Uang sebagai alat transaksi jual beli sangat penting bagi masyarakat. Namun fungsi ini menjadi terbatas bagi penyandang tunanetra. Khususnya uang kertas, kondisi uang kertas yang tidak selamanya baru membuat blind code pada uang kertas sulit untuk dikenali. Untuk membantu tunanetra, saat ini teknologi AI mendukung manusia untuk membangun teknologi dan inovasi khususnya dalam bidang computer vision dan deep learning, yang dapat diimplementasikan dengan membuat deteksi nominal uang kertas secara real-time dengan voice feedback, yang dapat dibangun menggunakan arsitekstur SSD. Model ini cukup ringan pada perangkat komputasi terbatas dan memiliki akuasi yang baik. Makalah ini bertujuan untuk implementasikan SSD sebagai deteksi nominal uang kertas dengan voice feedback pada microprocessor Raspberry Pi 3B. Berdasarkan hasil penelitian, sistem berhasil dibuat menggunakan model SSD Mobilenet v2 quantized dengan akurasi rata-rata 93,9% dan model SSDLite Mobilenet v2 dengan akurasi rata-rata 75,8%. Pada pengujian intensitas cahaya, akurasi terbaik adalah pada intensitas 15-35 lux. Dengan akurasi model SSD Mobilenet v2 quantized 100% dan SSDLite Mobilenet v2 93,1%. Akurasi akan menurun seiring dengan kenaikan intensitas cahaya hingga batas percobaan pada intensitas cahaya 896-903 lux dengan akurasi model SSD Mobilenet v2 quantized 83,87% dan SSDLite Mobilenet v2 62,8%. Pada intensitas 489-513 lux dan 896-903 lux SSDLite Mobilenet v2 tidak dapat mendeteksi kelas objek 2000. Dari hasil performasi model pada implementasi real-time Raspberry Pi 3B. Performasi SSD Mobilenet v2 quantized dapat mencapai 0,77 fps dan SSDLite Mobilenet v2 0,89 fps.
Kata kunci: deep learning, object detection, single-shot multibox detector(SSD), voice feed back, Raspberry Pi 3B.