Buat Lomba LKTI

RANCANG BANGUN ROBOT PEMILAH SAMPAH
ORGANIK DAN NON ORGANIK
SKRIPSI
Oleh:
Fahmi Alfian
1115091000041
PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2019 M / 1441 H
RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK
DAN NON ORGANIK
SKRIPSI
Sebagai Salah Satu Syarat Untuk Memperoleh Gelar
Sarjana Komputer (S.Kom)
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh:
Fahmi Alfian
1115091000041
PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2019 M / 1441 H
i
ii
iii
PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI
Sebagai civitas akademik UIN Syarif Hidayatullah Jakarta, saya yang

bertanda tangan dibawah ini:
Nama : Fahmi Alfian

NIM : 1115091000041
Program Studi : Teknik Informatika
Fakultas : Sains Dan Teknologi
Jenis Karya : Skripsi
demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Islam Negeri Syarif Hidayatullah Jakarta Hak Bebas Royalti
Noneksklusif (Non-exclusive Royalty Free Right) atas karya ilmiah saya yang
berjudul:
RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK DAN

NON ORGANIK.
beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti
Noneksklusif ini Universitas Islam Negeri Syarif Hidayatullah Jakarta berhak
menyimpan, mengalih media/formatkan, mengelola dalam bentuk pangkalan data
(database), merawat dan mempublikasikan tugas akhir saya selama tetap
mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak.
Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Jakarta
Pada tanggal : 2 Oktober 2019
Yang menyatakan
(Fahmi Alfian)
iv
KATA PENGANTAR
Assalamu’alaikum Wr. Wb.
Puji syukur senantiasa dipanjatkan kehadirat Allah SWT yang telah

melimpahkan rahmat, hidayah serta nikmat-Nya sehingga penyusunan skripsi ini
dapat diselesaikan. Sholawat serta salam senantiasa dihaturkan kepada junjungan
kita baginda Nabi Muhammad SAW beserta keluarganya, para sahabatnya serta
umatnya hingga akhir zaman. Penulisan skripsi ini mengambil tema dengan judul:
RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK DAN

NON ORGANIK
Penyusunan skripsi ini adalah salah satu syarat untuk memperoleh gelar
Sarjana Komputer (S.Kom) pada program studi Teknik Informatika, Fakultas
Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Adapun bahan penulisan skripsi ini adalah berdasarkan hasil penelitian,
pengembangan kuesioner, wawancara dan beberapa sumber literatur.
Dalam penyusunan skripsi ini, telah banyak bimbingan dan bantuan yang
didapatkan dari berbagai pihak sehingga skripsi ini dapat berjalan dengan lancar.
Oleh karena itu, penulis ingin mengucapkan banyak terima kasih kepada :
1. Prof. Dr, Lily Suraya Eka Putri, M.Env.Stud selaku dekan Fakultas Sains
dan Teknologi.
2. Dr. Imam Marzuki Shofi, MT selaku Ketua Program Studi Teknik
Informatika.
3. Ibu Nenny Anggraini, MT. dan Bapak Dr.Husni Teja Sukmana S.T., M.Sc,
Ph.D selaku Dosen Pembimbing I dan II yang senantiasa meluangkan
waktu dan memberikan bimbingan, bantuan, semangat dan motivasi dalam
menyelesaikan skripsi ini.
v
4. Orang Tua tercinta, Bapak Mulyoko dan Ibu Sri Wahyuni yang senantiasa
memberikan dukungan moril dan materil. Tiada tutur kata selain terima
kasih kepada kalian. Terima kasih, Alhamdulillah.
5. Adik Saya Nindya Zafira yang senantiasa mendukung proses penyusunan.
6. Seluruh dosen dan staff UIN Jakarta, khususnya Fakultas Sains dan
Teknologi yang telah memberikan ilmu dan pengalaman yang berharga.
7. Seluruh sahabat-sahabat terbaik dari Teknik Informatika angkatan 2015,
teman-teman seperjuangan di Himpunan Mahasiswa Teknik Informatika
(HIMTI),khususnya: taufik hidayat, nutfi odiansyah, seno priyambodo,
dewinta fenny dan semua anak kelas TI B, teman-teman dan komunitas
embedded system,serta teman-teman KKN yang tidak bisa disebutkan satu
persatu.
8. Robotic Team yang selalu memanaskan suasana selama penyusunan
skripsi, sehingga selalu bisa mebangkitkan semangat dalam menyelesaikan
skrispsi ini.
9. Seluruh pihak yang tidak dapat disebutkan satu persatu yang secara
langsung maupun tidak langsung telah membantu dalam menyelesaikan
skripsi ini.
Penulisan skripsi ini masih jauh dari kata sempurna. Untuk itu,
sangat diperlukan kritik dan saran yang membangun bagi penulis.Akhir
kata, semoga laporan skripsi ini dapat bermanfaat bagi penulis dan orang
lain.
Wassalamualaikum, Wr. Wb.
Jakarta, Oktober 2019

Penulis
Fahmi Alfian
1115091000041
vi
Penulis : Fahmi Alfian (1115091000041)
Program Studi : Teknik Informatika
Judul :RANCANG BANGUN ROBOT PEMILAH SAMPAH
ORGANIK DAN NON ORGANIK.
ABSTRAK
Sampah organik akan mengeluarkan bau busuk saat terurai. Agar bau
hilang perlu dipisah jenis sampah organik dan non organik. Sampah organik bisa
ditimbun ketanah untuk jadi pupuk dan sampah non organik dapat dimanfaatkan
untuk pembuatan bahan daur ulang. Dari seluruh sampah yang ada, lebih dari 55%
adalah sampah organik. Di era digital, penggunaan teknologi sudah merambah
dalam segala aspek kehidupan. Maka dari itu diperlukan sistem pemilahan sampah
otomatis yang dapat membantu kinerja petugas kebersihan lingkungan. Dalam
penelitian ini dikembangkan rancang bangun robot pemilah sampah organik dan
non organik dengan machine learning. Dalam machine learning, klasifikasi
dianggap sebagai tugas belajar yang diawasi untuk menyimpulkan fungsi data
pelatihan, dengan dibantu hardware usbcam dan motor servo yang terhubung
dengan raspberry pi sebagai otak utama. usbcam dapat mengambil gambar (foto
atau video) yang kemudian diproses lebih lanjut oleh machine learning dengan
dukungan algoritma SVM untuk mengukur akurasi objek. pada raspberry pi,
motor servo dapat bergerak dengan memanfaatkan pin GPIO kemudian program
digabungkan. Selanjutnya raspberry pi akan terhubung pada jaringan internet
sehingga pengendalian sistem dapat dilakukan secara real time.
Kata Kunci : Sampah, Machine learning, usbcam, motor servo, raspberry
pi, internet, Algoritma SVM.
Daftar Pustaka : 15 Jurnal, 6 Buku, 2 skripsi.
Jumlah Halaman : VI BAB 110 halaman + xv halaman + 22 gambar + 8 tabel
vii
DAFTAR ISI
LEMBAR PERSETUJUAN ...............................................Error! Bookmark not defined.

PENGESAHAN UJIAN......................................................Error! Bookmark not defined.
PERNYATAAN ORISINALITAS.................................................................................. iii
PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI .......................................... iii
KATA PENGANTAR ....................................................................................................... v
ABSTRAK ........................................................................................................................vii
DAFTAR ISI.................................................................................................................... viii
DAFTAR GAMBAR ........................................................................................................ xii
DAFTAR TABEL ........................................................................................................... xiii
BAB I PENDAHULUAN .................................................................................................. 1
1.1 Latar Belakang.......................................................................................................... 1
1.2 Rumusan Masalah .................................................................................................... 2
1.3 Batasan Masalah ........................................................................................................ 2
1.4 Tujuan Penelitian...................................................................................................... 3
1.5 Manfaat Penelitian.................................................................................................... 3
a. Bagi Mahasiswa .................................................................................................. 3
b. Bagi Universitas .................................................................................................. 3
c. Bagi Masyarakat Umum ..................................................................................... 4
1.6 Metodologi Penelitian ............................................................................................... 4
1.6.1 Metode Pengumpulan Data ............................................................................... 4
1.6.2 Metode Pengembangan Sistem ......................................................................... 4
1.7 Sistematika Penulisan ............................................................................................... 5
BAB II LANDASAN TEORI .......................................................................................... 7
2.1 Pengertian Rancang Bangun ................................................................................... 7
2.1.1 Rancang .............................................................................................................. 7
2.1.2 Bangun ................................................................................................................ 7
2.2 Pengertian Robot ....................................................................................................... 8
2.3 Definisi Sampah.......................................................................................................... 9
2.4 Perbedaan Sampah Organik dan Non Organik................................................... 11
2.4.1 Sampah Organik ............................................................................................... 11
viii
2.4.2 Sampah Non Organik ....................................................................................... 12
2.5 Machine Learning ..................................................................................................... 12
2.6 Pengolahan Citra Digital .......................................................................................... 15
2.7 Citra Grayscale ......................................................................................................... 16
2.8 Histogram ................................................................................................................. 17
2.9 Segmentasi Citra ...................................................................................................... 18
2.10 Tekstur ...................................................................................................................... 19
2.11 Klasifikasi .................................................................................................................. 21
2.12 Support Vector Machine (SVM) ............................................................................... 23
2.12.1 SVM Linear ...................................................................................................... 24
2.12.2 SVM Non Linear .............................................................................................. 25
2.12.3 SVM Multiclass ............................................................................................... 26
2.12.4 Karakteristik SVM ........................................................................................... 26
2.13 Pengertian Mikrokomputer Raspberry Pi ............................................................... 27
2.13.1 Mikrokomputer .............................................................................................. 27
2.13.2 Raspberry Pi .................................................................................................... 29
2.14 Metode Pengumpulan Data..................................................................................... 30
2.14.1 Studi Pustaka ............................................................................................ 30
2.14.2 Observasi .................................................................................................. 31
2.14.3 Kuesioner .................................................................................................. 31
2.14.4 Wawancara ............................................................................................... 31
2.15 Metode Prototipe .................................................................................................... 32
2.15.1 Karakteristik Metode Prototyping ................................................................ 33
2.15.2 Jenis-Jenis Prototyping .................................................................................. 33
2.15.3 Keunggulan dan Kelemahan Metode Prototyping ....................................... 34
2.16 Black-Box Testing ..................................................................................................... 34
2.17 Flowchart .................................................................................................................. 35
2.17.1Cara Membuat Flowchart................................................................................ 35
2.17.2 Jenis-Jenis Flowchart ..................................................................................... 36
2.17.3 Simbol-Simbol Flowchart............................................................................... 38
BAB III METODOLOGI PENELITIAN ..................................................................... 39
3.1 Metode Pengumpulan Data.................................................................................... 39
3.1.1 Data Primer....................................................................................................... 39
ix
3.1.1.1 Studi Lapangan......................................................................................... 39
3.1.2 Data Sekunder .................................................................................................. 42
3.1.2.1 Studi Pustaka dan Literatur ..................................................................... 42
3.2 Metode Pengembangan Sistem .............................................................................. 43
3.2.1 Tahap Pengumpulan Kebutuhan ..................................................................... 43
3.2.2 Tahap Perencaan Percobaan............................................................................ 43
3.2.3 Tahap Membangun Sistem .............................................................................. 44
3.2.4 Tahap Evaluasi Sistem ...................................................................................... 44
3.2.5 Tahap Penggunaan Sistem ............................................................................... 45
3.3 Kerangka Berpikir ..................................................................................................... 46
BAB IV ANALISIS,PERANCANGAN SISTEM, IMPLEMENTASI DAN
PENGUJIAN SISTEM ................................................................................................... 47
4.1 Tahap Pengumpulan Kebutuhan .......................................................................... 47
4.2 Tahap Perencanaan Prototipe ................................................................................. 48
4.2.1 Mendefinisikan Ruang Lingkup ........................................................................ 48
4.2.2 Analisis Kebutuhan Hardware ......................................................................... 49
4.2.3 Analisa Kebutuhan Sofware dan Tools ............................................................ 50
4.2.4 Analisa Sistem Berjalan .................................................................................... 51
4.2.5 Analisa Sistem Usulan ...................................................................................... 51
4.3 Tahap Membangun Sistem ...................................................................................... 59
4.3.1 Pembuatan Flowchart ...................................................................................... 59
4.3.1.1 Flowchart Machine Learning ................................................................... 60
4.3.1.2 Flowchart Pemilahan Sampah pada Motor Servo .................................. 62
4.3.2 Tahap input data .............................................................................................. 63
4.3.3 Perhitungan manual ......................................................................................... 67
4.3.4 Perancangan Robot .......................................................................................... 72
4.4 Tahap Evaluasi Sistem .............................................................................................. 73
4.4.1 Pengkodean Kamera ........................................................................................ 74
4.4.2 Pengkodean Sistem .......................................................................................... 75
4.5 Tahap Penggunaan Sistem ....................................................................................... 79
4.5.1 Pengujian Mandiri (Black Box Testing) ............................................................ 79
4.5.2 Pengujian Terhadap Pengguna ........................................................................ 80
BAB V HASIL DAN PEMBAHASAN .......................................................................... 83
x
5.1. Hasil .......................................................................................................................... 83
5.1.1 Sistem Pemilahan ............................................................................................. 83
5.1.2 pengujian data .................................................................................................. 84
5.1.3 Pengujian pencahayaan ................................................................................... 90
5.2 Pembahasan Pengumpulan Data ........................................................................... 93
5.2.1 Data Primer....................................................................................................... 94
5.2.1.1 Studi Lapangan......................................................................................... 94
5.2.2 Data Sekunder .................................................................................................. 96
5.2.2.1 Studi Pustaka ........................................................................................... 96
BAB VI KESIMPULAN DAN SARAN ........................................................................ 99
6.1 Kesimpulan.............................................................................................................. 99
6.2 Saran ...................................................................................................................... 100
DAFTAR PUSTAKA.................................................................................................102
LAMPIRAN........................................................................................................105
xi
DAFTAR GAMBAR
Gambar 2.1 Sampah Menumpuk ......................................................................... .12

Gambar 2.2 Sampah Organik ................................................................................ 13
Gambar 2.3 Sampah Non Organik ....................................................................... .14
Gambar 2.4 Bentuk Machine Learning ................................................................. .17
Gambar 2.5 Histogram Citra ................................................................................. 19
Gambar 2.6 Tektur Pola Citra ................................................................................ 22
Gambar 2.7 Proses Pekerjaan Klasifikasi ............................................................. 23
Gambar 2.8 Paradigma Prototipe .......................................................................... 34
Gambar 2.9 Simbol Flowchart .............................................................................. 39
Gambar 3.1 Kerangka Berpikir ............................................................................. 47
Gambar 4.1 Skema Alur 1 Analisis Sistem yang Berjalan ................................... 52
Gambar 4.2 Skema Alur 2 Analisis Sistem Usulan .............................................. 53
Gambar 4.3 Cara Kerja Sistem Usulan ................................................................. 54
Gambar 4.4 Proses Motion Pada Raspberry Pi ..................................................... 56
Gambar 4.5 Proses Pada Raspberry Pi dengan usbcam dan tensorflow ............... 56
Gambar 4.6 Rangkaian pada Raspberry Pi untuk Menggerakan Motor Servo ..... 59
Gambar 4.7 Flowchart halaman pengendali.......................................................... 61
Gambar 4.8 Flowchart Machine Learning ............................................................ 62
Gambar 4.9 Flowchart Pemilahan Sampah pada Motor Servo ............................. 63
Gambar 4.10 Rancangan Tampilan Robot ............................................................ 74
Gambar 4.11 Pengkodean OpenCV pada Raspberry Pi ........................................ 75
Gambar 4.12 Pengkodean Object Detection pada Raspberry Pi ........................... 76
xii
DAFTAR TABEL
Table 2.1 Perbandingan Metode Testing...............................................................35

Table 3.1 Tabel Studi Literatur ............................................................................. 41
Table 4.1 Hasil studi literatur ................................................................................ 47
Table 4.2 Analisis Kebutuhan Hardware .............................................................. 49
Table 4.3 Analisis Kebutuhan Software dan Tools ............................................... 50
Table 4.4 Pengujian Mandiri ................................................................................. 79
Table 4.5 Kerja sistem Secara Otomatis ............................................................... 80
Table 5.1 Hasil Sudi Literatur ............................................................................... 97
xiii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Sampah organik merupakan jenis sampah yang mudah terurai. Kita harus
memisahkan sampah organik dari sampah anorganik. Sampah organik bisa dikubur
di dalam tanah sebagai pupuk, sedangkan anorganik bisa di daur ulang. Penguraian
pada sampah organik akan terjadi lebih cepat daripada sampah anorganik. (Widiana,
2017).
Penulis melakukan wawancara terhadap Ibu Indah selaku ketua bank sampah
wilayah Pamulang,Tangerang Selatan. Ibu Indah mengatakan bahwa masih
banyaknya warga yang kurang peduli dengan kondisi sampah. Hal ini tidak hanya
dirasakan Ibu Indah saja, tetapi juga banyak masyarakat perkotaan lainnya. Dapat
terlihat dari kuesioner yang dibagikan, dimana dari 106 responden terdapat 90,6%
merasa tempat sampah organik dan non organik manual disekitar lingkungan belum
efektif dalam segi memilah sampah dengan benar.
Untuk memberikan solusi permasalahan tersebut peneliti mendapatkan data

