Identifikasi Citra untuk Membedakan Uang Asli dan Palsu Menggunakan Algoritma Convolutional Neural Network (CNN)

Abstract

Peredaran uang palsu di Indonesia terus meningkat seiring dengan kemajuan teknologi dan masih minimnya keaslian uang dengan menggunakan komputer. (1) Eksperimen kuantitatif telah dilakukan untuk mendeteksi keaslian uang berbasis pada Hardware Programming. (2) Penelitian ini bertujuan untuk membangun sistem pendeteksi keaslian uang dengan menggunakan metode Convolutional Neural Network (CNN). (5) Instrumen yang digunakan untuk membangun algoritma metode CNN dan pengembangan Web adalah perangkat lunak Visual Studio Code dan bahasa pemrograman Phython. Metode CNN digunakan untuk mengklasifikasikan (3) uang asli dan palsu berdasarkan gambar. Gambar uang asli mempunyai ciri khusus yang dapat membedakannya dengan uang palsu yaitu adanya watermark yang tidak terlihat oleh mata. (4) Eksperimen dilakukan dengan menggunakan dataset uang kertas yang mempunyai 2 kelas yaitu uang asli sebanyak 1.015 dan uang palsu sebanyak 1.126. Proses penentuan asli dan palsu dilakukan beberapa proses, yaitu: akuisisi data, seleksi data, prapemrosesan data, transformasi, dan pemodelan. Sebelum melakukan proses pembuatan model, data perlu diubah ukurannya menjadi 224x224 piksel untuk model GoogleNet, 256x256 untuk model AlexNet, dan 200x200 untuk model yang dimodifikasi. Model yang dimodifikasi dirancang untuk membandingkan hasil dari GoogleNet dan AlexNet, dengan mengurangi lapisan dan menyesuaikan parameter dengan data yang ada. (6) Analisis data dilakukan dengan cara membandingkan hasil perhitungan nilai training loss, validation loss, akurasi pelatihan, dan akurasi validasi pada variasi nilai epoch, pixel,  dan learning rate untuk ketiga model. Hasil terbaik diperoleh dengan parameter yang digunakan pada tahap uji yaitu nilai epoch 50, pixel 244x244, dan learning rate 0.001, dengan pembagian jumlah data latih dan data uji yaitu 70% dan 30%. Berdasarkan parameter tersebut didapatkan hasil dari training loss sebesar 4%, validation loss sebesar 69,9%, training accuracy sebesar 97,8% dan validation accuracy sebesar 82,65%. Hasil tersebut merupakan hasil terbaik dari 3 arsitektur yang dibandingkan, dan dari berbagai jenis pengujian. Penambahan jumlah layer dapat mrnyebabkan waktu pemrosesan menjadi lebih lama. Hasil penelitian ini dapat dikembangkan dengan cara menambah jumlah data uang kertas dan palsu, penambahan jumlah layer, dan menggunakan komputer dengan spesifikasi yang lebih tinggi agar menghasilkan nilai training loss dan validation loss yang rendah, dan nilai training accuracy dan validation accuracy yang lebih tinggi.