1

I. PENDAHULUANA. Latar Belakang

Pengolahan Citra secara automatis adalah masalah yang banyak menyita perhatian sekarang ini, baik pengenalan pola wajah, sidik jari, tulisan tangan maupun pola karakter hasil cetakan. Yang menjadi alasan penelitian adalah kemampuan untuk mengenali secara efektif dengan menggunakan pola contoh yang sedikit. Satu pendekatan yang menunjukkan hasil yang menjanjikan dalam pengenalan pola adalah dengan menggunakan jaringan saraf tiruan atau disebut juga dengan Artificial Neural Network (ANN). Teknologi Pengolahan Citra tidak hanya berperan aktif pada bidang multimedia dan grafis tetapi merambah pada system administrasi keuangan dalam hal validasi slip bank ataupun uang kertas di bidang administrasi pembayaran SPP.

Dalam hal pengecekan slip pembayaran Bank untuk SPP masih yang dilakukan oleh petugas administrasi masih membutuhkan waktu yang lama dan tidak efisien. Setiap Slip bank yang diperoleh Mahasiswa setelah membayar di bank memiliki digit yang berbeda yang menandakan No Registrasi,tanggal pembayaran dan nominal pembayaran. Di Universitas Muhammadiyah Gresik Proses Pengecekan Slip Bank pembayaran SPP Mahasiswa masih dilakukan secara manual dengan melihat digit pada Slip Bank oleh petugas administrasi yang jumlahnya 2 sampai 3 orang yang melayani lebih dari 1000 mahasiswa, ditambah lagi dengan batas akhir pembayaran spp yang singkat. Proses ini akan memungkinkan terjadi kesalahan. Pada

Setiap akhir jadwal validasi slip pembayaran SPP sering terjadi antrian mahasiswa yang terjadi di depan front office, antrian tersebut disebabkan adanya kebiasaan mahasiswa yang selalu melakukan validasi slip pada akhir jangka waktu pembayaran dan untuk mahasiswa kelas sore hanya bisa melakukan pembayaran pada jam kerja pagi dan siang sehingga mahasiswa sore yang bekerja harus meluangkan jam istirahat siang. Hal ini akan menyulitkan mahasiswa terutama mahasiswa yang sedang bekerja dimana mereka meluangkan jam istirahat siang yang hanya 1 – 2 jam tetapi akan memakan waktu lebih dari itu untuk antri dan perjalanan ke kampus.

Dilatarbelakangi masalah tersebut munculah ide sebagai solusi untuk mempermudah proses pengecekan slip bank untuk pembayaran SPP. Yaitu dengan menciptakan program deteksi slip bank dengan metode Artificial Neural Network (ANN) yang bisa mendeteksi keaslian slip bank dengan mengolah gambar yang ditangkap kamera kemudian diproses digital imagenya sehingga bisa memperoleh digit yang ada pada slip bank yang menjadi variable keaslian slip bank tersebut. Dengan demikian proses validasi diharapkan lebih efisien dan terjaga keakuratannya.

B. Rumusan Masalah1. Bagaimana membuat aplikasi yang dapat mendeteksi slip pembayaran SPP

di Universitas Muhammadiyah Gresik dengan ANN?2. Apakah Metode Artificial Neural Network (ANN) dapat digunakan sebagai

sistem pendeteksi Slip Bank ?

2

C. Tujuan program1. Membuat aplikasi yang dapat mendeteksi slip pembayaran SPP di

Universitas Muhammadiyah GKB dengan ANN.2. Mengetahui kegunaan Metode Artificial Neural Network (ANN) sebagai

sistem sistem pendeteksi Slip Bank.

D. Luaran Yang Diharapkan1. Membuat suatu aplikasi yang dapat mendeteksi slip pembayaran SPP di

Universitas Muhammadiyah Gresik dengan ANN yang difungsikan untuk mempermudah petugas admin dalam memvalidasi Slip Bank untuk SPP Mahasiswa

2. Menjadikan teknologi ANN sebagai model teknologi citra dalam mengurangi tingkat masalah administrasi keuangan di Universitas Muhammadiyah Gresik.

