Pengembangan Model Identifikasi Nominal Uang Kertas Rupiah pada Aplikasi “Currency Sense” bagi Penyandang Tunanetra

Development of a Rupiah Banknote Nominal Identification Model in the “Currency Sense” Application for the Visually Impaired

Penyandang tunanetra menghadapi tantangan dalam mengenali uang kertas, terutama di negara berkembang yang masih bergantung pada transaksi tunai. Keterbatasan kemampuan visual tersebut meningkatkan risiko kesalahan dalam mengenali nominal uang serta menyebabkan ketergantungan pada bantuan orang lain saat bertransaksi. Untuk menjawab permasalahan tersebut, penelitian ini bertujuan mengembangkan aplikasi Currency Sense berbasis Convolutional Neural Network pada platform Android untuk mengenali nominal mata uang Rupiah. CNN dipilih karena kemampuannya dalam mengekstraksi dan mengenali pola visual pada citra dengan tingkat akurasi yang tinggi.

Aplikasi ini dirancang sebagai teknologi asistif dengan integrasi fitur suara agar penyandang tunanetra dapat mengetahui hasil identifikasi nominal secara mandiri. Model CNN yang dikembangkan dievaluasi menggunakan confusion matrix untuk mengukur performa klasifikasi. Hasil evaluasi menunjukkan bahwa model mampu mencapai tingkat akurasi sebesar 89,28%, dengan performa terbaik pada kelas nominal Rp50.000 dan Rp100.000. Meskipun demikian, masih terdapat beberapa kesalahan klasifikasi pada nominal tertentu yang memiliki kemiripan visual, yang dipengaruhi oleh kondisi pencahayaan, orientasi citra, dan noise.

Selain evaluasi model, aplikasi Currency Sense juga diuji menggunakan metode black box testing untuk memastikan fungsionalitas sistem. Pengujian dilakukan pada 10 skenario uji yang mencakup 4 halaman utama aplikasi, dan seluruh pengujian menunjukkan hasil valid, menandakan bahwa fungsi aplikasi berjalan sesuai dengan kebutuhan pengguna. Melalui penelitian ini, diharapkan aplikasi Currency Sense dapat menjadi solusi praktis yang meningkatkan kemandirian penyandang tunanetra dalam aktivitas transaksi sehari-hari sekaligus berkontribusi pada pengembangan teknologi aksesibilitas berbasis kecerdasan buatan.

Visually impaired individuals face challenges in recognizing banknotes, particularly in developing countries that still rely heavily on cash transactions. These visual limitations increase the risk of errors in identifying currency denominations and lead to dependence on assistance from others during transactions. To address this issue, this study aims to develop an Android-based application called Currency Sense using a Convolutional Neural Network to recognize Indonesian Rupiah banknote denominations. CNN was selected due to its ability to extract and recognize visual patterns from images with high accuracy.

The application is designed as an assistive technology integrated with audio feedback, enabling visually impaired users to independently identify currency denominations. The developed CNN model was evaluated using a confusion matrix to measure classification performance. The evaluation results show that the model achieved an accuracy of 89.28%, with the best performance observed in the Rp50,000 and Rp100,000 denominations. However, some misclassifications still occurred among certain denominations with similar visual characteristics, influenced by lighting conditions, image orientation, and noise.

In addition to model evaluation, the Currency Sense application was tested using the black box testing method to ensure system functionality. The testing involved 10 test scenarios across four main application pages, and all tests produced valid results, indicating that the application functions as intended and meets user requirements. Through this study, the Currency Sense application is expected to serve as a practical solution to enhance the independence of visually impaired individuals in daily financial transactions while contributing to the development of artificial intelligence–based accessibility technologies.