Klasifikasi Jenis Sampah Menggunakan Metode Convolutional Neural Network

Prayoga Hajid Mu’arif, Rizki Ridwan, Siti Marti'ah

Abstract


Sampah merupakan masalah lingkungan yang kerap ditemui di lingkungan sekitar. Sampah kerap kali berada dalam satu lingkup tanpa tersortir dengan baik. Berdasarkan data Sistem Informasi Pengelolaan Sampah Nasional pada tahun 2023, penanganan sampah hanya mencapai 16,728,139.88 ton/tahun dengan timbulan sampah sebanyak 33,743,338.15 ton/tahun. Maka dari itu, penelitian ini bermaksud untuk mengklasifikasi sampah berdasarkan jenisnya, seperti sampah organik, sampah anorganik, dan sampah B3. Pada penelitian ini, algoritma Convolutional Neural Network dipilih untuk menjadi metode dalam pengklasifikasian jenis sampah. Dataset yang digunakan berjumlah 300 citra yang tersebar rata di ketiga jenis sampah. Dataset dibagi menjadi tiga, yaitu data latih, data validasi, dan data tes dengan proporsi 60:20:20. Data latih sebanyak 180 citra, data validasi sebanyak 60 citra, data tes sebanyak 60 citra. Hasil akhir dari penelitian ini menunjukkan akurasi sebesar 98%.


Keywords


Klasifikasi; Jenis Sampah; Convolutional Neural Network; Artificial Intelligence; Deep Learning

Full Text:

PDF

References


Hendriyana, H., & Maulana, Y. H. (2020). Identifikasi Jenis Kayu menggunakan Convolutional Neural Network dengan Arsitektur Mobilenet. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(1), 70–76. https://doi.org/10.29207/resti.v4i1.1445

Hossain, M. A., & Alam Sajib, M. S. (2019). Classification of Image using Convolutional Neural Network (CNN). Global Journal of Computer Science and Technology, 19(May), 13–18. https://doi.org/10.34257/gjcstdvol19is2pg13

Iswantoro, D., & Handayani UN, D. (2022). Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Ilmiah Universitas Batanghari Jambi, 22(2), 900. https://doi.org/10.33087/jiubj.v22i2.2065

Qotrunnada, F. M., & Utomo, P. H. (2022). Metode Convolutional Neural Network untuk Klasifikasi Wajah Bermasker. Prisma, 5, 799–807.

Rohim, A., Sari, Y. A., & Tibyani. (2019). Convolution Neural Network (CNN) Untuk Pengklasifikasian Citra Makanan Tradisional. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(7), 7038–7042. j-ptiik.ub.ac.id

Sandy, F., Adi Palangi, W., Liling, D., & Putra Pratama, M. (2023). Impelentasi Penggunaan Kecerdasan Buatan Dalam Pendidikan Tinggi. Seminar Nasional Teknologi Pendidikan UKI Toraja, 3(3), 111–117. https://doi.org/https://doi.org/10.47178/prosidingukit.v3i3.2295

SIPSN. (2023). Sistem Informasi Pengelolaan Sampah Nasional (SIPSN). https://sipsn.menlhk.go.id/sipsn/

Sutanty, E., Maukar, Astuti, D. K., & Handayani. (2023). Penerapan Model Arsitektur VGG16 Untuk Klasifikasi Jenis Sampah. Decode: Jurnal Pendidikan Teknologi Informasi, 3(2), 407–419. https://doi.org/10.51454/decode.v3i2.331

Wang, P., Fan, E., & Wang, P. (2021). Comparative analysis of image classification algorithms based on traditional machine learning and deep learning. Pattern Recognition Letters, 141, 61–67. https://doi.org/10.1016/j.patrec.2020.07.042

Yudianto, M. R. A., Kusrini, K., & Al Fatta, H. (2020). Analisis Pengaruh Tingkat Akurasi Klasifikasi Citra Wayang dengan Algoritma Convolitional Neural Network. Jurnal Teknologi Informasi, 4(2), 182–191. https://doi.org/10.36294/jurti.v4i2.1319




DOI: https://doi.org/10.30998/jrami.v6i04.12068

Refbacks

  • There are currently no refbacks.


Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI) indexed by: