PERBANDINGAN KOMBINASI METODE TEMPLATE MATCHING DAN ALGORITMA FEATURE MATCHING PADA PENGENALAN MATA UANG INDIA
Abstract
Pengolahan Cira Digital (Digital Image Processing) adalah sebuah ilmu yang mempelajari tentang teknik-teknik dalam mengolah citra. Ada beberapa metode dalam pengolahan citra digital salah satunya adalah pencocokan template dan pencocokan fitur. Pada penelitian ini dalam template yang cocok dilakukan perbandingan terhadap dua metode yaitu CV TM SQDIFF dengan CV TM CCOEFF, sedangkan pada fitur pencocokan dilakukam perbandingan terhadap dua algoritma yaitu ORB (Oriented FAST and Rotated BRIEF) dengan SIFT (Scale-Invariant Feature Transform), pada feature pencocokan hal pertama yang harus dilakukan adalah ekstraksi fitur, ekstraksi fitur memiliki banyak manfaat salah satunya adalah mendeteksi fitur-fitur pada benda. Pada penelitian ini fitur ektraksi untuk mengenali fitur-fitur pada uang negara India yang digunakan untuk mendeteksi nominal pada mata uang kertas yang dimasukkan dan juga akan dilakukan perbandingan dari keempat algoritma diatas. Pada tahap pembuatan sistem pengenalan nominal pada mata uang terdapat beberapa tahapan yaitu pengumpulan data, perancangan sistem, pelatihan dan pengujian. Hasil yang didapatkan dalam penelitian ini menggunakan algoritma CV TM SQDIFF dikombinasi dengan ORB (Oriented FAST and Rotated BRIEF) didapatkan akurasi sebesar 80%, ketika menggunakan algoritma CV TM SQDIFF dengan SIFT (Scale-Invariant Feature Transform) didapatkan akurasi sebesar 94,28%, ketika menggunakan algoritma CV TM CCOEFF dengan ORB (Oriented FAST and Rotated BRIEF) didapatkan hasil akurasi 74%, dan ketika menggunakan algoritma CV TM CCOEFF dengan SIFT (Scale-Invariant Feature Transform) didapatkan hasil 97%. Sehingga dapat dikatakan bahwa sistem pengenalan mata uang menggunakan algoritma CV TM CCOEFF dengan SIFT (Scale-Invariant Feature Transform) dapat mendeteksi nominal uang dengan baik.
References
J. F. Fauzi, H. Tolle, & R. K. Dewi. (2018). Implementasi Metode RGB To HSV pada Aplikasi Pengenalan Mata Uang Kertas Berbasis Android untuk Tuna Netra. J. Pengemb. Teknol. Inf. dan Ilmu Komput., 2(6), 2319–2325.
J. Fathani, U. Sunarya, & I. N. A. Ramatryana. (2014). Aplikasi Identifikasi Dan Konversi Mata Uang Kertas Asing Terhadap Rupiah Dengan Metoda Local Binary Pattern ( Lbp ) Berbasis Android. e-Proceeding Eng, 1( 1), 363–371.
M. Sarfraz. (2015). An Intelligent Paper Currency Recognition System. Procedia Comput. Sci., no. International Conference on Communication, Management and Information Technology, 65, 538– 545.
C. Page & S. H. M. G. (2018). Paper Currency Detection based Image Processing Techniques: A review paper. J. Al-Qadisiyah Comput. Sci. Math, 10( 1), 1–8.
Rahmad Cahya, Rismanto Ridwan, & Pranata Febrita Dian. (2019). Pengenalan Nilai Mata Uang Kertas Untuk Tunanetra Menggunakan Metode Template Matching Correlation Berbasis Android. Seminar Informatika Aplikatif Polinema., 73-80.
Wahyono, Eko S, & Ernastuti. (2009) Identifikasi Nomor Polisi Menggunakan Metode Jaringan Syaraf Buatan Learning Vector Quantization. Jurusan Teknik Informatika Universitas Gunadarma.
Tim Laboratorium Pengolahan Sinyal Digital. (2009). Modul Praktikum Pengolahan Sinyal Digital Fakultas Elektro dan Komunikasi. Bandung : Universitas Telkom.
S. Sukatmi. (2017). Perbandingan Deteksi Tepi Citra Digital dengan Menggunakan Metode Prewitt, Sobel dan Canny. KOPERTIP J. Ilm. Manaj. Inform. dan Komput., 1(1), 1–4.
I. Riadi, A. Yudhana, & W. Y. Sulistyo. (2020) Analisis Perbandingan Nilai Kualitas Citra pada Metode Deteksi Tepi. Rekayasa Sist. dan Teknol. Inf., 4(2), 345–351.
B. Niam & Q. Qirom. (2019). Deteksi Tulang Retak Dengan Metode Deteksi Tepi Prewitt. Power Elektron. J. Orang Elektro, 8(2), 25–28.
Putri Mentari Adhatil, Hendrick, Erlina Tati, Derisma. (2015). Rancang Bangun Alat Deteksi Uang Kertas Palsu Dengan Metode Template Matching Menggunakan Raspberry Pi. Seminar Nasional Sains dan Teknologi 2015 Fakultas Teknik Universitas Muhammadiyah Jakarta, 1-9.
M. Marengoni & D. Stringhini. (2011) High level computer vision using OpenCV. Proc. - 24th SIBGRAPI Conf. Graph. Patterns, Images Tutorials, SIBGRAPI-T 2011 (pp. 11–24)
J. Gao & H. Zhu. (2016). Moving Object Detection for Driving Assistance System. Internet and Distributed Computing Systems, 446–457,
G. Khoharja et al. (2017). Aplikasi Deteksi Nilai Uang pada Mata Uang Indonesia dengan Metode Feature Matching. Jurnal INFRA, 2–6.
D. Mistry & A. Banerjee. (2017). Comparison of Feature Detection and Matching Approaches: SIFT and SURF GRD Journals- Glob. Res. Dev. J. Eng., 2(3), 7–13..
Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: An efficient alternative to SIFT or SURF. Proceedings of the 2011 International Conference on Computer Vision (pp. 2564-2571). Barcelona: IEEE
V. Faturohman, J. Kusnaendar, & Y. Wihardi. (2020). Perbandingan Algoritma Deteksi Fitur SIFT , SURF dan ORB dalam Proses Deteksi Objek Pada Video CCTV. JATIKOM: Jurnal Aplikasi dan Teori Ilmu Komputer,3(2), 70–77.
Full Text: PDF
Refbacks
- There are currently no refbacks.
