Implementasi Sistem Pendeteksi Uang pada Celengan Pintar menggunakan Metode Jaringan Syaraf Tiruan

(1)

Fakultas Ilmu Komputer

Universitas Brawijaya

1695

Implementasi Sistem Pendeteksi Uang pada Celengan Pintar menggunakan Metode Jaringan Syaraf Tiruan

Andre Ananda Pratama¹, Rizal Maulana², Rakhmadhany Primananda³

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹[email protected], ²[email protected], ³[email protected]

Abstrak

Pemborosan terhadap kekayaan yang dimiliki atas hasrat ingin membelanjakannya ke kebutuhan yang penyebab dari perilaku gaya hidup konsumtif. (C. Lyons, 2004) mengemukakan bahwa pendidikan pengelolaan uang dan tabungan sejak dini bermanfaat bagi masyarakat yang akan membentuk kecerdasan dan ciri intelektual dalam pengelolaan uang saat dewasa. Oleh karena itu, cara efektif untuk menghindari perilaku tersebut adalah dengan menabung agar anak dapat meraih kesuksesan finansial di kemudian hari. Adanya permasalahan ini, mendorong penulis untuk merealisasikan solusi agar dapat mendorong anak-anak untuk menabung dengan membuat celengan berbasis IoT (Internet of Things).

Penggunaan sensor TCS3200 berguna sebagai pendeteksi RGB dari warna mata uang yang masuk sedangkan sensor loadcell berguna sebagai sensor untuk mengukur berat mata uang, celengan pintar ini dapat mendeteksi dua jenis mata uang (logam dan kertas). Sensor infra merah digunakan untuk memicu sistem memulai dengan masuknya uang melalui lubang celengan. Implementasi sistem ini menggunakan fitur-fitur tersebut dengan klasifikasi menggunakan algoritma jaringan syaraf tiruan (JST). Protokol MQTT digunakan guna menerapkan sistem berbasis IoT untuk menampilkan hasil data dari sistem ke aplikasi android. Data latih yang digunakan dalam penelitian ini adalah sebanyak 96 data. Tingkat akurasi dari sensor TCS3200 adalah 93.93%, dan tingkat akurasi dari sensor loadcell adalah 99.61%.

Selain itu, dengan menggunakan metode JST untuk menguji 24 data uji, diperoleh hasil akurasi senilai 91,7%. Sedangkan tes waktu komputasi dalam menentukan nilai nominal dari 10 tes diperoleh nilai rata- rata 13,48 milidetik.

Kata kunci: Pendeteksi Uang, Celengan, Jaringan Syaraf Tiruan, Loadcell, TCS3200 Abstract

The waste of wealth that is owned by the desire to spend it on needs which causes the behavior of a consumptive lifestyle. (C. Lyons, 2004) argues that early education on money management and savings is beneficial for people who will form intelligence and intellectual characteristics in money management as an adult. Therefore, an effective way to avoid this behavior is to save money so that children can achieve financial success in the future. The existence of this problem encourages the author to realize a solution so that it can encourage children to save by making IoT (Internet of Things) -based piggy banks.

This smart piggy bank can detect both types of money (metal and paper) by utilizing the TCS3200 sensor as an RGB color detector for money and a loadcell sensor as a sensor to weigh the weight of money.

The infrared sensor is also used to detect objects entering from the piggy bank hole. The features used for this implementation will be classified using an Artificial Neural Network (ANN) classification algorithm. MQTT protocol is used to implement an IoT-based system to display the result of the classification from the system to an android application. The training data that used in the study were 96 data. The TCS3200 sensor tested has an accuracy rate of 93.93% and the loadcell HX71 sensor tested has an accuracy rate of 99.61%. Also, testing with the ANN method which was tested on 24 test data showed an accuracy rate of 91.7%. Meanwhile, the time test in determining the nominal class of 10 tests obtained an average value of 13,48 milliseconds.

