Perancangan Sistem Identifikasi Jenis Sampah Menggunakan Tensorflow Object Detection Dan Transfer Learning

Aulia Anshari Fathurrahman(1), Fajril Akbar(2*)
(1) Departemen Sistem Informasi, Universitas Andalas
(2) Departemen Sistem Informasi, Universitas Andalas
(*) Corresponding Author

https://doi.org/10.25077/TEKNOSI.v10i1.2024.64-71


Abstrak


Penanganan sampah menjadi tantangan utama dalam menjaga kebersihan dan kelestarian lingkungan. Identifikasi jenis sampah secara efisien sangat penting untuk meningkatkan pemilahan dan pengelolaan sampah. Penelitian ini berfokus pada penerapan teknologi deep learning menggunakan TensorFlow Object Detection API dan transfer learning untuk mengidentifikasi jenis sampah berdasarkan citra. Tujuan penelitian adalah mengembangkan model deep learning yang mampu mengidentifikasi sampah umum di Indonesia, serta mengevaluasi kinerjanya. Penelitian ini menggunakan TensorFlow Object Detection API dan transfer learning untuk melatih model identifikasi sampah dengan dataset yang telah dikumpulkan. Hasil penelitian menunjukkan tingkat akurasi yang tinggi dalam mengenali sampah seperti kaca, karton, kertas, logam, dan plastik. Dalam pengujian, model mencapai nilai Mean Average Precision (mAP) sebesar 0.858 dan Average Recall (AR) sebesar 0.91 pada data uji, dengan menggunakan nilai Intersection over Union (IoU) sebesar 0.841. Hasil ini menunjukkan kemampuan yang baik dalam mengenali dan membedakan jenis sampah. Penelitian ini berfokus pada Tempat Pengelolaan Sampah Nagari Tanjuang Gadang, yang mengalami peningkatan produksi sampah akibat pertumbuhan populasi dan urbanisasi. Infrastruktur yang tidak memadai dan pemilahan sampah manual yang masih dominan menimbulkan masalah lingkungan dan kesehatan. Dengan mengaplikasikan teknologi deep learning, penelitian ini mengusulkan solusi untuk meningkatkan efisiensi pengelolaan sampah dan mengurangi dampak negatif. Hasil penelitian ini diharapkan menjadi landasan bagi pengembangan sistem identifikasi jenis sampah yang lebih luas dan dapat diimplementasikan di berbagai fasilitas pengelolaan sampah, termasuk tempat pemilahan sampah di komunitas.

Kata Kunci


Identifikasi jenis sampah, transfer learning, TensorFlow Object Detection


Teks Lengkap:

PDF


Referensi


[1] F. Kaza S. ,. Yao, L. ,. Bhada-Tata, P. ,. &. Van Woerden, What a waste 2.0: a global snapshot of solid waste management to 2050. World Bank Publications, 2018.

[2] V. Sudha S. ,. Vidhyalakshmi, M. ,. Pavithra, K. ,. Sangeetha, K. ,. &. Swaathi, “An automatic classification method for environment: Friendly waste segregation using deep learning,” IEEE, 2016, pp. 65–70.

[3] H. Wang, “Garbage recognition and classification system based on convolutional neural network vgg16,” IEEE, 2020, pp. 252–255.

[4] S. de Mello Soares C. T. ,. Ek, M. ,. Östmark, E. ,. Gällstedt, M. ,. &. Karlsson, “Recycling of multi-material multilayer plastic packaging: Current trends and future scenarios.,” Resources, conservation and recycling, p. 105905, 2022.

[5] Z. Adedeji O. ,. &. Wang, “Intelligent waste classification system using deep learning convolutional neural network,” Procedia Manufacturing, pp. 607–612, 2019.

[6] S. White G. ,. Cabrera, C. ,. Palade, A. ,. Li, F. ,. &. Clarke, “WasteNet: Waste classification at the edge for smart bins,” arXiv, 2020.

[7] J. Song F. ,. Zhang, Y. ,. &. Zhang, “Optimization of CNN-based garbage classification model,” 2020, pp. 1–5.

[8] S. Longo E. ,. Sahin, F. A. ,. Redondi, A. E. ,. Bolzan, P. ,. Bianchini, M. ,. &. Maffei, “Take the trash out... to the edge. Creating a Smart Waste Bin based on 5G Multi-access Edge Computing,” 2021, pp. 55–60.

[9] P. Thanawala D. ,. Sarin, A. ,. &. Verma, “An approach to waste segregation and management using convolutional neural networks,” Springer Singapore, 2020, pp. 139–150.

[10] M. T. Sheng T. J. ,. Islam, M. S. ,. Misran, N. ,. Baharuddin, M. H. ,. Arshad, H. ,. Islam, M. R. ,. .. .. .. &. Islam, “An internet of things based smart waste management system using LoRa and tensorflow deep learning model,” IEEE Access, pp. 148793–148811, 2020.

[11] J. Bobulski and M. Kubanek, “Deep learning for plastic waste classification system,” Applied Computational Intelligence and Soft Computing, vol. 2021, pp. 1–7, 2021.

[12] M. Malik et al., “Waste classification for sustainable development using image recognition with deep learning neural network models,” Sustainability, vol. 14, no. 12, p. 7222, 2022.

[13] N. Ramsurrun, G. Suddul, S. Armoogum, and R. Foogooa, “Recyclable waste classification using computer vision and deep learning,” presented at the 2021 zooming innovation in consumer technologies conference (ZINC), IEEE, 2021, pp. 11–15.

[14] P. H. Sunanto O. D. S. ,. &. Utomo, “Implementasi Deep Learning Dengan Convolutional Neural Network Untuk Klasifikasi Gambar Sampah Organik Dan Anorganik,” UNEJ e-Proceeding, pp. 373–382, 2022.

[15] H. Kumar and A. Martin, “Artificial Emotional Intelligence: Conventional and deep learning approach,” Expert Systems with Applications, vol. 212, p. 118651, Feb. 2023, doi: 10.1016/j.eswa.2022.118651.

[16] S. Kumar et al., “Deep learning framework for recognition of cattle using muzzle point image pattern,” Measurement, vol. 116, pp. 1–17, 2018.

[17] M. Arsal, B. A. Wardijono, and D. Anggraini, “Face Recognition Untuk Akses Pegawai Bank Menggunakan Deep Learning Dengan Metode CNN,” J. Nas. Teknol. dan Sist. Inf, vol. 6, no. 1, pp. 55–63, 2020.

[18] D. N. Melinte D. O. ,. Travediu, A. M. ,. &. Dumitriu, “Deep convolutional neural networks object detector for real-time waste identification,” Applied Sciences, p. 7301, 2020.


Artikel Statistik

Abstrak telah dilihat : 60 kali
PDF telah dilihat : 26 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.