Pengembangan Model Klasifikasi Nominal Uang Kertas Rupiah Berbasis Transfer Learning untuk Tunanetra
Kata Kunci:
Uang Rupiah, Tunanetra, Deteksi Objek, YOLO, Deep LearningAbstrak
Penelitian ini bertujuan untuk mengembangkan sistem pengenal nominal uang kertas Rupiah berbasis deep learning menggunakan arsitektur YOLO (You Only Look Once) guna membantu penyandang tunanetra dalam mengenali nilai nominal uang secara mandiri dan real-time. Berbeda dengan metode klasifikasi standar, YOLO memungkinkan deteksi objek sekaligus klasifikasi dalam satu tahapan proses, sehingga lebih responsif untuk penggunaan pada perangkat bergerak. Dataset yang digunakan terdiri dari citra uang kertas Rupiah dengan tujuh kelas nominal, yaitu Rp1.000, Rp2.000, Rp5.000, Rp10.000, Rp20.000, Rp50.000, dan Rp100.000, yang diperoleh melalui pengambilan gambar secara langsung menggunakan kamera. Dataset dibagi ke dalam data pelatihan, validasi, dan pengujian. Model dilatih menggunakan algoritma YOLO dengan optimasi pada bounding box dan prediksi kelas nominal. Hasil pelatihan menunjukkan bahwa implementasi YOLO mampu memberikan tingkat akurasi yang tinggi serta kecepatan pemrosesan (FPS) yang stabil, yang sangat krusial untuk membantu penderita gangguan penglihatan dalam melakukan transaksi sehari-hari secara akurat.
Referensi
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” 2016. [Online]. Available: http://pjreddie.com/yolo/
R. D. Saputra, “Pengembangan sistem deteksi objek pada produk retail dengan arsitektur YOLOv4-tiny,” Universitas Islam Indonesia, Yogyakarta, 2023. Accessed: Dec. 15, 2026. [Online]. Available: https://dspace.uii.ac.id/handle/123456789/45878
A. Prima, D. B. Santoso, and L. Nurpulaela, “Deteksi otomatis nominal uang kertas rupiah untuk tunanetra menggunakan algoritma arsitektur SSD MobileNetv3,” TEKNOKOM, vol. 6, no. 2, pp. 151–159, Aug. 2023, doi: 10.31943/teknokom.v6i2.166.
M. F. Mahfuzh, M. N. Abdillah, and B. Fatkhurrozi, “Deteksi rupiah emisi 2022 untuk disabilitas netra menggunakan YOLOv5m dengan output suara,” INTI Nusa Mandiri, vol. 19, no. 1, pp. 01–09, Jun. 2024, doi: 10.33480/inti.v19i1.5295.
F. Z. R. Widodo, “Rancang bangun aplikasi pendeteksi nominal uang kertas rupiah menggunakan Flutter dengan arsitektur MobileNetV2 untuk tunanetra,” Sarjana thesis, Universitas Islam Negeri Sunan Gunung Djati Bandung., Bandung, 2023. Accessed: Dec. 15, 2025. [Online]. Available: https://digilib.uinsgd.ac.id/id/eprint/83002.
A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal speed and accuracy of object detection,” pp. 1–17, Apr. 2020, Accessed: Dec. 15, 2026. [Online]. Available: http://arxiv.org/abs/2004.10934
J. Redmon and A. Farhadi, “YOLOv3: An incremental improvement,” pp. 1–6, Apr. 2018, Accessed: Dec. 15, 2026. [Online]. Available: http://arxiv.org/abs/1804.02767
A. M. N. Hidayat, Antamil, and I. M. Zakiyah, “Identifikasi nominal mata uang rupiah bagi penyandang tunanetra dengan algoritma convolutional neural network berbasis android,” pp. 60–65, Jun. 2023, doi: https://doi.org/10.24252/shift.v3i2.102.
C. Charleen and G. P. Kusuma, “Evaluation of deep learning models for detection of Indonesian rupiah,” International Journal of Computing and Digital Systems, vol. 16, no. 1, pp. 315–327, Jul. 2024, doi: 10.12785/ijcds/160125.
M. Z. Hanif, W. A. Saputra, Y. H. Choo, and A. P. Yunus, “Rupiah banknotes detection comparison of the Faster R-CNN algorithm and YOLOv5,” Aug. 2024. doi: https://doi.org/10.20895/infotel.v16i3.1189.
A. G. Howard et al., “MobileNets: Efficient convolutional neural networks for mobile vision applications,” pp. 1–9, Apr. 2017, Accessed: Dec. 15, 2026. [Online]. Available: http://arxiv.org/abs/1704.04861
K. M. Azhar, I. Santoso, and Y. A. A. Soetrisno, “Implementasi deep learning menggunakan metode convolutional neural network dan algoritma YOLO dalam sistem pendeteksi uang kertas rupiah bagi penyandang low vision,” TRASIENT, vol. 10, no. 3, pp. 502–509, Sep. 2021, Accessed: Dec. 15, 2025. [Online]. Available: https://ejournal3.undip.ac.id/index.php/transient
N. Fanzury and M. Hwang, “Real-time identification of mixed and partly covered foreign currency using YOLOv11 object detection,” AI (Switzerland), vol. 6, no. 10, pp. 1–21, Oct. 2025, doi: 10.3390/ai6100241.
