REPOSITORY

Universitas Pembangunan Panca Budi

Analisis Performa CNN Convolutional Neural Network dalam Klasifikasi Nominal Uang Rupiah Emisi 2022

FAJAR SAHPUTRA (2025)

penelitian-analisis-performa-cnn-convolutional-neural-network-dalam-klasifikasi-nominal-uang-rupiah-emisi-2022

Analisis Performa CNN Convolutional Neural Network dalam Klasifikasi Nominal Uang Rupiah Emisi 2022

Analisis Performa CNN Convolutional Neural Network dalam Klasifikasi Nominal Uang Rupiah Emisi 2022, CNN (Convolutional Neural Network), klasifikasi, uang Rupiah, VGG16, Optimasi, Adam, RMSprop, Dataset, Model emisi 2022...

Author: FAJAR SAHPUTRA
Date: 2025
Keywords: CNN (Convolutional Neural Network), klasifikasi, uang Rupiah, VGG16, Optimasi, Adam, RMSprop, Dataset, Model emisi 2022
Type: Thesis
Category: penelitian

Perkembangan teknologi digital di sektor keuangan menuntut sistem otomatis yang andal dalam mengenali dan mengklasifikasikan nominal uang kertas dengan cepat dan akurat, terutama setelah peluncuran emisi Rupiah 2022 yang menghadirkan desain dan fitur keamanan baru yang lebih kompleks. Pendekatan Convolutional Neural Network (CNN) sangat relevan karena kemampuannya mengekstraksi fitur spasial dari citra secara otomatis, sedangkan transfer learning dengan VGG16 menawarkan potensi percepatan pelatihan pada dataset terbatas. Penelitian ini bertujuan membangun dan menganalisis performa model CNN serta model transfer learning VGG16 dalam mengklasifikasikan nominal uang kertas Rupiah emisi 2022 berdasarkan citra, serta membandingkan akurasi antara optimasi Adam dan RMSprop dalam CNN dan evaluasi peningkatan performa melalui transfer learning VGG16. Penelitian ini bersifat eksploratif dan analitis dengan dataset terdiri dari uang kertas Rupiah emisi 2022 untuk tujuh denominasi dengan total sampel sekitar 1.848 citra yang dibagi untuk training, validation, dan testing. Pelatihan dilakukan pada Google Colab dengan TensorFlow, menggunakan validation set untuk menghindari overfitting, diukur akurasi, loss, precision, recall, dan F1-score melalui classification report dan confusion matrix. Hasil menunjukkan bahwa model VGG16 dengan optimasi Adam mencapai akurasi 100%, sementara model CNN dengan optimasi Adam dan RMSprop mendapatkan hasil 99.90%. Diharapkan penelitian ini berkontribusi pada pengembangan sistem pengenalan uang otomatis serta memperluas penerapan deep learning dalam bidang keuangan dan pengolahan citra digital.

Files:
LEMBAR JUDUL 1
DAFTAR PUSTAKA
ABSTRAK

Collections:
Digital Library UNPAB