Classification of Rupiah to Help Blind with The Convolutional Neural Network Method

Abstract

Currency is an item humans require as a medium of exchange in transactions, including for those with vision impairments. It can be challenging for certain blind people to identify currencies. This research aimed to help blind people identify nominal currency when in the transaction. Deep Learning with the CNN algorithm and preprocessing with a sequential model were the methods used in this research. This algorithm is modeled as neurons in the human brain that communicate and learn patterns. Data collecting, preprocessing, testing, and evaluation are the stages in this research. 681 datasets are used, consisting of IDR 50.000, IDR 75.000, and IDR 100.000. Model testing was carried out with different iterations of 5, 10, 15, and 20 epochs. Different epoch values will affect the time it takes the model to learn, but the longer of learning process will result more accurate models. The highest result obtained from all epoch tests is 100%. The class prediction results for the 69 test data show that they can be predicted based on the actual class, indicating that the model is adequate. The results of this classification might be used to construct a smartphone app that would assist visually challenged people in recognizing the nominals.

Deteksi Otomatis Nominal Uang Kertas Rupiah Untuk Tunanetra Menggunakan Algoritma Arsitektur SSD Mobiilenetv3

“…Namun, dalam hal ini menjadi terbatas bagi para penyandang tunanetra untuk melakukan transaksi jual beli barang atau jasa, karena para penyandang tunanetra memiliki keterbatasan akan kemampuan penglihatannya, sehingga sulit untuk dapat mengenali nominal uang, terutama pada uang kertas. Meskipun uang rupiah saat ini sudah tersedia fitur blind code (kode untuk tunanetra) yang berupa garis timbul pada sisi samping uang kertas [1], akan tetapi aksesibilitas ini akan terasa kurang efektif, hal ini karena nominal uang tidak selalu baru yang beredar di masyarakat.…”

Deteksi Objek Bahasa Isyarat Alfabet BISINDO Menggunakan Deep Learning dan Arsitektur YOLO

“…Berbagai teknologi kunci yang dapat dimanfaatkan untuk membantu masalah tersebut adalah teknologi pengolahan citra dan kecerdasan buatan. Pengolahan citra sendiri telah dimanfaatkan di berbagai sektor seperti sektor agrikultur [7], [8], bioinformatika [9], pertahanan [10], Kesehatan [11], dan disabilitas [12]. Pemanfaatan teknologi untuk disabilitas sendiri juga mengalami peningkatan [13], [14].…”

Sistem Pendeteksi Kantuk Berbasis Metode Haar Cascade Untuk Aplikasi Computer Vision

“…Tujuan utama computer vision adalah bagaimana komputer dapat meniru atau bahkan melampaui kemampuan perseptual mata manusia [5]. Aplikasi dari computer vision banyak ditemukan di sektor agrikultur [6][7] [8], sektor bioinformatika [9], dan sektor keuangan [10]. Parameter ini dapat digunakan untuk membangun sistem pendeteksi kantuk yang sangat baik [11].…”