88.7% dari 106 responden menyatakan pentingnya dibuat sebuah alat pemilah
sampah yang akurat dalam memilah sampah organik dan non organik. Untuk dapat
membuat alat ini diperlukan bantuan machine learning, dimana kegunaan machine
learning untuk membantu pemrosesan data yang selanjutnya diklasifikasikan. Data
pelatihan terdiri dari serangkaian contoh, di mana masing-masing contoh
direpresentasikan sebagai pasangan vektor input (fitur) dan nilai output yang
diinginkan (Parmar, Grossmann, Bussink, Lambin, & Aerts, 2015). Support Vector
Machines (SVM) digunakan sebagai algoritma pembelajaran terkait yang
menganalisis data yang digunakan untuk analisis klasifikasi dan regresi. Dengan
memberikan dataset untuk di training. (Cortes & Vapnik, 1995).
1
2
Penelitian dalam pembuatan tempat sampah pintar bukan hal yang baru,
ada beberapa ide dalam penelitian sebelumnya. Sistem dari tempat sampah pintar
menggunakan panel surya sebagai energi listrik terbarukan(Almanda et al., 2018).
Dan ide lainnya(Abdul rohman, 2016) membuat pemilihan sampah yang dapat
dipisahkan berdasarkan jenis, baik sampah organik maupun sampah non organik.
Sensor yang dipergunakan pada tempat sampah otomatis yaitu sensor proximity.
Dari hasil analisis, studi pustaka, wawancara, dan penjabaran kuesioner, maka
latar belakang permasalahan yang ada yaitu peneliti membuat gagasan suatu sistem
atau alat yang dapat memilah sampah organik dan non organik secara otomatis
dengan tujuan mempermudah kerja dari dinas lingkungan hidup dalam memproses
sampah yang ada disekitar lingkungan. Oleh karena itu penulis melakukan penelitian
yang berjudul “Rancang Bangun Robot Pemilah Sampah Organik dan Non
Organik dengan Parameter Warna dan Bentuk”.
1.2 Rumusan Masalah
Berdasarkan dari latar belakang tersebut, maka dapat dirumuskan

permasalahan dalam skripsi ini yaitu:
a. Bagaimana membuat sebuah perancangan robot pemilahan sampah organik dan

non organik secara otomatis?
b. Bagaimana cara kerja robot dalam memilah sampah organik dan non organik?
c. Bagaimana tingkat keberhasilan robot dalam hal akurasi yang membedakan jenis
sampah organik dan non organik?
1.3 Batasan Masalah
Berdasarkan rumusan masalah dalam pengembangan penelitian dan alat agar

sesuai dengan tujuan yang ditetapkan, maka penulis memberikan cangkupan batasan
antara lain pada:
a. Penggunaan micro computer Raspberry Pi untuk pengendalian dan koneksi

dengan alat.
UIN Syarif Hidayatullah Jakarta

3
b. Penggunaan sensor kamera sebagai Image Classification.

c. Sistem menggunakan motor servo sebagai penggerakan katup keputusan.
d. Wawancara dan kuisioner dilakukan sebagai penekanan pembuatan alat.
e. Algoritma SVM berfungsi sebagai pemberi nilai akurasi objek yang diolah.
f. Algoritma SVM hanya berupa library data latih.
g. Sistem menggunakan metode machine learning untuk program pembelajaran
data.
h. Sistem digunakan untuk pengganti tempat sampah manual yang biasa terdapat di
pusat perbelanjaan, kampus, dan fasilitas umum lainnya.
i. Sistem hanya digunakan diruangan tertutup namun terang dengan banyak cahaya
ruangan.
j. Tidak dapat mengetahui volume sampah.
k. Tidak dapat membaca objek sampah secara bersamaan.
l. Tidak dapat mengetahui informasi akurasi sampah yang masuk dengan perangkat
mobile.
1.4 Tujuan Penelitian
Berdasarkan uraian diatas, maka tujuan penulisan skripsi ini adalah

merancang robot dengan machine learning yang dapat membantu kinerja lembaga
penanganan sampah dalam pengelolaan sampah organik dan non organik dengan
baik.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut:

a. Bagi Mahasiswa
Dapat mengetahui cara kerja sistem alat tersebut dan memperdalam ilmu
mengenai machine learning.
b. Bagi Universitas
Mengukur tingkat kemampuan dalam menerapkan ilmu akademis maupun
non-akademis di lingkungan masyarakat dan industri.

4
c. Bagi Masyarakat Umum

1. Pemilahan sampah menjadi mudah dan akurat tanpa harus memilah sendiri
jenisnya.
2. Mencegah terjadinya kesalahan dalam penempatan sampah dan membantu

kinerja petugas dalam proses pemilahan jenis sampah.
1.6 Metodologi Penelitian
Metode yang digunakan penulis pada penelitian ini dibagi menjadi dua, yaitu
metode pengumpulan data dan metode pengembangan. Berikut penjelasan kedua
metode tersebut:
1.6.1 Metode Pengumpulan Data

Dalam melakukan analisis data dan penulisan skripsi ini, penulis
menggunakan 2 metode pengumpulan data, yaitu:
1. Studi Pustaka dengan mengumpulkan teori, konsep, dan informasi

yang berasal dari buku-buku, jurnal, internet, dan literatur sejenis.
2. Studi Lapangan dengan obeservasi, wawancara, dan kuesioner.
1.6.2 Metode Pengembangan Sistem
Pada penelitian ini penulis menggunakan pengembangan sistem

Prototyping(prototype). Karena dengan metode ini penulis dapat merancang
alat sesuai dengan kebutuhan pengguna. Adapun tahapan pengembangan
Prototype sebagai berikut:
• Pengumpulan Kebutuhan.
• Perencanaan percobaan.
• Membangun Prototype.
• Evaluasi Prototype.
• Penggunaan Selanjutnya.

5
1.7 Sistematika Penulisan
Untuk mempermudah perumusan dan pemecahan masalah yang akan dibahas

pada skripsi ini, maka penulis menguraikan tahapan-tahapan dalam penyusunan
laporan ini secara sistematika terdiri dari enam bab, yaitu sebagai berikut:
BAB I: PENDAHULUAN
Dalam bab ini akan membahas terkait latar belakang penulisan,

rumusan masalah, batasan masalah, tujuan, manfaat, metode dan sistematika
penulisan yang merupakan gambaran menyeluruh dari penulisan skripsi.
BAB II: LANDASAN TEORI DAN TINJAUAN PUSTAKA
Dalam bab ini membahas mengenai berbagai teori yang mendasari

serta mendukung analisis permasalahan yang berhubungan dengan
pembahasan.
BAB III: METODOLOGI PENELITIAN
Pada bab ini pembahasan atau pemaparan metode yang penulis pakai
dalam pencarian data maupun perancangan sistem yang dilakukan pada
penelitian.
BAB IV:ANALISA, IMPLEMENTASI, PERANCANGAN SISTEM, DAN

PENGUJIAN SISTEM
Pada bab ini akan diuraikan mengenai penyelesaian masalah dengan

metodologi yang dipilih, merancang sistem yang sudah dianalisa, memuat
unsur-unsur pengumpulan data, serta pelaksanaan implementasi.

6
BAB V: HASIL DAN PEMBAHASAN
Pada bab ini akan diuraikan mengenai hasil analisa yang sudah
dilakukan dan bagaimana merancang serta membangun sebuat prototipe
alat pemilah sampah menggunakan machine learning.
BAB VI: PENUTUP
Bab ini berisi tentang kesimpulan secara keseluruhan yang diperoleh

dari hasil perancangan serta saran untuk pengembangan sistem lebih lanjut.

BAB II
LANDASAN TEORI
2.1 Pengertian Rancang Bangun
2.1.1 Rancang
Perancangan merupakan salah satu hal yang penting dalam membuat

program. Adapun tujuan dari perancangan ialah untuk memberi gambaran yang
jelas lengkap kepada pemrogram dan ahli teknik yang terlibat. Perancangan harus
berguna dan mudah dipahami sehingga mudah digunakan. Perancangan adalah
Sebuah proses untuk mendefinisikan sesuatu yang akan dikerjakan dengan
menggunakan teknik yang bervariasi serta di dalamnya melibatkan deskripsi
mengenai arsitektur serta detail komponen dan juga keterbatasan yang akan
dialami dalam proses pengerjaanya. Menurut Pressman (2009) perancangan atau
rancang merupakan serangkaian prosedur untuk menterjemahkan hasil analisa dan
sebuah sistem ke dalam bahasa pemrograman untuk mendeskripsikan dengan
detail bagaimana komponen-komponen sistem di implementasikan(Pressman,
n.d.).
2.1.2 Bangun
Menurut Pressman (2009) pengertian pembangunan atau bangun sistem

adalah kegiatan menciptakan sistem baru maupun mengganti atau memperbaiki
sistem yang telah ada secara keseluruhan. Jadi dapat disimpulkan bahwa Rancang
Bangun adalah penggambaran, perencanaan, dan pembuatan sketsa atau
pengaturan dari beberapa elemen yang terpisah kedalam suatu kesatuan yang utuh
dan berfungsi. Dengan demikian pengertian rancang bangun merupakan kegiatan
menerjemahkan hasil analisa ke dalam bentuk paket perangkat lunak kemudian
menciptakan sistem tersebut atau memperbaiki sistem yang sudah ada(Pressman,
n.d.).
7
8
2.2 Pengertian Robot
Robot adalah sebuah alat mekanik yang dapat melakukan tugas fisik, baik
menggunakan pengawasan dan kontrol manusia, ataupun menggunakan program
yang telah didefinisikan terlebih dulu (kecerdasan buatan). Istilah robot berawal
bahasa Cheko “robota” yang berarti pekerja atau kuli yang tidak mengenal lelah
atau bosan. Robot biasanya digunakan untuk tugas yang berat, berbahaya,
pekerjaan yang berulang dan kotor. Biasanya kebanyakan robot industri
digunakan dalam bidang produksi. Penggunaan robot lainnya termasuk untuk
pembersihan limbah beracun, penjelajahan bawah air dan luar angkasa,
pertambangan, pekerjaan "cari dan tolong" (search and rescue), dan untuk
pencarian tambang. Belakangan ini robot mulai memasuki pasaran konsumen di
bidang hiburan, dan alat pembantu rumah tangga, seperti penyedot debu, dan
pemotong rumput. Pada kamus Webster pengertian robot adalah: An automatic
device that performs function ordinarily ascribed to human beings (sebuah alat
otomatis yang melakukan fungsi berdasarkan kebutuhan manusia). Dari kamus
Oxford diperoleh pengertian robot adalah: A machine capable of carrying out a
complex series of actions automatically, especially one programmed by a
computer. (Sebuah mesin yang mampu melakukan serangkaian tugas rumit secara
otomatis, terutama yang diprogram oleh komputer).
Pengertian dari Webster mengacu pada pemahaman banyak orang bahwa

robot melakukan tugas manusia, sedangkan pengertian dari Oxford lebih umum.
Beberapa organisasi di bidang robot membuat definisi tersendiri. Robot Institute
of America memberikan definisi robot sebagai: A reprogammable multifunctional
manipulator designed to move materials, parts, tools or other specialized devices
through variable programmed motions for the performance of a variety of tasks.
(Sebuah manipulator multifungsi yang mampu diprogram, didesain untuk
memindahkan material, komponen, alat, atau benda khusus lainnya melalui
serangkaian gerakan terprogram untuk melakukan berbagai tugas)(merriam
webster, 2019).

9
International Organization for Standardization (ISO 8373)

mendefinisikan robot sebagai: An automatically controlled, reprogrammable,
multipurpose, manipulator programmable in three or more axes, which may be
either fixed in place or mobile for use in industrial automation applications
(Sebuah manipulator yang terkendali, multifungsi, dan mampu diprogram untuk
bergerak dalam tiga sumbu atau lebih, yang tetap berada di tempat atau bergerak
untuk digunakan dalam aplikasi otomasi industri). Adapun jenis-jenis Robot
antara lain: Robot Mobile, Robot lengan (Manipulator robot), Robot terbang,
robot humanoid, robot berkaki, dan sebagainya. Dari beberapa definisi di atas,
kata kunci yang ada yang dapat menerangkan pengertian robot adalah:
• Dapat memperoleh informasi dari lingkungan (melalui sensor)

• Dapat diprogram
• Dapat melaksanakan beberapa tugas yang berbeda
• Bekerja secara otomatis/semi otomatis
2.3 Definisi Sampah
Sampah adalah barang yang dianggap sudah tidak terpakai dan dibuang
oleh pemilik/pemakai sebelumnya, tetapi bagi sebagian orang masih bisa dipakai
jika dikelola dengan prosedur yang benar(Sampah, 2006). Penumpukan sampah
disebabkan oleh beberapa faktor diantaranya adalah volume sampah yang sangat
besar sehingga melebihi kapasitas daya tampung tempat pembuangan sampah
akhir (TPA). Pengelolaan sampah yang terjadi selama ini dirasakan tidak
memberikan dampak positif kepada lingkungan dan kurangnya dukungan
kebijakan dari pemerintah(Utami, Indrasti, & Dharmawan, 2008).
Menurut Prof Dr. Ir. Ign Suhatro dalam buku Limbah Kimia (2011)
mengatakan pemerintah belum begitu serius dalam memikirkan masalah sampah
ini. Meski pemerintah sudah melakukan beberapa terobosan namun di beberapa
tempat pembuangan sementara (TPS) gunungan samah masih mengganggu
masyarakat dan masih menjadi perhatian. Permasalahan sampah merupakan hal
yang krusial (sulit terselesaikan). Bahkan, dapat diartikan sebagai masalah

10
kultural/kebiasaan karena dampaknya mengenai berbagai sisi kehidupan, terutama

dikota besar. Mengutip dari buku Panduan Membuat Pupuk Organik Cair(isroi,
2012), setiap harinya sekitar 6000 ton sampah dihasilkan di kota Jakarta. Oleh
sebab itu bila tidak ditangani secara benar, maka akan menimbulkan dampak
seperti pencemaran air, udara, dan tanah yang mengakibatkan sumber
penyakit(Suharto, 2011).
Gambar 2.1Sampah Menumpuk

(Sumber : https://www.saturadar.com/2018/02/pengertian-sampah.html, 2018)
Pengolahan sampah membutuhkan lahan sebagai tempat pembuangan
akhir (TPA). Sampah sebagai barang yang masih bisa dimanfaatkan tidak
seharusnya diperlakukan sebagai barang yang menjijikan, melainkan harus dapat
dimanfaatkan sebagai bahan mentah atau bahan yang berguna lainnya. Seharusnya
pengolahan sampah harus dilakukan dengan efisien dan efektif, yaitu sebisa
mungkin dekat dengan sumbernya, seperti dilingkungan RT/RW, sekolah, dan
rumah tangga sehingga jumlah sampah dapat dikurangi(Bank, Dengan, Berbasis,
& Halim, 2017).
Pengelolaan sampah diantaranya dapat dimanfaatkan menjadi kompos

organik yang didalamnya terkandung unsur hara yang dibutuhkan tanaman (Panji
Nugroho, 2013), perbaikan struktur tanah dan zat yang dapat mengurangi bakteri
yang merugikan dalam tanah. Pupuk organik biasanya tidak meninggalkan residu
/ sisa dalam tanaman sehingga hasil tanaman akan aman bila dikonsumsi(Tresna
Sastrawan, 2014).

