Implementasi CNN Transfer Learning MobileNetV2 untuk Klasifikasi Mata Uang Rupiah bagi Tunanetra

Hafid Yahya; Elfi Fauziah

doi:10.31004/riggs.v5i2.12446

Authors

Hafid Yahya Universitas Pamulang
Elfi Fauziah Universitas Pamulang

DOI:

https://doi.org/10.31004/riggs.v5i2.12446

Keywords:

Convolutional Neural Network, MobileNetV2, transfer learning, tunanetra, uang rupiah

Abstract

Pengenalan nominal uang masih menjadi hambatan nyata bagi penyandang tunanetra, terutama ketika uang kertas dalam kondisi lusuh, terlipat, atau memiliki ukuran fisik yang serupa antar pecahan. Penelitian ini mengembangkan sistem klasifikasi mata uang Rupiah secara real-time berbasis Convolutional Neural Network (CNN) dengan pendekatan transfer learning dua fase menggunakan arsitektur MobileNetV2, yang dirancang untuk membantu pengguna tunanetra melalui deteksi berbasis kamera smartphone. Dataset yang digunakan berjumlah 2.400 citra dalam delapan kelas, mencakup tujuh nominal uang kertas emisi 2022 (Rp1.000–Rp100.000) serta satu kelas non-rupiah, dengan pembagian 70% data latih, 15% data validasi, dan 15% data uji. Proses pelatihan dilakukan dalam dua fase, yaitu pembekuan lapisan backbone diikuti fine-tuning sebagian pada lapisan di atas layer ke-100. Hasil evaluasi terhadap 360 citra uji menunjukkan akurasi keseluruhan sebesar 96,39%, dengan precision, recall, dan f1-score macro average masing-masing sebesar 0,97, 0,96, dan 0,96. Model yang telah dilatih dikonversi ke format TensorFlow Lite dan diintegrasikan ke dalam aplikasi Android dengan mekanisme konsensus voting dan keluaran suara (text-to-speech). Pengujian pengguna terhadap tujuh responden tunanetra di Lembaga Layanan Disabilitas Universitas Pamulang menghasilkan skor penerimaan rata-rata 3,91 dari 5, dengan 72% responden menyatakan sistem membantu hingga sangat membantu dibandingkan metode konvensional. Temuan ini membuktikan bahwa transfer learning berbasis MobileNetV2 menawarkan solusi yang efektif dan efisien secara komputasi untuk pengenalan mata uang bagi penyandang tunanetra.

Downloads

Download data is not yet available.

References

[1] C. Chen, S. Ganov, and T. V. Raman, “TalkBack: An Open Source Screenreader For Android,” Google. Accessed: Jul. 12, 2026. [Online]. Available: https://opensource.googleblog.com/2009/10/talkback-open-source-screenreader-for.html

[2] A. Hermawan, L. Yaum, and R. Megaswarie, “PENERAPAN APLIKASI TALKBACK DALAM PELAKSANAAN PEMBELAJARAN SISWA TUNANETRA KELAS XI DI SLB NEGERI BRANJANGAN JEMBER,” J. Pendidik. Inklusi Citra Bakti, vol. 1, pp. 109–116, Aug. 2023, doi: https://doi.org/10.38048/jpicb.v1i1.2208.

[3] N. Simanjuntak, R. L. Ginting, M. P. Setianta, N. A. Salsabila, and S. Hidayah, “Proses Adaptasi Anak Tunanetra Terhadap Lingkungan Masyarakat,” J. Inov. Penelit. Ilmu Pendidik. Indones., vol. 2, no. Vol 2,No 1, Januari 2025, pp. 80–85, 2025, doi: https://doi.org/10.31004/e16a3520.