Keywords: Money Detector, Piggy bank, Artificial Neural Network, Loadcell, TCS3200

(2)

1. PENDAHULUAN

Perilaku konsumtif memang menjadi salah satu perilaku yang tidak dapat dipisahkan dari kehidupan sehari-hari masyarakat Indonesia. Hal ini dikarenakan perilaku konsumtif mempengaruhi gaya hidup masyarakat, khususnya masyarakat dalam negara berkembang yang biasa menjadi konsumen dari produk yang diproduksi oleh negara maju (Enrico et. al, 2011). Perilaku konsumtif menyebabkan seorang individu menggunakan uangnya secara impulsif sehingga tidak memikirkan kebutuhannya di masa depan (Fitriyani et. al, 2013). Selain itu, Irwansyah et al. al (2019) juga menunjukkan bahwa dibandingkan dengan kebutuhan dasar, masyarakat Indonesia cenderung lebih menekankan pada kebutuhan tersier. Fenomena ini tidak dapat diabaikan begitu saja. Oleh karena itu diperlukan faktor kontrol dan pembentuk diri, karena gaya hidup ini merupakan gaya hidup yang buruk karena cenderung boros dan membahayakan masa depan.

Membiasakan kebiasaan menabung sejak kecil merupakan salah satu cara efektif untuk menghindari perilaku konsumtif.

Menanamkan budaya menabung sejak kecil karena dapat membentuk karakter individu yang hemat dan disiplin dalam menggunakan uang sehingga dapat bersiap untuk kebutuhan di masa depan (Chalimah et. al, 2019). Penggunaan celengan sebagai media menabung sedari dulu biasa digunakan selain untuk mendapat kemudahan dalam menabung namun juga berguna untuk mengajarkan anak sejak dini dalam menyimpan uangnya

.

Dengan adanya celengan pintar dengan basis Internet of Things, diharapkan celengan ini akan menarik perhatian dan pola pikir anak agar terdorong untuk menabung.

Celengan pintar ini berbeda dengan celengan pada umumnya karena pada celengan ini pengguna dapat melihat nilai uang yang telah ditabung. Pengguna tidak akan dapat membuka celengan sebelum target tabungan yang telah ditetapkan tercapai guna melatih kedisiplinan anak untuk menabung. Celengan pintar ini dapat mendeteksi jenis uang yang ditabung dengan memanfaatkan sensor TCS3200 yang memiliki fungsi untuk mendeteksi warna RGB mata uang sedangkan untuk mendapatkan nilai berat uang digunakan sensor loadcell, dengan

menggunakan fitur-fitur ini penelitian akan dilakukan. Selain itu, terdapat sensor infrared yang berfungsi untuk memacu sistem berjalan bersamaan dengan masuknya nominal uang.

Fitur R, G, B, dan nilai berat digunakan pada algoritma jaringan syaraf tiruan sebagai nilai fitur yang diklasifikasi.

Kemudian hasil daripada klasifikasi akan ditampilkan pada aplikasi android menggunakan protokol MQTT. Peneliti bertujuan melakukan penelitian berjudul

“Implementasi Sistem Pendeteksi Nominal Uang pada Celengan Pintar Menggunakan Metode Jaringan Syaraf Tiruan” berdasarkan uraian masalah yang telah dijelaskan sebelumya dengan harapan anak-anak Indonesia kelak menjadi pribadi yang sadar akan pentingnya masa depan dengan membiasakan perilaku menabung sedari dini.

2. METODE PENELITIAN 2.1 Blok Diagram Sistem

Gambar 1. Blok Diagram Perancangan Sistem Gambar 1. menunjukkan blok diagram perancangan daripada sistem pendeteksi uang pada celengan pintar ini, Sensor infrared akan mendeteksi uang yang masuk celengan dan memacu sistem untuk berjalan. Saat uang tepat berada di depan sensor, sensor TCS3200 dapat melakukan pembacaan fitur RGB selama sepersekian detik, ketika LED sensor TCS3200 mati uang dapat dijatuhkan ke dalam untuk dibaca nilai fitur beratnya oleh sensor loadcell.

Metode JST akan mengklasifikasi tiap- tiap fitur tersebut pada Arduino Uno. NodeMCU berperan sebagai penerima dari hasil data klasifikasi dari Android yang akan diteruskan ke aplikasi android menggunakan server MQTT untuk ditampilkan. Aplikasi android menerima hasil klasifikasi dan akan menyimpan nilainya pada local data guna pemberi info ke user jumlah tabungan yang user miliki. Aplikasi akan memberi masukan tutup pintu celengan jika target telah diset oleh user. Pintu celengan akan terbuka jika target tabungan pada aplikasi telah

(3)

terpenuhi. Pengiriman data ini tentunya menggunakan server MQTT.

