<![CDATA[Pengenalan nominal uang masih menjadi hambatan nyata bagi penyandang tunanetra, terutama ketika uang kertas dalam kondisi lusuh, terlipat, atau memiliki ukuran fisik yang serupa antar pecahan. Penelitian ini mengembangkan sistem klasifikasi mata uang Rupiah secara real-time berbasis Convolutional Neural Network (CNN) dengan pendekatan transfer learning dua fase menggunakan arsitektur MobileNetV2, yang dirancang untuk membantu pengguna tunanetra melalui deteksi berbasis kamera smartphone. Dataset yang digunakan berjumlah 2.400 citra dalam delapan kelas, mencakup tujuh nominal uang kertas emisi 2022 (Rp1.000–Rp100.000) serta satu kelas non-rupiah, dengan pembagian 70% data latih, 15% data validasi, dan 15% data uji. Proses pelatihan dilakukan dalam dua fase, yaitu pembekuan lapisan backbone diikuti fine-tuning sebagian pada lapisan di atas layer ke-100. Hasil evaluasi terhadap 360 citra uji menunjukkan akurasi keseluruhan sebesar 96,39%, dengan precision, recall, dan f1-score macro average masing-masing sebesar 0,97, 0,96, dan 0,96. Model yang telah dilatih dikonversi ke format TensorFlow Lite dan diintegrasikan ke dalam aplikasi Android dengan mekanisme konsensus voting dan keluaran suara (text-to-speech). Pengujian pengguna terhadap tujuh responden tunanetra di Lembaga Layanan Disabilitas Universitas Pamulang menghasilkan skor penerimaan rata-rata 3,91 dari 5, dengan 72% responden menyatakan sistem membantu hingga sangat membantu dibandingkan metode konvensional. Temuan ini membuktikan bahwa transfer learning berbasis MobileNetV2 menawarkan solusi yang efektif dan efisien secara komputasi untuk pengenalan mata uang bagi penyandang tunanetra.]]>
Copyrights © 2026