E. Kegunaan Program Memperoleh produk teknologi pengolahan citra baru yang bisa diimplementasikan oleh Universitas Muhammadiyah Gresik pada umunya dan system administrasi keuangan baru yang lebih efisien dan bermanfaat bagi mahasiswa pada khususnya.Tinjauan Pustaka

II. Tinjauan PustakaA. Citra

Istilah “citra” yang digunakan dalam bidang pengolahan citra diartikan sebagai suatu fungsi kontinu dari intensitas cahaya f(x,y) dalam bidang dua dimensi, dengan (x,y) menyatakan suatu koordinat, dan nilai f pada setiap titik (x,y) menyatakan intensitas, tingkat kecerahan, atau derajat keabuan (Murni,1992). Jika kita memperhatikan citra digital secara seksama, kita dapat melihat titik-titik kecil berbentuk segiempat yang membentuk citra tersebut. Titik-titik tersebut merupakan satuan terkecil dari suatu citra digital disebut sebagai “picture element”, “pixel” (piksel), atau “pel”. Jumlah piksel per satuan panjang akan menentukan resolusi citra tersebut. Makin banyak piksel yang mewakili suatu citra, maka makin tinggi nilai resolusinya dan makin halus gambarnya. Catur E. W. dan Kusworo Adi Peningkatan Kualitas…20

B. Pengolahan CitraPengolahan citra (image processing) bertujuan untuk memperbaiki kualitas citra dengan suatu tujuan tertentu. Beberapa alasan mengapa perlu dilakukan pengolahan citra, antara lain :1. Untuk mendapatkan citra asli dari suatu citra yang sudah buruk karena pengaruh derau. Proses pengolahan bertujuan untuk mendapatkan citra yang diperkirakan mendekati citra sesungguhnya.2. Untuk memperoleh citra dengan karakteristik tertentu dan cocok secara visual yang dibutuhkan untuk tahap lebih lanjut dalam pemrosesan citra. Terdapat lima proses dalam pengolahan citra digital, yaitu image restoration, image enhancement, image data compaction, image analysis, dan image reconstruction (Murni,1992). Disini akan dibahas dua diantaranya yaitu image restoration dan

3

image enhancemen. Image Restoration atau perbaikan citra berhubungan dengan minimalisasi atau penghilangan degradasi tertentu yang terdapat dalam citra sehingga didapatkan kembali citra aslinya. Degradasi ini dapat diakibatkan oleh lingkungan penginderaan citra, misalnya derau yang diakibatkan sensor citra, buram (blur) akibat kamera yang tidak fokus, keadaan atmosfir atau pencahayaan ketika citra ditangkap, dan sebagainya (Nalwan,1997). Model degradasi dapat dilihat pada gambar 2.1.

Gambar 2.1: Degradasi pada Image

Dengan menggunakan model ini, maka pada hakekatnya suatu citra yang kita lihat sesungguhnya merupakan citra yang telah mengalami suatu proses degradasi yang dalam hal ini digambarkan sebagai H ditambah dengan derau n(x,y) : g(x,y) = H.¦(x,y) + n(x,y) (1) ¦(x,y) (citra yang diinginkan) bisa didapatkan kembali dengan mengetahui fungsi H dan n (x,y) atau mengestimasikannya. Proses restorasi citra dilakukan dengan cara menapis citra yang diobservasi untuk meminimalkan efek degradasi tersebut. Berbeda dengan proses perbaikan citra, proses Image Enhancement atau peningkatan kualitas citra hanya didasarkan pada prosedurprosedur yang sangat heuristic (eksperimental, trial and error). Tujuannya adalah untuk memperjelas atau mempertajam ciri-ciri tertentu dari citra untuk suatu penggunaan yang spesifik. Istilah spesifik di sini penting artinya, karena teknik-teknik yang dilakukan sangat berbeda antara keperluan yang satu dengan yang lainnya. Proses ini tidak meningkatkan informasi yang terkandung dalam data citra digital, melainkan meningkatkan daerah cakupan data ciri yang diinginkan agar lebih mudah dideteksi. Citra asli ¦(x,y) ditransformasikan menjadi ¦’(x,y) sehingga informasi atau ciri-ciri penting yang ingin dilihat (feature) dapat lebih ditonjolkan pada ¦’(x,y). Caranya adalah dengan mengkonvolusikan citra asli : ¦’(x,y) = H (x,y) * ¦(x,y) (2)H (x,y) dipilih sedemikian rupa sehingga ¦’(x,y) merupakan citra yang menonjolkan ciri khusus dari ¦(x,y). Proses peningkatan citra berguna dalam pengambilan ciri citra, analisis citra, dan menampilkan informasi citra secara visual. Proses-proses yang termasuk dalam peningkatan citra diantaranya adalah manipulasi tingkat keabuan dan kontras (graylevel and contrast enhancement), pengurangan derau (noise reduction), penajaman tepian (edge sharpening), penapisan (filtering), interpolasi, pembesaran, pewarnaan semu (pseudocoloring), falsecoloring, dan sebagainya (Murni,1992). Salah satu teknik peningkatan kualitas citra lainnya adalah dengan melakukan operasi local

4

seperti operasi konvolusi atau operasi transformasi, seperti transformasi fourier ataupun transformasi wavelet.

C. Metode BackpropagationPerambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set).1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar.2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target.3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses.4. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.5. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan luaran elemen pemroses yang terhubung.

