Open Journal Systems

Penerapan Algoritma Deep Learning CNN untuk Klasifikasi Pemilahan Sampah

       Salwa Rona Sausan Claudia, Yani Parti Astuti

Abstract


Indonesia merupakan negara ke-4 yang menghasilkan sampah terbanyak di dunia. Hal ini menyebabkan salah satu kota di Indonesia dijuluki dengan “The City of Pigsâ€. Jumlah sampah di Indonesia terbilang cukup tinggi yaitu mencapai 21,1 juta ton. Dengan banyaknya jumlah sampah di Indonesia, maka diperlukannya sistem identifikasi untuk membantu proses pengolahan sampah. Penelitian ini bertujuan untuk membangun aplikasi klasifikasi sampah dengan metode deep learning. Pada sistem identifikasi ini membutuhkan suatu dataset dan sistem klasifikasi. Dataset yang digunakan dalam sistem identifikasi berupa citra objek yang terdiri dari beberapa jenis, yaitu plastik, kardus, kaca, kaleng, kertas, dan sampah bungkus. Lalu, untuk sistem klasifikasi menggunakan model image classification. Sistem telah berhasil mengidentifikasi jenis sampah menggunakan algoritma Convolutional Neural Network (CNN) dengan baik. Model CNN dijalankan dengan beberapa layer dataset citra sampah yang telah dikumpulkan digunakan untuk proses pelatihan dan proses pengujian. Penelitian ini dijalankan dengan lima layer yaitu Convolutional Layers, Max Pooling Layers, Flatten Layers, AveragePooling2D, dan Dense Layers. Setelah model dijalankan, selanjutnya dilakukan proses pelatihan dan dilakukan pengujian menggunakan model CNN untuk mengklasifikasi gambar. Hasil dari penelitian ini berupa nilai akurasi data 81,08% dan prediksi model untuk 10 sampel data pengujian, beserta dengan label prediksi dan label sebenarnya.


  http://dx.doi.org/10.31544/jtera.v8.i2.2023.183-190

Keywords


klasifikasi sampah; deep learning; Convolutional Neural Network; image classification

Full Text:

  PDF

References


Y. Novitasari, D. Prastyo, S. L. Iftitah, A. Reswari, and M. Fauziddin, “Media Daur Ulang (Recycle System) dalam Kemampuan Membaca Bahasa Inggris Awal Anak Usia Dini,†Jurnal Obsesi: Jurnal Pendidikan Anak Usia Dini, vol. 6, no. 3, pp. 1323–1330, Sep. 2021.

Z. Nie, W. Duan, and X. Li, “Domestic garbage recognition and detection based on Faster R-CNN,†J Phys Conf Ser, vol. 1738, no. 1, p. 012089, Jan. 2021.

L. Yan, X. Wang, and S. Yin, “Campus Garbage Image Classification Algorithm Based on New Attention Mechanism,†Int. J. Electron, vol. 13, no. 4, pp. 131–141, 2021.

G. Alimjan, T. Sun, Y. Liang, H. Jumahun, and Y. Guan, “A New Technique for Remote Sensing Image Classification Based on Combinatorial Algorithm of SVM and KNN,†Int. J. Pattern Recognit. Artif. Intell., vol. 32, no. 7, 2018.

C. Tian, L. Fei, W. Zheng, Y. Xu, W. Zuo, and C. W. Lin, “Deep learning on image denoising: An overview,†Neural Netw., vol. 131, no. 83, pp. 251–275, 2020.

Z. Song, “English speech recognition based on deep learning with multiple features,†Computing, vol. 102, pp. 663–682, 2020.

A. S. Nugroho, R. Umar, and A. Fadlil, “SISTEM PENGENALAN BOTOL PLASTIK BERDASARKAN LABEL MEREK MENGGUNAKAN FASTER-RCNN,†Jurnal Nasional UMP, vol. 21, no. 2, pp. 111–118, 2020.

V. Seredkin, M. P. Tokarev, I. A. Plohih, O. A. Gobyzov, and D. M. Markovich, “Development of a method of detection and classification of waste objects on a conveyor for a robotic sorting system,†in Journal of Physics: Conference Series, Institute of Physics Publishing, Nov. 2019.

N. Narayanswamy, A. R. Abdul Rajak, and S. Hasan, “Development of Computer Vision Algorithms for Multi-class Waste Segregation and Their Analysis,†Emerging Science Journal, vol. 6, no. 3, pp. 631–646, Jun. 2022.

Q. Zhang, M. Zhang, T. Chen, Z. Sun, Y. Ma, and B. Yu, “Recent advances in convolutional neural network acceleration,†Neurocomputing, vol. 323, pp. 37–51, 2019.

J. Xie, K. Hu, M. Zhu, J. Yu, and Q. Zhu, “Investigation of Different CNN -Based Models for Improved Bird Sound Classification,†IEEE Access, vol. 7, pp. 175353 –175361, 2019.

I. Wulandari, H. Yasin, and T. Widiharih, “KLASIFIKASI CITRA DIGITAL BUMBU DAN REMPAH DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN)â€, Jurnal Gaussian, vol. 9, no. 3, pp. 273-282, 2020.

S. Loussaief and A. Abdelkrim, “Convolutional neural network hyper-parameters optimization based on genetic algorithms,†International Journal of Advanced Computer Science and Applications, vol. 9, no. 10, pp. 252–266, 2018.




DOI: http://dx.doi.org/10.31544/jtera.v8.i2.2023.183-190
Abstract 254 View    PDF viewed = 78 View

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 JTERA (Jurnal Teknologi Rekayasa)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright @2016-2023 JTERA (Jurnal Teknologi Rekayasa) p-ISSN 2548-737X e-ISSN 2548-8678.

  Lisensi Creative Commons

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

JTERA Editorial Office:
Politeknik Sukabumi
Jl. Babakan Sirna 25, Sukabumi 43132, West Java, Indonesia
Phone/Fax: +62 266215417
Whatsapp: +62 81809214709
Website: https://jtera.polteksmi.ac.id
E-mail: jtera@polteksmi.ac.id