Implementasi Deep Transfer Learning untuk Klasifikasi Nominal Uang Kertas Rupiah

Abstract

Penerapan teknologi otomatisasi dilakukan dalam proses transaksi jual beli menggunakan mesin sebagai perantara. Mesin tersebut bertindak sebagai penjual yang memiliki kemampuan serupa dengan otak manusia, termasuk kemampuan membaca dan mengenali nominal uang dengan cepat dan tepat. Penggunaan teknologi otomatisasi ini menjadi solusi kemudahan dalam kegiatan jual beli.  Untuk itu, penelitian ini memfokuskan pada pengenalan nominal mata uang kertas rupiah dengan menerapkan teknologi Deep Transfer Learning - algoritma Convolutional Neural Network (CNN). Lebih jauh, penelitian ini melakukan pemilihan arsitektur pretrained model yang sesuai dan penyesuaian nilai learning rate  yang dapat mempengaruhi kinerja model klasifikasi. Jumlah epoch yang optimal juga dipertimbangkan untuk memastikan model memiliki cukup kesempatan untuk belajar dari data pelatihan. Selain itu, penggunaan batch size yang dinilai paling ideal juga dieksplorasi karena hal ini dapat mempengaruhi tercapainya performa tinggi dengan waktu komputasi yang efisien.

Hasil uji coba memperlihatkan bahwa model yang paling optimal dicapai ketika model dibangun dengan menggunakan pretrained model VGG16 dengan kombinasi hyperparameter learning rate 0.0001, batch size 20, dan 15 epochs. Kemudian, hasil evaluasi kinerja model saat pelatihan menunjukkan nilai rata-rata akurasi 94.29%, presisi 95.01%, recall 94.29%, f1-score 94.26%, dan AUC 99.84%. Setelah dilakukan testing dengan data uji diperoleh rata-rata nilai accuracy 92.86%, precision 94.07%, recall 92.86%, f1-score 93.03%, dan AUC 99.64%.

Kata Kunci— Deep Transfer Learning, Convolutional Neural Network, VGG16, Klasifikasi, Uang Kertas Rupiah.