Saputro, Stevi (2023) IMPLEMENTASI TRANSFER LEARNING UNTUK KLASIFIKASI NOMINAL UANG KERTAS RUPIAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (1MB) |
|
Text (BAB I)
BAB I.pdf Download (228kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (846kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (158kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (676kB) |
|
Text (BAB V)
BAB V.pdf Download (69kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (562kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Source Code - Stevi Saputro.zip Restricted to Repository staff only Download (174MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (803kB) |
Abstract
Tunanetra menghadapi kesulitan dalam membedakan mata uang karena solusi timbul yang dapat diraba pada uang tidak selalu efektif ketika uang menjadi kusut atau terlipat berkali-kali, menyebabkan potensi kesalahan dalam mengidentifikasi nominal mata uang. Penelitian ini bertujuan untuk membantu tunanetra yang kesulitan membedakan nominal mata uang karena kode tuna netra tidak dapat diraba akibat uang kusut. Dalam penelitian ini, dua model transfer learning, yaitu MobileNetV1 dan EfficientNet-lite0, digunakan untuk mengklasifikasikan nominal mata uang kertas rupiah. Hasil penelitian menunjukkan bahwa kedua model berhasil digunakan untuk tujuan ini. Model MobileNetV1 mencapai nilai akurasi tertinggi sebesar 91% dengan menggunakan optimizer Adam, learning rate 0,001, dan batch size 32. Sementara itu, model EfficientNet-lite0 mencapai akurasi tertinggi sebesar 86% dengan menggunakan optimizer Adam, learning rate 0,001, dan batch size 32 atau 16. Perbandingan hasil menunjukkan bahwa model MobileNetV1 memiliki keunggulan 5% lebih tinggi dalam akurasi testing, mencapai 91%, dibandingkan dengan model EfficientNetlite0 yang mencapai akurasi testing sebesar 86%. Oleh karena itu, dalam penelitian ini model MobileNetV1 dapat dianggap sebagai model terbaik untuk tujuan mengklasifikasikan nominal mata uang kertas rupiah pada perangkat mobile, yang dapat membantu tunanetra dalam mengenali dan membedakan mata uang dengan lebih baik.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Klasifikasi Gambar, Pembelajaran Mesin, Transfer Learning, Uang Kertas | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum | ||
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 08 Sep 2023 03:10 | ||
| Last Modified: | 26 Jan 2024 07:53 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/21352 |
Actions (login required)
 |
View Item |