Selanjurnya terdapat sketsa dari prototype tampak dalam dan tampak luar yang seperti pada Gambar 2. dan Gambar 3.

Gambar 2. Prototipe Sistem Tampak Dalam

Gambar 3. Prototipe Sistem Tampak Luar Sensor infrared ditempatkan di dekat lubang celengan berdekatan dengan sensor TCS3200. Penempatan sensor loadcell terdapat di dasar celengan uang bertepatan dengan lubang celengan dengan maksud memudahkan penimbangan berat uang yang masuk dari lubang. Motor servo untuk membuka dan menutup pintu celengan ditempatkan dekat dengan pintu celengan. Penempatan kedua modul Arduino Uno dan Nodemcu ditempatkan dekat dengan sensor-sensor yaitu di langit-langit celengan.

2.2 Perancangan

Gambar 4. Skematik Perangkat Keras

Perangkat keras sistem memilki skematik yang dapat dilihat pada Gambar 4.

Skematik tersebut digunakan sebagai rancangan atas mikrokontroler Arduino Uno yang digunakan dengan cara dihubungkan dengan sensor infrared, sensor loadcell

HX711 1 kg, dan sensor TCS3200. Motor

servo digunakan sebagai aktuator yang akan disambungkan dengan modul NodeMcu guna membuka/menutup pintu pada celengan. NodeMCU dihubungkan pada Arduino UNO melalui pin RX TX. Modul ini berfungsi sebagai penyedia internet untuk sistem agar dapat menerima dan mengirim data dari dan ke aplikasi android. Kedua mikrokontroler ini akan menyala jika kedua saklar ditekan. Sumber daya untuk kedua mikrokontroler ini didapatkan dari baterai Alkaline 9V.

Gambar 5. Perancangan Perangkat Lunak Selanjutnya terdapat alur program perancangan perangkat lunak yang dapat dilihat pada Gambar 5. Pada proses utama akan dilakukan penginisialisasian library, pin-pin komponen pada Arduino Uno dan NodeMCU, dan inisialisasi SSID wifi hotspot dan server MQTT pada nodeMCU. Setelah kedua saklar ditekan sensor infrared kemudian membaca uang yang masuk yang akan memacu sistem berjalan, kondisi uang yang dimasukkan harus ditahan selama 5ms sampai pembacaan fitur RGB oleh sensor TCS3200 selesai kemudian sensor loadcell akan mulai membaca fitur berat

(4)

uang ketika uang dilepaskan dan jatuh tepat di atas sensor loadcell. Kondisi uang kertas yang akan dimasukkan dikondisikan hanya pada bagian tergelapnya saja untuk dapat melakukan pembacaan fitur RGB. Klasifikasi metode jst akan dilakukan berdasarkan nilai input dan bobot hasil pelatihan yang telah dilakukan. Hasil akan dikirim melalui nodemcu menggunakan protokol mqtt ke aplikasi android untuk ditampilkan hasilnya. NodeMCU akan membaca nilai masuk dari aplikasi untuk pengerakan servo pada pintu celengan.

Gambar 6. menunjukkan alir perancangan dari proses pelatihan fitur untuk mendapatkan nilai bobot yang dengan error terkecil menggunakan middleware dengan bahasa pemrograman Python3.7. Fitur dari 96 data latih akan dimasukkan dan diinisialisasikan label kelas beserta learning rate yang akan digunakan. Inisialisasi jumlah layer dan neuron selanjutnya akan diterapkan. Penulis menggunakan 9 hidden nodes sesuai dengan Persamaan (1) dan akan dilakukan fungsi aktivasi sigmoid pada hidden layer dan fungsi aktivasi softmax pada output layer agar mendapatkan 6 output berdasarkan jumlah kelas.

Nilai input akan diterapkan dan akan dihitung dengan bobot acak menggunakan algoritma BackPropagation. Perhitungan akan terus dilakukan sampai tingkat error yang diinginkan tercapai untuk mendapatkan bobot final.

Penggunaan iterasi sebanyak 50000 digunakan untuk pelatihan ini karena berhasil mendapatkan tingkat error yang diinginkan. (Mack, 2018) menyatakan learning rate dengan nilai 10e^(-4) merupakan salah satu yang terbaik dalam melakukan pelatihan pada jaringan syaraf tiruan.

Maka learning rate dengan nilai 10e^(-4) digunakan.