[4] CNN Indonesia, “Soal Janji Uang Braille, BI Punya Blind Code Sejak 2004,” CNN Indonesia. Accessed: Jul. 12, 2026. [Online]. Available: https://www.cnnindonesia.com/nasional/20181118052451-32-347439/soal-janji-uang-braille-bi-punya-blind-code-sejak-2004

[5] R. Ardianto and S. K. Wibisono, “Analisis Deep Learning Metode Convolutional Neural Network Dalam Klasifikasi Varietas Gandum,” J. Kolaboratif Sains, vol. 6, no. Vol. 6 No. 12: DESEMBER 2023, pp. 2081–2092, 2023, doi: 10.56338/jks.v6i12.4938.

[6] C. Juliandy and Darwin, “Pengenalan Computer Vision Berbasis Convolutional Neural Network melalui Dewatalks,” Sarwahita J. Pengabdi. Kpd. Masy., vol. 21, no. Vol. 21 No. 01 (2024): Sarwahita : Jurnal Pengabdian Kepada Masyarakat, pp. 45–52, 2024, doi: https://doi.org/10.21009/sarwahita.211.4.

[7] M. M. Taye, “Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions,” Multidiscip. Digit. Publ. Inst., vol. 11, no. 3, 2023, doi: https://doi.org/10.3390/computation11030052.

[8] A. P. Gani and E. Poerwandono, “PENGEMBANGAN APLIKASI ANDROID BERBASIS MACHINE LEARNING UNTUK PENDETEKSI JENIS KULIT WAJAH MENGGUNAKAN DEEP LEARNING,” J. Mhs. Tek. Inform., vol. 9, no. 6, pp. 9551–9557, 2025, doi: https://doi.org/10.36040/jati.v9i6.15674.

[9] B. A. Sadewa and Y. Yamasari, “Implementasi Deep Transfer Learning untuk Klasifikasi Nominal Uang Kertas Rupiah,” J. Informatics Comput. Sci., vol. 5, no. Vol. 5 No. 04 (2024), pp. 543–551, 2024, doi: https://doi.org/10.26740/jinacs.v5n04.p543-551.

[10] A. M. N. Hidayat, A. Antamil, and I. Z. M, “Identifikasi Nominal Mata Uang Rupiah Bagi Penyandang Tunanetra Dengan Algoritma Convolutional Neural Network Berbasis Android,” J. Software, Hardware, Inf. Technol., vol. 3, no. No. 2 (2023), pp. 60–65, 2023, doi: https://doi.org/10.24252/shift.v3i2.102.

[11] I. M. Gede and I. Mahendra, “Pengembangan Model Pembelajaran Mesin untuk Mengidentifikasi Nominal Uang Kertas Rupiah Menggunakan Algoritma CNN Dengan Library Keras,” vol. 8, no. Vol 8 No 1 (2022): Kalbisiana, pp. 469–475, 2022, [Online]. Available: https://ojs.kalbis.ac.id/index.php/kalbisiana/id/article/view/290/225

[12] A. N. Hermana, A. W. Tetuko, and M. G. Husada, “Identifikasi Keaslian Uang Rupiah menggunakan Arsitektur MobilenetV3-Small Hybrid Berdasarkan Watermark,” J. Innov. Creat., vol. 6, no. Vol. 6 No. 1 (2026), pp. 9539–9545, 2026, doi: https://doi.org/10.31004/joecy.v6i1.8055.

[13] M. U. Ridlo, “Klasifikasi Ras Kucing Real-Time Pada Android Menggunakan Transfer Learning MobileNetV2,” Pros. Semin. Nas. Teknol. DAN SAINS, vol. 5, no. Vol. 5 No. 1 (2026): Seminar Nasional Teknologi & Sains (STAINS), pp. 336–343, 2026, doi: https://doi.org/10.29407/wp0kct24.

[14] 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,” Transient J. Ilm. Tek. Elektro, vol. 10, no. 3, 2021, pp. 502–509, 2021, doi: https://doi.org/10.14710/transient.v10i3.502-509.

[15] A. E. Evwiekpaefe and H. Isacha, “A Visually Impaired Mobile Application for Currency Recognition using MobileNetV2 CNN Architecture,” J. Comput. Soc. Informatics, vol. 4, no. No 1, 2025, pp. 26–42, 2025, doi: https://doi.org/10.33736/jcsi.8562.2025.

