Sistem Aplikasi Web Deteksi Emas Asli Dan Palsu Berbasis Analisis Cacat Permukaan Menggunakan CNN-Based

Siti Aspurina; Indah Purnama Sari

Authors

Siti Aspurina Universitas Muhammadiyah Sumatera Utara
Indah Purnama Sari Universitas Muhammadiyah Sumatera Utara

Keywords:

Deteksi emas, Convolutional Neural Network, MobileNetV2, Website, ONNX

Abstract

Peredaran emas palsu menjadi permasalahan yang dapat merugikan masyarakat karena sulit dibedakan dengan emas asli hanya melalui pengamatan visual. Penelitian ini bertujuan merancang dan membangun sistem aplikasi web deteksi emas asli dan palsu menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset terdiri atas citra emas asli dan emas palsu yang melalui preprocessing berupa perubahan ukuran menjadi 224 × 224 piksel dan normalisasi nilai piksel. Model dilatih menggunakan Google Colaboratory dengan framework TensorFlow, kemudian dikonversi ke format Open Neural Network Exchange (ONNX) agar dapat diintegrasikan ke aplikasi berbasis web. Sistem yang dikembangkan memiliki dua jenis pengguna, yaitu administrator dan pengguna umum. Berdasarkan hasil implementasi dan pengujian Black Box, seluruh fungsi sistem berjalan sesuai kebutuhan pengguna. Sistem mampu mengklasifikasikan citra menjadi kategori emas asli dan emas palsu serta menampilkan nilai confidence sebagai tingkat keyakinan model. Sistem yang dibangun dapat digunakan sebagai media pendukung dalam proses identifikasi awal keaslian emas berdasarkan karakteristik visual citra.

References

P. Harsani, M. Muhammad, and T. P. Negara, “Identifikasi Citra untuk Membedakan Uang Asli dan Palsu Menggunakan Algoritma Convolutional Neural Network (CNN),” vol. 13, no. 2, pp. 328–337, 2024.

S. Handayani, T. Taslim, and D. Toresa, “Prediksi Harga Emas Indonesia Menggunakan CNN,” Indonesian Journal of Computer Science, vol. 11, no. 1, pp. 901–911, 2022.

A. A. Faudisyah, K. D. Hartomo, and H. D. Purnomo, “Deteksi Cacat pada Isolasi Trafo Secara Visual menggunakan Algoritma Convolutional Neural Network (CNN),” vol. 7, no. 4, 2023.

A. R. I. Fauzy and E. B. Setiawan, “Jurnal RESTI,” vol. 5, pp. 271–277, 2026.

M. F. Erinsyah, V. Karenina, and D. S. Wibowo, “Klasifikasi Rentang Usia Dan Gender Dengan Deteksi Suara Menggunakan Metode Deep Learning Algoritma CNN (Convolutional Neural Network),” Komputika, vol. 12, no. 28, 2023, doi: 10.34010/komputika.v12i2.10516.

A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” vol. 4, no. 1, pp. 45–51, 2020.

A. Khumaidi and A. Nurpadilah, “Klasifikasi Molting Kepiting Soka Menggunakan CNN,” KOMPUTA: Jurnal Ilmiah Komputer dan Informatika, vol. 13, no. 2, pp. 43–50, 2024.

N. Rachmat, B. J. Saputra, and Yohannes, “Klasifikasi Video Olahraga Berdasarkan Citra Berbasis Konten Menggunakan Segmentasi Superpixel,” vol. 11, no. 28, 2022, doi: 10.34010/komputika.v11i1.4542.

L. Alzubaidi, J. Zhang, A. J. Humaidi, et al., “Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions,” Journal of Big Data, vol. 8, no. 53, 2021.

A. G. Howard, M. Sandler, G. Chu, et al., “Searching for MobileNetV3,” in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2022.

TensorFlow, “MobileNetV2 API Documentation,” 2025.

Keras Team, “Keras Documentation,” 2025.

ONNX, “Open Neural Network Exchange Documentation,” 2025.

Python Software Foundation, “Python Documentation,” 2025.

R. C. Gonzalez and R. E. Woods, Digital Image Processing, 5th ed. Pearson, 2022.