Gambar 6. Perancangan Pelatihan Fitur Menggunakan Metode JST

Gambar 7. Perancangan Sistem Arduino Uno Gambar 7. menjelaskan diagram alir jalannya perancangan sistem pada Arduino Uno.Inisialisasi pin sensor yang akan digunakan akan dilakukan. Pengambilan data untuk fitur pada sensor TCS3200 dan sensor loadcell merupakan proses selanjutnya untuk mendapatkan fitur R, G, B dan fitur berat uang.

Nilai yang didapat akan diklasifikasi

(5)

menggunakan metode klasifikasi jaringan syaraf tiruan. Pengiriman secara serial menggunakan pin RX TX akan dilakukan ke board NodeMCU untuk diterima. Data yang berhasil dikirim akan ditandai nyala LED pada NodeMCU dan akan tercetak pada serialmonitor.

Gambar8. Perancangan Klasifikasi JST pada Arduino Uno

Klasifikasi metode JST akan dilakukan sesuai dengan Gambar 8. pada board Arduino Uno dengan proses penentuan hidden dan output layer yang akan digunakan. Penentuan hidden nodes menggunakan Persamaan (1).

ℎ𝑁 = 𝑟𝑜𝑢𝑛𝑑 (^2∙𝑖𝑁₃ + 𝑜𝑁) (1) Nilai hasil training berupa nilai bobot dan bias menggunakan perhitungan feedworward lalu backpropagation akan diinisialisasikan. Pembacaan fitur R, G, B dan berat oleh sensor akan digunakan sebagai nilai masukan. Selanjutnya dilakukan normalisasi pada setiap fitur yang masuk guna menyeragamkan nilai yang digunakan dalam rentang 0-1. Selanjutnya dilakukan perhitungan

bobot zh dan ah pada hidden layer menggunakan Persamaan (2). dan Persamaan (3).

𝑍1 = 𝑊1 ∗ 𝑋 + 𝐵1 (2) 𝐴1 = 𝑠𝑖𝑔𝑚𝑜𝑖𝑑(𝑍1) (3)

Setelah bobot ah didapatkan maka proses dilanjut dengan perhitungan bobo zo dengan menggunakan Persamaan (4). dilanjut dengan proses aktivasi softmax dengan menggunakan Persamaan (5).

𝑍2 = 𝑊2 ∗ 𝐴1 + 𝐵2 (4) 𝐴2 = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥(𝑍2) (5)

Setelah perhitungan fungsi aktivasi softmax dilakukan maka akan didapatkan bobot ao1

hingga ao

6 yang tiap urutan nilainya mewakili kelasnya yaitu kelas 200, 500, 1000, 20000, 50000 dan 100000. Penentuan nilai terbesar dari tiap bobot yang didapatkan ditetapkan sebagai nilai output yang dihasilkan pada perhitungan klasifikasi.

Gambar 9. Perancangan Sistem NodeMCU Gambar 9. menunjukkan proses perancangan pada sistem NodeMCU yang dimulai dari inisialisasi SSID, password SSID, domain server, user, password server, dan port yang akan digunakan. Selanjutnya menghubungkan sistem ke wifi hotspot dan server MQTT. Data klasifikasi yang telah diterima oleh Arduino Uno akan diteruskan ke server MQTT sebagai nilai masuk pada aplikasi android. Penerimaan masukan dari MQTT

(6)

server dari aplikasi android berupa topik untuk mengontrol servo agar dapat membuka dan menutup pintu celengan juga akan dilakukan.

Gambar 10. dan Gambar 11.

menunjukkan bentuk perancangan dari aplikasi android celengan pintar.

Gambar 10. Tampilan Awal dan Utama Aplikasi

Gambar 11. Tampilan Fitur Target Tabungan dan Buka Pintu Celengan

Tampilan awal aplikasi dirancang agar pengguna dapat mengisi username dan password sebagai bentuk keamanan tabungam. Tampilan utama dirancang agar pengguna dapat melihat info tabungannya, lama durasi menabungnya, serta tampilan jendela hasil uang yang masuk celengan. Selanjutnya terdapat perancangan fitur set target tabungan sesuai dengan lama durasi pengguna ingin mencapainya dan akan mengunci pintu celengan jika ditekan tombol pasang. Fitur buka pintu celengan juga dirancang agar dapat ditekan ketika target tabungan pengguna telah tercapai.

