Klasifikasi Mata Uang Rupiah Berupa Kertas Menggunakan Metode Convolutional Neural Network (CNN) Dan Transfer Learning
Klasifikasi Mata Uang Rupiah Berupa Kertas Menggunakan Metode Convolutional Neural Network (CNN) Dan Transfer Learning
Mata uang merupakan elemen krusial dalam aktivitas ekonomi suatu negara, dan pengenalan
serta klasifikasi otomatis mata uang dapat mendukung berbagai aplikasi di bidang keuangan
dan perbankan. Uang kertas Rupiah merupakan alat pembayaran yang sah di Indonesia.
Klasifikasi mata uang Rupiah secara akurat dan efisien merupakan hal penting dalam
berbagai aplikasi, seperti mesin kasir, pendeteksian uang palsu, dan sistem pembukuan.
Penelitian ini mengusulkan metode klasifikasi mata uang Rupiah kertas menggunakan
Convolutional Neural Network (CNN) dan Transfer Learning. CNN merupakan arsitektur
jaringan syaraf tiruan yang efektif dalam pengolahan citra, termasuk klasifikasi objek.
Transfer Learning memanfaatkan model CNN yang telah dilatih pada dataset besar untuk
kemudian dioptimalkan pada dataset klasifikasi mata uang Rupiah dengan meningkatkan
kemampuan model untuk mengenali dan membedakan mata uang dengan akurasi yang lebih
tinggi. Penelitian ini menggunakan dataset yang mencakup mencakup variasi kondisi
pencahayaan, orientasi, dan deformasi. Penelitian ini menunjukkan bahwa pendekatan yang
diusulkan mampu mencapai tingkat akurasi yang memuaskan dalam mengenali dan
mengklasifikasikan mata uang Rupiah berupa kertas. Model CNN dilatih menggunakan
dataset ini dan dibandingkan dengan metode klasifikasi lainnya seperti Support Vector
Machine (SVM) dan K-Nearest Neighbors (KNN). Hasil penelitian menunjukkan bahwa
metode CNN dengan Transfer Learning menghasilkan akurasi klasifikasi yang lebih tinggi
dibandingkan dengan metode lainnya. Model CNN mencapai akurasi klasifikasi hingga
100%, menunjukkan bahwa metode ini efektif untuk klasifikasi mata uang Rupiah
meningkatkan kemampuan model untuk mengenali dan membedakan mata uang dengan
akurasi yang lebih tinggi. Penelitian ini memberikan kontribusi signifikan dalam
pengembangan sistem otomatisasi pengenalan mata uang, membuka potensi untuk aplikasi di
sektor keuangan, perbankan, dan pengelolaan kas pada tingkat yang lebih efisien dan akurat.
Kata kunci: Klasifikasi, Mata Uang Rupiah, Uang Kertas, Convolutional Neural Network
(CNN), Transfer Learning, Deep Learning
Abstract
Currency is a crucial element in a country's economic activity, and the automatic recognition
and classification of currency can support various applications in finance and banking.
Rupiah banknotes are legal tender in Indonesia. Accurate and efficient classification of
Rupiah currency is important in various applications, such as cash registers, counterfeit
detection, and bookkeeping systems. This research proposes a paper currency classification
method using Convolutional Neural Network (CNN) and Transfer Learning. CNN is an
artificial neural network architecture that is effective in image processing, including object
classification. Transfer Learning utilizes a CNN model that has been trained on a large
dataset and then optimized on the Rupiah currency classification dataset by enhancing the
model's ability to recognise and distinguish currencies with higher accuracy. The research
shows that the proposed approach is able to achieve satisfactory accuracy in recognising and
classifying paper Rupiah currency. CNN models were trained using this dataset and
compared with other classification methods such as Support Vector Machine (SVM) and
K-Nearest Neighbors (KNN). The results showed that the CNN method with Transfer
Learning produced higher classification accuracy compared to the other methods. The CNN
model achieved a classification accuracy of up to 100%, indicating that this method is
effective for Rupiah currency classification improving the model's ability to recognise and
distinguish currencies with higher accuracy. This research makes a significant contribution to
the development of currency recognition automation systems, opening up the potential for
applications in the finance, banking, and cash management sectors at a more efficient and
accurate level.
3.2 Pre-processing
Melakukan preprocessing data
Augmentasi Dataset
menggunakan platform Roboflow untuk
menormalisasikan gambar untuk
memastikan konsistensi dalam intensitas
warna dan contrast dan menyesuaikan
Membangun Arsitektur Model
Data sudah di Preprocessing dan
Augmentasi Pada gambar tersebut peneliti telah
mengembangkan arsitektur Convolutional
3.4 Pembangunan Arsitektur Model CNN Neural Network (CNN) menggunakan
Peneliti membuat arsitektur model TensorFlow dan Keras. Model ini terdiri
CNN untuk membuat klasifikasi mata dari lapisan-lapisan konvolusi dengan
uang rupiah pecahan kertas dengan aktivasi ReLU, lapisan Max Pooling untuk
arsitektur yang umum digunakan yaitu mereduksi dimensi, dan lapisan Dense
Inception V3. Inception dikenal karena untuk klasifikasi. Lapisan Dropout juga
kemampuannya mengekstrak fitur dari diimplementasikan untuk mengurangi
berbagai tingkat hierarki melalui overfitting selama pelatihan. Dengan
penggunaan modul konvolusi multi-skala. konfigurasi ini, model dapat digunakan
Dengan menggunakan Inception, peneliti untuk tugas klasifikasi multikelas dengan 7
dapat memanfaatkan keunggulan dari kelas berbeda pada gambar berukuran
struktur modul yang berbeda ukuran, yang 224x224 piksel.
dapat membantu model mengidentifikasi
pola dan fitur kompleks dalam gambar
mata uang. Peneliti juga menggunakan
callback untuk mendapatkan akurasi
terbaik dalam pelatihan model.
Menggunakan Callback
Transfer Learning
3.10 Pembahasan