ANALISIS PERFORMA ARSITEKTUR VISION TRANSFORMER DALAM DETEKSI NOMINAL MATA UANG RUPIAH

Abstract

Pengenalan nilai uang kertas Rupiah merupakan salah satu penggunaan computer vision yang memiliki potensi untuk dijadikan dasar sistem bantuan dalam mengenali uang. Tantangan dalam studi ini adalah bagaimana cara mengidentifikasi nilai uang kertas Rupiah secara otomatis dengan model yang mampu membedakan karakteristik visual dari setiap pecahan, khususnya untuk uang Rupiah emisi 2022 yang terdiri dari tujuh kategori nominal. Tujuan dari penelitian ini adalah untuk mengevaluasi kemampuan arsitektur Vision Transformer (ViT) dalam mengklasifikasikan nilai uang kertas Rupiah emisi 2022. Metode yang digunakan adalah klasifikasi citra menggunakan model vit-base-patch16 dengan pendekatan transfer learning. Hasil dari penelitian ini menunjukkan bahwa model mencapai nilai accuraxy, precision, recall, dan F1-score sebesar 1,0000 pada data uji internal. Hasil ini menunjukkan bahwa Vision Transformer sangat efektif dalam mengklasifikasikan nominal uang kertas Rupiah pada dataset internal yang digunakan, meskipun pada pengujian tambahan masih terdapat kesalahan pada citra dalam kondisi yang kurang ideal