D. Arsitektur Jaringan Metode BackpropagationJaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas variable masukan unit sel saraf, lapisan tersembunyi terdiri atas 10 unit sel saraf, dan lapisan keluaran/output terdiri atas 2 sel saraf. Lapisan masukan digunakan untuk menampung 13 variabel yaitu X1 sampai dengan X13, sedangkan 2 lapisan keluaran digunakan untuk mempresentasikan pengelompokan pola, nilai 00 untuk Gangguan Stress, nilai 01 untuk Gangguan Fobia, nilai 10 untuk Gangguan Obsesif kompulsif, dan nilai 11 untuk Gangguan Panik

Gambar 2.2 Jaringan Metode BackpropagationIII. METODE PENDEKATANA. Variabel PenelitianVariabel penelitian yang digunakan dalam analisis data dan pembahasan adalah image yang dihasilkan oleh kamera webcam.

5

B. Diagram AlirSecara garis besar proses diagram alir dari deteksi slip bank untuk pembayaran SPP adalah sebagai berikut :1. Perancangan design system dan kebutuhan aplikasi deteksi slip pembayaran SPP dengan Aplikasi Webcam Menggunakan Artificial Neural Network (ANN).,2. Pengambilan image dari kamera Webcam Logitech 8mp dan dihasilkan citra dengan ukuran. 3. image yang telah didapatkan dari kamera kemudian diperbaiki kulitas citra dengan menggunakan image Enhancement pada citra menggunakan tool image Processing. 4. image yang telah dilakukan enhancement tersebut diekstraksi cirinya agar bisa dikenali ciri dari image tersebut sehingga bisa diketahui perbedaan dari setiap variable yang akan diproses5. Dilakukan klasifikasi image dari ciri yang didapatkan pada proses ekstraksi ciri sehingga gambar masukan yang diterima kamera bisa didefinisikan valid atau tidak.

Pada proses image processing kami menggunakan matlab yang pada sebelumnya telah disebutkan sebelumnya karena penggunaan matlab sangat cocok untuk pengolahan citra dari sumber yang kami dapat. Secara garis besar pelaksanaan penelitian adalah seperti pada Gambar 3.1

Gambar 3.1 Diagram Alir Pelaksanaan

IV. PELAKSANAAN PROGRAMA. Waktu dan Tempat PelaksanaanWaktu pelaksanaan program penelitian ini dimulai dari bulan Februari 2012 sampai dengan bulan Mei 2012. Secara ringkas, waktu dan tempat pelaksanaan dapat dilihat pada Lampiran A.1.

B. Rancangan dan Realisasi Biaya

6

Biaya yang kami terima dari Dikti yaitu sebesar Rp. 7.500.000 dan selama ini tidak ada pemanfaatan yang berbeda. Adapun rincian biaya secara terperinci dapat dilihat pada Lampiran A.2.

V. HASIL DAN PEMBAHASANGambar yang dihasilkan oleh kamera Webcam Logitech 8 MP menghasilkan gambar dengan resolusi 3264 x 2448 pixel. Gambar tersebut diambil pada waktu pagi hari, adapun gambarnya adalah seperti Gambar 5.1.

Gambar 5.1. Image setelah di capture

Dari gambar yang diambil oleh kamera webcam tersebut kemudian dilakukan proses perubahan RGB ke Grayscale seperti Gambar 5.2.

Gambar 5.2. Prepcrocessing image dengan menjadi GrayscaleGambar yang telah dilakukan perbaikan citra kemudian dilakukan zooming dan cropping pada posisi dimana data yang akan diambil dan hasilnya seperti di Gambar 5.3

7

Gambar 5.3. Image seletah dizooming dan dicropping

Kemudian gambar tersebut diambil data yang dibutuhkan yaitu nama mahasiswa, NIM dan jumlah nominal seperti yang tercantum pada gambar dibawah ini.

Gambar 5.4. Image setelah di deteksi masih dalam bentuk citra

Dari data tersebut kemudian dikonversi menjadi file txt sehingga bisa dibaca oleh system sebelumnya seperti tampilan file txt di Gambar 5.5

8

Gambar 5.5. hasil file txt

VI. KESIMPULAN DAN SARANA. Kesimpulan

Berdasarkan hasil pengujian pada image yang dihasilkan oleh kamera Webcam Logitech 8 Mp dengan Image Processing adalaj sebagai berikut :

1. Image yang dihasilkan berukuran 3264 x 2448 pixel.2. Untuk perbaikan image dilakukan grayscale image.3. Dilakukan klasifikasi image dengan metode ANN sehingga didapatkan

data mengenai informasi siswa

B. SaranHendaknya dilakukan penelitian lebih lanjut agar diperoleh data yang lebih lengkap agar hasil dari penelitian dapat diaplikasikan pada system Pendeteksi Slip Bank untuk kebutuhan lainnya.

