Implementasi Machine Learning Sebagai Pengenal Nominal Uang Rupiah dengan Metode YOLOv3

  • Aditiya Hermawan Universitas Buddhi Dharma
  • Leonardo Lianata Universitas Buddhi Dharma
  • Junaedi Universitas Buddhi Dharma
  • Ardiane Rossi Kurniawan Maranto Universitas Buddhi Dharma
Keywords: Machine Learning, YOLOv3, Android

Abstract

Jumlah disabilitas kesulitan melihat (Tunanetra) di atas 10 tahun sebanyak 6,36% dari total penduduk yang mengalami disabilitas yaitu 8,56% pada tahun 2015. Permasalahan yang dihadapi penyandang tunanetra dalam kehidupan sehari-hari salah satunya mengenali nominal uang rupiah. Walaupun pemerintah sudah membuat uang dengan emboss pada emisi 2016, tetapi masih kurang efektif karena uang yang beredar kadang dalam kondisi tidak rapih. Untuk mengatasi hal tersebut dapat dibantu dengan menggunakan teknologi Machine learning berbasis Yolov3 dalam mengenali nominal uang Rupiah. Metode YOLOv3 mempunyai keunggulan dalam kecepatan pelatihan model dan nilai akurasinya yang tinggi, dan memang dirancang untuk mengolah gambar. Dataset yang digunakan untuk membuat model machine learning dikumpulkan dari berbagai gambar uang rupiah nominal 1000, 2000, 5000, 10000, 20000, 50000, 10000 sebanyak 4200 gambar. Model yang sudah dibuat selanjutnya diimplementasikan kedalam bentuk aplikasi android. Aplikasi dijalankan seperti melakukan scan uang dan memberikan hasil berupa suara yang menyebutkan nominal uang tersebut secara otomatis. Model ini dievaluasi dengan Confusion Matrix menghasilkan nilai accuracy, precision dan recall sebesar 0.98. Berdasarkan Nilai akurasi tersebut, model yang dibuat dapat membantu penyandang tunanetra dalam mengenali nominal uang rupiah.

References

Abadi, M., Barham, P., Chen, J., & Chen, Z. (2016). TensorFlow: A system for large-scale machine learning Mart´ın. Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation. https://doi.org/10.1016/0076-6879(83)01039-3
Adie; Renata Tresy, H. (2018). Pengenalan Objek Pada Citra Digital dengan Algoritma Region-based Convolutional Neural Network (R-CNN) - E-Journal Universitas Atma Jaya Yogyakarta. https://e-journal.uajy.ac.id/16707/
Cross, S. S., Harrison, R. F., & Kennedy, R. L. (1995). An Introduction to Neural Networks. In The Lancet (Vol. 346, Issue 8982). https://doi.org/10.1016/S0140-6736(95)91746-2
Dey, A. (2016). Machine Learning Algorithms: A Review. International Journal of Computer Science and Information Technologies, 7(3), 1174–1179. www.ijcsit.com
Informasi Kementrian Kesehatan RI, P. D. (2019). Situasi Disabilitas. Pusat Data Dan Informasi Kementrian Kesehatan RI, 1–10.
Ma, H., Liu, Y., Ren, Y., & Yu, J. (2020). Detection of collapsed buildings in post-earthquake remote sensing images based on the improved YOLOv3. Remote Sensing, 12(1). https://doi.org/10.3390/RS12010044
Najafabadi, M. M., Villanustre, F., Khoshgoftaar, T. M., Seliya, N., Wald, R., & Muharemagic, E. (2015). Deep Learning Applications and Challenges in Big Data Analytics ." Journal of Big Data. Journal of Big Data, 2(1), 1–21. https://doi.org/10.1186/s40537-014-0007-7
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). https://doi.org/10.1021/je00029a022
Shinde, S., Kothari, A., & Gupta, V. (2018). YOLO based Human Action Recognition and Localization. Procedia Computer Science, 133(2018), 831–838. https://doi.org/10.1016/j.procs.2018.07.112
Simeone, O. (2018). A Brief Introduction to Machine Learning for Engineers. Foundations and Trends in Signal Processing, 12(3–4), 200–431. https://doi.org/10.1561/2000000102
Published
2022-06-07