IDENTIFIKASI KEASLIAN MATA UANG RUPIAH PECAHAN LIMA PULUH RIBU DAN SERATUS RIBU BERBASIS EFFICIENTNET-B0 DAN CONVOLUTIONAL BLOCK ATTENTION MODULE (CBAM)

JABARMASE, INNOCENTUS ANANDA MARLINO (2026) IDENTIFIKASI KEASLIAN MATA UANG RUPIAH PECAHAN LIMA PULUH RIBU DAN SERATUS RIBU BERBASIS EFFICIENTNET-B0 DAN CONVOLUTIONAL BLOCK ATTENTION MODULE (CBAM). Skripsi thesis, UPN "Veteran" Yogyakarta.

[thumbnail of 123200162_cover - Raden Kasih.pdf] Text
123200162_cover - Raden Kasih.pdf

Download (180kB)
[thumbnail of 123200162_abstrak - Raden Kasih.pdf] Text
123200162_abstrak - Raden Kasih.pdf

Download (198kB)
[thumbnail of 123200162_Halaman pengesahan - Raden Kasih.pdf] Text
123200162_Halaman pengesahan - Raden Kasih.pdf

Download (370kB)
[thumbnail of 123200162_daftar isi - Raden Kasih.pdf] Text
123200162_daftar isi - Raden Kasih.pdf

Download (181kB)
[thumbnail of 123200162_daftar pustaka - Raden Kasih.pdf] Text
123200162_daftar pustaka - Raden Kasih.pdf

Download (177kB)
[thumbnail of 123200162_FullTeks - Raden Kasih.pdf] Text
123200162_FullTeks - Raden Kasih.pdf
Restricted to Repository staff only

Download (7MB)

Abstract

Masalah pemalsuan uang kertas merupakan masalah yang cukup serius di Indonesia,
termasuk pada mata uang Rupiah. Pemalsuan uang tidak hanya merugikan ekonomi
negara, tetapi juga dapat mengganggu kestabilan sistem keuangan dan kepercayaan
masyarakat terhadap mata uang yang sah. Salah satu cara yang umum digunakan untuk
mendeteksi uang palsu adalah dengan memanfaatkan fitur pengamanan pada uang kertas,
seperti tanda air, cetak mikro, dan elemen-elemen lainnya yang hanya dapat dilihat di
bawah sinar ultraviolet (UV). Namun, dengan teknologi yang semakin berkembang,
penting untuk mengembangkan sistem yang lebih canggih untuk memverifikasi keaslian
uang, salah satunya dengan menggunakan metode pembelajaran mesin seperti
Convolutional Neural Network (CNN) yang dapat mengidentifikasi pola-pola yang
terdapat pada gambar uang secara otomatis dan akurat.
Penelitian ini menggunakan metode Convolutional Neural Network (CNN) untuk
mengidentifikasi keaslian uang Rupiah berdasarkan gambar uang yang disinari sinar
ultraviolet (UV). Data yang digunakan dalam penelitian ini berupa gambar uang Rupiah
asli dan palsu, baik yang disinari UV maupun tidak disinari UV. Proses akuisisi data
dilakukan dengan mengambil gambar uang Rupiah dalam dua kondisi pencahayaan, yaitu
normal dan disinari UV. Selanjutnya, model CNN dilatih menggunakan dataset yang
sudah dilabeli dengan kategori asli dan palsu. Pengembangan sistem menggunakan
framework deep learning seperti TensorFlow dan Keras, serta menggunakan data
augmentation untuk memperbanyak variasi data, sehingga model dapat menggeneralisasi
dengan lebih baik terhadap data yang belum pernah dilihat sebelumnya.
Hasil dari penelitian ini menunjukkan bahwa model CNN yang dikembangkan berhasil
mengklasifikasikan uang Rupiah asli dan palsu dengan tingkat akurasi yang cukup tinggi,
meskipun terdapat beberapa tantangan terkait dengan perbedaan kondisi pencahayaan
pada gambar yang diambil dengan sinar UV. Berdasarkan pengujian, model CNN dapat
mengenali pola dan tekstur pada uang Rupiah yang disinari UV dengan lebih baik
dibandingkan dengan uang yang hanya disinari dengan cahaya normal. Kontribusi utama
dari penelitian ini adalah pengembangan sistem deteksi keaslian uang yang lebih akurat
dan efisien, menggunakan metode CNN, serta dapat menjadi referensi dalam
pengembangan sistem serupa untuk mendeteksi keaslian mata uang Indonesia lainnya
atau objek lainnya dengan fitur pengamanan visual.
Kata Kunci: CNN, deteksi uang Rupiah, pemalsuan uang, ultraviolet, pembelajaran
mesin

Item Type: Tugas Akhir (Skripsi)
Uncontrolled Keywords: CNN, deteksi uang Rupiah, pemalsuan uang, ultraviolet, pembelajaran mesin
Subjek: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik Industri > (S1) Informatika
Depositing User: A.Md Eko Suprapti
Date Deposited: 16 Nov 2026 06:32
Last Modified: 16 Nov 2026 06:32
URI: http://eprints.upnyk.ac.id/id/eprint/50484

Actions (login required)

View Item View Item