Pengolahan Citra Untuk Pengenalan Nilai Nominal Pada Mata Uang Kertas Dengan Metode EigenFace

Birowo birowo

Sari


Banyak aplikasi yang memanfaatkan pengolahan citra, diantaranya absensi dengan pengenalan wajah, absensi sidik jari, termasuk pengenalan citra uang. Mengingat gaya hidup masyarakat yang semakin aktif dan dinamis, sehingga membutuhkan otomatisasi dalam keseharian. Manfaat dari pengenalan citra uang salah satunya pada mesin penjual minuman otomatis, mesin penukar uang otomatis dan mesin ATM untuk menyetor uang otomatis.

Metode yang digunakan pada sistem ini adalah eigenface, tidak hanya untuk pengenalan wajah namun metode eigenface juga dapat digunakan utnuk pengenalan citra selain wajah, karena itu sebagian orang menyebutnya eigenimage. Eigenface bisa didapat dengan menentukan eigenvalue dan eigenvektor terlebih dulu, sehingga nantinya dapat dicari distance (jarak) dari masing masing eigenface citra yang akan dibandingkan. Namun sebelumnya citra diseragamkan ukurannya (crop) dan diubah menjadi citra abu abu (grayscale).

Metode eigenface cukup baik digunakan untuk aplikasi pengenalan uang kertas, dengan kondisi standart akurasi pengenalan sebesar 95%. Citra uang juga masih bisa dikenali dengan keadaan Namun system masih mengenali kertas berwarna gelap sebagai citra uang. miring 1°,bergeser dengan tidak lebih dari 0,5 cm, uang tersobek atau tercoret dengan batas maksimal 1 cm, dengan kondisi terdapat noise citra uang dapat dikenali dengan akurasi berkisar 85% sampai dengan 95%.


Teks Lengkap:

PDF

Referensi


Basuki Achmad, F Palandi dan Fatchurrohman, 2015. Pengolahan Citra Digital Menggunakan Visual basic. Yogyakarta: Graha Ilmu.

Cunkas, M. & Akkaya, R., 2012. Design Optimization Of Desaign by Genetic Algorithm and Comparison with Existing Model. Mathematical and Computational Applications, 11(3), pp.193–203.

Danang mursita. et al., 2014. Aljabar Linier.

Bandung: Rekayasa Sains., 10(2), hal.269–283.

Didik Sutoyo. et al., 2010. Teori Pengolahan Citra

digital. Yogyakarta. Andi.., 9(2), hal.96–106.

Datta, A.K. et al., 2014. Simulation of Static Frequency Domain for Image Processing Machine Operation and Investigation of Shaft Voltage. , 8(3), pp.564–569.

Ebrahimi, B.M. & Faiz, J., 2012. Configuration

impacts on eccentricity fault detection Image in

metals Desain,. IEEE Transactions on

Magnetics, 48(2), pp.903–906.

Gubian, S., Suomela, B. & Hoeng, J., 2013. Generalized Simulated Annealing for Global Optimization : The GenSA Package. , 5(June), pp.13–28.

Hermawanto, D., 2013. Genetic algorithm forsolving

simple mathematical equality problem. arXiv

preprint arXiv:1308.4675. Available at:

http://arxiv.org/abs/1308.4675.

Jiang, W. & Wang, Z., 2016. Calibration of visual model for space manipulator with a hybrid LM-GA algorithm. Mechanical Systems and Signal Processing, 66–67, pp.399–409. Available at: http://dx.doi.org/10.1016/j.ymssp.2015.05.033.

M. Y. Dakhole, P.G.M. and V.N.M., 2012. Design And Analysis Of Dedicated Fixture For Multistage nSpecial Purpose Machine. Indian Streams Research Journal, 2(8), pp.181–192. Available at: http://www.isrj.net/PublishArticles/1324.pdf.

Street, B., 2002. Simulated annealing and genetic algorithm applied to finishing mill optimation for hot rolling of wide steel strip. , 6(2), pp.104–111.

Teknik Elektro PENS ITS, 2011, Penerapan Face Recognition Dengan Metode Eigenface Dalam Intelligent Home Securitye.pdf. Surabaya

Wikipedia, Digital Image, http://en.wikipedia.org/wiki/Digital_image. Terakhir diakses pada tanggal 2 Juli 2010 pada pukul 18.42 WIB.

Wikipedia, Digital Image Processing, http://en.wikipedia.org/wiki/Digital_image_processing. Terakhir diakses pada tanggal 2 Juli 2010 pada pukul 17.23 WIB.

Wikipedia, Kategori Format Gambar, http://id.wikipedia.org/wiki/Kategori:Format_gambar. Terakhir diakses pada tanggal 4 Juli 2010 pada pukul 15.07 WIB.


Refbacks

  • Saat ini tidak ada refbacks.