Klasifikasi Sampah Organik Dan Anorganik Dengan Metode Convolutional Neural Network (CNN)
Total View This Week0
Total View This Week0
Institusion
Universitas Ahmad Dahlan
Author
Octadiani, Devaldi Caliesta
Subject
QA75 Electronic computers. Computer science
Datestamp
2025-02-11 01:42:30
Abstract :
Sampah merupakan limbah yang dihasilkan dari produk atau barang yang tidak digunakan untuk waktu yang lama dan tidak memiliki nilai fungsional. Volume sampah yang terus meningkat, keselamatan dan kesehatan petugas pemilah sampah, sampah dibuang sembarangan dan dapat merusak lingkungan. Meminamalisir dampak yang disebabkan oleh karena itu diperlukannya sistem otomasi pemilahan citra jenis sampah organik dan anorganik menggunakan CNN. Penelitian ini mengoptimalkan penggunaan metode CNN dengan menambahkan lapisan dan hypermeter ke dalam arsitektur CNN yang digunakan (InceptionV3, ResNet152, dan MobileNetV3) guna klasifikasi jenis sampah dengan akurat. Proses penelitian ini melibatkan beberapa tahapan, yang meliputi pengumpulan data gambar dari dataset Waste Images Dataset (WID) dan Waste Classification data (WCD), Split data menjadi data Train dan data Test, tahapan selanjutnya Augmentasi data, Model Tuning dan Training model menggunakan arsitektur CNN (InceptionV3, ResNet152, dan MobileNetV3), Serta evaluasi model menggunakan akurasi pada Classification Report. Hasil pengujian menggunakan dataset WID menunjukkan bahwa model InceptionV3 mencapai Accuracy sebesar 0.9546, Precision 0.8906, Recall 0.8897, dan F1-Score 0.8901. Temuan ini mengindikasikan bahwa model InceptionV3 menghasilkan performa terbaik dalam dataset tersebut, meskipun terdapat 9 kelas yang diuji. Selanjutnya, pengujian dilakukan menggunakan dataset WCD dan hasilnya menunjukkan bahwa model InceptionV3 merupakan model terbaik dalam dataset tersebut dengan mencapai Accuracy 0.9351, Precision 0.9636, Recall 0.9234, dan F1-Score 0.9430. Temuan ini menunjukkan bahwa model InceptionV3 menghasilkan performa terbaik dalam dataset tersebut yang terdiri dari 2 kelas.
Sampah merupakan limbah yang dihasilkan dari produk atau barang yang tidak digunakan untuk waktu yang lama dan tidak memiliki nilai fungsional. Volume sampah yang terus meningkat, keselamatan dan kesehatan petugas pemilah sampah, sampah dibuang sembarangan dan dapat merusak lingkungan. Meminamalisir dampak yang disebabkan oleh karena itu diperlukannya sistem otomasi pemilahan citra jenis sampah organik dan anorganik menggunakan CNN. Penelitian ini mengoptimalkan penggunaan metode CNN dengan menambahkan lapisan dan hypermeter ke dalam arsitektur CNN yang digunakan (InceptionV3, ResNet152, dan MobileNetV3) guna klasifikasi jenis sampah dengan akurat. Proses penelitian ini melibatkan beberapa tahapan, yang meliputi pengumpulan data gambar dari dataset Waste Images Dataset (WID) dan Waste Classification data (WCD), Split data menjadi data Train dan data Test, tahapan selanjutnya Augmentasi data, Model Tuning dan Training model menggunakan arsitektur CNN (InceptionV3, ResNet152, dan MobileNetV3), Serta evaluasi model menggunakan akurasi pada Classification Report. Hasil pengujian menggunakan dataset WID menunjukkan bahwa model InceptionV3 mencapai Accuracy sebesar 0.9546, Precision 0.8906, Recall 0.8897, dan F1-Score 0.8901. Temuan ini mengindikasikan bahwa model InceptionV3 menghasilkan performa terbaik dalam dataset tersebut, meskipun terdapat 9 kelas yang diuji. Selanjutnya, pengujian dilakukan menggunakan dataset WCD dan hasilnya menunjukkan bahwa model InceptionV3 merupakan model terbaik dalam dataset tersebut dengan mencapai Accuracy 0.9351, Precision 0.9636, Recall 0.9234, dan F1-Score 0.9430. Temuan ini menunjukkan bahwa model InceptionV3 menghasilkan performa terbaik dalam dataset tersebut yang terdiri dari 2 kelas.
File :
T1_1900016041_JUDUL__230822051326.pdf
T1_1900016041_BAB_I__230822051327.pdf
T1_1900016041_BAB_II__230822051327.pdf
T1_1900016041_BAB_III__230822051327.pdf
T1_1900016041_BAB_IV__230822051327.pdf
T1_1900016041_BAB_V__230822051327.pdf
T1_1900016041_DAFTAR_PUSTAKA__230822051327.pdf
T1_1900016041_LAMPIRAN__230822051327.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
