PEMILAHAN JENIS SAMPAH MENGGUNAKAN ALGORITMA CNN
Abstract
Penelitian ini bertujuan untuk mengembangkan model deep learning yang mendeteksi jenis sampah sehingga sampah dapat dipisahkan dan didaur ulang dengan sistem computer vision. Pelatihan dan pengujian akan dilakukan dengan data citra yang terdiri dari beberapa kelas yaitu karton, botol kaca, kain, plastik, dan kertas. Dataset yang digunakan selama pelatihan dan pengujian akan dihasilkan dari frame asli yang diambil dari citra sampah. Kumpulan data yang digunakan untuk struktur deep learning memiliki total 6333 gambar dengan 6 kelas yang berbeda. Setengah dari kumpulan data citra digunakan untuk proses pelatihan dan sisanya digunakan untuk prosedur pengujian. Sebagai model yang menggunakan Image Classification berbasis kecerdasan buatan, sistem telah mampu mengidentifikasi jenis-jenis sampah dengan baik menggunakan metode klasifikasi CNN. Model CNN dibangun dengan membuat model yang terdiri dari sejumlah layer seperti Convolutional Layers, Max Pooling Layers dan Relu. Setelah model dibangun dan dilakukan pelatihan, model diuji untuk melakukan klasifikasi. Hasil kinerja sistem hasil pelatihan dan pengujian model yang memuaskan dengan akurasi data 83% dan akurasi validasi 61%.
References
A. P. Sari, H. Suzuki, T. Kitajima, T. Yasuno, and D. A. Prasetya, “Prediction Model of Wind Speed and Direction Using Deep Neural Network,” JEEMECS (Journal Electr. Eng. Mechatron. Comput. Sci., vol. 3, no. 1, pp. 1–10, 2020, doi: 10.26905/jeemecs.v3i1.3946.
S. Sendari et al., “Environmental monitoring action for community surrounding garbage center in Indonesia,” IOP Conf. Ser. Earth Environ. Sci., vol. 245, no. 1, 2019, doi: 10.1088/1755-1315/245/1/012034.
A. Sai et al., “Personal Hygiene , Dignity , and Economic Diversity among Garbage Workers in an Urban Slum of Indonesia,” Sanit. Value Chain, vol. 4, no. 2, pp. 51–66, 2020, doi: https://doi.org/10.34416/svc.00019.
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, 2021, doi: 10.1088/1742-6596/1738/1/012089.
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, doi: 10.6636/IJEIE.202112.
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, doi: https://doi.org/10.1142/S0218001418590127.
J. Wang, Y. Yang, J. Mao, Z. Huang, C. Huang, and W. Xu, “CNN-RNN: A Unified Framework for Multi-label Image Classification,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 2285–2294, 2016, doi: 10.1109/CVPR.2016.251.
I. G. S. M. Diyasa, A. D. Alhajir, A. M. Hakim, and M. F. Rohman, “Reverse image search analysis based on pre-trained convolutional neural network model,” Proceeding - 6th Inf. Technol. Int. Semin. ITIS 2020, pp. 1–6, 2020, doi: 10.1109/ITIS50118.2020.9321037.
R. Vinayakumar, K. P. Soman, and P. Poornachandrany, “Applying convolutional neural network for network intrusion detection,” 2017 Int. Conf. Adv. Comput. Commun. Informatics, ICACCI 2017, vol. 2017-Janua, pp. 1222–1228, 2017, doi: 10.1109/ICACCI.2017.8126009.
Z. Cheker et al., “Performance analysis of VEP signal discrimination using CNN and RNN algorithms,” Neurosci. Informatics, vol. 2, no. 3, p. 100087, 2022, doi: 10.1016/j.neuri.2022.100087.
J. Lasmono, A. P. Sari, E. Kuncoro, and I. Mujahidin, “Optimasi Kerja Peluncur Roket Pada Robot Roda Rantai Untuk Menentukan Ketepatan Sudut Tembak,” JASIEK (Jurnal Apl. Sains, Informasi, Elektron. dan Komputer), vol. 1, no. 1, pp. 50–56, 2019, doi: 10.26905/jasiek.v1i1.3149.
P. Sermanet, S. Chintala, and Y. Lecun, “Convolutional neural networks applied to house numbers digit classification,” Proc. - Int. Conf. Pattern Recognit., pp. 3288–3291, 2012.
I. Jindal, M. Nokleby, and X. Chen, “Learning deep networks from noisy labels with dropout regularization,” in Proceedings - IEEE International Conference on Data Mining, ICDM, 2017, pp. 967–972, doi: 10.1109/ICDM.2016.124.
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting,” J. Mach. Learn. Res., vol. 15, pp. 1929–1958, 2014.
Full Text: PDF
Refbacks
- There are currently no refbacks.
