Studi Perbandingan Akurasi Klasifikasi Pada Sistem Rekognisi Nominal Dan Keaslian Uang Kertas Rupiah

Suwignyo, Andrianto (2020) Studi Perbandingan Akurasi Klasifikasi Pada Sistem Rekognisi Nominal Dan Keaslian Uang Kertas Rupiah. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05211750010010-Master_Thesis.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Perkembangan sistem transaksi keuangan di dunia semakin maju seiring dengan berkembangnya teknologi. Secara khusus, kecerdasan buatan mulai dimanfaatkan dalam melakukan proses otomasi transaksi. Salah satu contoh penggunaan kecerdasan buatan secara sederhana dalam proses otomasi transaksi adalah sistem rekognisi uang, baik kertas maupun logam, yang telah mulai dikembangkan di beberapa negara. Pada penelitian ini, akan dibentuk sebuah sistem yang mampu mengenali uang kertas negara Indonesia, yaitu rupiah. Tujuan dari pengembangan sistem ini adalah untuk mengenali keaslian uang kertas dari gambar uang kertas yang disediakan dari luar sistem, serta mengklasifikasikan uang kertas asli ke dalam kategori-kategori nominal sesuai dengan nominal yang tertera pada gambar yang diproses. Dalam penelitian ini, dilakukan perbandingan terhadap beberapa algoritma klasifikasi machine learning yang umum digunakan, yaitu k-nearest neighbour, support vector machine, dan artificial neural network. Dengan menggunakan beberapa jenis dataset sesuai dengan ukuran resolusi gambar dalam satuan piksel sebesar 151x65, 302x130, dan 604x260, akan dilakukan perbandingan terhadap tingkat akurasi sistem dalam melakukan klasifikasi terhadap objek penelitian. Dalam kasus ini, model-model yang disusun berdasarkan algoritma klasifikasi sebagaimana disebutkan akan dilatih dan divalidasi dengan menggunakan dataset yang berisi gambar uang asli sesuai dengan ukuran yang telah ditentukan, untuk kemudian dipilih salah satu model yang paling optimal dari segi akurasi maupun waktu pemrosesan. Model yang terpilih lalu akan diuji dengan menggunakan dataset yang berisi campuran antara gambar uang asli dan uang palsu, untuk kemudian diukur performanya dalam mengklasifikasikan uang menjadi kategori asli atau palsu, serta uang asli sesuai dengan nominalnya. Pada penelitian ini, digunakan kombinasi fitur berupa nilai RGB dari gambar serta histogram of oriented gradient dari gambar yang telah melalui tahap preprocessing, yaitu grayscaling dan median filtering. Dari penelitian ini, ditemukan bahwa model dengan menggunakan algoritma klasifikasi k-nearest neighbour menghasilkan akurasi 100% serta waktu pemrosesan tercepat pada tahap pelatihan dan validasi, namun mengalami penurunan akurasi menjadi 89% pada tahap pengujian. Selain itu, ditemukan bahwa model yang digunakan tidak mampu mengklasifikasikan gambar uang palsu ke dalam kategori yang seharusnya.
==============================================================================================================================
The development of financial transaction systems worldwide continues to advance alongside technological progress. In particular, artificial intelligence has begun to be utilized in automating transaction processes. One example of the simple use of artificial intelligence in transaction automation is a money recognition system, both for paper and coin currency, which has begun to be developed in several countries. In this research, a system capable of recognizing Indonesian paper currency, namely the rupiah, will be developed. The purpose of this system is to recognize the authenticity of banknotes from images provided from outside the system, as well as to classify authentic banknotes into denomination categories according to the value shown in the processed image. This research compares several commonly used machine learning classification algorithms, namely k-nearest neighbor, support vector machine, and artificial neural network. Using several datasets according to image resolution sizes of 151x65, 302x130, and 604x260 pixels, a comparison is made of the system's classification accuracy for the research object. In this case, the models built based on the aforementioned classification algorithms will be trained and validated using a dataset containing authentic banknote images of the specified sizes, after which the most optimal model in terms of accuracy and processing time will be selected. The selected model will then be tested using a dataset containing a mix of authentic and counterfeit banknote images, in order to measure its performance in classifying banknotes as authentic or counterfeit, as well as classifying authentic banknotes according to their denomination. This research uses a combination of features consisting of RGB values from the images and a histogram of oriented gradients from images that have undergone preprocessing, namely grayscaling and median filtering. This research found that the model using the k-nearest neighbor classification algorithm achieved 100% accuracy and the fastest processing time during the training and validation stages, but experienced a decrease in accuracy to 89% during the testing stage. In addition, it was found that the model used was unable to correctly classify counterfeit banknote images into their appropriate category.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	algoritma klasifikasi, histogram of oriented gradient, kecerdasan buatan, machine learning, pengolahan citra digital.
Subjects:	T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Information and Communication Technology > Information Systems > 59101-(S2) Master Thesis
Depositing User:	Suwignyo Andrianto
Date Deposited:	05 Aug 2026 07:27
Last Modified:	05 Aug 2026 07:27
URI:	http://repository.its.ac.id/id/eprint/69167

Actions (login required)

View Item