Sistem Klasifikasi Limbah Menggunakan Metode Convolutional Neural Network (CNN) Pada Webservice Berbasis Framework Flask

  • Parole Nimadinaga Dacipta Universitas Negeri Surabaya
  • Ricky Eka Putra Universitas Negeri Surabaya

Abstract

Abstrak— Di berbagai negara sampah merupakan permasalahan yang dihadapi sehari-hari seluruh aktivitas tidak bisa terhindar dari kata sampah. banyak sekali jenis–jenis sampah di lingkungan kita, dan kebanyakan masyarakat Indonesia masih belum bisa membedakan jenis sampah apa yang setiap hari mereka buang sehingga banyak sekali sampah yang tidak diklasifikasikan. Yang menyebabkan proses klasifikasi limbah pada pabrik daur ulang sangat susah untuk dilakukan. Maka dari itu bagaimana jika limbah yang ada diklasifikasikan menjadi 9 macam dan setiap masyarakat dapat membuang limbah sampah mereka sesuai dengan 9 macam class yang telah dibedakan yaitu battery, pakaian, e-limbah, kaca, bola lampu, metal, organic, kertas, plastic. sehingga mempermudah pabrik daur ulang dalam proses klasifikasi sampah. Oleh karena itu Sistem Klasifikasi Limbah Pada Web Service Berbasis Framework Flask akan sangat membantu masyarakat dalam mengklasifikasikan limbah sampah yang dihasilkan. Sistem klasifikasi limbah pada aplikasi berbasis web ini menggunakan metode Convolutional Neural Network (CNN). Metode CNN merupakan suatu metode deep learning yang dapat mengidentifikasi dan mengklasifikasi sebuah object pada citra digital. Penelitian ini menggunakan arsitektur VGGNet. VGGNet merupakan arsitektur dari Convolutional Neural Network.

Penelitian ini menggunakan 9 class limbah sampah. Dataset yang digunakan yaitu 8371 citra limbah sampah. Dimana dataset tersebut digunakan untuk melakukan training data yang telah dibagi menjadi 1.122 citra battery, 729 pakaian, 624 e-limbah, 773 kaca, 651 bola lampu, 1092 metal, 671 organic, 1468 kertas dan 1241 plastic. Pada proses training dilakukan sebanyak 28 epoch, yang mendapatkan akurasi tertinggi 69,77% dengan loss terendah 0,34. Untuk data testing didapatkan hasil 64,45% accuracy.

Published
2022-05-09
Section
Articles
Abstract Views: 1363
PDF Downloads: 1164