Fadhila, Dava Aldi (2025) IMPLEMENTASI MACHINE LEARNING DENGAN MOBILENET UNTUK KLASIFIKASI UANG KERTAS RUPIAH PADA PENDERITA TUNANETRA MENGGUNAKAN ESP-32 CAM. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![]() |
Text (COVER-ABSTRAK)
COVER.pdf Download (729kB) |
![]() |
Text (BAB I)
BAB I.pdf Download (176kB) |
![]() |
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (912kB) |
![]() |
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (538kB) |
![]() |
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (791kB) |
![]() |
Text (BAB V)
BAB V.pdf Download (91kB) |
![]() |
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (114kB) |
![]() |
Archive (SOURCE CODE)
Sourcecode - 21.83.0692.zip Restricted to Repository staff only Download (3MB) |
![]() |
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (651kB) |
Abstract
Keterbatasan individu tunanetra dalam mengenali nominal uang kertas rupiah secara mandiri menjadi masalah utama yang diangkat dalam penelitian ini, mengingat belum tersedianya alat bantu yang portabel, terjangkau, dan mudah digunakan. Dampak dari permasalahan ini adalah berkurangnya aksesibilitas keuangan dan kemandirian bagi penyandang tunanetra. Untuk mengatasi masalah tersebut, penelitian ini menggunakan metode Research and Development (R&D) untuk mengembangkan sebuah sistem klasifikasi uang kertas yang terintegrasi pada perangkat embedded. Proses pengembangan meliputi beberapa tahapan, yaitu identifikasi masalah, studi literatur, perancangan sistem, pembuatan prototipe, dan pengujian. Sistem ini dibangun menggunakan mikrokontroler ESP32-CAM yang diintegrasikan dengan model machine learning arsitektur MobileNet yang dilatih menggunakan platform Edge Impulse untuk mengklasifikasikan tujuh pecahan uang kertas rupiah (Rp1.000, Rp2.000, Rp5.000, Rp10.000, Rp20.000, Rp50.000, dan Rp100.000). Hasil penelitian menunjukkan bahwa prototipe alat berhasil dikembangkan dan dapat berfungsi secara offline dan real-time. Berdasarkan pengujian, sistem mampu bekerja stabil dan memberikan output suara melalui buzzer sebagai respons hasil klasifikasi. Uji akurasi menunjukkan performa yang sangat baik, dengan rata-rata akurasi mencapai 95% untuk uang dalam kondisi baik dan 90,71% untuk uang dalam kondisi kurang baik. Waktu deteksi total yang dibutuhkan sistem berkisar antara 4 hingga 7 detik, yang cukup responsif untuk penggunaan sehari-hari. Hasil penelitian ini dapat dimanfaatkan oleh penyandang tunanetra sebagai alat bantu untuk meningkatkan kemandirian dalam transaksi keuangan. Penelitian selanjutnya dapat difokuskan pada pengembangan sistem dengan output suara yang lebih informatif seperti Text-to-Speech (TTS) dan menggunakan platform yang lebih kuat seperti Raspberry Pi untuk meningkatkan kompleksitas model dan akurasi.
Item Type: | Thesis (S1 - Sarjana) | ||
---|---|---|---|
Contributor: |
|
||
Uncontrolled Keywords: | Klasifikasi Uang, ESP32-CAM, Machine Learning, MobileNet | ||
Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus |
||
Divisions: | Fakultas Ilmu Komputer > Teknik Komputer | ||
Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
Date Deposited: | 16 Sep 2025 04:02 | ||
Last Modified: | 16 Sep 2025 04:02 | ||
URI: | http://eprints.amikom.ac.id/id/eprint/30688 |
Actions (login required)
![]() |
View Item |