11
2.4 Perbedaan Sampah Organik dan Non Organik
Berdasarkan sifat kepenguraiannya sampah dibagi menjadi dua, yaitu

(Hasim & Hedianto, 2010:58):
2.4.1 Sampah Organik
Sampah organik atau sampah basah adalah sampah yang berasal dari
makhluk hidup, seperti dedaunan dan sampah dapur. Sampah organik dapat
mengalami perubahan atau terurai secara alami (degradable-waste). meski
dibiarkan begitu saja sampah ini akan menghilang dengan sendirinya. Banyak
contoh ini seperti sisa makanan, kulit buah, sisa masakan dari dapur dan lain
sebagainya. Pemanfaatannya bisa dijadikan sebagai pakan ternak, biogas, atau lain
sebagainya.
Gambar 2.2 Sampah Organik

(Sumber : https://alaurang.com/2016/10/perbedaan-sampah-organik-dan-
anorganik.html//)

12
2.4.2 Sampah Non Organik
Sampah non organik, berasal dari sumber daya alam yang tidak dapat
diperbaharui secara alami atau memerlukan waktu yang sangat lama untuk terurai.
Bahan – bahan ini meliputi mineral, logam, dan minyak bumi atau bahan – bahan
lain hasil proses industri. Ada beberapa dari sampah non organik yang tidak
terdapat di alam seperti plastik dan styrofoam. Sampah non organik disebut juga
sampah yang tidak atau sulit terurai (non degradable – waste). Meski sampah ini
tidak bisa terurai, tapi pemanfaatannya bisa dikomersilkan untuk diolah kembali
menjadi barang yang layak pakai. Untuk masalah sampah non organik ini harus
mendapatkan perhatian dari semua orang, karena sampah ini tidak akan hancur
dalam waktu yang lama meski dibakar sekalipun.
Gambar 2.3Sampah Non Organik)

(Sumber : http://www.netralnews.com/news/nasional/read/129624/peduli-lingkungan-
eco-bali-recyling-siap-olah-sampah-anorganik)
2.5 Machine Learning
Machine learning (ML), bagian dari kecerdasan buatan (artificial

intelligence), merupakan metode untuk mengoptimalkan performa dari sistem
dengan mempelajari data sampel atau data histori (Alpaydin, 2009). Dalam
kehidupan sehari-hari, obyek dapat diidentifikasi dengan mudah oleh manusia,
namun belum tentu dapat dijelaskan secara spesifik. Di sinilah peran ML dalam
mengenali, mengidentifikasi, ataupun memprediksi data tertentu dengan

13
mempelajari data histori (experience data). Dengan ML, model dibuat baik secara
langsung ataupun tidak, dengan mengekstrak pengetahuan dari pakar ataupun dari
data yang bahkan belum diketahui hubungannya dengan cara mempelajarinya
dengan algoritma tertentu.
Machine Learning digunakan untuk membuat program yang bisa belajar

dari data. Berbeda dengan program komputer biasa yang statis, program machine
learning adalah program yang dirancang untuk mampu belajar sendiri(suyanto,
2018). Cara belajar program machine learning mengikuti cara belajar manusia,
yakni belajar dari contoh-contoh. Machine learning akan mempelajari pola dari
contoh-contoh yang dianalisa, untuk menentukan jawaban dari pertanyaan-
pertanyaan berikutnya. Memang tidak semua masalah bisa dipecahkan dengan
program machine learning. Namun, seringkali algoritma yang sifatnya kompleks,
ternyata bisa dipecahkan dengan sangat simpel oleh machine learning. Beberapa
contoh program machine learning yang telah digunakan dalam kehidupan sehari-
hari:
• Pendeteksi Spam
• Pendeteksi Wajah
• Rekomendasi Produk
• Asisten Virtual
• Diagnosa Medis
• Pendeteksi Penipuan Kartu Kredit
• Pengenal Digit
• Perdagangan Saham
• Segmentasi Pelanggan
• Mobil yang bisa Mengendarai Sendiri

14
Kita bisa mengklasifikasikan machine learning berdasarkan tipe-tipe:
• Supervised Learning:
-Regression
Data yang ada diberikan real value, numerical atau floating point, agar dapat
mencoba mendeteksi harga saham di kemudian hari. Contoh: time series data dari
harga saham berdasarkan waktu.
- Classification (Discrete/ Category)

Data yang ada diberikan label atau kategori, agar dapat diambil keputusan
berdasarkan label/ kategori tersebut.
• Unsupervised Learning (Clustering)

Data tidak diberikan label, tapi secara otomatis dibagi berdasarkan kemiripan dan
struktur lain dari data tersebut. Misalnya, ketika kita mengorganisasikan foto. Kita
harus melakukan tagging secara manual.
• Reinforcement Learning
Data digunakan untuk melakukan pemberian label If dan Else yang digunakan
untuk mengambil keputusan berdasarkan pengambil keputusan.
Machine learning adalah seperti membuat program yang bisa menebak

kotak hitam yang memiliki rumus fungsi yang belum diketahui. Kotak hitam itu
diberikan sebuah input dan akan menghasilkan sebuah output tertentu. Dari data-
data input dan output yang diperoleh, maka program akan menebak rumus fungsi
yang paling mendekati keakuratan. Adapun alur kerja Machine
Learning mencakup:
• Mengumpulkan dataset
• Eksplorasi data
• Pemilihan model (regresi linear, regresi logistik, neural network, dll)
• Memberikan latihan terhadap model yang dipilih
• Evaluasi Model
• Prediksi

15
Akurasi awal dari program machine learning biasanya sangat buruk. Sebab
pada awalnya program ini ‘tidak tahu apa-apa’. Namun, seiring berjalannya waktu,
semakin sering kita melatih program, semakin banyak contoh-contoh yang
dipelajari oleh program, maka program ini akan semakin ‘cerdas’ dan akurat.
Misalnya saja saat kita bermain game Role Playing Game (RPG) yang
menggunakan Artificial Intelligence. Pertama kali kita bermain dengan RPG
tersebut, maka dengan mudah kita akan bisa memenangkan permainan. Namun,
setelah beberapa kali permainan, engine/ algoritma game itu akan belajar dari pola-
pola sebelumnya, sehingga akan semakin sulit dikalahkan(suyanto, 2018).
Gambar 2.4 Bentuk Machine Learning

(Sumber : https://www.forbes.com/sites/allbusiness/2018/10/20/machine-learning-
artificial-intelligence-could-transform-business/#3e260e5ac6c3)
2.6 Pengolahan Citra Digital
Pengolahan citra (image Processing) merupakan suatu sistem dimana

proses dilakukan dengan masukan berupa citra dan hasilnya juga berupa citra
(Basuki, 2005). Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki

16
kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai

dengan semakin meningkatnya kapasitas dan kecepatan proses computer, serta
dapat mengambil informasi dari suatu citra, maka image processing tidak dapat
dilepaskan dengan bidang computer vision Sesuai dengan perkembangan
computer vision itu sendiri , pengolahan citra mempunyai dua tujuan utama yakni
sebagai berikut:
1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat

menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat
informasi yang diharapkan dengan menginterprestasikan citra yang ada. Dalam
hal ini interprestasi terhadap informasi yang ada tetap dilakukan oleh manusia.
2. Mengekstrasi informasi cirri yang menonjol pada suatu citra dimana

hasilnya adalah informasi citra dimana manusia mendapatkan informasi cirri dari
citra secara numeric atau dengan kata lain komputer melakukan interprestasi
terhadap informasi yang ada pada citra melalui besaran-besaran data yang dapat
dibedakan secara jelas.
2.7 Citra Grayscale
Menurut Basuki (2005), Proses awal yang banyak dilakukan dalam image
processing adalah merubah citra berwarna menjadi grayscale. Hal ini digunakan
untuk menyederhanakan model citra. Pada citra berwarna terdiri dari 3 layer
matrix, yaitu R-layer, G-layer dan B-layer sehingga untuk melakukan proses-
proses selanjutnya tetap diperhatikan tiga layer diatas. Bila setiap proses
perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan
yang sama. Dengan demikian, konsep itu dirubah dengan mengubah tiga layer
diatas menjadi 1 layer matrix grayscale dan hasilnya adalah citra grayscale.
Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuabuan.

17
2.8 Histogram
Histogram adalah diagram dengan sumbu horizontal untuk melukiskan

kelas (nilai-nilai data, sedangkan sumbu vertikal untuk menggambarkan jumlah
observasi, dimana jumlah observasi dilukiskan dengan menggunakan batang
tegak. Dalam histogram, sumbu horizontal bisa berupa tepi kelas atau nilai tengah
kelas. Lebar batang melukiskan interval kelas, sedangkan tinggi batang
bersesuaian dengan jumlah (frekuensi) observasi tiap kelas. suatu grafik yang
mengidentifikasikan jumlah kemunculan setiap level keabuan pada suatu citra.
Ada beberapa indikasi yang bisa diambil dari histogram suatu citra:
• Pada suatu citra gelap, level keabuan pada histogram

mengelompok pada bagian sebelah bawah.
• Pada suatu citra terang dan seragam, level keabuan pada histogram
mengelompok pada bagian sebelah atas.
• Pada suatu citra dengan kontras signifikan, level keabuan pada
histogram akan menyebar.
Manfaat dari histogram adalah sebagai indikasi visual untuk menentukan skala
keabuan yang tepat sehingga diperoleh kualitas citra yang diinginkan.
Gambar 2.5Histogram Citra

(Sutoyo, 2009)

18
2.9 Segmentasi Citra
Segmentasi citra adalah suatu proses membagi suatu citra menjadi

wilayah-wilayah yang homogen (Jain, 1989). Menurut Jain (1989), segmentasi
citra dapat dibagi dalam beberapa jenis, yaitu dividing image space dan clustering
feature space. Jenis yang pertama adalah teknik segmentasi dengan membagi
image manjadi beberapa bagian untuk mengetahui batasannya, sedangkan teknik
yang kedua dilakukan dengan cara memberi index warna pada tiap piksel yang
menunjukkan keanggotaan dalam suatu segmentasi. Teknik segmentasi citra,
menurut Jain(1989).
Adapun teknik segmentasi tersebut dapat dilakukan dengan beberapa

pendekatan sebagai berikut:
1. Pendekatan Edge-Based
Pendekatan ini melakukan proses deteksi sisi dengan operator gradient.

Masukannya berupa citra gray level dan keluarannya berupa citra edge (biner).
Selanjutnya dilakukan proses region growing dengan masukan citra asli (gray-
level) dan citra edge. Proses pembentukan suatu wilayah akan berhenti bila
menjumpai piksel edge. Kekurangan dari pendekatan ini adalah belum tentu
menghasilkan edge yang kontinu, mengakibatkan terjadinya kebocoran wilayah
(wilayah-wilayah yang tidak tertutup).
2. Pendekatan Region-Based
Pendekatan ini memerlukan criteria of uniformity, memerlukan penyebaran seeds

atau dapat juga dengan pendekatan scan line, kemudian dilakukan proses region
growing. Kekurangan dari pendekatan ini adalah belum tentu menghasilkan
wilayah-wilayah yang bersambungan.

19
3. Pendekatan Hybrid
Pendekatan ini melakukan proses deteksi sisi untuk menghasilkan citra sisi
(piksel edge dan piksel non-edge), melakukan pemisahan wilayah dengan metode
connected region. (Connected regions adalah set piksel 4-tetangga yang bukan
piksel edge), dan selanjutnya dilakukan proses merging regions. Pendekatan ini
bertujuan untuk mendapatkan hasil segmentasi dengan wilayah-wilayah yang
tertutup dan bersambungan. Sedangkan menurut Sutoyo (2009) segmentasi citra
bertujuan untuk membagi wilayah-wilayah yang homogen. Segmentasi adalah
salah satu metode penting yang digunakan untuk mengubah citra input ke dalam
citra output berdasarkan atribut yang diambil dari citra tersebut. Segmentasi
membagi citra ke dalam daerah intensitasnya masing-masing sehingga bisa
membedakan antara objek dan backgroundnya. Pembagian ini tergantung pada
masalah yang akan diselesaikan. Segmentasi harus dihentikan apabila masing-
masing objek telah terisolasi atau terlihat dengan jelas. Tingkat keakurasian
segmentasi tergantung pada tingkat keberhasilan prosedur analisis yang dilakukan
dan diharapkan proses segmentasi memiliki tingkat keakuratan yang tinggi.
Algoritma dari segmentasi terbagi dalam dua macam yaitu :
o Diskontinuitas
Pembagian citra berdasarkan perbedaan dalam intensitasnya.
Contohnya titik, garis, dan tepi.
o Similaritas
Pembagian citra berdasarkan kesamaan-kesamaan criteria yang
dimilikinya, contohnya thresholding, region growing, region
splitting, dan region merging.
2.10 Tekstur
Menurut Kadir dan Susanto (2013), Selain melibatkan fitur bentuk, tekstur
banyak digunakan sebagai fitur untuk temu kembali citra. Hal ini disebabkan
beberapa objek mempunyai pola-pola tertentu, yang bagi manusia mudah untuk
dibedakan. Oleh karena itu, diharapkan komputer juga dapat mengenali sifat-sifat
seperti itu. Dalam praktik, tekstur digunakan untuk berbagai kepentingan.

20
Umumnya, aplikasi tekstur dapat dibagi menjadi dua kategori. Pertama

adalah untuk kepentingan segmentasi. Pada proses ini, tekstur dipakai untuk
melakukan pemisahan antara satu objek dengan objek yang lain. Kedua adalah
untuk klasifikasi tekstur, yang menggunakan fitur-fitur tekstur untuk
mengklasifikasi objek. Beberapa contoh aplikasi tekstur disajikan di bawah ini
(Tuceryan dan Jain, 1998).
• Inspeksi secara otomatis pada industri tekstil, pengecatan mobil,
pemakaian karpet.
• Analisis citra medis. Misalnya, tekstur digunakan untuk klasifikasi

penyakit paru-paru, diagnosis leukemia, dan pembedaan tipe-tipe sel darah
putih.
• Analisis penginderaan jarak-jauh. Misalnya, tekstur dipakai untuk

kepentingan klasifikasi area tanah.
Kulkarni (1994) mendefinisikan tekstur sebagai hubungan mutual antara

nilai intensitas piksel-piksel yang bertetangga yang berulang di suatu area yang
lebih luas daripada jarak hubungan tersebut. Namun, penjelasan seperti itu pun
masih menyisakan ketidakmudahan untuk mengenali pengulangan yang terjadi
pada citra. Ada suatu pengulangan yang terkadang sulit dijabarkan, tetapi mudah
ditangkap oleh mata, seperti yang terdapat pada Gambar 2.8 (a) dan Gambar 2.8
(b). Hal ini berbeda dengan Gambar 2.8 (c). Citra yang disebut terakhir
mempunyai sifat pengulangan yang mudah dilihat. Namun, pada ketiga gambar
tersebut, jelas bahwa ada suatu tekstur yang terkandung dalam setiap citra.
Tekstur pada Gambar 2.8(c), dari sisi keteraturan pola, adalah yang paling mudah
untuk dikenali. (Kadir dan Susanto, 2013)

21
Gambar 2.6Tekstur Pola Citra

(Sumber: https://pojokteknologi.com/id/2015/06/13/pola-citra-tekstur-metode-eucludean-
2/)
2.11 Klasifikasi
Menurut Prasetyo (2012), klasifikasi merupakan suatu pekerjaan menilai
objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas
yang tersedia. Dalam klasifikasi ada dua pekerjaan utama yang dilakukan, yaitu
pembangunan model sebagai prototipe untuk disimpan sebagai memori dan
penggunaan model tersebut untuk melakukan pengenalan/ klasifikasi/ prediksi
pada suatu objek data lain agar diketahui di kelas mana objek data tersebut dalam
model yang sudah disimpannya.
Kerangka kerja seperti yang ditunjukkan pada gambar 2.10 meliputi dua
langkah proses, yaitu induksi dan deduksi. Induksi merupakan langkah untuk
membangun model klasifikasi dari data latih yang diberikan, disebut juga proses
pelatihan, sedangkan deduksi merupakan langkah untuk menerapkan model
tersebut pada data uji sehingga kelas yang sesungguhnya dari data uji dapat
diketahui, disebut juga proses prediksi.

22
Gambar 2.7Proses Pekerjaan Klasifikasi

(Sumber: Data Mining: Konsep dan Aplikasi Menggunakan Matlab,2012)
Berdasarkan cara pelatihan, algoritma-algoritma klasifikasi dapat dibagi

menjadi dua macam, yaitu eager learner dan lazy learner. Algoritma-algoritma
yang termasuk dalam kategori eager learner didesain untuk melakukan
pembacaan/ pelatihan/ pembelajaran pada data latih agar dapat memetakan
dengan benar setiap vektor masukan ke label kelas keluarannya sehingga di akhir
proses pelatihan, model sudah dapat memetakan semua vektor data uji ke label
kelas keluarannya dengan benar. Selanjutnya, setelah proses pelatihan tersebut
selesai, model (biasanya berupa bobot atau sejumlah nilai kuantitas tertentu)
disimpan sebagai memori, sedangkansemua data latihnya dibuang. Proses prediksi
dilakukan dengan model yang tersimpan, tidak melibatkan data latih sama sekali.
Cara ini mengakibatkan proses prediksi berjalan dengan cepat, tetapi harus
dibayar dengan proses pelatihan yang lama. Algoritma-algoritma klasifikasi yang
masuk kategori ini, diantaranya, adalah Artificial Neural Network (ANN), Support
Vector Machine (SVM), Decision Tree, Bayesian, dan sebagainya. (Prasetyo,
2012)

23
Sementara algoritma-algoritma yang masuk dalam kategori lazy learner

hanya sedikit melakukan pelatihan (atau tidak sama sekali), hanya menyimpan
sebagian atau seluruh data latih, kemudian menggunakannya dalam proses
prediksi. Hal ini mengakibatkan proses prediksi menjadi lama karena model harus
membaca kembali semua data latihnya agar dapat memberikan keluaran label
kelas dengan benar pada data uji yang diberikan. Kelebihan algoritma seperti ini
adalah proses pelatihan yang berjalan dengan cepat. Algoritma-algoritma
klasifikasi yang masuk kategori ini, di antaranya, adalah K-Nearest Neighbor (K-
NN), Fuzzy K-Nearest Neighbor (FK-NN), Regresi Linear, dan sebagainya.
(Prasetyo, 2012)
2.12 Support Vector Machine (SVM)

Menurut Widodo, et al. (2013), Support Vector Machine (SVM)
merupakan metode klasifikasi jenis terpandu (supervised) karena ketika proses
pelatihan, diperlukan target pembelajaran tertentu. SVM muncul pertama kali
pada tahun 1992 oleh Vladimir Vapnik bersama rekannya Bernhard Boser dan
Isabelle Guyon.
Ide dasar SVM adalah memaksimalkan batas hyperplane (maximal margin

hyperplane) seperti yang diilustrasikan pada gambar 2.10(diatas). Konsep
klasifikasi dengan SVM dapat dijelaskan secara sederhana sebagai usaha untuk
mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas data
pada ruang input. Hyperplane (batas keputusan) pemisah terbaik antara kedua
kelas dapat ditemukan dengan mengukur margin hyperplane tersebut dan mencari
titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan data
terdekat dari masing-masing kelas. Data yang paling dekat ini disebut support
vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari proses
pelatihan pada SVM(Prasetyo, 2012).

