Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Eksplora Informatika
Andhika Ryan Pratama
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Deteksi Citra Uang Kertas dengan Fitur RGB Menggunakan K-Nearest Neighbor Andhika Ryan Pratama; Muhammad Mustajib; Aryo Nugroho
Jurnal Eksplora Informatika Vol 9 No 2 (2020): Jurnal Eksplora Informatika
Publisher : Bagian Perpustakaan dan Publikasi Ilmiah - Institut Teknologi dan Bisnis STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (562.138 KB) | DOI: 10.30864/eksplora.v9i2.336

Abstract

Mesin pendeteksi uang kertas menjadi salah satu objek yang diperhatikan untuk diteliti dan dikembangkan. Mesin pendeteksi uang kertas Indonesia yang ditemukan seperti di stasiun kereta api di suatu kota, terdapat kegagalan dalam mengenali nilai uang kertas tertentu. Tujuan dari penelitian ini adalah membangun model dari pengenalan nilai uang kertas menggunakan K-Nearest Neighbor (KNN) yang merupakan metode yang paling sederhana dan paling penting dalam pengenalan pola, hal ini ditunjukkan pada akurasi yang diperoleh lebih tinggi dibandingkan metode lainnya seperti Artificial Neural Networks (ANN) dan Feedforward Neural Network (FNN). Model yang diusulkan menggunakan ekstraksi fitur, terdapat beberapa fitur yang digunakan untuk pengenalan uang kertas seperti yang pernah dilakukan menggunakan ekstraksi fitur tekstur. Penelitian ini menggunakan ekstraksi fitur warna. Warna memberikan informasi yang berarti dan nilai-nilai yang penting dalam proses mendeskripsikan suatu objek. Warna yang digunakan adalah Red, Green, Blue (RGB). Hasil disajikan pada dataset 40 gambar uang kertas yang terdiri dari pecahan 2000 rupiah keluaran lama, 2000 rupiah keluaran baru, 5000 rupiah keluaran lama, dan 5000 rupiah keluaran baru. Pendekatan yang diusulkan terlihat kinerja yang cukup baik dengan menggunakan metode KNN. Dari 16 data uji menunjukkan 15 objek uang kertas berhasil dideteksi dengan benar. Akurasi yang dihasilkan sebesar 93,7% dengan nilai K=5.
Co-Authors Aryo Nugroho Muhammad Mustajib