DETEKSI KONDISI UANG BAGUS DAN RUSAK DENGAN PENGOLAHAN CITRA DIGITAL BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN)

Nandika, Arjun Putra (2025) DETEKSI KONDISI UANG BAGUS DAN RUSAK DENGAN PENGOLAHAN CITRA DIGITAL BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN). Skripsi (Bachelor) thesis, Universitas Muhammadiyah Bengkulu.

	Text (Fulltext) ARJUN PUTRA NANDIKA_2155201079_Fulltext.pdf - Submitted Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text (Turnitin) ARJUN PUTRA NANDIKA_2155201079_Turnitin.pdf - Submitted Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text ARJUN PUTRA NANDIKA_2155201079_ABSTRAK + BAB1.pdf - Submitted Version Download (1MB)
	Text (ABSTRAK + BAB 1) ARJUN PUTRA NANDIKA_2155201079_ABSTRAK + BAB1.pdf - Submitted Version Download (1MB)
	Text (BAB 2) ARJUN PUTRA NANDIKA_2155201079_BAB 2.pdf - Submitted Version Download (35kB)
	Text (BAB 3) ARJUN PUTRA NANDIKA_2155201079_BAB 3.pdf - Submitted Version Restricted to Repository staff only Download (25kB) | Request a copy
	Text (BAB 4) ARJUN PUTRA NANDIKA_2155201079_BAB 4.pdf - Submitted Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB 5) ARJUN PUTRA NANDIKA_2155201079_BAB 5.pdf - Submitted Version Download (14kB)
	Text (Ref + Lamp) ARJUN PUTRA NANDIKA_2155201079_Ref + Lamp.pdf - Submitted Version Download (234kB)

Abstract

Peredaran uang tunai yang layak edar merupakan aspek penting dalam menjaga kestabilan ekonomi dan kualitas transaksi keuangan di Indonesia. Namun, proses identifikasi kondisi uang di lapangan masih dilakukan secara manual, yang memerlukan waktu, tenaga, serta rentan terhadap kesalahan manusia (human error). Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi kondisi uang berbasis Convolutional Neural Network (CNN) yang mampu mengklasifikasikan uang dalam kondisi bagus (diberi penukaran) atau rusak (tidak diberi penukaran) secara otomatis dengan akurasi tinggi. Metode yang digunakan dalam penelitian ini mencakup pengolahan citra digital, augmentasi data, serta pelatihan model CNN menggunakan dataset yang terdiri dari 500 gambar uang dengan kategori baik (diberi penukaran) dan rusak (tidak diberi penukaran). Dataset ini dibagi menjadi data pelatihan (80%) dan data validasi (20%), dengan ukuran gambar yang diseragamkan menjadi 224 x 224 piksel untuk memastikan konsistensi input model. Model CNN yang dikembangkan terdiri dari beberapa lapisan utama, seperti konvolusi, batch normalization, ReLU, pooling, dan fully connected layer, serta dilatih menggunakan optimizer Adam dengan 50 epoch dan learning rate 0.00001. Implementasi sistem dalam Graphical User Interface (GUI) juga memberikan kemudahan bagi pengguna dalam mengoperasikan sistem untuk mendeteksi kondisi uang secara otomatis. Hasil penelitian menunjukkan bahwa model CNN yang telah dikembangkan mampu mencapai total akurasi dari uang bagus (diberi penukaran) dan rusak (tidak diberi penukaran) validasi sebesar 93%, dengan precision sebesar 97%, dan recall 96%. Selain itu, hasil survei terhadap Bank Indonesia (Unit Implementasi Pengelolaan Uang Rupiah) menunjukkan bahwa sistem ini mendapatkan skor 5 dari 5 dalam aspek efisiensi, akurasi, kemudahan pengoperasian, dan kecepatan deteksi, dengan saran agar sistem dapat dikembangkan lebih lanjut dalam platform berbasis mobile untuk digunakan oleh masyarakat umum. Berdasarkan hasil yang diperoleh, sistem ini memiliki potensi besar untuk diterapkan dalam layanan perbankan, terutama dalam layanan kas keliling Bank Indonesia dan lembaga keuangan lainnya, guna meningkatkan efisiensi dan akurasi dalam proses deteksi kondisi uang tunai. Kata Kunci : Klasifikasi Citra, Jaringan Saraf Tiruan, GUI

Item Type:	Thesis (Skripsi (Bachelor))
Additional Information:	Pembimbing : Muhammad Imanullah, S.Kom., M.T
Uncontrolled Keywords:	Klasifikasi Citra, Jaringan Saraf Tiruan, GUI
Subjects:	Universitas Muhammadiyah Bengkulu > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Divisions:	02-Fakultas Teknik > 55201-(S1) Teknik Informatika Subjek Terkait > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Depositing User:	Mrs Hildayani Hildayani
Date Deposited:	16 Sep 2025 06:46
Last Modified:	16 Sep 2025 06:46
URI:	http://repository.umb.ac.id/id/eprint/1029

Actions (login required)

View Item