[16] A. S. K. Perera and G. S. N. Meedin, “Fine-tuned CNN-based Sri Lankan Currency Note Detection Method for the Visually Impaired People Using Smartphones,” Inst. Electr. Electron. Eng., 2023, doi: https://doi.org/10.1109/ICARC57651.2023.10145672.

[17] C. Park and K. R. Park, “MBDM: Multinational Banknote Detecting Model for Assisting Visually Impaired People,” Multidiscip. Digit. Publ. Inst., vol. 11, no. Mathematics 2023, 11(6), 1392, 2023, doi: https://doi.org/10.3390/math11061392.

[18] A. Nasir, S. Zafar, and Z. Nasir, “Pakistani Currency Recognition and Classification for Visually Impaired People Using Convolutional Neural Network,” IEEE, vol. 4, no. Conference: 2024 4th International Conference on Digital Futures and Transformative Technologies (ICoDT2), 2024, doi: https://doi.org/10.1109/ICoDT262145.2024.10740188.

[19] A. M. Ghanem, H. A. Youness, M. Wahba, and H. M. Abdelaal, “Recognizing Egyptian currency for people with visual impairment using deep learning models,” Sci. Rep., vol. 15, no. Scientific Reports volume 15, Article number: 34288 (2025), pp. 1–15, 2025, doi: https://doi.org/10.1038/s41598-025-20646-x.

[20] S. E. Thio and J. Susilo, “Identifikasi Pemilahan Sampah Berbasis Algoritma Transfer Learning CNN Menggunakan MobileNetV2 dan EfficientNetB0,” Bin. Digit. - Technol., vol. 8, no. Vol. 8 No. 1 (2025): bit-Tech, pp. 2622–271X, 2025, doi: https://doi.org/10.32877/bt.v8i1.1900.

[21] R. Osgibran, “Deteksi Daun Herbal Berbasis Android Menggunakan Transfer Learning MobileNetV2,” Pros. Semin. Nas. Teknol. DAN SAINS, vol. 5, no. Vol. 5 No. 1 (2026): Seminar Nasional Teknologi & Sains (STAINS), pp. 179–186, 2026, doi: https://doi.org/10.29407/5b3jst33.

[22] Y. Yuhandri, A. Ramadhanu, and H. Syahputra, “PENGENALAN TEKNOLOGI PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) UNTUK SANTRI DI RAHMATAN LIL ’ ALAMIN INTERNATIONAL ISLAMIC BOARDING SCHOOL,” Community Dev. J., vol. 3, no. Community Development Journal Jurnal Pengabdian Masyarakat 3(2):1239-1244, pp. 1239–1244, 2022, doi: https://doi.org/10.31004/cdj.v3i2.5868.

[23] I. F. Annur, J. Umami, M. N. Annafii, and N. Trisnaningrum, “Klasifikasi Tingkat Keparahan Penyakit Leafblast Tanaman Padi Menggunakan MobileNetv2,” Fountain Informatics J., vol. 8, no. Fountain of Informatics Journal 8(1):7-14, pp. 7–14, 2023, doi: https://doi.org/10.21111/fij.v8i1.9419.

[24] Y. Miftahuddin and F. Z. S, “Perbandingan Metode Efficientnet-B3 dan Mobilenet-V2 Untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun,” J. Ilm. Teknol. Infomasi Terap., vol. 9, no. December 2022Jurnal Ilmiah Teknologi Infomasi Terapan 9(1), pp. 1–11, 2022, doi: https://doi.org/10.33197/jitter.vol9.iss1.2022.911.

[25] F. Muhammad, A. M. Arimurthy, and D. Chahyati, “Transfer Learning dengan Metode Fine Tuning pada Model Network VGG16 dan ResNet50,” Indones. J. Comput. Sci., vol. 12, no. February 2023Indonesian Journal of Computer Science 12(1), pp. 361–374, 2023, doi: https://doi.org/10.33022/ijcs.v12i1.3130.