digilib@itb.ac.id +62 812 2508 8800

Tingginya jumlah difabel netra (DN) di Indonesia memicu perhatian publik untuk memberikan pelayanan yang maksimal atas hak-hak-nya sebagai sesama manusia. Keterbatasan fisik sering kali menyulitkan para DN untuk melakukan aktifitas di dalam maupun di luar ruangan, bahkan seringkali mengalami disorientasi arah yang dapat membahayakan para DN. Di era modern ini, pemanfaatan teknologi deep learning khususnya dalam hal image classification akan membantu DN mengatasi permasalahan tersebut. Oleh karena itu, kami mengembangkan aplikasi LoVi yang dapat membantu para DN khususnya low vision (LoVi) dalam beraktifitas sehari- hari. Aplikasi LoVi mempunyai tiga mode, yaitu mode outdoor, mode indoor, dan mode currency dengan core systems berupa model Sherpa (TrotoarNet, IndoorNet, dan CurrencyNet). Berdasarkan pengujian diperoleh performa arsitektur final model Sherpa yaitu akurasi pengujian mencapai 95,5% pada IndoorNet, 96,79% pada TrotoarNet, dan 93,35% pada CurrencyNet, dengan FPS secara berurutan mencapai 13 img/s, 40 img/s, dan 26 img/s, serta ukuran model final yang jauh lebih kecil dibandingkan baseline model Sherpa, yaitu 81MB. Dengan demikian, model Sherpa yang dibangun sudah memenuhi spesifikasi sistem yang ditentukan.