24
2.12.1 SVM Linear

Kasus data yang terpisah secara linear adalah kasus yang termudah.
Misalnya kita memiliki data yang terdiri dari kelas orang yang membeli komputer
dan yang tidak membeli komputer (Xi,Yi), (X2,Y2), ..., (X|D|,Y|D|). Data tersebut
kita beri notasi X dan kelasnya adalah y dimana yi hanya memiliki dua
kemungkinan yakni +1 atau -1. (Widodo, et al., 2013)
SVM memecahkan masalah klasifikasi dengan mencari hyperplane

marjinal maksimum dimana ada jumlah tak terbatas hyperplanes yang harus dicari
mana yang terbaik. Secara intuitif, hyperplane dengan margin yang lebih besar
lebih akurat dalam mengklasifikasikan data dibanding margin yang lebih kecil.
Inilah sebabnya mengapa (selama pembelajaran), SVM mencari hyperplane
dengan margin terbesar, dikenal dengan istilah Maximum Marginal Hyperplane
(MMH). Untuk definisi margin, kita dapat mengatakan bahwa jarak terpendek
dari hyperplane ke satu sisi margin adalah sama dengan jarak terpendek dari
hyperplane yang ke sisi lain dari margin, dimana “sisi” dari margin sejajar dengan
hyperplane tersebut. (Widodo, et al., 2013)
Sebuah hyperplane dapat ditulis sebagai

𝑊.𝑋+𝑏=0 (2.10)
Di mana W adalah vektor bobot, yaitu, W = {w1, w2, ..., wn}, n adalah jumlah
atribut, dan b adalah skalar yang sering disebut sebagai bias. Jika b sebagai bobot
tambahan, w0, kita dapat menulis ulang hyperplane pemisah sebagai
𝑤0+𝑤1𝑥1+𝑤2𝑥2=0 (2.11)
Dengan demikian, setiap titik yang terletak di atas hyperplane pemisah

memenuhi:
𝑤0+𝑤1𝑥1+𝑤2𝑥2>0 (2.12)
Demikian pula, setiap titik yang terletak di bawah hyperplane pemisah memenuhi:
𝑤0+𝑤1𝑥1+𝑤2𝑥2<0 (2.13)
Bobot dapat disesuaikan sehingga hyperplanes dapat mendefinisikan “sisi” dari

margin yang ditulis sebagai:

25
𝐻1:𝑤0+𝑤1𝑥1+𝑤2𝑥2≥1 untuk yi = +1 (2.14)
𝐻1:𝑤0+𝑤1𝑥1+𝑤2𝑥2≤1 untuk yi = -1 (2.15)
Artinya, setiap tupel yang jatuh pada atau di atas H1 milik kelas +1, dan
setiap tuple yang jatuh pada atau di bawah H2 milik kelas -1. (Widodo, et al.,
2013)
2.12.2 SVM Non Linear
Menurut (Prasetyo, 2012) untuk data yang distribusi kelasnya tidak linear
biasanya digunakan pendekatan kernel pada fitur data awal set data. Kernel dapat
didefinisikan sebagai suatu fungsi yang memetakan fitur data dari dimensi awal
(rendah) ke fitur lain yang berdimensi lebih tinggi (bahkan jauh lebih tinggi).
Pendekatan ini berbeda dengan metode klasifikasi pada umumnya yang justru
mengurangi dimensi awal untuk menyederhanakan proses komputasi dan
memberikan akurasi prediksi yang lebih baik.
Algoritma pemetaan kernel ditunjukkan sebagai berikut :
Φ merupakan fungsi kernel yang digunakan untuk pemetaan, D

merupakan data latih, q merupakan set fitur dalam satu data yang lama, dan r
merupakan set fitur yang baru sebagai hasil pemetaan untuk setiap data latih.
Sementara x merupakan data latih, dimana x1, x2, ..., xn ϵ Dq merupakan fitur-
fitur yang akan dipetakan ke fitur berdimensi tinggi r, jadi untuk set data yang
digunakan sebagai pelatihan dengan algoritma yang ada dari dimensi fitur yang
lama D ke dimensi baru r. (Prasetyo, 2012)
Untuk pilihan fungsi kernel yang banyak digunakan dalam aplikasi, dapat
dilihat pada tabel 2.1. x dan y adalah pasangan dua data dari semua bagian data
latih. Parameter 𝜎, c, d > 0, merupakan konstanta. (Prasetyo, 2012)

26
2.12.3 SVM Multiclass
SVM pada dasarnya didesain untuk klasifikasi biner (dua kelas). Namun,
penelitian lebih lanjut untuk mengembangkan SVM sehingga bisa mengklasifikasi
data yang memiliki lebih dari dua kelas, terus dilakukan. Ada dua pilihan untuk
mengimplementasikan multiclass SVM yaitu dengan menggabungkan beberapa
SVM biner atau menggabungkan semua data yang terdiri dari beberapa kelas ke
dalam sebuah bentuk permasalahan optimasi. Namun, pada pendekatan yang
kedua permasalahan optimasi yang harus diselesaikan jauh lebih rumit.
2.12.4 Karakteristik SVM

Menurut Prasetyo (2012), karakteristik klasifikasi SVM dapat diringkas
menjadi seperti berikut:
1. SVM merupakan teknik klasifikasi yang semi-eager leaner karena
selain memerlukan proses pelatihan, SVM juga menyimpan
sebagian kecil data latih untuk digunakan kembali pada saat proses
prediksi.
2. Untuk parameter yang sama yang digunakan dalam klasifikasi,
SVM memberikan model klasifikasi yang solusinya adalah global
optima, tidak seperti Artificial Neural Network (ANN) yang
solusinya sering masuk pada wilayah lokal optima. Hal ini berarti
SVM selalu memberikan model yang sama dan solusi dengan
margin maksimal, sedangkan ANN memberikan model dengan
nilai yang berbeda dengan margin yang tidak selalu sama.
3. Proses pelatihan yang dilakukan oleh SVM tidak sebanyak ANN,
tetapi sering kali memberikan kinerja yang lebih baik daripada
ANN.
4. Tidak membutuhkan pemilihan parameter-parameter seperti pada
ANN. SVM hanya menentukan fungsi kernel yang harus
digunakan (untuk kasus data yang distribusi kelasnya tidak dapat
dipisahkan secara linear).

27
5. SVM membutuhkan komputasi pelatihan dan prediksi yang rumit

karena dimensi data yang digunakan dalam proses pelatihan dan
prediksi lebih besar daripada dimensi yang sesungguhnya.
6. Untuk set data berjumlah besar, SVM membutuhkan memori yang
sangat besar untuk alokasi matriks kernel yang digunakan.
7. Penggunaan matriks kernel mempunyai keuntungan lain, yaitu
kinerja set data dengan dimensi besar tetapi jumlah datanya sedikit
akan lebih cepat karena ukuran data pada dimensi baru berkurang
banyak.
2.13 Pengertian Mikrokomputer Raspberry Pi
2.13.1 Mikrokomputer
Saat ini perkembangan teknologi semakin pesat berkat adanya teknologi

mikrokomputer, sehingga rangkaian kendali atau rangkaian kontrol semakin
banyak dibutuhkan untuk mengendalikan berbagai peralatan yang digunakan
manusia dalam kehidupan sehari-hari. Dari rangkaian kendali inilah akan
terciptanya suatu alat yang dapat mengendalikan sesuatu. Rangkaian kendali atau
rangkaian kontrol adalah rangkaian yang dirancang sedemikian rupa sehingga
dapat melakukan fungsi–fungsi kontrol tertentu sesuai dengan kebutuhan.
Bermula dari dibuatnya Integrated Circuit (IC). Selain IC, alat yang dapat
berfungsi sebagai kendali adalah chip sama halnya dengan IC. Chip merupakan
perkembangan dari IC, dimana chip berisikan rangkaian elektronika yang dibuat
dari artikel silicon yang mampu melakukan proses logika. Chip berfungsi sebagai
media penyimpan program dan data, karena pada sebuah chip tersedia RAM
dimana data dan program ini digunakan oleh logic chip dalam menjalankan
prosesnya. Chip lebih di identikkan dengan dengan kata mikroprosesor(Ii &
Pustaka, n.d.).

28
Mikroprosesor adalah bagian dari Central Processing Unit (CPU) yang

terdapat pada komputer tanpa adanya memori, I/O yang dibutuhkan oleh sebuah
sistem yang lengkap. Selain mikroprosesor ada sebuah chip lagi yang dikenal
dengan nama mikrokomputer. Berbeda dengan mikroprosesor, pada
mikrokomputer ini telah tersedia I/O dan memori. Dengan kemajuan teknologi
dan dengan perkembangan chip yang pesat sehingga saat ini didalam sekeping
chip terdapat CPU memori dan kontrol I/O. Chip jenis ini sering disebut
mikrokontroller. Mikrokontroller merupakan sebuah sistem komputer di mana
seluruh atau sebagian besar elemennya dikemas dalam satu chip IC (Integrated
Circuit), sehingga sering disebut single chip microcomputer. Mikrokomputer juga
merupakan sebuah sistem komputer yang memiliki satu atau beberapa tugas yang
spesifik, berbeda dengan PC yang memiliki beragam fungsi. Perbedaan yang lain
adalah perbandingan RAM dan ROM yang sangat besar antara mikrokontroller
dengan komputer. Dalam mikrokontroller ROM jauh lebih besar dibanding RAM,
sedangkan dalam komputer atau PC RAM jauh lebih besar dibanding ROM.
Mikrokomputer memiliki kemampuan untuk mengolah serta memproses data
sekaligus juga dapat digunakan sebagai unit kendali, maka dengan sekeping chip
yaitu mikrokomputer kita dapat mengendalikan suatu alat.
Mikrokontroller mempunyai perbedaan dengan mikroprosesor dan

mikrokomputer. Suatu mikroprosesor merupakan bagian dari CPU tanpa memori
dan I/O pendukung dari sebuah komputer, sedangkan mikrokontroller umumnya
terdiri atas CPU, memory, I/O tertentu dan unit – unit pendukung lainnya. Pada
dasarnya terdapat perbedaan sangat mencolok antara mikrokontroler dan
mikroprosesor serta mikrokomputer yaitu pada aplikasinya, karena
mikrokontroller hanya dapat digunakan pada aplikasi tertentu saja. Kelebihan
lainnya yaitu terletak pada perbandingan Random Access Memory (RAM) dan
Read Only Memory (ROM). Sehingga ukuran board mikrokontroller menjadi
sangat ringkas atau kecil, dari kelebihan yang ada terdapat keuntungan pemakaian
mikrokontroller dengan mikroprosesor yaitu pada mikrokontroller sudah terdapat
RAM dan peralatan I/O pendukung sehingga tidak perlu menambahnya lagi. Pada

29
dasarnya struktur dari mikroprocesor memiliki kemiripan dengan mikrokomputer.

Mikrokomputer biasanya dikelompokkan dalam satu keluarga, masing-masing
mikrokomputer memiliki spesifikasi tersendiri namun cocok dalam
pemrogramannya (Ii & Pustaka, n.d.).misalnya:
• Altair 8800
• Tandy TRS-80
• IBM PC/kompatibel (Desktop)
• IBM PC/kompatibel (Laptop)
• Apple I
• Apple II
• Apple Lisa
• Apple Macintosh
• Apple iMac
• Apple MacMini
• Apple PowerMac
• Apple PowerBook
• Apple iBook
• Apple MacBook
2.13.2 Raspberry Pi
Raspberry Pi adalah sebuah komputer papan tunggal (single-board

computer) atau SBC berukuran kartu kredit. Raspberry Pi telah dilengkapi dengan
semua fungsi layaknya sebuah komputer lengkap, menggunakan SoC (System-on-
a-chip) ARM yang dikemas dan diintegrasikan diatas PCB. Perangkat ini
menggunakan kartu SD untuk booting dan penyimpanan jangka panjang.
(Bambang, dkk., 2015).

30
Saat ini terdapat lima model dari keluarga Raspberri Pi, yakni : Raspberry
Pi Model A +, Raspberry Pi Model B +, Raspberry Pi 2, Raspberry Pi 3, dan
Raspberry Pi Zero. Yang pada dasarnya merupakan pengembangan dari dua
model Raspberry Pi, yaitu model A dan model B.
Secara keseluruhan, perbedaan antar masing-masing model terletak pada

kekuatan prosesor, jumlah port USB, ada atau tidaknya port jaringan, bluetooth,
wireless, dan lain sebagainya, meskipun untuk desain tidak begitu berbeda
(Wiley, 2016). Untuk penyimpanan data didisain tidak menggunakan hard disk
atau solid-state drive, melainkan mengandalkan kartu SD (SD memory card)
untuk booting dan penyimpanan jangka panjang. Hardware Raspberry Pi tidak
memiliki real-time clock, sehingga OS harus memanfaatkan timer jaringan server
sebagai pengganti. Namun komputer yang mudah dikembangkan ini dapat
ditambahkan dengan fungsi real-time (seperti DS1307) dan banyak lainnya,
melalui saluran GPIO (General-purpose input/output) via antarmuka I²C (Inter-
Integrated Circuit). Raspberry Pi bersifat open source (berbasis Linux),
Raspberry Pi bisa dimodifikasi sesuai kebutuhan penggunanya. Sistem operasi
utama Raspberry Pi menggunakan Debian GNU/Linux dan bahasa pemrograman
Python. Salah satu pengembang OS untuk Raspberry Pi telah meluncurkan sistem
operasi yang dinamai Raspbian, Raspbian diklaim mampu memaksimalkan
perangkat Raspberry Pi. Sistem operasi tersebut dibuat berbasis Debian yang
merupakan salah satu distribusi Linux OS (Gay, 2014).
2.14 Metode Pengumpulan Data
Metode pengumpulan data adalah teknik atau cara-cara yang dapat

digunakan oleh peneliti untuk mengumpulkan data. (Sudaryono, 2011)
2.14.1 Studi Pustaka

Studi pustaka adalah menganalisis secara kritis pustaka penelitian yang
ada saat ini. Studi pustaka tersebut perlu dilakukan secara ketat dan harus
mengandung keseimbangan antara uraian deskriptif dan analisis. Identifikasi
kekuatan dan kelemahan pustaka tersebut dengan menelaah hasil atau temuan

31
penelitian tersebut, metodologi yang digunakan, serta bagaimana hasil temuan

tersebut dibandingkan penelitian atau publikasi lainnya. (Sudaryono, 2011)
2.14.2 Observasi
Observasi adalah melakukan pengamatan secara langsung ke obyek

penelitian untuk melihat dari dekat kegiatan yang dilakukan. Obyek dari
penelitian adalah perilaku, tindakan manusia, fenomena, dan proses kerja.
(Sudaryono, 2011).
Menurut Cartwright, CA & Cartwright, GP, dalam bukunya Developing

Observation Skill. Mendefinisikan observasi sebagai suatu proses melihat,
mengamati dan mencermati serta merekam perilaku secara sistematis untuk suatu
tujuan tertentu. Sedangkan tujuan dari observasi adalah untuk mendeskripsikan
perilaku objek serta memahaminya atau bisa juga hanya ingin mengetahui
frekuensi suatu kejadian. Dari sini bisa difahami bahwa inti dari observasi adalah
adanya perilaku yang tampak dan adanya tujuan yang ingin dicapai. Perilaku
yang tampak dapat berupa perilaku yang dapat dilihat langsung oleh mata, dapat
didengar, dapat dihitung, dan dapat diukur.
2.14.3 Kuesioner
Kuesioner merupakan teknik pengumpulan data yang dilakukan dengan

cara memberi seperangkat pertanyaan atau pertanyaan tertulis kepada responden
untuk dijawabnya, Metode ini diyakini mampu mendapatkan data yang lebih
akurat dan objektif terhadap permasalahan yang didapat langsung dari responden
(Sudaryono, 2011)
2.14.4 Wawancara
Johnson & Christensen (2004) wawancara adalah metode pengumpul data

atau alat pengumpul data yang menunjukkan peneliti sebagai pewawancara
mengajukan sejumlah pertanyaan pada partisipan sebagai subjek yang
diwawancarai. Mcleod (2003) wawancara adalah cara yang feksibel untuk
mengumpulkan data penelitian yang rinci dan pribadi. Kehadiran wawancara

32
memungkinkan terus-menerus pemantauan mengenai informasi yang

dikumpulkan, dan peneliti memeriksa apa yang dikatakan oleh partisipan.
2.15 Metode Prototipe
Menurut Houde dan Hill dalam bukunya “What do Prototypes

Prototypes?” terbitan USA: Apple Computer.Inc Prototyping merupakan salah
satu metode pengembangan perangkat lunak yang banyak digunakan. Dengan
metode Prototyping ini pengembang dan pelanggan dapat saling berinteraksi
selama proses pembuatan sistem. Sering terjadi seorang pelanggan hanya
mendefiinisikan secara umum apa yang dikehendakinya tanpa menyebutkan
secara detail output apa saja yang dibutuhkan, pemrosesan dan data-data apa saja
yang dibutuhkan.
Untuk mengatasi ketidaksesuaian antara pelanggan dan pengembang,

maka dibutuhkan kerjasama yang baik diantara keduanya sehingga pengembang
akan mengetahui dengan benar apa yang diinginkan pelanggan dengan tidak
mengesampingkan segi-segi teknis dan pelanggan akan mengetahui proses-proses
dalam menyelesaikan sistem yang diinginkan. Dengan demikian akan
menghasilkan sistem yang sesuai dengan jadwal waktu penyelesaian yang telah
ditentukan.
Prototyping merupakan pendekatan iteratif dalam pengembangan sistem

yang dibuat. Secara umum tujuan pengembangan sistem informasi adalah untuk
memberikan kemudahan dalam penyimpanan informasi, mengurangi biaya dan
menghemat waktu, meningkatkan pengedalian, mendorong pertumbuhan,
meningkatkan produktifitas serta profitabilitas organisasi. Dalam beberapa tahun
terakhir ini, peningkatan produktifitas organisasi ini dibantu dengan
berkembangnya teknologi komputer baik hardware maupun software-nya.
Istilah prototyping dalam hubungannya dengan pengembangan software

sistem informasi lebih merupakan suatu proses bukan prototipe sebagai suatu
produk (Pressman, 2010)

33
Gambar 2.8 Paradigma Prototyping

(Sumber : Pressman, 2010)
2.15.1 Karakteristik Metode Prototyping
Lima langkah yang menjadi karakteristik metode prototyping masih

menurut Houde dan Hill dalam bukunya “What do Prototypes Prototypes?”
terbitan USA : Apple Computer,Inc yaitu :
1. Pengumpulan kebutuhan.
2. Pemilahan Fungsi untuk merencanakan percobaan harus mengacu pada fungsi
yang ditampilkan oleh prototyping. Pemilahan dilakukan berdasarkan pada
tugas-tugas yang relevan yang sesuai dengan contoh kasus yang akan
diperagakan.
3. Pembangunan Prototipe bertujuan untuk memenuhi tersedianya prototipe.
4. Evaluasi Prototipe.
5. Penggunaan Selanjutnya
2.15.2 Jenis-Jenis Prototyping
Berikut adalah jenis-jenis dari Prototyping (Houde dan Hill, 2004) :

4 Feasibility prototyping – digunakan untuk menguji kelayakan dari teknologi
yang akan digunakan untuk sistem informasi yang akan disusun.
4 Requirement prototyping – digunakan untuk mengetahui kebutuhan aktivitas
bisnis user.

