• Login
    View Item 
    •   Home
    • UNDERGRADUATE THESES (Koleksi Skripsi Sarjana)
    • UT-Faculty of Computer Science
    • View Item
    •   Home
    • UNDERGRADUATE THESES (Koleksi Skripsi Sarjana)
    • UT-Faculty of Computer Science
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Klasifikasi Nominal Uang Kertas Rupiah Untuk Tunanetra Menggunakan Algoritma Convolutional Neural Network

    Thumbnail
    View/Open
    SKRIPSI ADWITYA 192410101054.pdf (2.353Mb)
    Date
    2023-06-15
    Author
    PRAYASTITA, Adwitiya Sadhu
    Metadata
    Show full item record
    Abstract
    Penggunaan blind code pada uang kertas Rupiah Indonesia dinilai tidak dapat membantu penyandang tunanetra. Maka dari itu diperlukan sebuah terobosan lain, salah satunya dengan mengajarkan mesin agar dapat melihat layaknya makhluk biologis atau biasa disebut Computer Vision. Convolutional Neural Network (CNN) dapat menjalankan tugas tersebut yang mana CNN dapat memproses kedalaman atau depth citra. Selain itu diperkirakan latarbelakang akan memengaruhi peforma model sehingga diperlukan sebuah metode untuk mengisolasikan objek dari citra atau memisahkan objek dengan latar belakang, dalam kasus ini digunakan Segmentasi dengan menggunakan arsitektur U-Net. Selain metode yang digunakan, diperlukan pula perangkat yang mobile sehingga penyandang dapat menggunakannya sewaktu waktu, maka dari itu digunakan pula arsitektur klasifikasi MobileNetV2 yang diklaim memiliki arsitektur ringan sehingga cocok digunakan pada perangkat mobile seperti smartphone. Maka dari itu penelitian ini akan membandingkan 2 buah skenario utama yaitu, Skenario klasifikasi MobileNetV2 tanpa segmentasi U-Net dengan skenario klasifikasi MobileNetV2 dengan data tersegmentasi U-Net. Data yang digunakan akan dibagi menjadi 3 jenis data, dimana pada data jenis 1 didapatkan dengan menggunakan webcam msi gf63thin dengan ukuran 224x224 pixel. Data jenis 2 didapatkan dengan menggunakan kamera xiaomi redmi 9 dengan ukuran 2304x4096 pixel. Dan data jenis 3 yang didapatkan melalui kaggle secara open source dengan ukuran 1600x900 pixel. Data jenis 3 digunakan untuk memperbanyak citra atau memperkaya tiap kelas citra. Setelah dilakukan percobaan dan beberapa tuning hasil terbaik didapatkan pada skenario utama klasifikasi MobileNetV2 tanpa data tersegmentasi U-Net dengan pembagian data 75% data latih, 25% data validasi. Model tersebut berhasil mendapatkan metrik 99% accuracy, 99% precision, 99% recall, 99% f1-score.
    URI
    https://repository.unej.ac.id/xmlui/handle/123456789/120995
    Collections
    • UT-Faculty of Computer Science [1051]

    UPA-TIK Copyright © 2024  Library University of Jember
    Contact Us | Send Feedback

    Indonesia DSpace Group :

    University of Jember Repository
    IPB University Scientific Repository
    UIN Syarif Hidayatullah Institutional Repository
     

     

    Browse

    All of RepositoryCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

    My Account

    LoginRegister

    Context

    Edit this item

    UPA-TIK Copyright © 2024  Library University of Jember
    Contact Us | Send Feedback

    Indonesia DSpace Group :

    University of Jember Repository
    IPB University Scientific Repository
    UIN Syarif Hidayatullah Institutional Repository