Majiid, Muhammad Rizki Nur (2020) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI CITRA SAMPAH DENGAN FRAMEWORK TENSORFLOW 2.0. Undergraduate thesis, Universitas Diponegoro.

	Text JUDUL.pdf Download (332kB)
	Text BAB I.pdf Restricted to Repository staff only Download (84kB)
	Text BAB II.pdf Restricted to Repository staff only Download (756kB)
	Text BAB III.pdf Restricted to Repository staff only Download (152kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (75kB)
	Text DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (84kB)
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (25kB)

Abstract

Pengolahan sampah merupakan permasalahan global yang hingga kini masih menjadi
momok di beberapa negara. Di Indonesia sendiri, pengolahan sampah padat masih terkesan sangat
sederhana dengan mengubur semua jenis sampah bersamaan ke dalam tanah. Sedangkan untuk
pemilahan jenis sampah di Indonesia masih dilakukan dengan cara manual, yakni dengan
memperkerjakan pengepul untuk memisahkan sampah padat yang masih dapat didaur-ulang.
Pemilahan sampah secara manual ini dinilai memiliki dampak negatif yang cukup banyak, mulai
dari masalah kesehatan hingga kurangnya efektivitas karena keterbatasan manusia. Maka perlu
dibuatlah sebuah sistem yang mana dapat diterapkan pada alat mengklasifikasi sampah secara
otomatis untuk mengurangi tingkat kesalahan dalam proses pemilahan.
Penelitian ini akan membuat sebuah model klasifikasi jenis sampah padat berbasis Deep
Learning dengan metode Convolutional Neural Network dan framework Tensorflow 2.0. Ada tiga
arsitektur yang dibandingkan, yakni MobileNetV2, ResNet50V2, dan InceptionV3. Semua arsitektur
ini akan diuji-coba dengan berbagai parameter seperti Adam dan Adadelta sebagai optimizer,
ImageNet sebagai transfer learning weight, global max/average pooling, dan lapisan Dropout.
Model yang dibuat akan dilatih dengan 6600 gambar yang terdiri dari sampah anorganik, B3, dan
organik. Di akhir proses training, model akan diuji dengan melakukan prediksi terhadap 1500
gambar lain.
Hasil penelitian menunjukkan bahwa model terbaik yang didapatkan dari proses training
dengan dataset yang sudah ada menggunakan arsitektur MobileNetV2, optimizer Adam dengan
learning rate awal sebesar 1x10-4
, Global Average Pooling, dan transfer learning weight dari
ImageNet. Hasil pengujian dari model terbaik menunjukkan F1-Score sebesar 79,22%. Model juga
sudah di-deploy pada perangkat dengan sistem operasi Android 10 dan dapat berjalan dengan
lancar

Actions (login required)

View Item