Implementasi Deep Transfer Learning untuk Klasifikasi Nominal Uang Kertas Rupiah

Implementation of Deep Transfer Learning for Nominal Classification of Rupiah Banknote

    Penggunaan teknologi otomatisasi menjadi solusi kemudahan dalam kegiatan manusia. Pada penelitian ini, teknologi otomatisasi diterapkan dalam transaksi jual beli dengan menggunakan mesin sebagai perantara. Mesin tersebut berperan sebagai penjual yang berfungsi mirip dengan otak manusia, di mana kemampuannya mencakup kemampuan membaca dan mengenali setiap nominal uang dengan cepat dan akurat.  Penelitian ini mengimplementasikan teknologi Deep Transfer Learning dengan algoritma Convolutional Neural Network (CNN), untuk mengklasifikasikan nominal uang kertas rupiah.

    Penelitian ini menggunakan 840 citra dengan 560 citra sebagai data latih, 140 citra sebagai data validasi , dan 140 citra sebagai data uji. Model yang dibangun menggunakan pretrained model ResNet-50 dengan kombinasi hyperparameter learning rate 0.0001, batch size 20, dan 15 epochs. Hasil evaluasi menunjukkan nilai rata-rata accuracy 99.29%, precision 99.32%, recall 99.29%, f1-score 99.29%, dan AUC 100%. Pemilihan arsitektur pretrained model yang sesuai dengan dataset dan penyesuaian nilai learning rate mempengaruhi kinerja model klasifikasi. Jumlah epoch yang optimal sangat penting untuk memastikan model memiliki cukup kesempatan untuk belajar dari data pelatihan. Selain itu, penggunaan batch size 20 dinilai paling ideal karena mencapai performa tinggi dengan waktu komputasi yang efisien. Kesimpulannya, pengaturan hyperparameter yang tepat serta pemilihan arsitektur model yang sesuai sangat berpengaruh terhadap kinerja model klasifikasi.

Kata Kunci: Deep Transfer Learning, Convolutional Neural Network, ResNet50, Klasifikasi, Uang Kertas Rupiah

The use of automation technology provides convenience solutions in human activities. In this study, automation technology is applied in buying and selling transactions using machines as intermediaries. The machine acts as a seller that functions similarly to the human brain, where its capabilities include reading and recognizing each monetary denomination quickly and accurately. This research implements Deep Transfer Learning technology with Convolutional Neural Network (CNN) algorithm to classify Indonesian rupiah banknote denominations.

This study uses 840 images, with 560 images as training data, 140 images as validation data, and 140 images as test data. The model constructed utilizes the pre-trained ResNet-50 model with a combination of hyperparameters: learning rate of 0.0001, batch size of 20, and 15 epochs. Evaluation results show an average accuracy of 99.29%, precision of 99.32%, recall of 99.29%, f1-score of 99.29%, and AUC of 100%. The selection of a suitable pre-trained model architecture for the dataset and adjustment of the learning rate value affect the performance of the classification model. The optimal number of epochs is crucial to ensure that the model has enough opportunities to learn from the training data. Moreover, using a batch size of 20 is considered most ideal as it achieves high performance with efficient computational time. In conclusion, proper hyperparameter settings and selection of suitable model architectures significantly influence the performance of the classification model.

Keywords: Deep Transfer Learning, Convolutional Neural Network, ResNet50 , Classification, Rupiah Banknotes.