34
4 Desain prototyping – digunakan untuk mendorong perancangan sistem

informasi yang akan digunakan.
4 Evaluation prototyping – digunakan untuk mengevaluasi hasil jadi dari suatu
prototipe.
4 Implementation prototyping – merupakan lanjutan dari rancangan sistem,

dimana prototipe ini langsung disusun sebagai suatu sistem informasi yang
akan digunakan.
2.15.3 Keunggulan dan Kelemahan Metode Prototyping
Segala sesuatu memiliki keunggulandan kelemahan, begitu pula dengan

metode prototyping yang memiliki keunggulan dan kelemahan, berikut
penjelasannya (Houde & Hill, 2004).
A. Keunggulan
1. End user dapat berpartisipasi aktif.
2. Penentuan kebutuhan lebih mudah diwujudkan.
3. Mempersingkat waktu pengembangan sistem informasi.
B. Kelemahan
1. Proses analisis dan perancangan terlalu singkat.
2. Mengesampingkan alternatif pemecahan masalah.
3. Kurang fleksible dalam menghadapi perubahan.
4. Prototipe yang dihasilkan tidak selamanya mudah dirubah.
2.16 Black-Box Testing
Pengujian black-box, juga disebut pengujian perilaku atau behavioral

testing, berfokus pada persyaratan fungsional perangkat lunak. Pengujian black-
box berusaha untuk menemukan kesalahan pada beberapa kategori berikut: (1)
fungsi-fungsi yang salah atau hilang, (2) kesalahan interface, (3) kesalahan dalam
struktur data atau akses database eksternal, (4) kesalahan pada performa atau
behavior, dan (5) kesalahan pada inisialisasi dan terminasi. (Pressman, 2010).
Berikut perbandingan metode testing:

35
Tabel 2.1 Perbandingan Metode Testing

Metode Kelebihan Kekurangan
White Box Testing Mampu menemukan Metode yang dianggap

kesalahan logika dan boros karena membutuhkan
pengetikan pada kode banyak sumber daya untuk
program(Mustaqbal, menjalankannya(Mustaqbal,
2015) 2015)
Black Box Testing Dapat menemukan Hanya fokus pada fungsi

kesalahan fungsi, dari perangkat lunak.(
kesalahan output, dan Mustaqbal, 2015)
kesalahan performa
inisiasi
program(Mustaqbal,
2015)
2.17 Flowchart
Flowchart merupakan penggambaran secara grafik dari langkah-langkah

dan urutan prosedur suatu program. Biasanya mempermudah penyelesaian
masalah yang khususnya perlu dipelajari dan dievaluasi lebih lanjut. (Indrajani,
2011).
2.17.1Cara Membuat Flowchart
Berikut ini beberapa petunjuk dalam pembuatan Flowchart Menurut

Sulindawati dan M. Fathoni (2010):
1. Flowchart digambarkan dari halaman atas ke bawah dan kiri ke kanan.

2. Aktifitas yang digambarkan harus didefinisikan secara hati-hati dan definisi
ini harus dapat dimengerti oleh pembacanya.
3. Kapan aktifitas dimulai dan berakhir harus ditentukan secara jelas.

36
4. Setiap langkah dari aktivitas harus diuraikan dengan menggunakan deskripsi

kata kerja.
5. Setiap langkah dari aktifitas harus berada pada urutan yang benar.
6. Lingkup dan range dari aktifitas yang sedang digambarkan harus ditelusuri
dengan hati-hati.
7. Gunakan simbol-simbol flowchart yang standar.
2.17.2 Jenis-Jenis Flowchart
Menurut Sulindawati (2010), Flowchart terbagi atas lima jenis, yaitu:

a. Bagan Alir Sistem (Systems Flowchart)
Flowchart Sistem merupakan bagan yang menunjukan alur kerja atau
apa yang sedang dikerjakan di dalam sistem secara keseluruhan dan
menjelaskan urutan dari prosedur-prosedur yang ada di dalam sistem. Dengan
kata lain, flowchart ini merupakan deskripsi secara grafik dari urutan
prosedur-prosedur yang terkombinasi yang membentuk sistem. Flowchart
sistem terdiri dari tiga data yang mengalir melalui sistem dan proses yang
mentransformasikan data itu. Data dan proses dalam flowchart sistem dapat
digambarkan secara online (dihubungkan langsung dengan komputer) atau
offline (tidak dihubungkan langsung dengan komputer, misalnya mesin tik,
cash register atau kalkulator)
b. Bagan Alir Dokumen (Document Flowchart)
Flowchart Paperwork menelusuri alur dari data yang ditulis melalui
sistem. Flowchart Paperwork sering disebut juga dengan Flowchart
Dokumen. Kegunaan utamanya adalah untuk menelusuri alur form dan laporan
sistem dari satu bagian ke bagian lain baik bagaimana alur form dan laporan
diproses, dicatat atau disimpan.
c. Bagan Alir Skematik (Schematic Flocwchart)
Flowchart Skematik mirip dengan Flowchart Sistem yang
menggambarkan suatu sistem atau prosedur. Flowchart Skematik ini bukan
hanya menggunakan simbol-simbol flowchart standart, tetapi juga
menggunakan gambar-gambar komputer, peripeheral, form-form atau

37
peralatan lain yang digunakan dalam sistem. Flowchart Skemantik digunakan

sebagai alat komunikasi antara analis sistem dengan seseorang yang tidak
familiar dengan simbol-simbol flowchart yang konvensional. Pemakaian
gambar sebagai ganti dari simbol-simbol flowchart akan menghemat waktu
yang dibutuhkan oleh seseorang untuk mempelajari simbol abstrak sebelum
dapat mengerti flowchart.
d. Bagan Alir Program (Program Flowchart)
Flowchart Program dihasilkan dari Flowchart Sistem. Flowchart
Program merupakan keterangan yang lebih rinci tentang bagaimana setiap
langkah program atau prosedur sesungguhnya dilaksanakan. Flowchart ini
menunjukan setiap langkah program atau prosedur dalam urutan yang tepat
saat terjadi. Programmer menggunakan Flowchart Program untuk
menggambarkan urutan instruksi dari program komputer. Analisa sistem
menggunakan flowchart program untuk menggambarkan urutan tugas-tugas
pekerjaan dalam suatu prosedur atau operasi.
e. Bagan Alir Proses (Process Flowchart)
Flowchart Proses merupakan teknik menggambarkan rekayasa
industrial yang memecah dan menganalisis langkah-langkah selanjutnya
dalam suatu prosedur atau sistem. Flowchart Proses memiliki lima simbol
khusus. Flowchart Proses digunakan oleh perekayasa industrial dalam
mempelajari dan mengembangkan proses-proses manufacturing. Dalam
analisis sistem, Flowchart ini digunakan secara efektif untuk menelusuri alur
suatu laporan.

38
2.17.3 Simbol-Simbol Flowchart

Berikut ini merupakan beberapa simbol yang digunakan dalam
menggambar suatu flowchart:
Gambar 2.9 Simbol Flowchart

(Sumber: https://4.bp.blogspot.com/-
BcvNWmUVNHQ/VpM1W0V_LRI/AAAAAAAAAEM/k89lijfJpSc/s1600/Simbol%2B
Flowchart.jpg)

BAB III
METODOLOGI PENELITIAN
Pada Bab 3 ini akan dibahas mengenai pengumpulan data dan informasi
sebagai bahan yang mendukung kebenaran materi pembahasan. Selain
penyelesaikan masalah yang ada dalam sebuah perancangan sistem, maka
diperlukan beberapa tahap yang harus dilakukan. Dalam bab ini akan dijelaskan
mengenai metodologi penelitian yang digunakan serta tahapan yang penulis
lakukan dalam melakukan penelitian.
3.1 Metode Pengumpulan Data
Pengumpulan data dimaksudkan untuk mencari dan mengumpulkan

data yang terkait dengan penelitian seperti dasar teori, metodologi penulisan,
metodologi proses, dan acuan penelitian sejenis. Dalam penelitian ini, metode
pengumpulan data yang dilakukan adalah observasi, wawancara, kuesioner, studi
pustaka, dan studi literatur.
3.1.1 Data Primer
3.1.1.1 Studi Lapangan
a. Observasi
Pada proses observasi penulis mendatangi 2 tempat yaitu; pusat

perbelanjaan di Aeon Mall BSD dan gedung FST lt.2. Penulis mengamati
bagaimana tempat sampah yang tersedia sudah membagi jenis sampah organik
dan non organik. Dapat dilakukan analisis bagaimana proses orang membuang
sampah sesuai jenisnya.
39
40
Hal ini sangat dibutuhkan agar dapat dilakukan analisis untuk membuat
suatu alat pemilah otomatis yang sesuai dengan kebutuhan masyarakat
terhadap kesesuaian dalam membuang sampah sesuai jenisnya. Adapun
pelaksanaan observasi dilakukan pada tanggal 8 Maret 2019 di Aeon Mall
BSD.
b. Wawancara
Dilakukan wawancara secara langsung dengan ketua bank sampah wilayah

Pamulang yang sangat berpengalaman dan memahami permasalahan
mengenai sampah, terkait aktivitas masyarakat dalam pembuangan sampah
terutama kendala dalam penempatan sampah sesuai jenisnya. Ibu Indah selaku
yang diwawancarai merupakan salah satu ketua bank sampah dan anggota
Dinas Lingkungan Hidup(DLH) wilayah Tangerang Selatan. Wawancara
dilakukan untuk mengetahui permasalahan yang dihadapi dan kesesuaian alat
yang akan dibuat. Secara detail, hasil wawancara dapat dilihat pada lampiran.
c. Kuesioner
Kuesioner dilakukan untuk mengetahui tanggapan masyarakat yang

membuang sampah secara lebih objektif untuk menarik generalisasi
kesimpulan mengenai aktivitasnya dalam membuang sampah, terutama dalam
hal kendala untuk penyesuaian pembuangan sampah sesuai jenis serta
mengetahui seberapa tinggi tingkat kebutuhan akan alat pemilah sampah
otomatis. Kuesioner ditujukan untuk masyarakat di kota-kota besar, adapun
penyebaran kuesioner dilakukan secara online selama 3 hari dari tanggal 23 –
26 Maret 2019, kuesioner dapat diakses https://forms.gle/rKJ3ckaFq9oFKxsr8
d. Studi Literatur
Dalam melakukan penelitian, digunakan perbandingan skripsi dan

beberapa produk. Berikut adalah hasil dari perbandingan beberapa literatur
tersebut:

41
Table 3.1 Tabel Studi Literatur
Nama
No. Judul Penelitian Kekurangan Kelebihan
Peneliti/Tahun
1. Deni Perancangan Prototype Masih Daya yang

Almanda/2018 Pemilah Sampah menggunakan dihasilkan sudah
Organik dan arduino Atmega 16 ramah lingkungan
Anorganik yang merupakan dengan
Menggunakan Solar versi lama, menggunakan solar
Panel 100 WP Sebagai pemilahan dengan panel.
Sumber Energi Listrik sensor warna
Terbarukan. masih belum
menunjukan
keakuratan yang
optimal, dan
dengan adanya
solar panel
membuat alat
masih terlalu besar.
2. Feisal Design and Respon untuk Cangkupan sistem

Ramadhan Development of Smart komunikasi yang luas
Maulana /2017 Trash Bin Prototype terbilang lambat, melingkupi satu
for Municipal Solid pemrosesan data kota, memiliki
Waste Management masih terlalu penjadwalan
sedikit, dan tingkat pengambilan sampah
keakuratan dan memanajemen
pendeteksiaan serta menganalisis
objek masih data sampah.
kurang optimal.

42
3. Abdur Rancang Bangun Intensitas cahaya Robot dapat

Rohman/2017 Smart Cleaner Robot diluar mendeteksi kondisi
Sebagai Robot mempengaruhi sampah berada dan
Pengambil dan proses pemilahan, langsung
Pemilah Sampah dan hanya mengangkutnya
menggunakan sendiri dengan
sensor warna menggunakan
membuat tingkat gripper dan arm.
keakuratan kurang
optimal
3.1.2 Data Sekunder
3.1.2.1 Studi Pustaka dan Literatur
Pada tahapan pengumpulan data dengan cara studi pustaka, dicara

referensi yang sesuai dengan objek yang ingin diteliti. Pencarian referensi
dilakukan di perpustakaan, toko buku, maupun secara online melalui internet.
Setelah mendapatkan referensi yang sesuai, kemudian dipilih berbagai informasi
yang dibutuhkan dalam penelitian ini. Adapun informasi yang didapat digunakan
dalam penyususan landasan teori, metodologi penelitian serta pengembangan
sistem secara langsung. Referensi yang dijadikan acuan dapat dilihat di daftar
pustaka yang terdiri dari 25 referensi.
Studi literatur sejenis merupakan kegiatan mencari literatur yang

mempunyai kesamaan atau berhubungan dengan penelitian yang sedang
dilakukan. Literatur sejenis yang didapatkan berupa jurnal, penulisan skripsi, dan
juga suatu produk, yang kemudian dipahami dan dibuat perbandingan sehingga
penelitian ini dapat menjadi pelengkap atau penyempurnaan dari penelitian-
penelitian yang sudah dilakukan sebelumnya.

43
3.2 Metode Pengembangan Sistem
Dalam pengembangan sistem ini, digunakan metodologi pengembangan

sistem dengan metode Prototyping. Ada 5 tahapan prototyping yang digunakan
dalam metode prototyping (Houde dan Hill, 2004) yaitu:
1) Tahap Pengumpulan Kebutuhan

2) Tahap Perencanaan Percobaan
3) Tahap Membangun Sistem
4) Tahap Evaluasi Sistem
5) Tahap Penggunaan Sistem Selanjutnya
3.2.1 Tahap Pengumpulan Kebutuhan

Paradigma prototyping dimulai dengan adanya komunikasi antara aktor
yang akan menggunakan sistem tersebut untuk menentukan sasaran hasil
keseluruhan dari perangkat lunak/sistem, mengidentifikasi kebutuhan dan
lingkungan dimana sistem tersebut akan digunakan.
Pada tahapan ini pengumpulan kebutuhan yang dilakukan adalah dengan
mencari informasi terkait, melalui referensi buku dan jurnal tentang pemilahan
jenis-jenis sampah organik dan non organik, kemudian mendiskusikannya dengan
pakar atau ahli dibidang penelitian penulis (diskusi dilakukan dengan ahli
dibidang pengolahan sampah) untuk menganalisis masalah lebih lanjut dan
menyimpulkan sebuah solusi yang telah teruji serta manfaat penelitian
kedepannya.
3.2.2 Tahap Perencaan Percobaan

Prototyping selanjutnya perencaan percobaan dengan pengumpulan
persyaratan perancangan seperti bertemu masyarakat daerah perkotaan untuk
menentukan tujuan keseluruhan dari sistem dan alat, mengidentifikasi persyaratan
apapun yang diketahui serta menetukan area garis besar yang mana definisi lebih
lanjut itu diharuskan. Desain berfokus pada representasi dari aspek-aspek
perangkat lunak yang akan dilihat oleh masyarakat selaku pengguna (misalnya,
pendekatan input dan format output) (Presman, 2010).

