Perbandingan Penggunaan DenseNet201 dan YOLOv8 Pada Pengembangan Sistem Klasifikasi Sampah Berbasis Raspberry Pi 4 Menggunakan Kamera Penglihatan Malam

Pradipto, Arya and Rekyan Regasari Mardi Putri, S.T., M.T and Agung Setia Budi, S.T., M.T., M.Eng., Ph.D. (2025) Perbandingan Penggunaan DenseNet201 dan YOLOv8 Pada Pengembangan Sistem Klasifikasi Sampah Berbasis Raspberry Pi 4 Menggunakan Kamera Penglihatan Malam. Sarjana thesis, Universitas Brawijaya.

Abstract

Seiring meningkatnya populasi dan aktivitas manusia, pengelolaan sampah menjadi suatu tantangan lingkungan yang signifikan. Penanganan sampah yang tidak efisien dapat menyebabkan dampak negatif bagi lingkungan. Maka dari itu diperlukan suatu teknologi otomatisasi untuk membantu identifikasi dan klasifikasi sampah. Penelitian ini bertujuan untuk mengembangkan penelitian terdahulu dengan membuat sistem yang dapat mengklasifikasi sampah pada pencahayaan yang dinamis dan menganalisis perbandingan penggunaan DenseNet201 dan YOLOv8 dalam mendeteksi dan mengklasifikasikan sampah menggunakan Raspberry Pi 4 dengan Kamera OV5647 pada kondisi pencahayaan yang dinamis. Terdapat beberapa hal yang akan menjadi fokus penelitian. Pertama adalah penentuan epoch terbaik terhadap CPU usage, latensi inferensi, dan file size. Kedua, perbandingan confusion matrix terhadap accuracy, precision, recall, dan f1-score. Ketiga, pengujian akurasi pada sistem di Raspberry Pi 4 dengan 4 kondisi pencahayaan yang berbeda. Keempat, analisis performance terhadap CPU usage, latensi inferensi, dan penggunaan daya. Kelima, perbandingan keunggulan kedua arsitektur dalam klasifikasi sampah. Hasil yang ditemukan setelah pengujian menujukkan beberapa hal. Pertama, DenseNet201 mencapai performa terbaik pada epoch 10, sedangkan YOLOv8 pada epoch 33. Kedua, DenseNet201 memiliki hasil confusion matrix yang lebih unggul, dengan accuracy 97.3%, precision 97.5%, recall, 97.1%, dan f1-score 97.3%. Ketiga, YOLOv8 lebih unggul dalam 5 kategori akurasi, yaitu akurasi keseluruhan (91.87%), akurasi sampah anorganik (100%), akurasi sampah residu (97.5%), akurasi pencahayaan 2 (95%), dan akurasi pencahayaan 4 (95%). Keempat, pada segi performa, YOLOv8 menunjukkan efisiensi yang lebih baik dengan rata-rata CPU usage 9.83%, latensi inferensi 2265.714 ms, dan penggunaan daya sebesar 6.7W. Berdasarkan hasil dan analisis tersebut, dapat disimpulkan bahwa sistem yang paling baik untuk identifikasi dan klasifikasi sampah menggunakan Raspberry Pi 4 dan Kamera OV5647 pada kondisi pencahayaan yang beragam adalah model YOLOv8.

English Abstract

As human population and activities increase, waste management becomes a significant environmental challenge. Inefficient waste handling can cause negative impacts on the environment, so an automation technology is needed to help identify and classify waste. This research aims to develop previous research by creating a system that can classify garbage in dynamic lighting and analyze the comparison of the use of DenseNet201 and YOLOv8 in detecting and classifying garbage using Raspberry Pi 4 with OV5647 Camera in dynamic lighting conditions. There are several things that will be the focus of the research. First is the determination of the best epoch against CPU usage, inference latency, and file size. Second, confusion matrix comparison of accuracy, precision, recall, and f1- score. Third, accuracy testing on the system on Raspberry Pi 4 with 4 different lighting conditions. Fourth, is the performance analysis of CPU usage, inference latency, and power usage. Fifth, a comparison of the advantages of the two architectures in garbage classification. The results found after testing show several things. First, DenseNet201 achieves the best performance at epoch 10, while YOLOv8 at epoch 33. Second, DenseNet201 has superior confusion matrix results, with accuracy 97.3%, precision 97.5%, recall, 97.1%, and f1-score 97.3%. Third, YOLOv8 is superior in 5 accuracy categories, namely overall accuracy (91.87%), inorganic waste accuracy (100%), residual waste accuracy (97.5%), exposure 2 accuracy (95%), and exposure 4 accuracy (95%). Fourth, in terms of performance, YOLOv8 shows better efficiency with an average CPU usage of 9.83%, inference latency of 2265.714 ms and power usage of 6.7W. Based on these results and analysis, it can be concluded that the best system for waste identification and classification using Raspberry Pi 4 and OV5647 Camera under various lighting conditions is the YOLOv8 model.

Item Type:	Thesis (Sarjana)
Identification Number:	052515
Uncontrolled Keywords:	Sampah Fasilitas Umum, Raspberry Pi 4, Kamera Inframerah, DenseNet201, YOLOv8
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	S Sucipto
Date Deposited:	20 Feb 2025 02:01
Last Modified:	20 Feb 2025 02:01
URI:	http://repository.ub.ac.id/id/eprint/237180

Text (DALAM MASA EMBARGO) Arya Pradipto.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item