Implementasi Analisis Visual untuk Mengklasifikasikan Jenis Sampah Organik, Logam, dan Plastik dengan Algoritma MobileNet

H Langko, Charles (2023) Implementasi Analisis Visual untuk Mengklasifikasikan Jenis Sampah Organik, Logam, dan Plastik dengan Algoritma MobileNet. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (582kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (122kB) | Preview
Preview	PDF BAB_I.pdf Download (131kB) | Preview
Preview	PDF BAB_II.pdf Download (631kB) | Preview
Preview	PDF BAB_III.pdf Download (619kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (627kB)
Preview	PDF BAB_V.pdf Download (114kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

Municipal solid waste yang diperkirakan akan meningkat 3 kali lipat secara global [1], dimana hal ini dapat menyebabkan terjadinya masalah lingkungan. Sehingga salah satu solusi yang dapat diterapkan adalah dengan proses daur ulang. Dengan seiringnya peningkatan teknologi di bidang pembelajaran mesin, maka penerapannya akan sangat membantu. Oleh karena itu, dalam tulisan ini membahas mengenai salah satu subsistem pengolahan visual yang diambil dari rancang bangun sistem untuk mengklasifikasikan sampah dengan memanfaatkan performa Convolutional Neural Network. Dikarenakan performa yang akurat untuk analisis visual, maka dibuat sistem untuk mengklasifikasikan 3 jenis sampah yaitu organik, plastik, dan logam dengan menggunakan algoritma CNN. Hasil yang diperoleh dari penelitian ini adalah program sudah dapat bekerja dengan baik dan mampu mengklasifikasikan ketiga kategori sampah tersebut. Target keakurasian dan kepresisian sistem yang diinginkan adalah 90% dan 85%. Sedangkan hasil yang diperoleh adalah keakuratan sistem mencapai 86,67% dan kepresisian mencapai 100%. penyebab tidak tercapai keakuratan sistem ini disebabkan oleh jumlah data pelatihan, keberagaman data pelatihan, dan penggunaan Tensorflow Lite yang mengurangi kompleksitas model. Kesimpulannya adalah sistem ini sudah cukup memadai untuk mengklasifikasikan 3 jenis kategori sampah organik, plastik, dan logam.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	CNN, OpenCV, Deep Learning, Object Detection
Divisions:	Faculty of Engineering & Informatics > Electrical Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	13 Jul 2023 09:46
Last Modified:	13 Jul 2023 10:46
URI:	https://kc.umn.ac.id/id/eprint/26181

Actions (login required)

View Item