gambar pada piksel baris i dan kolom j, maka val=val+128 15. Gambarbaru pada piksel baris i dan kolom j adalah val.
16. j=j+1 17. i=i+1;
18. Selesai Setelah dilakukan ekstraksi ciri dengan algoritma di atas, didapatlah hasil citra baru
hasil ekstraksi ciri local binary pattern. Pada Gambar 3.13 merupakan ilustrasi perubahan dari proses local binary pattern.
3.5.4. Pembuatan Histogram
Setelah didapatkan citra baru hasil ekstraksi ciri local binary pattern, selanjutnya dilakukan pembuatan histogram pada citra baru yang akan dijadikan ciri
dari citra tersebut. Histogram pada penelitian ini adalah jumlah data pada suatu intensitas cahaya pada tiap piksel citra hasil ekstraksi ciri local binary pattern yang
bernilai dari 0 hingga 255. Pada Gambar 3.14. merupakan contoh representasi histogram hasil ekstraksi ciri local binary pattern :
Ekstraksi ciri LBP
Citra Grayscale Hasil Ekstraksi ciri
Gambar 3.13. Ilustrasi Hasil Proses Ekstraksi ciri LBP
Gambar 3.14. Histogram Hasil Proses Ekstraksi ciri LBP PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Pada Gambar 3.14. sumbu x menerangkan intensitas cahaya dari 0 hingga 255, sedangkan sumbu y menerangkan banyaknya jumlah intensitas cahaya pada suatu
objek citra. Pembuatan histogram menggunakan fungsi imhist pada matlab. Berdasarkan gambar histogram pada Gambar 3.14, dapat dihasilkan vector berupa
histogram hasil ekstraksi ciri citra. Pada Gambar 3.15. merupakan gambar vector untuk ciri histogram Gambar 3.14.
Gambar 3.15. Data Ciri Vektor Citra Pada Gambar 3.15. Vektor ciri pada citra uang pada Gambar 3.14. hanya
ditampilkan pada intensitas 0 – 22 dari yang sebenarnya terdapat ciri pada intensitas 0
– 255. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3.5.5. 3 fold Crossvalidation
Pengujian dilakukan untuk mengetahui seberapa baik kinerja alat uji. Pada penelitian ini digunakan metode pengujian 3 fold cross validation. Pengujian
dilakukan untuk semua data citra uang kertas. 3 fold cross validation melakukan pembagian 105 data uang menjadi 3 bagian yaitu firstfold, secondfold dan thirdfold
yang masing-masing memiliki 35 data. Kelompok data yang sudah dibagi menjadi 3 label selanjutnya dijadikan sebagai data training dan data testing. Bersumber dari data
tersebut 2 kelompok data yang berjumlah 70 data untuk data training dan 1 kelompok yang berjuamlah 35 data untuk data testing. Setelah itu dilakukan iterasi sebanyak 3
kali. Pada setiap iterasi dilakukan pertukaran antara data training dan data testing. Iterasi pertama firstfold menjadi datatesting sementara itu secondfold dan thirdfold
menjadi datatraining, Iterasi kedua secondfold menjadi datatesting sementara itu firstfold dan thirdfold menjadi datatraining, Iterasi ketiga thirdfold menjadi
datatesting sementara itu firstfold dan secondfold menjadi datatraining. Proses crossvalidation ini menghasilkan 3 kelompok hasil pengujian nilai nominal uang
dengan masing-masing nilai akurasi yang dihasilkan.
3.5.6. Hitung Jarak