2. Pada percobaan 2 dengan ketentuan jumlah epoch 500, rasio pembelajaran 0.05 dan minimum error 0.01 pada citra ukuran 40x40piksel dapat dilihat bahwa rata-
rata waktu pelatihan 704,29milidetik dan 571,81milidetik saat pengujian dengan persentase keaslian 51,58 dan akurasi deteksi 64,29pada metode LVQ,
sedangkan metode Backpropagation membutuhkan waktu pelatihan selama 3detik 43milidetik dan waktu pengujian selama 578,84milidetik dengan persentase
keaslian 83,36 dan akurasi deteksi 21,43 .
3. Dilihat dari hasil percobaan 1 dan 2 dapat disimpulkan bahwa tingkat akurasi deteksi lebih tepat dengan jumlah epoch terbanyak yaitu 1000 epoch
dibandingkan dengan hasil dengan epoch 500 walaupun dari segi waktu jelas terlihat jumlah epoch 500 hanya memakan waktu yang singkat. Sama halnya
dengan percobaan 3 dan 4 dapat disimpulkan bahwa jumlah epoch mempengaruhi tingkat akurasi deteksi, dimana semakin kecil jumlah epoch semakin besar pula
tingkat kesalahannya.
4. Dari hasil percobaan diatas dapat disimpulkan juga bahwa metode LVQ lebih baik dalam memeriksa tingkat keaslian uang baik dari segi waktu pelatihan, pengujian,
maupun dari akurasi deteksi.
5.2 Saran
Adapun saran yang dapat diberikan kepada peneliti selanjutnya dalam pengembangan sistem ini adalah sebagai berikut :
1. Untuk pengembangan selanjutnya diharapkan pemeriksaan keaslian mata uang dapat dilakukan dengan cara pengambilan citra uang secara langsung melalui
webcam.
2. Ciri khusus yang diambil dalam pemeriksaan mata uang ini hanya di cropping pada bagian invisible ink yang menggunakan cahaya ultraviolet, diharapkan
untuk pengembangan selanjutnya dapat dilakukan dengan keseluruhan citra uang tanpa cropping.
3. Penelitian ini dilakukan dengan menggunakan bahasa pemrograman Visual Basic 2012, pada penelitian berikutnya dapat dilakukan dengan menggunakan bahasa
pemrograman yang lain.
DAFTAR PUSTAKA
Adfriansyah. 2012. Pengenalan Karakter Pada Plat Nomor Kendaraan dengan Metode Backpropagation. Skripsi. Universitas Sumatera Utara.
Afdhali, A. 2011. Implementasi Algoritma Intensity Color Checking dalam Reduksi Efek Mata Merah pada Foto Digital. Skripsi. Universitas Sumatera Utara.
Afriany, S. S., Esti, S., Wiharto. 2013. Pengenalan Nada pada Senar Biola dengan Metode Jaringan Syaraf Tiruan Learning Vector Quantization. Seminar Nasional
Teknologi Informasi dan Komunikasi SENTIKA, pp. 64-73. Finindia, 2013. Jaringan Saraf Tiruan Propagasi Balik Tiga Faktor Dalam Pengenalan
Sidik Jari. Skripsi. Universitas Sumatera Utara. Ginting, E. D. Deteksi Tepi Menggunakan Metode Canny dengan Matlab untuk
Membedakan Uang Asli dan Uang Palsu. Jurusan Teknik Informatika Universitas Gunadarma.
Harianja, A. A. 2010. Pengenalan Citra Huruf dan atau Angka Menggunakan Sistem Jaringan Saraf Tiruan Model Hopfield. Skripsi. Universitas Sumatera Utara.
Harjunowibowo, D. 2010. Perangkat Lunak Deteksi Uang Palsu Berbasis LVQ Memanfaatkan Ultraviolet. Seminar Nasional Pendidikan Biologi FKIP UNS, pp.
342-352. Kiki, Sri, K. 2004. Jaringan Saraf Tiruan dengan Metode Backpropagation untuk
Mendeteksi Gangguan Psikologi. Media Informatika 22: 1-14. Muis, L. W. 2009. Identifikasi Pola Sinyal Menggunakan Teknik Neural Networks.
Graha Ilmu : Yogyakarta. Nugroho, F.A. 2011. Implementasi Teknik Kompresi Video dengan Menggunakan
Algoritma Discrete Cosine Transform pada Perangkat Bergerak. Skripsi. Universitas Sumatera Utara.
Nurkhozin, A., Irawan, M. I,. Mukhlis, I. 2011. Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropagation dan
Learning Vector Quantization. Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, pp.33-40.
Nurmila, N., Sugiharto, A., Sarwoko, E. A. Algoritma Backpropagation Neural Network untuk Pengenalan Pola Karakter Huruf Jawa. Jurnal Masyarakat
Informatika 11:1-10.
