Implementasi Resnet-50 untuk Klasifikasi Sampah Plastik dan Non Plastik

Nusa Bhakti, Akmal (2023) Implementasi Resnet-50 untuk Klasifikasi Sampah Plastik dan Non Plastik. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (227kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (136kB) | Preview
Preview	PDF BAB_I.pdf Download (127kB) | Preview
Preview	PDF BAB_II.pdf Download (188kB) | Preview
Preview	PDF BAB_III.pdf Download (162kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (318kB)
Preview	PDF BAB_V.pdf Download (46kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (236kB)

Abstract

Sampah merupakan hal yang menjadi perhatian terutama di daerah perkotaan yang jumlah penduduknya cukup besar dan relatif padat. Kehidupan manusia dengan segala aktivitasnya tidak bisa terlepas baik dari sampah plastik maupun non plastik, baik plastik maupun non plastik. Disamping angka yang fluktuatif, efisiensi waktu dan biaya menjadi masalah tambahan dalam memilah sampah. Computer vision dapat menjadi alternatif solusi dalam masalah tersebut. ResNet50 merupakan jenis arsitektur convolutional neural network yang telah terbukti bekerja dengan baik dan mudah diimplementasi dalam mengklasifikasi gambar, dalam penelitian ini, ResNet-50 akan diimplementasikan untuk memilah citra sampah plastik dan non-plastik. Berdasarkan pengujian yang telah dilakukan, didapatkan hasil model pengklasifikasian sampah plastik dan non plastik menggunakan ResNet-50 dengan menggunakan layer akhir yang ditambah dengan hasil train loss 0.01, train accuracy 0.9962, validation loss 0.0429, validation accuracy 0.99, precision 0.995, dan F1-Score 0.995.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Sampah, Computer Vision, ResNet50 6 Implementasi ResNet-50 Untuk Klasifikasi Sampah Plastik dan Non Plastik, Akmal Nusa Bhakti, Universitas Multimedia Nusantara
Subjects:	?? TK7885-7895 ??
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	06 Jul 2023 09:47
Last Modified:	06 Jul 2023 10:47
URI:	https://kc.umn.ac.id/id/eprint/25730

Actions (login required)

View Item