LISANA SIDKA ALIA, - (2023) KLASIFIKASI JENIS SAMPAH MENGGUNAKAN IMAGE CLASSIFICATION CONVOLUTIONAL NEURAL NETWORK. Skripsi thesis, UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU.

Preview	Text LAPORAN TA LISANA REPOSITORY.pdf Download (3MB) | Preview
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB)

Abstract

Sampah merupakan permasalahan krusial yang dapat terjadi akibat pengelolahan sampah yang belum maksimal. Menurut Data Sistem Informasi Pengelolaan Sampah Nasional (SIPSN) Kementrian Lingkungan Hidup dan Kehutahan menyatakan bahwa 34.06% sampah belum terkelola dengan baik. Setiap jenis sampah memiliki proses penanganan dan pengelolahan sampah berdasarkan karakteristik dan komposisi sampah sehingga dapat terkelola dengan maksimal dan mengurangi presentasi volume timbulan sampah. Menurut UU No. 13 Tahun 2008, sampah perlu diklasifikasi menjadi sampah bahan berbahaya dan beracun (B3), sampah organik, sampah daur ulang, sampah digunakan kembali, dan sampah residu. Proses mengklasifikasi sampah masih minim dilaksanakan dan berdampak pada proses pengolahan sampah. Berdasarkan permasalahan tersebut, peneliti mengusulkan sebuah penerapan model klasifikasi jenis sampah secara otomatis terhadap kondisi klasifikasi sampah berdasarkan aturan pengelolahan sampah. Penerapan model klasifikasi jenis sampah dibangun dengan cabang ilmu Machine Learning yaitu Image Classification yang mengklasifikasi sampah berdasarkan data citra. Penerapan model menggunakan metode pembelajaran Convolutional Neural Network dengan arsitektur MobileNetV2 dan lapisan konvolusi tambahan. Arsitektur pembelajaran model menyerupai jaringan saraf manusia secara terarah dan terawasi. Penerapan model klasifikasi jenis sampah menggunakan 3025 data citra yang terdiri kelas sampah B3, sampah organik, sampah daur ulang, sampah digunakan kembali, dan sampah residu. Hasil penelitian menunjukkan penerapan model image classification convolutional neural network terhadap klasifikasi jenis sampah adalah baik dengan nilai akurasi penerapan model berdasarkan data prediktif mencapai 89.44% hingga 92.74% dan tingkat keberhasilan model dalam mengklasifikasi secara benar adalah 93.33% dari 15 data citra baru.

Actions (login required)

View Item