44
Pada tahapan perencanaan percobaan ini, dilakukan pengumpulan data

dengan cara observasi, wawancara, kuesioner terhadap pihak terkait, studi pustaka
dan literatur. Dari hasil pengumpulan data tersebut, penulis mendapatkan data
mengenai kebiasaan dan kendala masyarakat perkotaan, komponen, tools, teori
yang akan digunakan, data mengenai desain dan proses pembuatan alat dan
sistem. Tahap perencanaan percobaan ini akan terus berjalan selama masih
membangun prototype sampai tahap pengujian alatnya.
3.2.3 Tahap Membangun Sistem
Dalam tahap membangun Sistem ini, difokuskan kepada pembuatan

flowchart untuk system pemilah sampah otomatis dengan machine learning
secara keselurahan, yang kemudian flowchart dibagi lebih spesifik lagi terhadap
fungsi-fungsi yang dapat digunakan dalam sistem, secara garis besar dimulai dari
Raspberry Pi cam mengontrol kamera dan motor servo yang dapat diakses
menggunakan apps arduino IDE yang terhubung melalui jaringan internet, untuk
selanjutnya dapat mengatur pi cam dalam hal pemilahan dan mengendalikan
sistem robot. Dalam tahap ini juga dibuat blok diagram kerja sistem dengan
penjelasan masing-masing tahapannya.
3.2.4 Tahap Evaluasi Sistem
Pada tahap ini, dibuat kode program di pi cam model B menggunakan

bahasa pemrograman python. Selain itu, juga dilakukan pemograman dengan
memanfaatkan server yang merupakan database dibuat untuk menyimpan data
sementara dan mengontrol GPIO melalui jaringan internet, akses internet dapat
dilakukan dengan mudah. Untuk akses webcam digunakan dua toolsyang tersedia
pada pi cam, yaitu tensorflow dan keras dengan cara menginstal pada raspberry pi,
dua tools tersebut berfungsi unutk manangkap gambar berupa foto.
Selanjutnya tahap pembuatan interface, tahap ini menggunakan web
dengan bahasa PHP,kemudian web ditarik kedalam arduino IDE agar dapat
terkoneksi dengan robot. Aplikasi tersebut dapat mengatur dan mengendalikan
sistem pemilahan sampah.

45
3.2.5 Tahap Penggunaan Sistem
Pada tahap ini dilakukan penggunaan dengan metode black box testing
yang bertujuan untuk mengetahui fungsionalitas sistem ataupun alat, dilakukan
pengujian masing-masing modul berikut integrasi keseluruhan unit program guna
mengetahui apakah modul-modul tersebut bekerja sesuai dengan tugasnya.
Selanjutnya tahap menggunakan alat, ini merupakan tahap pembuktian atau
implementasi langsung di wilayah tertutup yang digunakan masyarakat, guna
mengetahui tercapainya tujuan utama pembuatan sistem.

46
3.3 Kerangka Berpikir
Pengembangan robot pemilah sampah organik dan non organik dengan

machine learning berbasis arduino disusun melalui beberapa tahapan yang harus
dilakukan dengan tujuan mempermudah proses penelitian. Adapun alur atau
kerangka penelitian yang dilakukan, dapat dilihat pada gambar 3.1 di bawah ini.
Gambar 3.1 Kerangka Berpikir

BAB IV
ANALISIS,PERANCANGAN SISTEM, IMPLEMENTASI DAN
PENGUJIAN SISTEM
Dalam penelitian ini, digunakan metode prototyping yang terdiri dari 5

tahapan (Houde dan Hill, 2004) yaitu: 1) Tahap Pengumpulan Kebutuhan, 2)
Tahap Perencanaan Percobaan, 3) Tahap Membangun Sistem, 4) Tahap Evaluasi
Sistem, 5) Tahap Penggunaan Sistem.
4.1 Tahap Pengumpulan Kebutuhan

Pada tahap pengumpulan kebutuhan ini, dilakukan diskusi langsung
dengan narasumber ahli dibidang pengolahan sampah untuk mengetahui
gambaran sistem yang diperlukan, untuk selanjutnya dijadikan bahan
pertimbangan dalam membangun sistem yang dibutuhkan. Selain itu dilakukan
juga pencarian literatur yang akan dijadikan acuan dalam membangun sistem serta
bahan diskusi dan tahapan dalam menyelesaikan penelitian.
Dari beberapa literatur yang didapat, dapat diketahui bahwa penggunaan

mikrokomputer sudah layak dan cocok, salah satunya pemanfaatan dalam
aktivitas pemilahan jenis-jenis sampah. Tabel 4.1 menjelaskan hasil studi litelatur
yang digunakan dalam penelitian ini.
Table 4.1Hasil studi literatur
Judul Penelitian penelitian Metode/Tools Variabel

A Smart Waste Yann Glouche, RFID, NFC, QR Plastik, Kaca,
Management with Paul code, and dan Kertas.
Self-Describing Couderc(2013) Smartphone.
Objects
Automated Municipal Sathish Mobile Plastik dan
Solid Waste Sorting Gundupalli Manipulator, Alumunium.
for Recycling Using Paulraj, Atul sensor metal,
47
48
A Mobile Thakur, Subrata sensor 3D, sensor

Manipulator Hait.(2016) infrared, dan
conveyor belt.
Vision-based Robotic C Lapusan, C RV 2AJ robot, Benda
Cell Design for Rad, O Hancu conveyor belt, padat(hewan,
Automated Waste and C sensor kamera, dan alumunium,
Manipulation Brisan(2018) Matlab. kayu, dan
besi).
Berdasarkan tabel 4.1 diatas yang berkaitan dengan sistem dalam

membantu pemilahan sampah, yang mana masing-masing literatur menggunakan
mikrokomputer berbeda. Dalam penelitian ini juga digunakan raspberry pi sebagai
mikrokomputer atau komputer mini yang berfungsi sebagai otak pemrosesan
perintah. Jika dibandingkan dengan literatur diatas, penggunaan raspberry pi lebih
praktis dan menyeluruh, baik dalam segi pemograman, ataupun fleksibilitas dalam
menghubungkan ke hardware lainnya. Selain itu raspberry pi 3 model B yang
digunakan dalam penelitian ini, merupakan versi terbaru yang telah dilengkapi
dengan Wi-Fi 802.11n, sehingga tidak perlu lagi menambahkan modul atau
menggunakan slot RJ45 untuk dapat terhubung dengan jaringan internet.
4.2 Tahap Perencanaan Prototipe
Pada tahap ini, dijelaskan apa saja yang menjadi rencana dari sistem, yang
meliputi mendefinisikan ruang lingkup, analisis kebutuhan software maupun
hardware, dan juga analisis sistem berjalan dan usulan.
4.2.1 Mendefinisikan Ruang Lingkup
Ruang lingkup dalam penelitian ini adalah masyarakat umum yang biasa
membuang sampah namun masih memiliki kendala dalam penempatan
sampahnya. Sistem yang dibangun dapat membantu mendeteksi jenis sampah dan
langsung memilah sendiri secara otomatis sampah yang ada tanpa harus
menentukan sendiri.

49
Selain itu dideskripsikan juga sistem pemilahan sampah agar masyarakat

sudah tidak kesulitan lagi dalam membuang sampah dengan sesuai jenisnya.
Pengembangan dilakukan berdasarkan pada hasil kuesioner dan wawancara yang
telah dikumpulkan, dengan melibatkan narasumber dan orang-orang yang masih
kesulitan dalam membuang sampah sesuai jenis sampahnya.
4.2.2 Analisis Kebutuhan Hardware
Dalam pembuatan robot pemilah sampah otomatis ini, dibutuhkan

beberapa perangkat keras atau hardware baik berupa mikrokomputer dan
komponen elektronik lainnya. Pemilihan spesifikasi hardware menjadi sangat
penting agar sistem dapat berjalan dengan baik sesuai dengan kebutuhan
pengguna. Tabel 4.2 menerangkan daftar komponen yang dibutuhkan:
Table 4.2Analisis Kebutuhan Hardware
No. Komponen Jumlah Kegunaan
1. Raspberry Pi 3 Model B 1 Sebagai otak dari sistem yang dapat

mengolah data dan melakukan
seluruh proses pada sistem.
2. Camera USB 1 Menangkap gambar.
3. Motor Servo 1 Penggerak katup pemilahan
sampah.
4. Micro SD 16 GB Class 1 Tempat penyimpanan data pada
10 Raspberry Pi.
5. WiFi Router 1 Memungkinkan Raspberry Pi untuk
dapat terkoneksi dengan server dan
internet.
6. Power Bank Micro USB 1 Memberikan power untuk Raspbery
5 V 2.4 A Pi untuk dapat menyala.

50
4.2.3 Analisa Kebutuhan Sofware dan Tools
Selain Hardware yang sudah disebutkan sebelumnya, dibutuhkan juga

Software dan Tools untuk mendukung hardware agar berjalan sesuai dengan yang
diharapkan. Berikut software yang dibutuhkan dalam pembuatan robot pemilah
sampah organik dan non organik dengan machine leaarning berbasis arduino ini
agar dapat berjalan sesuai dengan yang diharapkan.
Table 4.3 Analisis Kebutuhan Software dan Tools
No. Nama Kegunaan

Software/Tools
1. Pemrograman Bash Untuk memberikan instruksi-instruksi kepada
Shell Raspberry Pi.
2. Pemrograman Untuk menjalankan script yang dikirim ke

Python raspberry Pi.
3. Bahasa Untuk media pendukung bahasa python agar data
Pemrograman JSON gambar tidak rusak.
4. Usbcam Bertugas melakukan capture foto pada Raspberry
Pi.
5. Protobuf Bertugas melakukan pertukaran data kepada
Raspberry Pi.
6. OpenCV Merupakan tools untuk membantu proses
pemrosesan gambar agar terbaca mikrokomputer.
7. TensorFlow Memungkinkan penulis membuat framework
untuk machine learning.
8. Film morago Memungkinkan penulis untuk melakukan desain
pembuatan video.

51
4.2.4 Analisa Sistem Berjalan
Berdasarkan hasil observasi, wawancara dan kuesioner yang dilakukan,

dapat diketahui bahwa kebanyakan sistem yang berjalan saat ini masih
menggunakan gambar pembeda jenis sampah dalam hal mengedukasi masyarakat
untuk menempatkan sampah berdasar jenisnya. Sistem ini merupakan sistem yang
sebenarnya membantu keefektifan karena masih banyak masyarakat yang tidak
memahami fungsi tong sampah terpisah berdasar jenisnya, Berikut adalah skema
alur dari analisis sistem berjalan.
Gambar 4.1Skema Alur 1 Analisis Sistem yang Berjalan
4.2.5 Analisa Sistem Usulan
Sistem usulan yang diajukan pada tahap ini berdasarkan hasil dari
identifikasi kebutuhan dan analisis sistem berjalan. Digunakan beberapa skema
alur dari analisis sistem usulan berupa sistem pemilahan sampah secara otomatis.

52
Dibawah ini gambaran secara garis besar bagaimana sistem usulan

berjalan dan melakukan Sistem Pemilahan Sampah Organik dan Non Organik
dengan Machine Learning dengan menggunakan Raspberry Pi dan Hardware
pendukung lainnya.
Gambar 4.2 Skema Alur 2 Sistem Usulan
Gambar 4.2 menjelaskan tentang usulan sistem robot pemilah sampah

otomatis. Sistem dapat mendeteksi sekaligus memilah jenis sampah dengan
menggunakan usbcam dan motor servo, untuk selanjutnya dikontrol pada
raspberry pi seperti dalam perintah pengambilan gambar atau video, juga perintah
pemilahan sampah secara otomatis. Pengendalian sistem dapat dilakukan secara
otomatis dengan menggunakan koneksi internet, guna memberikan kemudahan
kepada pengguna alat agar dapat lebih mudah dalam hal pembuangan sampah

53
tanpa harus menentukan sendiri jenis sampah yang sedang dibawa.
Gambar 4.3 Cara Kerja Sistem Usulan
Berikut penjelasan fungsi dari komponen sistem usulan:
1. Motor Servo berfungsi sebagai katup yang akan bergerak kekiri atau
kekanan sesuai dengan proses gambar untuk jenis sampah yang akan
dipilah, alat akan bekerja secara otomatis.
2. Usbcam berfungsi sebagai penangkap gambar objek sampah untuk
selanjutnya diidentifikasi, untuk dapat memberikan informasi berupa
foto atau video.
3. Raspberry Pi berfungsi sebagai otak utama unit pengolahan data dan
sebagai penyimpanan program untuk mengendalikan komponen yang
terhubung.
4. WiFi Router berfungsi sebagai unit koneksi antara Raspberry Pi dan
jaringan internet.

54
5. OpenCV berfungsi untuk mentransfer data atau berkas sesuai dengan

gambar yang akan diolah berada pada jaringan internet.
Dengan menggunakan motor servo yang terhubung dengan usbcam
perintah dapat dikirim melalui jaringan internet yang selanjutnya masuk ke
Raspberry Pi untuk dieksekusi.
Berikut adalah penjelasan dan gambaran secara detil berdasarkan

gambaran secara garis besar di atas:
A. Proses pada Usbcam
1. Usb Camera akan menangkap gambar jika perintah dijalankan,

kemudian data dari gambar akan dikirimkan ke Raspberry Pi melalui
USB port.
2. Hasil tangkapan gambar dari usbcam akan diproses oleh Raspberry Pi

menjadi image capture. Proses ini dilakukan dengan usbcam yang
sebelumnya dilakukan instalasi terlebih dahulu pada Raspberry Pi.
Gambar 4.4 adalah proses yang dilakukan oleh Raspberry Pi dengan
fungsi usbcam.

55
Gambar 4.4 Proses Motion Pada Raspberry Pi
Proses yang berlangsung adalah capture image, dalam hal ini

dijalankan fungsi usbcam dengan kode pada server.
• Kode tensorflow yang terdapat pada server berfungsi untuk

mendeteksi objek, dengan inisialisasi:
"cd tensorflow1/models/research/Object
_detection/"
• Kode usbcam yang terdapat pada server berfungsi untuk
menangkap gambar, dengan inisialisasi:
"python3 Object_detection_picamera.py --usbcam"
Berikut adalah skema alur proses yang lebih spesifik dari setiap proses
yang berjalan pada usbcam dan tensorflow:
Gambar 4.5Proses pada Raspberry Pi dengan Usbcam dan Tensorflow
1. USB Camera akan menangkap gambar yang merupakan gambar yang

mempunyai sinyal analog. Saat ditangkap, gambar dengan sinyal

56
analog diproses usbcam sehingga menjadi sinyal digital dan kemudian

dikirim ke Raspberry Pi melalui USB port.
2. Di dalam Raspberry Pi, gambar dikirim ke prosesor dan kemudian
diolah dengan usbcam dan tensorflow yang telah diinstal sebelumnya
dan tersimpan pada micro sd. Setelah diproses oleh kedua tools diatas,
gambar akan ditampilkan kembali berupa sinyal digital, dalam proses
ini juga melibatkan RAM yang merupakan tempat penyimpanan
sementara. Hasil tangkapan gambar oleh usbcam akan diproses dan
dikirim ke server dengan FTP (File Transfer Protocol) yang
selanjutnya gambar berupa foto atau video tersebut dapat menentukan
secara otomatis jenis sampah yang sesuai dengan tempatnya.
B. Proses pada Motor Servo
1. Motor Servo akan menggerakan katup jika perintah dijalankan,

kemudian sampah akan bergerak kekiri atau kekanan sesuai dengan
hasil pemrosesan dari raspberry pi.
2. Gerakan motor servo merupakan perintah yang diproses oleh

Raspberry Pi dengan program yang sudah ditanamkan pada raspberry

57
pi tersebut. Proses ini dipengaruhi oleh program yang berada pada

kode motorservo1.py yang sudah disimpan pada raspberry pi. Gambar
4.4 adalah proses yang dilakukan oleh Raspberry Pi dengan fungsi
usbcam dan tensorflow.
3. Untuk menghubungkan Pengendali Sistem Pemilahan Sampah dengan
machine learning maka diperlukan sebuah data training, data training
berfungsi sebagai pembelajaran kepada sistem agar bisa membaca
jenis objek yang diidentifikasi dan raspberry pi dalam jaringan
internet, selain itu juga sebagai penyimpanan data. Berikut ini data
yang terdapat pada server raspberry pi (motorservo1.py) untuk
menjalankan Motor Servo:
• Kode utama untuk menggerakan motor sesuai penjadwalan yang
ditentukan, inisialisasinya sebagi berikut:
import RPi.GPIO as GPIO

import time
servoPIN = 17
GPIO.setmode(GPIO.BCM)
GPIO.setup(servoPIN, GPIO.OUT)
p = GPIO.PWM(servoPIN, 50) # GPIO 17 for PWM with

50Hz
p.start(2.5) # Initialization
try:
while True:
p.ChangeDutyCycle(5)
time.sleep(0.5)
p.ChangeDutyCycle(7.5)
time.sleep(0.5)
time.sleep(0.5)
p.ChangeDutyCycle(12.5)

58
time.sleep(0.5)
time.sleep(0.5)
except KeyboardInterrupt:
p.stop()
GPIO.cleanup();
• Kode untuk menggerakan motor yang terdapat pada server.c

dengan inisialisasi sebagai berikut:
"sudo /usr/bin/python3 motorservo1.py"
Berikut adalah skema rangkaian yang lebih spesifik dari setiap proses yang
berjalan pada motor servo:
Gambar 4.6 Rangkaian pada Raspberry Pi untuk Menggerakan Motor Servo
1. Motor Servo akan bergerak sesuai dengan arus yang masuk dari driver.
Arus keluaran dari Raspberry Pi (mikrokomputer) tidak dapat

59
menggerakkan motor servo. Maka diperlukan driver untuk mencatu

arus motor servo.
2. Di dalam Raspberry Pi program untuk menggerakan motor servo
sudah tertanam, seperti pengaturan pin GPIO yang akan digunakan
sebagai keluaran pada raspberry pi juga sebagai Ground atau Volt yang
terhubung dengan driver, pemilihan pin GPIO disesuaikan dengan
fungsinya. Dalam prosesnya raspberry pi akan mengeluarkan sinyal
pulsa yang kemudian sinyal pulsa akan ditangkap dan diolah oleh
driver menjadi sebuah arus yang dapat menggerakan motor servo.
4.3 Tahap Membangun Sistem
4.3.1 Pembuatan Flowchart
Merancang atau mendesain suatu sistem bisa didefinisikan sebagai tugas

yang fokus pada detail spesifikasi dari solusi otomatisasi. Digunakan sebuah
flowchart atau alur kerja dari rancang bangun robot pemilah sampah organik dan
non organik dengan machine learning untuk mempermudah dalam
mengimplementasikan teori, dan tahapan yang dilakukan. Berikut ini gambar
flowchart halaman pengendali dari rancang bangun pemilah sampah organik dan
non organik dengan machine learning.