2.3 Implementasi

Hasil implementasi dari perwujudan perancangan sistem akan dijelaskan pada bab ini.

Implementasi purwarupa sistem ditampilkan pada Gambar 12. Sistem sengaja dibentuk seperti celengan menggunakan acrylic

berukuran 21,5x15,5x12cm berwarna oranye.

Gambar 12. ImplementasiPurwarupa Sistem

Gambar 13. Tampak Atas Bagian Dalam Sistem

Gambar 14. Tampak Bawah Bagian Dalam Sistem

Pengimplementasian untuk perangkat keras yang digunakan sistem terdapat pada Gambar 13. dan Gambar 14. Peletakkan sensor TCS3200 dan sensor infrared diletakkan tepat di depan lubang uang masuk. Sensor loadcell HX711 diletakkan tepat di bawah lubang masuk guna menampung uang yang masuk. Servo SG90 diletakkan di depan pintu celengan yang berfungsi seperti kunci. Kedua tombol switch on/off diletakkan di luar celengan untuk menghidupkan kedua mikrokontroler dari luar.

3. PENGUJIAN DAN ANALISIS 3.1 Pengujian Sensor TCS3200

Nilai akurasi yang didapatkan daripada pengujian sensor TCS3200 dalam kesesuaian pembacaan warna RGB jika dibandingkan

(7)

dengan software instant eye dropper adalah senilai 93,93% dengan rasio error keseluruhan 6,07% dengan membandingkan kedua nilai RGB yang didapatkan untuk dicari mean error per nilai warnanya untuk diakumulasi dan dikurang dengan 100%. Adapun lebih jelasnya dapat dilihat dari Tabel1., Tabel2., dan Tabel 3.

Tabel 1. Hasil Pembacaan TCS3200

Uang Sensor TCS3200

R G B

200 231 253 255

200 215 233 255

500 155 183 197

1000 153 191 219

1000 150 186 211

20000 152 192 212

50000 157 208 235

50000 173 221 255

100000 148 148 181

Tabel 2. Hasil Pembacaan Instant Eye Dropper

Uang Eyedrop

R G B

200 234 248 253

200 215 235 242

500 156 146 135

1000 154 180 193

1000 154 176 199

20000 152 198 160

50000 140 225 238

50000 167 245 250

100000 149 126 117

Tabel 3. Selisih Error dari Hasil Pembacaan Sensor TCS3200 dan Instant Eye Dropper

Uang Error Rata2

Error

Error R G B (%)

200 234 248 253 3.33 1.31 200 215 235 242 5.00 1.96 500 156 146 135 33.33 13.07 1000 154 180 193 12.67 4.97 1000 154 176 199 8.67 3.40 20000 152 198 160 19.33 7.58 20000 152 198 160 19.33 7.58 50000 140 225 238 12.33 4.84 50000 167 245 250 11.67 4.58 100000 149 126 117 29.00 11.37

Rata2 Error Keseluruhan (%) 6.07 Akurasi Sensor (%) 93.93

3.2 Pengujian Sensor LoadCell HX711 1 Kg

Pengujian nilai berat yang dilakukan pada sensor loadcell yang digunakan sistem dilakukan dengan melakukan perbandingan nilai

berat dengan timbangan konvensional mendapatkan hasil akurasi pembacaan senilai 99,61% dengan rasio error keseluruhan senilai 0,39% saja. Hasil tersebut didapatkan dari hasil perbandingan nilai berat yang didapatkan dari sensor dan dari timbangan konvensional.

Adapun lebih jelasnya dapat dilihat dari Tabel4., dan Tabel5..

Tabel 4. Hasil Pengujian Sensor LoadCell HX711 Pengujia

n ke - n Jenis Benda

Berat (gram

)

Sensor Loadcel l (gram) 1 Jam Tangan 35.4 35.3

2 Obeng

tespen

19.1

19.1 3 Cangkir 5oz 50.1 50.2

4 Pembuka

tutup botol 21.6 21.8

5 Cutter 20 19.98

6 Spidol 16.7 16.7

7 Jug milk 129.9 129.13 8 Sendok teh 13.6 13.5 9 Pemantik api 10.1 10.2 10 Cangkir 7oz 188.8 189 Tabel 5. Selisih Error dari Berat Benda dan Hasil

