Klasifikasi Nilai Nominal Uang Logam Indonesia Menggunakan Support Vector Machine
DOI:
https://doi.org/10.51179/ilka.v3i1.39Kata Kunci:
Klasifikasi, Pengolahan Citra, Uang Logam Rupiah, Support Vector Marchine, Ekstraksi FiturAbstrak
Penelitian ini membahas klasifikasi nilai nominal uang logam Rupiah menggunakan metode Support Vector Machine (SVM) berbasis pengolahan citra digital. Objek penelitian terdiri dari uang logam pecahan Rp100, Rp200, Rp500, dan Rp1.000 yang diterbitkan sejak tahun 2016 hingga sekarang. Tahap pra-pemrosesan meliputi perubahan ukuran citra menjadi 128×128 piksel serta konversi citra ke grayscale untuk menyeragamkan data. Proses ekstraksi fitur dilakukan dengan mengombinasikan fitur bentuk, tekstur Haralick, Local Binary Pattern (LBP), dan warna HSV guna merepresentasikan karakteristik utama setiap koin. Model klasifikasi dibangun menggunakan algoritma SVM dengan kernel Radial Basis Function (RBF), dengan pembagian data sebesar 80% untuk pelatihan dan 20% untuk pengujian. Hasil pengujian menunjukkan tingkat akurasi sebesar 75%, yang menandakan bahwa kombinasi fitur yang digunakan cukup efektif dalam membedakan nominal uang logam Rupiah. Penelitian ini menunjukkan bahwa metode SVM memiliki kinerja yang baik dalam klasifikasi uang logam, meskipun peningkatan akurasi masih dapat dicapai melalui optimasi parameter dan penambahan variasi dataset pada penelitian selanjutnya.
Unduhan
Referensi
[1] R. Prabowo, A. Afifah, and azzah Roudhoh, “Klasifikasi Image Tumbuhan Obat Sirih dan Binahong Menggunakan Metode Convolutional Neural Network (CNN),” Jurnal Komputasi, vol. 10, no. 2, 2022, doi: 10.23960/komputasi.v10i2.3178.
[2] D. Armiady and I. M. R, “Klasifikasi Kualitas Buah Pisang Berdasarkan Citra Buah Menggunakan Stochastic Gradient Descent,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 2, 2023.
[3] I. R. Muslem and T. M. Johan, “KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Citra Ikan Menggunakan Algoritma Convolutional Neural Network dengan Arsitektur VGG-16,” Media Online), vol. 4, no. 2, pp. 978–985, 2023, doi: 10.30865/klik.v4i2.1209.
[4] I. R. Muslem, “KLIK: Kajian Ilmiah Informatika dan Komputer Image Classification pada Kasus American Sign Language Menggunakan Support Vector Machine,” Media Online), vol. 4, no. 2, pp. 1184–1191, 2023, doi: 10.30865/klik.v4i2.1242.
[5] G. Gampur, I. W. Ordiyasa, and S. Hasta Mulyani, “Klasifikasi Jenis Pisang Menggunakan Convolutional Neural Network,” Seminar Nasional Teknik Elektro, Informatika dan Sistem Informasi, vol. 1, no. 1, 2022, doi: 10.35842/sintaks.v1i1.6.
[6] A. N. Rais and D. Riana, “Segmentasi Citra Tumor Otak Mengunakan Support Vector Machine Classifier,” Seminar Nasional Inovasi dan Tren (SNIT), vol. 1, no. 1, 2018.
[7] M. Z. Andrekha and Y. Huda, “Deteksi Warna Manggis Menggunakan Pengolahan Citra dengan Opencv Python,” Voteteknika (Vocational Teknik Elektronika dan Informatika), vol. 9, no. 4, 2021, doi: 10.24036/voteteknika.v9i4.114251.
[8] F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” Journal of Informatics and Computer Science (JINACS), vol. 1, no. 02, 2020, doi: 10.26740/jinacs.v1n02.p104-108.
[9] E. Wahyu Ningsih, D. Sugandi, L. Somantri, and R. Ridwana, “Perbandingan Klasifikasi Penutup Lahan di Kota Bandung Menggunakan Metode Klasifikasi Berbasis Piksel dan Klasifikasi Berbasis Objek Pada Citra SPOT 7,” JPIG (Jurnal Pendidikan dan Ilmu Geografi), vol. 7, no. 1, 2022, doi: 10.21067/jpig.v7i1.6500.
[10] V. K. Chauhan, K. Dahiya, and A. Sharma, “Problem formulations and solvers in linear SVM: a review,” 2019. doi: 10.1007/s10462-018-9614-6.
[11] M. W. Huang, C. W. Chen, W. C. Lin, S. W. Ke, and C. F. Tsai, “SVM and SVM ensembles in breast cancer prediction,” PLoS One, vol. 12, no. 1, 2017, doi: 10.1371/journal.pone.0161501.
[12] L. Luthfi, R. Imam Muslem, D. Armiady, S. Sriwinar, R. Fajri, and I. Iqbal, “Analysis of CNN Method for Image Classification of Coconut Ripeness Levels,” in 2023 Eighth International Conference on Informatics and Computing (ICIC), IEEE, Dec. 2023, pp. 1–6. doi: 10.1109/ICIC60109.2023.10381964.
[13] J. Kusanti and T. I. Tjendrowarsono, “Optimasi Klasifikasi Parasit Malaria Dengan Metode LVQ, SVM dan Backpropagation,” Infotekmesin, vol. 12, no. 1, 2021, doi: 10.35970/infotekmesin.v12i1.483.
[14] H. N. Vu, M. H. Nguyen, and C. Pham, “Masked face recognition with convolutional neural networks and local binary patterns,” Applied Intelligence, vol. 52, no. 5, 2022, doi: 10.1007/s10489-021-02728-1.
[15] N. A. Husnah and H. Annur, “Implementasi Metode Convolutional Neural Network Untuk Identifikasi Citra Digital Daun,” Geomatika, vol. 24, no. 2, 2018.
[16] S. Ratna, “PENGOLAHAN CITRA DIGITAL DAN HISTOGRAM DENGAN PHYTON DAN TEXT EDITOR PHYCHARM,” Technologia: Jurnal Ilmiah, vol. 11, no. 3, 2020, doi: 10.31602/tji.v11i3.3294.
Unduhan
Diterbitkan
Cara Mengutip
Lisensi
Hak Cipta (c) 2026 Jurnal Ilmu Komputer Aceh
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini adalah jurnal akses terbuka yang menyediakan akses langsung secara nasional, bebas hambatan ke teks lengkap dari semua artikel yang diterbitkan tanpa biaya pembaca atau institusi mereka untuk mengaksesnya. Pembaca berhak membaca, mengunduh, menyalin, mendistribusikan, mencetak, mencari, atau menautkan teks lengkap semua artikel di Jurnal ILKA. Jurnal ini memberikan akses terbuka langsung ke kontennya dengan prinsip bahwa membuat penelitian tersedia secara bebas untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
