Klasifikasi jenis sampah rumah tangga menggunakan metode Convolutional Neural Network

Herdiman, Anggi (2023) Klasifikasi jenis sampah rumah tangga menggunakan metode Convolutional Neural Network. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (268kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (24kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (99kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (350kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (513kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (249kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (382kB) | Request a copy

Abstract

Indonesia merupakan negara terbesar kedua penghasil sampah di dunia setelah Arab Saudi, dengan angka pembuangan sampah mencapai 300 kg per orang setiap tahunnya dan diperkirakan akan naik pada tahun 2025. Partisipasi dari warga dalam pengelolaan dan pemilahan sampah rumah tangga merupakan cara yang efektif untuk mempermudah proses daur ulang dan pengelolaan sampah rumah tangga. Berdasarkan hal ini, dibutuhkan sebuah model klasifikasi yang dapat membedakan sampah dari jenisnya sesuai dengan cara pengelolaannya, sehingga sampah yang beragam dapat dikelompokkan dan dapat mempermudah dalam proses pengelolaan sampah baik itu untuk didaur ulang atau di buang ke TPA. Perancangan pada sistem ini menggunakan metode Convolutional Neural Network (CNN) sebagai pengolah data citra. Seluruh data penelitian menggunakan citra gambar sebagai data input dan output diantaranya adalah anorganik, B3, kertas, organik, dan residu. Seluruh data penelitian menggunakan 5000 gambar dari jenis sampah rumah tangga, data tersebut termasuk data training dan testing, dimana data training menggunakan 4000 gambar yang terdiri dari 800 gambar (sampah anorganik), 800 gambar (sampah B3), 800 gambar (sampah kertas), 800 gambar (sampah organik), dan 800 gambar (sampah residu) dan data uji menggunakan masing-masing 200 gambar dari jenis sampah. Pada penelitian ini menggunakan 4 (empat) skenario pengujian dengan variasi parameter learning rate dan dropout. Variasi learning rate antara lain 0,001 dan 0,0001, sedangkan variasi dropout adalah 0,2 dan 0,5. Hasil pengujian dari seluruh skenario menunjukkan bahwa learning rate 0,001 dan dropout 0,5 memiliki nilai akurasi yang terbaik sebesar 85%. Nilai ini membuktikan bahwa algoritma CNN memiliki performansi yang baik dalam mendeteksi sampah rumah tangga.

Actions (login required)

View Item