Pembacaan Sensor LoadCell HX711 Jenis Benda Selisih

Error (gr)

Persentase Error (%)

Jam Tangan 0.1 0.28

Obeng tespen 0 0.00

Cangkir 5oz 0.1 0.20

Pembuka

tutup botol 0.2 0.93

Cutter 0.0 0.10

Spidol 0 0.00

Jug milk 0.7 0.59

Sendok teh 0.1 0.74

Pemantik api 0.1 0.99

Cangkir 7oz 0.2 0.11

Rata-Rata Error 0.39

3.3 Pengujian Sensor Infrared

Hasil yang didapat dari pengujian sensor infrared dari 10 objek yang dimasukkan adalah sensor dapat merespon dengan benar sesuai fungsinya karena berhasil menampilkan hasil sesuai kondisi. Dari 10 kali objek yang dimasukkan, 10 kali direspon dengan benar.

Sensor inframerah dapat diuji dengan mengkalibrasi sensor yang telah diatur sebelumnya untuk pengujian

3.4 Hasil Pengujian Klasifikasi JST

(8)

Pengujian metode JST dalam melakukan klasifikasi yang ditunjukkan pada Tabel 6. menunjukkan ketidaksamaan nilai yang seharusnya dibaca. Uang dengan nominal 50.000 cenderung mirip dengan kelas uang 20.000 karena mempunyai kode desimal RGB yang cenderung mirip. Faktor lain yang menyebabkan kekeliruan pembacaan adalah pencahayaan yang didapati celengan.

Tabel 6. Hasil Klasifikasi Metode JST

No R G B Berat Kelas Kelas Asli 1 170 215 255 2.48 200 200 2 128 189 255 2.46 200 200 3 116 177 255 2.45 200 200 4 162 225 255 2.44 200 200 5 93 127 185 5.38 500 500 6 112 146 207 5.35 500 500 7 99 125 145 5.37 500 500 8 104 136 198 5.37 500 500 9 78 145 216 4.53 1000 1000 10 119 167 205 4.56 1000 1000 11 73 140 207 4.60 1000 1000 12 184 208 201 4.64 1000 1000 13 78 158 182 1.10 20000 20000 14 62 147 165 1.47 20000 20000 15 62 148 168 1.50 20000 20000 16 65 151 176 1.49 20000 20000 17 58 154 201 1.21 50000 50000 18 66 156 203 1.22 50000 50000 19 71 151 166 1.18 50000 20000 20 60 133 168 1.11 50000 20000 21 115 109 171 1.15 100000 100000 22 113 107 168 1.34 100000 100000 23 120 114 183 1.36 100000 100000 24 119 116 176 1.33 100000 100000 Oleh karena itu, tingkat akurasi yang didapatkan adalah sebesar 91,7% berdasarkan Persamaan (6).

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝐽𝑚𝑙 𝐷𝑎𝑡𝑎−𝐽𝑚𝑙 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖

𝐽𝑚𝑙 𝐷𝑎𝑡𝑎 × 100% (6)

= ²⁴⁻²

24 × 100%

= 91,7%

3.5 Pengujian Waktu Komputasi Program Rata-rata waku komputasi yang dibutuhkan sistem dari awal masuknya uang sampai dengan proses penampilan hasil pada aplikasi android adalah selama 13,48 milidetik.

Pengujian dilakukan 10 kali dengan keenam kelas uang. Adapun lebih jelasnya dapat dilihat pada Tabel 7.

Tabel 7. Hasil Waktu Komputasi Sistem Pendeteksi Uang

Pengujian ke - n Waktu Komputasi (ms)

1 13.50

2 13.60

3 13.57

4 13.47

5 13.31

6 13.34

7 13.57

8 13.57

9 13.44

10 13.44

Rata-Rata 13.48

3.6 Hasil Pengujian Tampilan Aplikasi Android Celengan Pintar

Tampilan daripada aplikasi android untuk menampilkan hasil klasifikasi JST dan fitur yang digunakan dijabarkan pada Tabel 8.

