Hisdianton, Oktavian and Prof. Dr.Eng. Fitri Utaminingrum, S.T., M.T and Rekyan Regasari Mardi Putri, S.T., M.T. (2024) Rancang Bangun Sistem Identifikasi Dan Klasifikasi Sampah Menggunakan Deep Learning Arsitektur DenseNet201. Sarjana thesis, Universitas Brawijaya.
Abstract
pengelolaan sampah yang merupakan sebagai barang bekas atau sisa‐sisa yang dihasilkan dari suatu aktivitas manusia sehari‐hari atau oleh proses alam. Pada kegiatan tersebut sampah ini berwujud padat atau setengah padat, dan dapat dibagi menjadi organik, anorganik, bahan berhaya dan beracun (b3) serta residu. Biasanya benda‐benda ini tidak lagi digunakan lalu dibuang ke lingkungan umum. Selain itu sampah yang berasal dari lingkungan tersebut juga memiliki salah satu langkah untuk mengurangi timbunan sampah yaitu dengan melakukan pemilahan sampah dengan benar, akan tetapi pemilahan sampah itu harus sesuai dengan kelasnya. Sementara kebiasaan masyarakat Indonesia masih banyak membudaya melakukan pembuangan sampah itu tidak sesuai dengan kelasnya yaitu dengan mencampur semua jenis sampah. Berdasarkan data mengenai timbunan sampah pada tahun 2022, sektor fasilitas publik atau umum menempati posisi ke‐5 sebagai penyumbang sampah di Indonesia. Maka dengan itu, diperlukan tindakan untuk pengolahan sampah dengan baik dan benar untuk mengatasi masalah tersebut. Solusi yang ditawarkan pada penelitian ini adalah membuat sebuah alat untuk melakukan klasifikasi sampah organik, anorganik, b3, dan residu secara otomatis menggunakan metode deep learning arsitektur DenseNet201 untuk mempermudah dalam pemilahan sampah berdasarkan kelasnya. Alat ini dirancang dan memproses menggunakan sebuah perangkat yaitu Raspberry Pi 4, dengan menggabungkan webcam untuk mendeteksi dan pengambilan gambar objek, setelah itu menggunakan metode deep learning arsitektur DenseNet201 sebagai pemrosesan deteksi objek pada gambar, dan output yang dihasilkan adalah pergerakan motor servo sesuai dengan kelas sampah. Untuk pengujian klasifikasi objek sampah pada sistem mendapatkan hasil nilai akurasi sebesar 0.98%, hasil nilai precision sebesar 0.98%, nilai recall sebesar 0.98%, dan nilai f1score sebesar 0.98%. Dilakukan pengujian rata‐rata waktu komputasi yang didapatkan untuk klasifikasi selama 1,2239675 detik. Dan dilakukan pengujian integrasi pada sistem yang mendapatkan hasil nilai akurasi sebesar 92,5%.
English Abstract
Based on Law Number 18 of 2008, it is explained that waste management involves discarded items or remnants generated from human daily activities or natural processes. In such activities, waste can take the form of solid or semi‐solid materials and can be categorized into organic, inorganic, hazardous and toxic substances (B3), as well as residues. Typically, these items are no longer in use and are disposed of into the general environment. Additionally, waste originating from such environments has a step towards reducing waste accumulation, which involves proper waste sorting. However, waste sorting must align with the respective categories. Nevertheless, the prevailing habit in Indonesian society involves improper waste disposal by mixing all types of waste. According to data on waste accumulation in 2022, the public or communal facilities sector ranks fifth as a contributor to waste in Indonesia. Therefore, action is needed to address this issue through proper waste management. The solution proposed in this research is to create a device for automatic classification of organic, inorganic, B3, and residue waste using the deep learning method of DenseNet201 architecture. This aims to facilitate waste sorting based on its categories. The device is designed and processed using a Raspberry Pi 4 device, incorporating a webcam for object detection and image capture. Subsequently, the deep learning method of DenseNet201 architecture is employed for object detection processing in the images, and the output is the movement of a servo motor according to the waste category. For testing the waste object classification in the system, the obtained results include an accuracy value of 0.98%, a precision value of 0.98%, a recall value of 0.98%, and an f1‐score value of 0.98%. Average computational time testing was conducted for the classification, yielding a duration of 1,2239675 s. And integration testing was carried out on the system which obtained an accuracy value of 92.5%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0524150259 |
| Uncontrolled Keywords: | Sampah Fasilitas Umum, Organik, Anorganik, Bahan Berbahaya dan Beracun (B3), Residu, Dense Convolutional Network, DenseNet201, Raspberry Pi-Public Facilities Waste, Organic, Inorganic, Hazardous and Toxic Materials (B3), Residual, Dense Convolutional Network, DenseNet201, Raspberry Pi |
| Divisions: | Fakultas Ilmu Komputer > Teknik Komputer |
| Depositing User: | Sugeng Moelyono |
| Date Deposited: | 26 Apr 2024 01:37 |
| Last Modified: | 26 Apr 2024 01:37 |
| URI: | http://repository.ub.ac.id/id/eprint/217847 |
![[thumbnail of DALAM MAS EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MAS EMBARGO)
Oktavian Hisdianton.pdf Restricted to Registered users only Download (4MB) |
Actions (login required)
 |
View Item |