SISTEM DETEKSI NOMINAL UANG KERTAS UNTUK PENYANDANG TUNANETRA BERBASIS KAMERA DENGAN OUTPUT SUARA
DOI:
https://doi.org/10.61124/sinta.v2i1.36Keywords:
Uang kertas, Kamera, ORB, Rasberry, TunanetraAbstract
Penyandang tunanetra mengalami kendala dalam mengenali nominal uang sehingga dibutuhkan alat bantu. Penelitian ini bertujuan untuk merancang sistem deteksi yang dapat mengenali nominal uang kertas. Bagi penyandang tunanetra dapat terbantu sehingga mengurangi ketergantungan pada orang lain dalam mengenali nominal uang. Algoritma Oriented FAST and Rotated BRIEF (ORB) digunakan untuk ekstraksi fitur yang dibutuhkan dalam mendeteksi serta mencocokkan fitur uang kertas. Sistem deteksi nominal uang kertas menggunakan Raspberry Pi 3B sebagai pengendali utama dan kamera OV5647 untuk menangkap gambar uang. Gambar yang ditangkap kamera akan diproses ekstraksi fitur dan dilakukan pencocokan gambar uji dan gambar dalam dataset. Keluaran berupa suara yang memberikan informasi nominal yang kertas sangat membantu penyandang tunanetra. Pengujian dilakukan pada jarak 5 cm hingga 30 cm untuk mengukur akurasi deteksi dan durasi waktu identifikasi. Hasil deteksi yang berhasil kemudian diubah menjadi suara dengan bantuan modul PAM8403. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi nominal uang dengan akurasi 100% pada jarak 5 cm hingga 10 cm, namun menurun menjadi 25% pada jarak 30 cm. Durasi waktu identifikasi dipengaruhi oleh jarak antara kamera dan uang kertas. Jarak semakin dekat durasi pengenalan lebih lama yaitu 10-15 detik, sedangkan pada jarak lebih jauh waktu identifikasi lebih singkat. Pada jarak dekat jumlah keypoints yang dihasilkan lebih banyak sehingga membutuhkan waktu lebih dalam dalam proses matching. Namun jarak semakin jauh akurasinya lebih rendah. Sistem deteksi nominal uang kertas cukup efektif meskipun performanya bergantung pada jarak antara kamera dan objek serta kualitas kamera.
Kata kunci: Uang Kertas; kamera; ORB; Raspberry; Tunanetra.
References
M. Alfaraz and I. R. Jasril, “Rancang Bangun Alat Deteksi Nominal Uang Kertas Penyandang Tuna Netra Berbasis Arduino Uno,” Voteteknika (Vocational Tek. Elektron. dan Inform., vol. 10, no. 1, p. 28, 2022, doi: 10.24036/voteteknika.v10i1.116455.
I. dan P. P. Sari, “Sistem Pendeteksi Nominal Dan Keaslian Uang Kertas Rupiah Untuk Penyandang Tuna Netra Berbasis Arduino,” J. Ilm. Inform., vol. 6, no. 02, p. 10, 2018.
L. Rif’Ati, A. Halim, Y. D. Lestari, N. F. Moeloek, and H. Limburg, “Blindness and Visual Impairment Situation in Indonesia Based on Rapid Assessment of Avoidable Blindness Surveys in 15 Provinces,” Ophthalmic Epidemiol., vol. 28, no. 5, pp. 408–419, 2021, doi: 10.1080/09286586.2020.1853178.
D. G. Hayati and S. Kamso, “Analysis of Elderly Health Status through Intrinsic Capacity Assessment Using the Simple Elderly Screening (SKILAS) Instrument in the Community,” Contag. Sci. Period. J. Public Heal. Coast. Heal., vol. 6, no. 1, p. 656, 2024, doi: 10.30829/contagion.v6i1.20159.
G. Khoharja, L. Liliana, and A. N. Purbowo, “Aplikasi Deteksi Nilai Uang Pada Mata Uang Indonesia Dengan Metode Feature Matching,” J. Infra, vol. 5, no. 1, pp. 51–55, 2017.
K. S. Md. Shabbir, M. I. Ahmed, and Marzan Alam, “Detection of Glaucoma using ORB (Oriented FAST and Rotated BRIEF) Feature Extraction,” J. Eng. Adv., vol. 02, no. 03, pp. 153–158, 2021, doi: 10.38032/jea.2021.03.005.
P. Budi Utomo, M. Mujiono, M. Nur Fu’ad, Dona Wahyudi, Adimas Ketut Nalendra, and Hafid Dian Nurfaujan Ahat, “Implementasi Metode Oriented Fast and Rotated Brief (Orb) Dan K-Nearest Neighbor (Knn) Dalam Identifikasi Fitur Citra,” JAMI J. Ahli Muda Indones., vol. 3, no. 1, pp. 61–73, 2022, doi: 10.46510/jami.v3i1.96.
R. R. Brillian, “Optimisasi Pencocokan Kata dalam Optical Character Recognition Menggunakan Metode Hamming Distance SKRIPSI HALAMAN JUDUL Disusun Oleh : Rakhmadhan Rizky Brillian PROGRAM STUDI INFORMATIKA,” 2024.
S. Bernadetha, “Perhitungan Objek Pada Citra Menggunakan TeknikThresholding,” 2022.
Y. Dai and J. Wu, “An Improved ORB Feature Extraction Algorithm Based on Enhanced Image and Truncated Adaptive Threshold,” IEEE Access, vol. 11, no. April, pp. 32073–32081, 2023, doi: 10.1109/ACCESS.2023.3261665.
M. Hasenbusch, A. Pelissetto, and E. Vicari, “ORB: an efficient alternative to SIFT or SURF Ethan,” J. Stat. Mech. Theory Exp., vol. 2008, no. 2, pp. 2564–2571, 2008.
M. Khoiruddin and S. Tena, “Fruit and Vegetable Classification using Convolutional Neural Network with MobileNetV2,” vol. 2, no. 2, pp. 203–210, 2024, doi: 10.61098/jarcis.v2i2.197.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Wenefrida Tulit Ina
This work is licensed under a Creative Commons Attribution 4.0 International License.
