarnya tingkat toleransi akanmempengaruhi proses matching.

DAFTAR PUSTAKA

Rinaldi Munir, “Pengolahan Citra Digitaldengan Pendekatan Algoritmik”,Informatika Bandung, 2004

http://id.wikipedia.org/wiki/Jenis-jenis_uang

http://id.wikipedia.org/wiki/Uang

http://images.google.co.id/images?q=jenis+uang&oe=utf-8&rls=org.mozilla:en-US:official&client=firefox-a&um=1&ie=UTF-8&ei=Ef3wSo-fDtGfkQXM9e2GBw&sa=X&oi=image_result_group&ct=title&resnum=4&ved=0CB0QsAQwAw

http://www.e-dukasi.net/mol/mo_full.php?moid=7&fname=eko203_07.htm

Adi Kurniadi, 2000, “Pemrograman MicrosoftVisual Basic 6.0”, ElexmediaKomputindo, Jakarta

Wahana Komputer Semarang, 2002, “PanduanPraktis Pemrograman Visual Basic 6.0Tingkat Lanjut”, Andi Yogyakarta

Gonzalez, R.C. and Woods, R. E., 1992, DigitalImage Processing, Addison WesleyPublishing Company, USA.

Jain, A.K., 1989, Fundamentals of Digital ImageProcessing, Prentice-Hall International.

http://id.wikipedia.org/wiki/Jenis-jenis_uang

http://id.wikipedia.org/wiki/Uang

http://images.google.co.id/images

http://www.e-

Documents

Pengolah Citra Digital Untuk Identifikasi Uang Kertas