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

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.