KLASIFIKASI KONDISI KERUSAKAN UANG KERTAS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

Uang kertas Rupiah merupakan alat pembayaran yang sangat vital di Indonesia, namun tingginya frekuensi penggunaan sehari-hari membuatnya rentan terhadap kerusakan fisik seperti robek, lusuh, berlubang, atau terbakar yang dapat menghambat aktivitas ekonomi. Penelitian ini bertujuan untuk membangun sistem otomatisasi yang dapat mengklasifikasikan nilai pecahan nominal sekaligus mengidentifikasi tingkat kondisi kerusakan fisik uang kertas berdasarkan kriteria resmi Bank Indonesia guna meningkatkan efisiensi operasional sistem keuangan. Metode eksperimen yang diterapkan dalam penelitian ini adalah pendekatan deep learning menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Data penelitian dikumpulkan secara hibrida, menggabungkan data primer (kamera smartphone) dan data sekunder (Kaggle dan GitHub) untuk citra pecahan uang Rp1.000,00 hingga Rp100.000,00 tahun emisi 2016 dan 2022. Dataset diolah melalui tahap seleksi, integrasi, pelabelan, transformasi data dengan augmentasi, serta pemisahan data dengan proporsi 80% data latih, 10% data validasi, dan 10% data uji. Evaluasi performa model dilakukan menggunakan metrik Confusion Matrix terhadap 115 sampel citra uji. Hasil pengujian menunjukkan bahwa model klasifikasi kondisi kerusakan uang sukses meraih tingkat akurasi sebesar 82%, dengan presisi pada kelas 'Tidak Dapat Ditukar' mencapai 96% dan recall pada kelas 'Dapat Ditukar' sebesar 92%. Sementara itu, model klasifikasi nominal pecahan uang berhasil mencapai akurasi sebesar 73%, dengan kinerja tertinggi berada pada pecahan Rp100.000,00 (F1-score 0,93) dan terendah pada pecahan Rp10.000,00 (65%) akibat adanya kemiripan warna visual antar pecahan serta keterbatasan data sampel uji.