IDENTIFIKASI KEASLIAN UANG KERTAS RUPIAH MENGGUNAKAN METODE K-MEANS CLUSTERING

RAMADHAN FADDILAH AKBAR; emilia roza;

Identifikasi Keaslian Uang Kertas Menggunakan Metode

K-Means Clustering
Ramadhan Faddilah Akbar

Kasus peredaran uang palsu merupakan masalah yang cukup serius bagi suatu negara,
penelitian ini bertujuan mengembangkan sistem identifikasi keaslian >80% uang kertas Rupiah
menggunakan K-Means Clustering yang diintegrasikan dengan teknik pengolahan citra digital
dengan 2 fitur visual keamanan pada uang kertas yang dijadikan parameter. Metode yang
digunakan yaitu algoritma K-Means Clustering, metode ini dipilih karena efisiensinya dalam
menentukan cluster pada kumpulan data (Umar Rusydi et al., 2018) dan menggunakan 2 fitur
visual pada keamanan uang kertas. Kriteria Uang Asli (Semua harus terpenuhi) : Edge Density
LoG 0.18, Edge Mean LoG 0.20, Mean LBP 0.065 DAN Variance LBP 0.013 Kriteria Uang
Palsu (Minimal 2 harus terpenuhi) : Edge Density LoG 0.20, ATAU Edge Mean LoG 0.15,
Variance LBP 0.013, Kombinasi nilai di luar rentang normal Sistem Scoring Score (LoG_Score
x 0.4) + (LBP_Score x 0.3) + (Consistency_Score x 0.3) Jika Score 0.6 : Uang Asli (Confidence:
70%) Jika Score 0.4 : Uang Palsu (Confidence: 70%) Jika 0.4 Score 0.6: Memerlukan Verifikasi
Manual Dari semua hasil analaisis perbandingan yang sudah dipaparkan diatas, kita dapat
menarik kesimpulan bahwa Fitur LoG merupakan fitur pembeda terbaik, dengan kemampuan
membedakan citra uang asli dan palsu secara signifikan. Pendekatan citra keseluruhan lebih
efektif dibandingkan citra ROI (70% vs 53%). Penggabungan pada kedua fitur memberikan
performa optimal dengan F1-Score 72.23%. Sistem dapat mengidentifikasi 80% uang asli
dengan tingkat false positive 20%. Berdasarkan hipotesa hasil penelitian pada sistem
identifikasi keaslian uang kertas menggunakan K-Means Clustering dengan menggabungkan
kedua fitur yang terintegrasi dengan teknik pengolahan citra digital, dapat ditarik kesimpulan
sebagai berikut : 1. Sistem yang dikembangkan belum berhasil mencapai target akurasi 80%
yang ditetapkan dalam tujuan penelitian. Akurasi tertinggi yang diperoleh adalah 70.00% pada
pengujian citra keseluruhan. Sedangkan akurasi terendah adalah 53.33% pada pengujian citra
ROI. 2. Penggabungan dua fitur visual utama Local Binary Pattern (LBP) dan Laplacian of
Gaussian (LoG) menunjukkan karakteristik yang berbeda untuk uang asli dan palsu. Untuk
mengetahui cara membedakan keduanya, uang asli cenderung memiliki nilai Mean LBP 0.65
yang menunjukkan konsitensi pada tekstur, sedangkan uang palsu memiliki Edge Density 0.20
yang menunjukkan variasi tepi yang lebih tinggi. 3. Algoritma K-Means Clustering dapat
membedakan uang asli dan palsu berdasarkan kombinasi fitur yang diesktraksi, namun tingkat
akurasi yang dihasilkan masih dibawah ekspetasi. Citra uang keseluruhan memberikan hasil
yang lebih baik dibandingkan ROI.

Kata Kunci : Uang Kertas, Asli, Palsu, K-Means Clustering, Fitur Keamanan.