Klasifikasi Uang Kertas dan Logam Asia Tenggara Menggunakan CNN MobileNetV3 Berbasis Web

Bagas Edra Athallah Rafif; Bambang Krismono Triwijoyo; I Nyoman Switrayana

doi:10.69693/ijmst.v4i3.13030

Authors

Bagas Edra Athallah Rafif Universitas Bumigora
Bambang Krismono Triwijoyo Universitas Bumigora
I Nyoman Switrayana Universitas Bumigora

DOI:

https://doi.org/10.69693/ijmst.v4i3.13030

Keywords:

Convolutional Neural Network, Stratified K-Fold Cross Calidation, Transfer learning, Klasifikasi Citra, MobilenetV3

Abstract

Perbedaan karakteristik visual uang dari berbagai negara di Asia Tenggara menyebabkan proses identifikasi uang menjadi cukup sulit dilakukan secara manual, khususnya bagi masyarakat umum maupun wisatawan. Penelitian ini bertujuan mengembangkan sistem klasifikasi uang kertas dan logam Asia Tenggara berbasis web menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV3 melalui pendekatan transfer learning. Dataset yang digunakan terdiri atas 1.610 citra yang terbagi ke dalam 21 kelas, meliputi uang kertas, uang logam dari sepuluh negara Asia Tenggara, serta satu kelas non-uang. Tahap penelitian meliputi preprocessing, augmentasi data, pelatihan model menggunakan Stratified K-Fold Cross Validation dengan variasi K=5, K=10, dan K=15, serta implementasi model ke dalam aplikasi web. Hasil penelitian menunjukkan bahwa konfigurasi K=10 memberikan performa terbaik dengan rata-rata accuracy sebesar 93,91%, precision sebesar 94,72%, recall sebesar 93,97%, dan F1-score sebesar 93,97%. Hasil tersebut menunjukkan bahwa MobileNetV3 mampu memberikan performa klasifikasi yang baik dan stabil sehingga layak diterapkan sebagai sistem identifikasi uang Asia Tenggara berbasis web.

References

Albani, M., & Andhi, R. R. (2023). Klasifikasi Uang Rupiah Kertas Tidak Layak Edar Menggunakan CNN Xception Transfer Learning Berbasis Website. September, 394–406.

Alzubaidi, L., Zhang, J., Humaidi, A. J., Dujaili, A. Al, Duan, Y., Shamma, O. Al, Santamaría, J., Fadhel, M. A., Amidie, M. Al, & Farhan, L. (2021). Review of deep learning : concepts , CNN architectures , challenges , applications , future directions. In Journal of Big Data. Springer International Publishing. https://doi.org/10.1186/s40537-021-00444-8

Bota, Y. T., & Setiyawati, N. (2022). Pengembangan Sistem Informasi Perantara Bisnis Menggunakan Framework Flask. 3(2), 79–93. https://journal-computing.org/index.php/journal-ita/index

Chen, L., Li, S., Bai, Q., Yang, J., Jiang, S., & Miao, Y. (2021). Review of Image Classification Algorithms Based on Convolutional Neural Networks. 1–51.

Fauzan, M. R., Nadhif, N., Iskandar, R., & Fauzi, R. Z. (2026). Rethinking Efficiency : A Comparative Study of Lightweight CNN Architectures for Image Classification. 2(1), 13–21. https://doi.org/10.64878/jistics.v2i1.167

Munir, A. . (2024). Futures of Money - Monies of the Future. Introduction. Accounting, Economics and Law: A Convivium, 14(2), 165–172. https://doi.org/10.1515/ael-2022-0116

Nanni, L., Paci, M., & Brahnam, S. (2021). Comparison of Different Image Data Augmentation Approaches. https://doi.org/10.3390/jimaging7120254

Prusty, S., Patnaik, S., & Dash, S. K. (2022). SKCV : Strati fi ed K-fold cross-validation on ML classi fi ers for predicting cervical cancer. August, 1–12. https://doi.org/10.3389/fnano.2022.972421

Rissa Ilmia Agustin, Jamaludin Indra, Sutan Faisal, Ahmad Fauzi, & Rija Nur Hijriyya. (2024). Klasifikasi Pecahan Uang Kertas Rupiah Menggunakan Transfer Learning Dengan Model Mobilenetv2. Jurnal INSTEK (Informatika Sains Dan Teknologi), 9(2), 242–250. https://doi.org/10.24252/instek.v9i2.49123

Rizky, M., Hidayat, A., Hindarto, D., & Sani, A. (2025). Comparative Performance Evaluation of MobileNetV3 and ResNet50 for Forest Fire Image Classification. 9(4), 3324–3335.

UN Tourism. (2025). United Nations World Tourism Organization (UNWTO). https://www.untourism.int/tourism-data/un-tourism-tourism-dashboard

Widodo, S., Brawijaya, H., Bina, U., Informatika, S., & Mandiri, U. N. (2022). Stratified K-fold cross validation optimation on machine learning for prediction. 6(4), 2407–2414. https://doi.org/10.33395/sinkron.v7i4.11792

Zhao, Y., Huang, H., Li, Z., Yiwang, H., & Lu, M. (2022). Intelligent garbage classification system based on improve MobileNetV3-Large. 0091. https://doi.org/10.1080/09540091.2022.2067127