PENGEMBANGAN APLIKASI ALAT BANTU PENGENAL NOMINAL MATA UANG RUPIAH BAGI PENYANDANG TUNANETRA MENGGUNAKAN MODEL MOBILENET

Vaditto Luthfan Khaliq, - (2018) PENGEMBANGAN APLIKASI ALAT BANTU PENGENAL NOMINAL MATA UANG RUPIAH BAGI PENYANDANG TUNANETRA MENGGUNAKAN MODEL MOBILENET. S1 thesis, Universitas Pendidikan Indonesia.

[img] Text
S_KOM_1405701_Title.pdf

Download (21kB)
[img] Text
S_KOM_1405701_Abstract.pdf

Download (215kB)
[img] Text
S_KOM_1405701_Table_of_Contents.pdf

Download (318kB)
[img] Text
S_KOM_1405701_Chapter1.pdf

Download (234kB)
[img] Text
S_KOM_1405701_Chapter2.pdf
Restricted to Staf Perpustakaan

Download (655kB)
[img] Text
S_KOM_1405701_Chapter3.pdf

Download (333kB)
[img] Text
S_KOM_1405701_Chapter4.pdf
Restricted to Staf Perpustakaan

Download (1MB)
[img] Text
S_KOM_1405701_Chapter5.pdf

Download (110kB)
[img] Text
S_KOM_1405701_Bibliography.pdf

Download (231kB)
[img] Text
S_KOM_1405701_Appendix.pdf
Restricted to Staf Perpustakaan

Download (1MB)
Official URL: http://repository.upi.edu

Abstract

Saat ini transaksi ekonomi sudah menjadi hal yang biasa dilakukan sehari-hari. Orang-orang setiap harinya selalu bertransaksi dengan menggunakan alat pembayaran berupa uang melalui proses jual-beli. Uang menjadi peran yang sangat penting dalam bertransaksi. Akan tetapi, terdapat permasalahan dalam bertransaksi bagi penyandang tunanetra seperti kesulitan mengenali nominal uang, terutama uang kertas. Metode pengolahan citra yang dapat digunakan untuk mengklasifikasi uang rupiah adalah Convolutional Neural Network (CNN). Metode CNN ini memiliki banyak jenis berdasarkan arsitektur yang dibangunnya, salah satunya adalah arsitektur Mobilenet. Arsitektur Mobilenet berfokus pada penggunaan sumber daya yang kecil dan cepat. Pendekatan yang dilakukan pada penelitian ini adalah menggunakan Transfer Learning, agar proses training dapat dilakukan lebih cepat. Pada penelitian ini digunakan 7 kelas citra uang rupiah yang masing-masing terdiri dari 200 citra. Tingkat akurasi model yang dibangun dengan arstitektur Mobilenet adalah sebesar 82%. Hasil kuesioner menunjukkan aplikasi ini cukup membantu bagi responden.;--At this time economic transactions have become commonplace. People always transact using money in the form of payment through the buying and selling process. Money is a very important role in transactions. However, there are problems in transactions for people with visual impairments such as difficulty recognizing money, especially banknote. Image processing methods that can be used to classify rupiah banknote are Convolutional Neural Networks (CNN). The CNN method has many types based on the architecture that is built, one of them is Mobilenet architecture. Mobilenet architecture focuses on small and fast resource usage. In this study we used Transfer Learning in training process. Therefore the process becomes faster. 7 classes of rupiah banknote were used, each class consists of 200 images. The accuracy of the model built with the Mobilenet architecture is 82%. The results of the questionnaire indicate that this application is quite helpful for the respondents.

Item Type: Tugas Akhir,Skripsi,Tesis,Disertasi (S1)
Additional Information: No. Panggil : S KOM VAD p-2018; Pembimbing : I. Yaya Wihardi, II. Erna Piantari; NIM : 1405701.
Uncontrolled Keywords: klasifikasi uang rupiah, convolutional neural network, mobilenet, deep learning, rupiah banknote classification, convolutional neural network, mobilenet, deep learning.
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User: Cintami Purnama Rimba
Date Deposited: 08 Oct 2019 03:55
Last Modified: 08 Oct 2019 03:55
URI: http://repository.upi.edu/id/eprint/42672

Actions (login required)

View Item View Item