VII. DAFTAR PUSTAKA

Dayhoff, Judith.E. 2003.Neural Network Architectures. Van Nostrand Reinhold, New York.

Fausset, Laurence. 1994. Fundamental of Neural Network : Architecture,

Algorithm, and Application. New Jersey : Prentice-HallSekarwati, K.A, Jaringan Saraf Tiruan, Universitas Gunadarma.Sri Kusumadewi. 2002.Buku ajar Kecerdasan Buatan, Teknik Informatika UII,

Yogyakarta.Suhardi, I., Y.U. Imardjoko, dan H. Samiadji, 2003. Evaluasi Jaringan Syaraf

Tiruan untuk Pengenalan Karakter Tulisan Tangan Jenis Cetak, Seminar Nasional Teknik Elektro, G- 1.

9

LAMPIRAN A.1Tabel 1. Tabel Pelaksanaan Program

NO KEGIATANBULAN KE TEMPAT

1 2 3 41 Prapengolahan (Analisis

permasalahan,pengumpulan bahan dan Alat)        

Laboratorium Teknik Informatika UMG

2 Ekstraksi Ciri

       

Laboratorium Hardware Teknik Informatika UMG

3 Klasifikasi menggunakan ANN

       

Laboratorium Hardware Teknik Informatika UMG

5 Pengujian aplikasi untuk mengolah data gambar dari slip pada software pendukung        

Laboratorium Teknik Informatika UMG

6 Pembuatan Laporan Laboratorium Teknik Informatika UMG

Lampiran A.2Tabel2. Tabel PemasukanNo Tanggal Jenis Penerimaan Jumlah1 10/02/2012 Dana tahap I Rp 2.000.000,002 02/05/2012 Dana tahap II Rp 3.250.000,003 24/05/2012 Dana Tahap III Rp 2.250.000,00

Jumlah total Rp 7.500.000,00

Tabel 3. Tabel Pengeluaran

FEBRUARI 2012Tanggal Jenis Pengeluaran Banyaknya Harga Satuan Realisasi

12/02/2012 Kertas A4 Gold 2 Rim @ Rp 50.000,- Rp 100.000,-14/02/2012 Bulpoint Snowman 2 Pack @ Rp 16.000,- Rp 32.000,-20/02/2012 Transportasi

Surabaya – Gresik3 Orang @ Rp 30.000,- Rp 90.000,-

20/02/2012 Konsumsi 3 Orang @ Rp 12.500,- Rp 37.500,-25/02/2012 Kamera Webcam

Logitech1 @ Rp990.000,- Rp 990.000,-

Jumlah Total Keseluruhan

Rp 1.249.500,-

MARET 2012Tanggal Jenis Pengeluaran Banyaknya Harga Satuan Realisasi

05/03/2012 Printer Canon MP 258

1 @Rp900.000,- Rp 900.000,-

07/03/2012 Agenda - @ Rp 20.000,- Rp 20.000,-

10

15/03/2012 Transportasi Surabaya – Gresik

3 Orang @ Rp 30.000,- Rp 90.000,-

15/03/2012 Konsumsi 3 Orang @ Rp 12.500,- Rp 37.500,-20/03/2012 Pengelasan Kamera - @ Rp50.000,- Rp 50.000,-

Jumlah Total Keseluruhan

Rp 1.097.500,-

APRIL 2012Tanggal Jenis Pengeluaran Banyaknya Harga Satuan Realisasi

03/04/2012 Monitor LCD Rp 987.000,-04/04/2012 Konsumsi Rp 37.500,-10/04/2012 HDD 500 GB Rp 936.000,-15/04/2012 RAM 4 GB Rp 600.000,-17/04/2012 DVD Samsung Rp 450.000,-18/04/2012 Motherboard Asus Rp 958.000,-19/04/2012 VGA Rp 772.000,-20/04/2012 Konsumsi Rp 37.500,-

Jumlah Total Keseluruhan

Rp 4.778.000,-

MEI 2012Tanggal Jenis Pengeluaran Banyaknya Harga Satuan Realisasi

11/05/2012 Pelaksanaan Monitoring dan

Evaluasi Internal

- Rp 225.000,-

16/05/2012 Pajak 1,5 % dari 7.500.000,-

3 Orang Rp 112.500,-

30/05/2012 Konsumsi 3 Orang @ Rp 12.500,- Rp 37.500,-Jumlah Total Keseluruhan

Rp 375.000 ,-

Total Pengeluaran Rp 7.500.000,-Saldo = Penerimaan – Pengeluaran

Rp7.500.000 – Rp 7.500.000 = Rp 0,-

11

12

13

14

15

16

17