60
Gambar 4.7Flowchart halaman pengendali
4.3.1.1 Flowchart Machine Learning
Berikut ini merupakan flowchart dari tombol perintah untuk proses

machine learning mengidentifikasi gambar (foto atau video) dengan menggunakan
usbcam yang terhubung pada port USB raspberry pi.

61
Gambar 4.8 Flowchart Machine Learning
Keterangan Gambar:
Alur yang terjadi pada Gambar 4.5 adalah proses machine learning:
1. USB Camera akan menangkap gambar yang kemudian data dari gambar akan
dikirimkan ke Raspberry Pi melalui USB port.
2. Hasil tangkapan gambar dari webcam akan diproses oleh Raspberry Pi
menjadi image capture atau video capture dan tersimpan pada micro sd.
Semua proses ini dilakukan dengan tools tensorflow yang sebelumnya
dilakukan instalasi terlebih dahulu pada Raspberry Pi.

62
3. Gambar kemudian akan dikirim ke Server dengan FTP (File Transfer

Protocol) agar dapat diakses secara online.
4. Gambar berupa foto atau video yang sudah tersimpan pada server selanjutnya
secara langsung diarahkan ke motor servo untuk dieksekusi.
4.3.1.2 Flowchart Pemilahan Sampah pada Motor Servo
Berikut ini merupakan flowchart dari tombol perintah untuk menggerakan

motor servo, dimana motor servo akan bergerak kekiri atau kekanan sesuai
dengan jenis sampah yang diidentifikasi.
Gambar 4.9 Flowchart Pemilahan Sampah pada Motor Servo

63
Keterangan Gambar:
Alur yang terjadi pada Gambar 4.9 adalah proses motor servo dalam memilah
sampah organik dan non organik:
1. Ketika sampah masuk kedalam kotak akan terjadi proses pembacaan oleh
kamera yang akan diidentifikasi terlebih dulu.
2. Sampah dianalisis dan akan mendapat hasil.Setelah hasil objek diketahui,
selanjutnya akan diteruskan Raspberry Pi kepada motor servo.
3. Raspberry Pi memeriksa hasil yang masuk untuk mengetahui perintah kepada
motor servo. Perintah terkonfirmasi untuk selanjutnya dijalankan oleh fungsi
motor yang sudah di hubungkan dengan raspberry pi.
4.3.2 Tahap input data
Dalam penelitian ini data sampel citra yang digunakan sebanyak 4 buah
objek, terdiri dari 2 objek organik dan 2 objek non organik. Masing-masing
jenis objek diambil 10 buah citra berukuran 150 x 150 piksel untuk skenario 1,
dan ukuran 100 x 100 piksel untuk skenario 2. Sehingga total sampel yang
digunakan sebanyak 40 buah.
No Nama Gambar objek

objek
1 jeruk 1

64
2 jeruk 2
3 jeruk 3
4 jeruk 4
5 jeruk 5
6 Besi 1

65
7 Besi 2
8 Besi 3
9 Besi 4
10 Besi 5
11 Botol 1

66
12 Botol 2
13 Botol 3
14 Botol 4
15 Botol 5
16 Pisang
1

67
17 Pisang
2
18 Pisang
3
19 Pisang
4
20 Pisang
5
4.3.3 Perhitungan manual
A. Ekstraksi warna
Diasumsikan koordinat-koordinat R, G, B [0,1] adalah
berurutan merah, hijau, biru dalam ruang warna RGB, dengan
max adalah nilai maksimum dari nilai red, green, blue, dan min
adalah nilai minimum dari nilai red, green, blue. Untuk
memperoleh sudut hue [0,360] yang tepat untuk ruang warna
HSV.
Rumus pada persamaan menghasilkan nilai value dan

saturation dalam jangkauan RGB [0,1].

68
Kalikan dahulu dengan 255 untuk memperoleh nilai dengan

jangkauan RGB [0,255].
Misalnya ingin ditransformasikan RGB (65, 27, 234) ke dalam
bentuk HSV, maka langkahnya adalah sebagai berikut:
Setiap nilai RGB (65, 27, 234) diubah dalam jangkauan [0,1]
dengan
membagi setiap nilai dengan 255 :
65 27 234
( , , ) = (0.255,0.106,0.918)
255 255 255
RGB(0.255, 0.106, 0.918) ini yang akan ditransformasikan ke
bentuk HSV.
Max = nilai B (blue) = 0.918,

Min = nilai G (green) = 0.106,
Max- min = 0.918 – 0.106 = 0.812
Untuk menghitung nilai hue;
Untuk menghitung pattern

Pattern = max
= 0.918
Untuk menghitung texture
Texture
Sehingga nilai RGB(65,27,234) ditransformasikan menjadi (251,0.885, 0.918)

dengan jangkauan RGB [0,1].
diasumsikan matriksnya adalah:
8 10 0 0
8 4 2 6

69
8 8 6 8
6 6 8 6
Selanjutnya perhitungan pertama

8 10 0 0
8 4 2 6
8 8 6 8
6 6 8 6
Cara menghitung matriks tersebut gunakan persamaan 2.10

dan 2.11, dimana setiap nilai piksel dibandingkan dengan
piksel tengah. Apabila nilai piksel ≥ piksel tengah maka
bernilai biner 1, apabila nilai piksel < piksel tengah maka
bernilai 0. Lalu masing-masing dihitung, seperti pada
perhitungan di bawah ini.
4 : 11001111 = 1(20) + 1(21) + 0(22) + 0(23) + 1(24) + 1(25) + 1(26)

+ 1(27)
= 1 + 2 + 0 + 0 + 16 + 32 + 64 + 128
= 243
Angka 11001111 ini diperoleh dari hasil membandingkan setiap nilai piksel
dengan piksel tengah, dan diurutkan sesuai dengan arah jarum jam. Lalu angka
11001111 tersebut dihitung. Sehingga menghasilkan nilai LBP sebesar 243.

70
- Perhitungan kedua
8 10 0 0
8 4 2 6
8 8 6 8
6 6 8 6
2 : 10011111 = 1(20) + 0(21) + 0(22) + 1(23) + 1(24)+ 1(25) + 1(26)

+ 1(27)
= 1 + 0 + 0 + 8 + 16 + 32 + 64 + 128
= 249
Perhitungan ketiga
8 10 0 0
8 4 2 6
8 8 6 8
6 6 8 6
8 : 10001001 = 1(20) + 0(21) + 0(22) + 0(23) + 1(24) + 0(25) + 0(26)

+ 1(27)
= 1 + 0 + 0 + 0 + 16 + 0 + 0 + 128
= 145

71
Setelah mendapatkan nilai citra asli yang telah ditransformasi maka

selanjutnya untuk dapat nilai statistika orde pertama meliputi 3 parameter
penilaian.
B. Klasifikasi SVM(Support Vector Machine)

Untuk melakukan klasifikasi citra objek sampah, penulis menggunakan
metode SVM. Metode SVM yang digunakan adalah One-Against-All.
Klasifikasi dengan metode One-Against-All dilakukan berdasarkan
banyaknya jumlah kelas (grup), yakni akan terdapat 3 kali klasifikasi.
Saat data uji diinputkan, SVM akan membandingkan data uji dengan
semua grup dari data latih hingga data uji tersebut masuk ke dalam suatu
grup yang spesifik. Klasifikasi ini menentukan jenis sampah dari inputan
yang dimasukkan, antara botol plastik, sendok besi, kulit pisang, dan
jeruk. Adapun langkah-langkahnya sebagai berikut :
1. Buat inisialisasi permasalahan SVM sebagai AxB,

dimana A = k dan B = {k+1,k+2,...,n} dan k=1, k adalah
banyak kelas. Dan untuk tes vektor adalah T. Lalu kelas
= klasifikasi (SVM(A,B),T).
2. Input : x = {x1, x2,...,xn}
Data citra sampah sebanyak 40 buah citra dengan
masukan 3 parameter sebagai atribut. Jumlah kelas k = 4
terdiri atas :
kelas 1 = botol plastik ; kelas 2 = sendok besi ; kelas 3 =

kulit pisang ; kelas 4 = jeruk
3. Apabila x1 = 1, maka x1 merupakan jenis klasifikasi A,

dimana nilai A merupakan k=1.
4. Apabila x1 = -1, maka x1 akan diuji dengan B, dimana
nilai B merupakan {k+1, k+2,....,n}

72
5. Proses klasifikasi akan berhenti saat x menemukan kelas

aktual yang sesuai dengan nilai T. Sebaliknya, apabila x
belum menemukan kelas yang sesuai maka akan kembali ke
langkah 4.
Citra Hue Pattern Texture

1 Nilai Nilai Nilai
2 Nilai Nilai Nilai
........... .......... ...........
39 Nilai Nilai Nilai
40 Nilai Nilai Nilai
Total sampel citra
40
Pada perhitungan untuk Support Vector Machine One Againts All

prinsipnya metode ini membandingkan satu kelas dengan kelas lainnya. Untuk
mengklasifikasi data kedalam k kelas maka sejumlah model svm biner harus
dibangun. Setiap model kelas svm dilatih dengan menggunakan keseluruhan data
latih. Untuk mengklasifikasikan 4 kelas butuh 4 buah svm biner.
k(k−1) 4(4−1)
𝑥= diketahui klasifikasi untuk 4 kelas =6
2 2
4.3.4 Perancangan Robot
Pada tahap ini dilakukan perancangan robot pemilah sampah. Terdiri dari
pemasangan perangkat satu sama lain dan packaging tempat sedemikian rupa agar
tampak baik.

73
Gambar 4.10Rancangan tampilan robot
Gambar 4.10 adalah rancangan tampilan robot secara keseluruhan dari

robot pemilah sampah organik dan non organik dengan machine learning yang
tujuannya untuk memilah sampah secara otomatis sehingga pengguna tidak perlu
secara manual lagi dalam menaruh sampah sesuai jenisnya.
4.4 Tahap Evaluasi Sistem
Tahapan selanjutnya adalah tahap evaluasi sistem, yang merupakan tahap

evaluasi dari keseluruhan desain sistem menjadi sebuah bahasa pemograman.
Mengacu kepada analisis sistem usulan, yang menggunakan beberapa fungsi
hardware yang harus diprogram agar bisa berjalan sebagaimana fungsinya.
Diantaranya yaitu usbcam dan motor servo. Berikut ini adalah langkah-langkah
pada pemograman alat.

74
4.4.1 Pengkodean Kamera
Tahapan pertama yang perlu dilakukan adalah melakukan pengkodean

kamera pada Raspberry Pi yang fungsinya akan digunakan. Dalam penelitian ini
ada dua fungsi tools yang akan digunakan, yaitu webcam dan tensorflow.
a. Pengkodean Open cv
OpenCV adalah fungsi untuk mengambil gambar berupa foto atau
video pada raspberry pi dengan memanfaatkan camera yang terhubung,
baik pada port USB atau pada port camera sendiri. Berikut ini perintah
yang perlu dilakukan untuk instalasi:
sudo apt-get install OpenCV
Gambar 4.11 Pengkodean OpenCV Pada Raspberry Pi
b. Pengkodean Object Detection

Berikut merupakan pengkodean untuk object detection:

75
Gambar 4.12Pengkodean Object Detection Pada Raspberry Pi

4.4.2 Pengkodean Sistem
Berdasarkan pada proses-proses yang akan dijalankan oleh sistem, yang

sudah digambarkan pada Gambar 4.13, maka penjabaran beberapa kode atau
perintah yang dijalankan adalah sebagai berikut:
a. Pembuatan proses Object Detection dan koneksi
Proses pertama adalah membuat data training serta objek digabungkan

kedalam Raspberry Pi. Nantinya mengatur fungsi kerja sistem dalam
jaringan internet.
Berikut adalah kode yang digunakan:
import argparse
import time
import os
from_future_import print_function
import cv2
if_name_== ‘_main_’;
import sys
print(_doc_)

76
try:
param = sys.argv[1]
except indexError:
param = “”
if “—build” == param;
print{cv2.getBuildInformation()}
elif “—help” == param;
print{“\t—build\n\t\tprint complete build info”}
print{“\t—help\n\t\tprint this help”}
else:
print {welcome to OpenCV”}
if sys.platform != "win32":
haystackPaths = [p.replace("\\", "") for p in haystackPaths]
needlePaths = [p.replace("\\", "") for p in needlePaths]
BASE_PATHS = set([p.split(os.path.sep)[-2] for p in needlePaths])

haystack = {}
start = time.time()
for p in haystackPaths:
image = cv2.imread(p)
if image is None:
continue
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

imageHash = dhash(image)
b. Pembuatan program fungsi kerja alat Motor Servo
Berikut ini merupakan kode-kode perintah untuk menjalankan fungsi

alat pada raspberry pi, yang terhubung dengan motor servo sebagai
pengendalinya. Berikut ini kode yang dibuat yang disimpan pada
file/folder:

77
Dalam pengaturan kode diatas terdapat script untuk menjalankan

fungsi motor servo dan webcam, yang mana dapat diketahui untuk
memanggil fungsi motor servo terdapat pada source code motorservo1.py,
dan pada kode tersebut diberi nilai 2, 5, dan 10 yang merupakan nilai
pulsa yang akan dikirim ke motor servo. Selanjutnya terdapat fungsi
OpenCV yang merupakan fungsi untuk mengambil gambar berupa video
dari webcam yang terhubung pada raspberry pi, terdapat nilai 10 pada
script yang artinya pengambilan dan penayangan video akan berjalan
selama 10 detik. Terakhir webcam, yang merupakan fungsi pengambilan
gambar berupa foto pada raspberry pi, pada script tersebut terdapat nilai
1280x720 yang merupakan resolusi foto yang diambil dengan ekstensi
.jpg. Selain itu, terdapat juga fungsi idektifikasi objek yang selanjutnya
akan dilanjutkan motor servo sebagai pemilah objeknya, berikut ini
programnya:

78
Fungsi motor servo dapat bekerja karena terhubung dengan raspberry

pi melalui Pin GPIO, berikut ini cuplikan source code motorservo1.py:
Dari cuplikan kode diatas dapat diketahui bahwa pin GPIO pada
raspberry pi yang digunakan adalah pin nomor 1,3, dan 17, yang mana
pin-pin tersebut akan terhubung ke driver motor servo yang selanjutnya
motor servo akan bergerak sesuai dengan perintah yang diberikan dari
raspberry pi melalui pin-pin tersebut.

