Detail Cantuman

Penelitian ini mengusulkan modifikasi arsitektur MobileNetV2 untuk deteksi nominal mata uang Rupiah yang inklusif bagi penyandang disabilitas netra. Fokus utama adalah mitigasi vanishing gradient dengan mengganti aktivasi ReLU pada kepala klasifikasi menjadi SELU (didukung AlphaDropout) dan menambahkan Squeeze-and-Excitation (SE) Block guna menonjolkan kanal fitur penting. Dataset terdiri dari 22.932 citra tujuh kelas (Rp1.000–Rp100.000) emisi 2016/2022, dibagi train/val/test 80/10/10 serta diperkaya augmentation untuk meniru kondisi nyata. Hasil eksperimen menunjukkan peningkatan signifikan dibanding baseline; konfigurasi terbaik (MobileNetV2 + SE + SELU + AlphaDropout dengan penalaan hiperparameter) mencapai akurasi uji 99,70% dengan kestabilan antarkelas yang sangat tinggi. Model dikonversi ke TensorFlow Lite dan diintegrasikan pada aplikasi Android dengan keluaran suara melalui Text-to-Speech, memberikan prediksi waktu nyata (~120 ms) dan pengalaman aksesibel. Temuan ini menegaskan bahwa kombinasi SELU dan SE pada kerangka MobileNetV2 dapat mengatasi vanishing gradient sekaligus menjaga efisiensi komputasi untuk penerapan mobile.

his work proposes a modified MobileNetV2 for Indonesian Rupiah banknote denomination recognition, targeting accessibility for visually impaired users. We mitigate vanishing gradients by replacing ReLU with SELU in the classification head (paired with AlphaDropout) and incorporating Squeeze-and-Excitation (SE) Blocks to emphasize informative channels. The dataset comprises 22,932 images across seven classes (Rp1,000–Rp100,000; 2016/2022 issues), split into 80/10/10 for train/validation/test with extensive augmentation to emulate real-world conditions. Experiments indicate substantial gains over the baseline; the best configuration (MobileNetV2 + SE + SELU + AlphaDropout with hyperparameter tuning) attains 99.70% test accuracy with highly uniform per-class performance. The model is converted to TensorFlow Lite and deployed on Android with Text-to-Speech output, enabling real-time inference (~120 ms) and accessible user experience. These results demonstrate that combining SELU and SE within the MobileNetV2 framework effectively alleviates vanishing gradients while preserving computational efficiency for mobile deployment.