Klasifikasi Sampah Organik Dan Anorganik Dengan Metode Convolutional Neural Network (CNN)

Octadiani, Devaldi Caliesta (2023) Klasifikasi Sampah Organik Dan Anorganik Dengan Metode Convolutional Neural Network (CNN). S1 thesis, Universitas Ahmad Dahlan.

	Text (JUDUL) T1_1900016041_JUDUL__230822051326.pdf Download (615kB)
	Text (BAB I) T1_1900016041_BAB_I__230822051327.pdf Download (110kB)
	Text (BAB II) T1_1900016041_BAB_II__230822051327.pdf Restricted to Registered users only Download (745kB) | Request a copy
	Text (BAB III) T1_1900016041_BAB_III__230822051327.pdf Restricted to Registered users only Download (93kB) | Request a copy
	Text (BAB IV) T1_1900016041_BAB_IV__230822051327.pdf Restricted to Registered users only Download (250kB) | Request a copy
	Text (BAB V) T1_1900016041_BAB_V__230822051327.pdf Restricted to Registered users only Download (10kB) | Request a copy
	Text (Daftar Pustaka) T1_1900016041_DAFTAR_PUSTAKA__230822051327.pdf Restricted to Registered users only Download (86kB) | Request a copy
	Text (Lampiran) T1_1900016041_LAMPIRAN__230822051327.pdf Restricted to Registered users only Download (178kB) | Request a copy

Abstract

Sampah merupakan limbah yang dihasilkan dari produk atau barang yang tidak
digunakan untuk waktu yang lama dan tidak memiliki nilai fungsional. Volume
sampah yang terus meningkat, keselamatan dan kesehatan petugas pemilah
sampah, sampah dibuang sembarangan dan dapat merusak lingkungan.
Meminamalisir dampak yang disebabkan oleh karena itu diperlukannya sistem
otomasi pemilahan citra jenis sampah organik dan anorganik menggunakan CNN.
Penelitian ini mengoptimalkan penggunaan metode CNN dengan menambahkan
lapisan dan hypermeter ke dalam arsitektur CNN yang digunakan (InceptionV3,
ResNet152, dan MobileNetV3) guna klasifikasi jenis sampah dengan akurat.
Proses penelitian ini melibatkan beberapa tahapan, yang meliputi pengumpulan
data gambar dari dataset Waste Images Dataset (WID) dan Waste Classification
data (WCD), Split data menjadi data Train dan data Test, tahapan selanjutnya
Augmentasi data, Model Tuning dan Training model menggunakan arsitektur
CNN (InceptionV3, ResNet152, dan MobileNetV3), Serta evaluasi model
menggunakan akurasi pada Classification Report.
Hasil pengujian menggunakan dataset WID menunjukkan bahwa model
InceptionV3 mencapai Accuracy sebesar 0.9546, Precision 0.8906, Recall 0.8897,
dan F1-Score 0.8901. Temuan ini mengindikasikan bahwa model InceptionV3
menghasilkan performa terbaik dalam dataset tersebut, meskipun terdapat 9 kelas
yang diuji. Selanjutnya, pengujian dilakukan menggunakan dataset WCD dan
hasilnya menunjukkan bahwa model InceptionV3 merupakan model terbaik dalam
dataset tersebut dengan mencapai Accuracy 0.9351, Precision 0.9636, Recall
0.9234, dan F1-Score 0.9430. Temuan ini menunjukkan bahwa model
InceptionV3 menghasilkan performa terbaik dalam dataset tersebut yang terdiri
dari 2 kelas.

Item Type:	Thesis (S1)
Keyword:	Convolutional neural networks, Dataset, InceptionV3, ResNet152, MobileNetV3, Accuracy, Precision, Recall, F1-Score.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisi / Prodi:	Faculty of Applied Science and Technology (Fakultas Sains Dan Teknologi Terapan) > S1-Information System (S1-Sistem Informasi)
Depositing User:	userperpus2 userperpus2
Date Deposited:	11 Feb 2025 01:42
Last Modified:	11 Feb 2025 01:42
URI:	http://eprints.uad.ac.id/id/eprint/80554

Actions (login required)

View Item