MENGENALI KEASLIAN MATA UANG KERTAS RUPIAH DENGAN PENERAPAN METODE SUPPORT VECTOR MACHINE

Fahira Hafiizh Sekarani, Jayanta ., Nurul Chamidah

Abstract


Uang kertas rupiah masih tetap digunakan dikala masa uang digital telah masuk di Indonesia. Uang kertas mempunya nilai karena nominal dan hal itu yang juga terhubung dengan identifikasi keaslian uang itu menjadi suatu alat tukar yang sah. Bisa kita lihat bahwa dengan tetapnya penggunaan uang kertas, masih adanya kasus pemalsuan uang. Untuk menciptakan solusi dari masalah itu, dengan penggunaan pengolahan citra, pada penelitian ini dirancang sebuah model yang dapat digunakan untuk mengetahui keaslian uang kertas rupiah menggunakan metode Support Vector Machine. Penelitian ini dilakukan berdasarkan unsur tektur keseluruhan uang yang dilihat dengan Gray Level Co-occurrence Matrix menggunakan empat arah sudut (0°, 45°, 90°, 135°) dengan jarak piksel d=1. Hasil penelitian yang telah dilakukan menghasilkan performa yang baik dalam mengenali keaslian uang kertas rupiah. Dari penggunaan kernel Gaussian dan Polynomial, hasil terbesar didapat dengan kernel Polynomial dengan rata-rata akurasi yang didapat sebesar 95%, sensitivity sebesar 98%, dan specificity sebesar 92%.

Keywords


Uang Kertas Rupiah, Gray Level Co-occurrence Matix, Support Vector Machine

References


Athoillah, M., Irawan, M.I., dan Imah, E.M. (2015). Study Comparison of SVM, K-NN, and Backpropagation-Based, Classifier for Image Retrieval. Journal of Computer Science and Information. Volume 8, Issue 1, February 2015.

Departemen Pengelolaan Uang. (2017). Unsur Pengaman Uang Rupiah (TE 2016). Jakarta: DPU. Diakses 8 November 2019. https://www.bi.go.id/id/rupiah/pencegahan_penanggulangan/Documents/UnsurPengamanUangRupiah_Lowres.pdf.

Fadilah, N. I., Rahayudi, B. and Furqon, M. T. (2018) ‘Implementasi Algoritme Support Vector Machine ( SVM ) Untuk Klasifikasi Penyakit Dengan Gejala Demam’, 2(11), pp. 5619–5625.

Latumaerissa, Julius R. (2017). Bank Dan Lembaga Keuangan Lain Teori dan Kebijakan. Jakarta: Mitra Wacana Media.

Nugroho, A.S., Witarto, A.B., Handoko, D. (2003). Application of Support Vector Machine in Bioinformatics. Proceeding of Indonesian Scientific Meeting in Central Japan. December 20, 2003. Gifu-Japan.

Octaviani. et al. (2014) ‘Penerapan Metode Klasifikasi Support Vector Machine (Svm) Pada Data Akreditasi Sekolah Dasar (Sd) Di Kabupaten Magelang’, None, 3(4), pp. 811–820.

Prasetyo, E., (2011). Pengolahan Citra Digital Dan Aplikasinya Menggunakan Matlab. Yogyakarta: Penerbit Andi.

Putra, D., 2010. Pengolahan Citra Digital. Yogyakarta: ANDI.

Sianipar, R.H. (2013). Pemrograman MATLAB Dalam Contoh dan Terapan. Bandung: Informatika.

Siqueira, F.R.D., Schwartz, W.R., dan Pedrini, H., (2013). Multi-scale Gray Level Co-occurrence Matrices for Texture Description. Neurocomputing, Volume 120, pp. 336-345.

Sutoyo, dkk. (2009). Teori Pengolahan Citra Digital. Yogyakarta: Andi.

Widodo, R., Widodo, A. W. and Supriyanto, A. (2018) ‘Pemanfaatan Ciri Gray Level Co-Occurrence Matrix ( GLCM ) Citra Buah Jeruk Keprok ( Citrus reticulata Blanco ) untuk Klasifikasi Mutu’, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(11), pp. 5769–5776. Available at: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/3420/1336.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.