Tabel 8. Hasil Pengujian Tampilan Aplikasi Android Celengan Pintar

Kondisi Tampilan Keterangan

Tampilan Awal Masuk Aplikasi

(9)

Tampilan Aplikasi

Awal

Tampilan Hasil Klasifikasi

Hasil Klasifikasi Uang Rp200;

Hasil Klasifikasi

Uang Rp20000;

Hasil Klasifikasi

Uang Rp50000;

Hasil Klasifikasi

Uang Rp100000;

Fitur Penentuan

Target Tabungan

(10)

Fitur Buka Celengan

4. KESIMPULAN DAN SARAN

Kesimpulan yang didapat dari penelitian berjudul “Implementasi Sistem Pendeteksi Uang pada Celengan Pintar Menggunakan Metode Jaringan Syaraf Tiruan” adalah sistem dapat mengklasifikasi dengan baik nominal uang yang digunakan. Kinerja dari sensor infrared berfungsi dengan sangat baik karena merespon seluruh kondisi objek yang diujikan dengan benar. Pembacaan fitur RGB oleh sensor TCS3200 didapatkan dengan nilai akurasi 93,93%. Sedangkan untuk pembacaan fitur berat oleh sensor loadcell HX711 didapatkan dengan tingkat akurasi senilai 99,61%. Pengujian klasifikasi menggunakan metode JST mendapatkan nilai 91,7% untuk tigkat akurasinya. Adapun keseluruhan sistem untuk mengkomputasi dapat dilakukan selama 13,48 milidetik

Guna mengembangkan sistem dengan penelitian serupa, penulis menyarankan untuk menambahkan variasi nominal uang yang digunakan, fitur untuk mendeteksi keaslian uang yang masuk celengan dan desain celengan yang lebih luas guna menyimpan lebih banyak uang.

5. DAFTAR REFERENSI

Buchenau, Z. (2018). The Importance of Saving Money: 15 Reasons to Start Saving.

Tersedia di <https://bethebudget.com/the- importance-of-saving-money/> [Diakses pada 17 Desember 2020]

Budioko, T., 2016. SISTEM MONITORING SUHU JARAK JAUH BERBASIS

INTERNET OF THINGS

MENGGUNAKAN PROTOKOL

MQTT. SeminarRiset

TeknologiInformasi(SRITI)

Chalimah, S.N., Martono, S. and Khafid, M.

(2019), “The saving behavior of public vocational high school students of business and management program in Semarang”, Journal of Economic Education, Vol. 8 No. 1, pp. 22-29.

Enrico, R. A. W. O., 2014. The Factors that Influenced Consumptive Behaviour: A Survey of University Students in Jakarta.

International Journal of Scientific and Research Publications, 4(1)

Iza Nurjanah, J. E., 2018. Efektivitas Celengan untuk Melatih Pembiasaan Menabung bagi Siswa Down Syndrome. Jurnal Penelitian Pendidikan Khusus, 6(1), pp.

62-69

Irwansyah, I., Astuti, A., Suhaeb, F., & Tamrin, S., 2019. Youth consumptive behaviour at the Matahari Mall in Palopo City. Pinisi Business Administration Review

Mack, D., 2018. How to pick the best learning rate for your machine learning project.

[Online] Available at:

https://medium.com/octavian-ai/which- optimizer-and-learning-rate-should-i-use- for-deep-learning-5acb418f9b2

[Accessed 27 12 2020]

N. Fitriyani, P. Widodo, and N. Fauziah, 2013.

HUBUNGAN ANTARA

KONFORMITAS DENGAN

PERILAKU KONSUMTIF PADA MAHASISWA DI GENUK INDAH SEMARANG. Jurnal Psikologi, Volume 12, no. 1, pp. 1-14

Pitowarno. 2004. Kecerdasan Buatan dalam

Robotik Tersedia di:

<http://serialbukurobotickecerdasanbuata n> [Diakses pada 8 Desember 2020]

Rahmana, M. A. F., Dahnial S., & Tibyani., 2019. Sistem Deteksi Lama Waktu Penyimpanan Dagiang Ayam Berdasarkan Warna dan Kadar Amonia Berbasis Sensor TCS3200 dan MQ135 dengan Metode Jaringan Syaraf Tiruan.

Malang: Fakultas Ilmu Komputer. Jurnal Pengembangan Teknologi dan Ilmu Komputer, 3(2).

Sutojo, T. d., 2011. Kecerdasan Buatan.

Kecerdasan Buatan.

United Nation. 2005. Globalization World Youth Report. Tersedia di

(11)

<https://www.un.org/development/desa/y outh/globalization-wpay.html> [Diakses pada 17 Desember 2020]