Identifikasi dan Konversi Mata Uang Asing Menggunakan Scale Invariant Feauture Transform
DOI:
https://doi.org/10.36815/submit.v1i2.1733Keywords:
uang kertas asing, identifikasi uang kertas asing, konversi mata uang asing, sift, ransacAbstract
Uang kertas masih banyak digunakan dalam transaksi komersial meskipun mata uang digital menjadi populer, uang kertas fisik masih menjadi jumlah besar dari transaksi lokal. Salah satu permasalahan wisatawan dari luar negeri mengalami kesulitan dalam mengidentifikasi harga barang dan jasa menggunakan mata uang lokal dan membayar barang-barang tersebut dalam mata uang lokal. Untuk mengatasi permasalahan ini, sistem identifikasi uang kertas dan konversi mata uang asing akan menjadi alat yang berguna serta sebagai alternatif solusi bagi para wisatawan asing. Sistem identifikasi dan konversi mata uang asing adalah alat yang sangat dibutuhkan untuk setiap wisatawan asing. Tujuan penelitian ini merancang aplikasi yang memberikan konversi mata uang asing dengan mengambil gambar uang kertas asing. Aplikasi dimulai dengan mengambil citra sejumlah uang kertas asing, kemudian memberi label pada citra dengan nilai mata uang. Citra yang dihasilkan akan dibandingkan dengan serangkaian pelatihan beberapa citra uang kertas asing dengan algoritma SIFT dan RANSAC untuk pencocokan citra. Kemudian nilai mata uang asing dikonversi ke Rupiah. Posisi setiap uang kertas beserta nilai mata uang Rupiah dikirim kembali ke citra dengan label di atas citra asli dan dijumlahkan jika uang kertas lebih dari satu. Penelitian ini telah berhasil identifikasi uang kertas dan konversi mata uang asing menggunakan metode SIFT yang mampu membedakan beberapa uang kertas dari berbagai negara dengan akurasi 100% untuk identifikasi sampai dengan 8 uang kertas. Sistem juga berhasil identifikasi uang kertas jamak baik dari negara yang sama ataupun dari beberapa negara dengan waktu rata-rata 32.67 detik.
References
Abbas, A. A. (2019) ‘An Image Processor Bill Acceptor for Iraqi Currency’, Al-Nahrain Journal of Science, 22(2), pp. 78–86. doi: 10.22401/anjs.22.2.10.
Abu Doush, I. and AL-Btoush, S. (2017) ‘Currency Recognition using a Smartphone: Comparison Between Color SIFT and Gray Scale SIFT Algorithms’, Journal of King Saud University - Computer and Information Sciences. King Saud University, 29(4), pp. 484–492. doi: 10.1016/j.jksuci.2016.06.003.
Banknote.ws (2020) Bank Note Museum. Available at: http://www.banknote.ws/ (Accessed: 31 August 2020).
Bhavani, A. S. (2017) ‘Currency Recognition using SIFT’, International Journal of Computer Applications, 167(9), pp. 15–20. doi: 10.5120/ijca2017914368.
CBCDG (2020) Banknotes & Counterfeit Deterrence. Available at: https://rulesforuse.org/ (Accessed: 31 August 2020).
Dittimi, T. V. and Suen, C. Y. (2019) ‘High Correlation-based Banknote Gradient Assessment of Ensemble Classifier’, International Journal of Wavelets, Multiresolution and Information Processing, 17(3), pp. 1–18. doi: 10.1142/S0219691319500061.
Fischler, M. A. and Bolles, R. C. (1981) ‘Random Sample Consensus: a Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography’, Communications of the ACM, 24(6), pp. 381–395. doi: 10.1145/358669.358692.
Hamida, S. Ben, Azizi, R. and Maaloul, A. (2016) ‘Intelligent System of M-Vision Based on Optimized SIFT’, Journal of Computer and Communications, 04(04), pp. 52–62. doi: 10.4236/jcc.2016.44005.
Han, M. and Kim, J. (2019) ‘Joint Banknote Recognition and Counterfeit Detection using Explainable Artificial Intelligence’, Sensors (Switzerland), 19(16), pp. 11–13. doi: 10.3390/s19163607.
Kurniawati, L., Risandriya, S. K. and Wijanarko, H. (2019) ‘Pendeteksi Nominal Uang Kertas bagi Penyandang Tunanetra Menggunakan Neural Network’, Journal of Applied Electrical Engineering, 3(2), pp. 39–43. doi: 10.30871/jaee.v3i2.1821.
Mousavi, S. A. et al. (2015) ‘Old and Worn Banknote Detection using Sparse Representation and Neural Networks’, Indian Journal of Science and Technology, 8(10), pp. 913–918. doi: 10.17485/ijst/2015/v8i.
Park, C. et al. (2020) ‘Deep Feature-Based Three-Stage Detection of Banknotes and Coins for Assisting Visually Impaired People’, IEEE Access, 8, pp. 184598–184613. doi: 10.1109/access.2020.3029526.
Pham, T. D. et al. (2020) ‘Deep Learning-Based Fake-Banknote Detection for the Visually Impaired People Using Visible-Light Images Captured by Smartphone Cameras’, IEEE Access. IEEE, 8, pp. 63144–63161. doi: 10.1109/ACCESS.2020.2984019.
Praneesh, M., Nagarajan, R. and Kavitha, P. (2019) ‘Design and Development for Forgery Currency Detection using SIFT Features Based SVM Classifier’, International Journal of Innovative Technology and Exploring Engineering, 8(10 Special Issue), pp. 135–137. doi: 10.35940/ijitee.J1025.08810S19.
Saranya, K. S., Badhan, A. K. and Alekhya, A. (2020) ‘Currency Counting for Visually Impaired Through Voice using Image Processing’, International Journal of Engineering Research and, V9(05), pp. 195–199. doi: 10.17577/ijertv9is050137.
Shahani, S., Jagiasi, A. and R., P. (2018) ‘Analysis of Banknote Authentication System using Machine Learning Techniques’, International Journal of Computer Applications, 179(20), pp. 22–26. doi: 10.5120/ijca2018916343.
Yousry, A., Taha, M. and Selim, M. M. (2018) ‘Currency Recognition System for Blind People using ORB Algorithm’, International Arab Journal of e-Technology, 5(1), pp. 34–40.
Zuliani, M. (2011) RANSAC for Dummies, unpublished. Available at: https://www.cs.tau.ac.il/~turkel/imagepapers/RANSAC4Dummies.pdf (Accessed: 31 August 2020).