79
4.5 Tahap Penggunaan Sistem
4.5.1 Pengujian Mandiri (Black Box Testing)
4.5.1.1 Skenario Pengujian
Pengujian ini dilakukan secara alpha. Metode yang digunakan dalam

pengujian alpha adalah metode Black Box Testing. Metoda ini yang berfokus pada
fungsionalitas sistem terutama hasil inputan dan keluaran yang dilakukan oleh
pengguna. Pengujian dikatakan berhasil jika output sesuai dengan kendali input
yang dimasukkan pada tiap perintah.
4.5.1.1.1 Hasil Pengujian
Berdasarkan hasil dari pengujian blackbox yang telah dilakukan, menunjukan

bahwa secara fungsional sistem yang telah dibangun sudah dapat menghasilkan
keluaran yang diharapkan,
Table 4.4 Pengujian Mandiri
Hasil yang
No Modul Prasyarat Hasil
Diharapkan
1 Terhubung online Adanya koneksi Efektif dan efisien OK
dengan internet internet
2 Jarak kamera dengan Adanya koneksi Sistem dapat OK
letak objek yang internet membaca jenis
diidentifikasi objeknya
3 Kamera dapat Kamera terpasang Menampilkan foto OK
menangkap gambar pada Raspberry Pi atau video
berupa foto atau dan terkoneksi
video motor servo
4 Motor dapat Motor terpasang Sampah dapat dipilah OK
bergerak kekiri atau pada Raspberry Pi dengan baik
kekanan dan terkoneksi
5 Semua perintah Adanya koneksi Alat berfungsi OK

80
dapat bekerja sesuai internet, raspberry dengan baik

dengan pengaturan pi dan motor servo
terkoneksi
Proses kerja keseluruhan sistem berjalan dengan baik selama koneksi internet
juga baik. Karena proses kerja sistem membutuhkan kestabilan konektivitas
berupa internet bandwith. Setiap perintah diatur sesuai dengan keinginan
pengguna, dalam sistem ini ada dua perintah utama yang disajikan. Perintah
pertama adalah ambil foto atau ambil video untuk mengetahui jenis sampah untuk
diidentifikasi. Perintah kedua adalah gerakan servo dalam menentukan kekiri atau
kekanan berdasar jenis sampah yang diidentifikasi secara otomatis.
4.5.2 Pengujian Terhadap Pengguna
Setelah sistem ini berhasil melalui tahapan pengujian mandiri, sistem siap
untuk diimplementasikan pada masyarakat selaku pengguna tempat sampah.
4.5.2.1 Skenario Pengujian
Pengujian dilakukan ditempat tertutup yang cukup cahaya didalam rumah

seorang teman bernama Mahfud. Robot pemilah sampah akan dijalankan dengan
objek yang dipersiapkan berjumlah 4, dimana 2 objek berjenis organik dan 2
objek jenis non organik. Dalam proses pengujiannya objek akan dibuang secara
acak jenisnya satu persatu untuk melihat hasil proses yang dijalankan robot.
Selanjutnya perintah yang dilakukan pengguna pada sistem dicatat, begitupun
kerja alat dan reaksi ketepatan objek yang diidektifikasi kamera terhadap alat
tersebut.
4.5.2.1.1 Hasil Pengujian
Setelah pengujian dilakukan, didapatkan data sebagai informasi berkaitan

dengan alat, objek sampah dan pemilahan jenis sampah secara benar. Table
berikut ini menjelaskan kerja sistem secara otomatis.
Table 4.5Kerja sistem secara otomatis

81
Organik Non Organik
Jumlah identifikasi objek yang

2 objek 2 objek
disiapkan
Jarak kamera dengan objek

10-15 cm 10-15 cm
untuk diidentifikasi
Waktu yang dibutuhkan untuk

5-10 detik 5-10 detik
proses pemilahan sampah
Kesesuaian jenis sampah yang

60-95% 60-95%
masuk kedalam tempatnya
Dari table diatas dapat diketahui bahwa jenis sampah yang disiapkan ada 4
objek dimana setiap objek akan diidentifikasi oleh kamera. Untuk objek sendiri
ditaruh secara acak tujuannya agar mendapatkan hasil kesesuai objek sampah
yang diproses dengan baik. Ketepatan objek yang akan dipilah juga dipengaruhi
dari jarak peletakan kamera yang tidak boleh terlalu dekat dengan objek. Hal ini
dikarenakan objek terkadang memiliki bentuk yang cukup besar dan jika letak
kamera tidak disesuaikan maka akan membuat objek tidak terbaca dengan baik.
Dalam proses idektifikasi objek juga dibutuhkan waktu yang cukup agar bisa
diolah lebih dulu data objek yang masuk keperintah motor servo supaya bisa
bergerak sesuai jenis objeknya.Dari pengujian tersebut dapat diketahui bahwa alat
tersebut akan lebih efektif ketika digunakan secara perlahan untuk sampah yang
ingin dibuang karena jika objek yang dideteksi dalam jumlah yang banyak dan
bersamaan akan membuat motor servo kebingugan menentukan penempatan jenis
objek sampah yang ada.
Pengambilan gambar dapat berfungsi dalam berbagai kondisi yang sudah

disesuaikan terlebih dahulu. Namun perlu diketahui juga karena robot ini
menggunakan sensor kamera biasa maka perlu juga memikirkan soal pencahayaan
yang baik agar prosesnya berjalan baik.

82
Pada dasarnya fungsi kendali dan alat dapat berjalan selama tersambung
dengan jaringan internet, namun ketika jaringan internet tidak tersedia maka
fungsi kendali dan alat tidak dapat bekerja.

BAB V
HASIL DAN PEMBAHASAN
5.1. Hasil
5.1.1 Sistem Pemilahan
Berdasarkan materi yang disampaikan di Bab II tentang robot pemilahan
sampah organik dan non organik,yang mana pemilahan merupakan suatu proses
pemisahan jenis objek yang sudah disesuaikan. Pemilahan merupakan upaya
untuk memisahkan sekumpulan dari sesuatu yang sifatnya heterogen menurut
jenis atau kelompoknya sehingga menjadi beberapa golongan yang sifatnya
homogen. Pemilahan sampah ini bertujuan untuk mempermudah kerja dari
petugas sampah serta mengurangi resiko pencemaran lebih jauh lagi. Karena jenis
sampah organik cenderung mengalami pembusukan yang cukup cepat dan apabila
dicampur dengan sampah non organik akan menyebabkan bau yang tidak sedap
pula. Sistem pemilahan ini berhubungan dengan objek sampah yang akan diproses
sesuai jenisnya dengan menggunakan teknologi raspberry pi yang terhubung
dengan jaringan internet.
Penggunaan internet merupakan salah satu perkembangan teknologi yang

menarik yang bisa diterapkan dalam berbagai segi kegiatan manusia. Berdasarkan
kebutuhan dari penelitian yang dilakukan, yaitu tentang pemilahan sampah
organik dan non organik yang berfokus dengan dilakukannya observasi,
wawancara dan kuesioner kepada masyarakat umum, pada akhirnya dapat
diketahui dan disimpulkan bahwa sistem berhasil mengakomodir kebutuhan dari
masyarakat umum untuk membantu kemudahan dalam pemilahan sampah tanpa
harus susah payah menentukan sendiri jenis sampah yang biasanya masih
menimbulkan kendala kesalahan tempat dalam menaruh sampah. Berikut adalah
penjelasan dari poin - poin yang berhasil penulis akomodir:
83
84
5.1.1.1. Menangkap Gambar berupa Foto atau Video
Menangkap Gambar berupa Foto atau Video digunakan USB Camera

sebagai input dari sistem monitoring yang mana akan di proses menggunakan
teknologi picam yang sudah terinstall pada Raspberry pi, dan sebagai keluaran
atau output digunakan memori eksternal yang berfungsi sebagai peyimpanan
data dan bisa menampilkan hasil penangkapan gambar baik foto atau video.
Hal ini menjelaskan bahwa Robot Pemilah Sampah yang diterapkan telah
sesuai dengan kebutuhan dari masyarakat umum yang ingin adanya
kemudahan dalam pembuangan sampah namun tetap memudahkan petugas
pengangkut sampah.
5.1.1.2. Jalankan motor servo dengan machine learning
Robot Pemilah Sampah yang dibuat tentu membutuhkan sebuah fungsi

dimana kerja robot dapat akurat dalam membedakan jenis objeknya, perintah
yang bisa dilakukan oleh raspberry pi melalui Pin GPIO yang terhubung
dengan hardware lainnya bisa meliputi banyak aspek, salah satunya motor
servo. Pada sistem ini, terdapat dua perintah untuk menggerakan motor servo
sebagai penentu arah sampah akan dibuang. Perintah ini meliputi pemutaran
motor secara langsung ketika kamera sudah mengidentifikasi objek. Dan
dengan bantuan kamera objek diproses menggunakan data latih dimana
machine learning yang digunakan dalam prosesnya.
5.1.2 pengujian data
1. Tampilan input gambar

Tampilan hasil input, terdapat sebuah folder yang berisi
data citra jenis sampah yang ada.

85
2. Ekstraksi warna RGB
Ekstraksi warna dilakukan untuk membaca warna jelas dari benda yang akan
diproses.

86
3. Klasifikasi SVM
Pada tahap ini objek diklasifikasikan menggunakan algoritma SVM untuk

proses hasil akhir.
4. Data uji objek
No Nama Gambar objek

objek
1 Organik
1

87
2 Organik
2
3 Organik
3
4 Organik
4
5 Organik
5
6 Non
Organik
1

88
7 Non
Organik
2
8 Non
Organik
3
9 Non
Organik
4
10 Non
Organik
5
11 Non
Organik
6

89
12 Non
Organik
7
13 Non
Organik
8
14 Non
Organik
9
15 Non
Organik
10
16 Organik
6

90
17 Organik
7
18 Organik
8
19 Organik
9
20 Organik
10
5.1.3 Pengujian pencahayaan
Jenis Pencahayaan Persentase Hasil gambar

Objek (%)
Organik Redup 72

91
Non Redup 80
organik
Organik Terang 85
Non Terang 85
organik
Pada pengujian pencahayaan ini peneliti menggunakan skenario cahaya

yang dibuat redup dan cahaya yang dibuat begitu terang. Dan dapat dilihat bahwa
cahaya untuk tangkapan kamera sangat berpengaruh terhadap keakuratan gambar
yang diidentifikasi. Peneliti juga melampirkan hasil gambarnya pada bagian
lampiran.
5.1.4 Pengujian ketepatan motor servo

Jenis objek Arah servo Keterangan
Jeruk busuk Kekiri Arahnya tepat sesuai box
Kulit pisang Kekiri Arahnya tepat sesuai box
Sendok besi Kekanan Arahnya tepat sesuai box
Botol platik Kekanan Arahnya tepat sesuai box

92
Pada pengujian objek yang dilihat dari gerak motor servo didapatkan hasil
bahwa objek yang diuji sudah terbaca dengan baik sehingga servo bisa
memproses dengan benar arah jatuhnya objek tersebut.
5.1.5 Pengujian frame per second(FPS)
Sumber daya hasil FPS Gambar FPS
(frame per
second)
Power bank 0,42-0,46
detik
Terminal stop 0,50-0,60

kontak detik
Hasil besaran FPS(frame per second) juga dipengaruhi dari jenis kamera
yang dipakai dan tambahan hardware yang saling tersambung. Dalam kasus
ini dengan tambahan motor servo juga mangakibatkan penurunan jumlah FPS.
Karena daya dari sumber energi terbagi yang menyebabkan penurunan jumlah
FPSnya. Selama percobaan peneliti juga pernah mencapai nilai FPS sebesar
1,26 yang merupakan nilai paling maksimal yang didapat.
5.1.6 Pengujian persentase akurasi objek
Jenis Objek Persentase Gambar Objek

akurasi (%)
Jeruk 69-87
busuk(organik)

93
Kulit 69-93
pisang(organik)
Sendok besi 75-85

bekas(non
organik)
Botol plastik 60-85

bekas(non
organik)
Jumlah objek yang diuji berjumlah 4 yang masing-masing terdiri dari 2

jenis sampah organik dan sisanya non organik. Pengujian dilakukan secara
acak dan berulang dengan mendapatkan hasil yang hampir serupa. Hasil yang
berbeda-beda didapatkan karena posisi objek yang juga dibuat acak. Hal ini
menyesuaikan kemungkinan pengguna robot pemilah sampah yang
membuang sampahnya tidak selalu diposisi yang sama.
5.2 Pembahasan Pengumpulan Data
Setelah dikembangkan sistem sesuai dengan metode yang telah dijelaskan

pada Bab III, digunakan metode pengumpulan data dengan jenis data primer dan
sekunder. Data primer didapatkan melalui studi lapangan dan data sekunder
didapatkan melalui studi pustaka. Studi pustaka melalui literatur sejenis, buku,
dan e-book. Studi lapangan dilakukan dengan metode observasi, wawancara dan
kuesioner. Berikut adalah pembahasan dari metode-metode tersebut.

94
5.2.1 Data Primer
5.2.1.1 Studi Lapangan
Pada tahapan pengumpulan data, penulis melakukan studi lapangan berupa

observasi, wawancara dan kuesioner.
5.2.1.1.1 Observasi
Proses observasi ini dilakukan pada 2 tempat berbeda. Pada lokasi pertama
penulis mendatangi pusat perbelanjaan AEON Mall BSD ditanggal 8 Maret
2019 serta pada tanggal 8-10 April 2019 di Fakultas Sains dan
Teknologi(FST) lt.2 depan Musholla FST. Observasi berfokus pada kegiatan
pengguna dalam membuang sampah dimana pada lokasi tersebut sudah
disediakan 2 wadah tempat sampah berwarna kuning(organik) dan warna
biru(non organik).
Pengguna yang membuang sampah cukup banyak intensitasnya, yang

mana pengguna membuang sampahnya belum sesuai jenis yang sudah
disediakan. Hal tersebut bisa menjadi masalah karena jenis sampah organik
yang mudah membusuk menimbulkan bau yang lebih menyengat dan perlu
untuk dipisahkan dengan sampah non organik. Hal ini membuat ketersediaan
dua wadah sampah yang ada belum dipergunakan sebagaimana mestinya.
Tentunya petugas kebersihan yang mengambil sampah pada sore hari
mengalami kendala dalam hal bau dan pemanfaatan kembali sampah non
organik untuk di daur ulang jadi sulit dilakukan.
Dari hasil observasi dengan pengguna yang lewat serta membuang

sampah, diketahui bahwa tidak efektifnya tempat sampah yang disediakan
karena masih banyak pengguna yang belum memahami jenis sampah yang
mereka buang dan mereka terburu-buru membuang sampah jadi memilih yang
paling dekat jangkauannya. Pembuangan sampah yang masih terbilang kurang
sesuai pada tempatnya menyebabkan pengolahan sampah jadi tidak berjalan
dengan baik. Kekhawatiran terhadap pembuangan sampah yang tidak tepat

95
inilah yang membuat perlunya ada robot pemilah sampah organik dan non
organik diciptakan, agar mempermudah petugas kebersihan dan sampah yang
dibuang tidak bercampur sehingga menimbulkan bau yang tidak sedap.
5.2.1.2 Wawancara
Wawancara dilakukan secara langsung dengan Ibu Indah selaku Anggota

Dinas Lingkungan Hidup (DLH) Tangerang Selatan yang sudah sangat
berpengalaman dan mempunyai andil terhadap permasalahan sampah
diwilayah tersebut, terkait aktivitas dalam pengolahan sampah terutama
kendala dalam pemilahan jenis sampahnya. Ibu Indah selaku yang
diwawancarai merupakan salah satu ketuan Bank Sampah untuk wilayah
Pamulang Kota Tangerang Selatan dan juga anggota dari DLH Tangerang
Selatan. Wawancara dilakukan untuk mengetahui kelengkapan dalam
pembuatan alat ini. Detail hasil wawancara dapat dilihat pada lampiran.
Secara garis besar dapat diketahui bahwa kendala yang dialami oleh Ibu
Indah dalam pengolahan sampah di wilayahnya yaitu karena masyarakat
sekitar belum paham memilah sampah yang baik serta kesadaran membuang
sampah pada tempatnya pun masih kurang. Untuk mengatasi hal tersebut
ditanyakan pula perlu tidaknya pembuatan suatu sistem yang dapat membantu
memilah sampah berdasarkan jenisnya secara otomatis dengan machine
learning.
5.2.1.3 Kuesioner
Kuesioner dilakukan untuk mengetahui tanggapan masyarakat luas yang

terbiasa membuang sampah secara lebih objektif untuk menarik generalisasi
kesimpulan mengenai aktivitasnya dalam pembuangan sampah, terutama
dalam hal kendala untuk penempatan jenis sampahnya serta mengetahui
seberapa tinggi tingkat kebutuhan masyarakat terhadap alat yang bisa menjadi
solusi permasalahan. Kuesioner ditujukan untuk masyarakat umum di kota-
kota besar, adapun penyebaran kuesioner dilakukan secara online selama 3

96
hari dari tanggal 23-26 Maret 2019, kuesioner ini dapat diakses di
https://forms.gle/rKJ3ckaFq9oFKxsr8.
Kesimpulan dari hasil observasi, wawancara dan kuesioner yang telah

dilakukan, dapat diketahui bahwa masalah utama dalam pembuangan sampah
adalah kurang pemahaman pada pengguna soal jenis sampah yang mereka ingin
buang dan ketersediaan fasilitas kurang memadai untuk pemilahan jenis sampah.
Maka dapat disimpulkan bahwa rancang bangun robot pemilah sampah organik
dan non organik dengan machine learning merupakan solusi pengguna tempat
sampah dalam membuang sampahnya secara benar tanpa harus memikirnya jenis
sampah yang dibuang. Selain itu juga dapat meringankan kerja petugas kebersihan
dalam pengolahan sampah di TPS.
5.2.2 Data Sekunder
5.2.2.1 Studi Pustaka
Penulis menggunakan beberapa sumber studi pustaka, yaitu buku, e-book

dan studi literatur.
5.2.2.1.1 Buku
Buku cetak yang penulis gunakan adalah Dasar Raspberry Pi oleh

Abdul Kadir (2017), Physical Computing dengan Raspberry Pi oleh Andi
Dinata (2017), dan Machine learning tingkat lanjut oleh suyanto(2018).
5.2.2.1.2 E-book
Terdapat sedikit kesulitan dalam mencari buku elektronik atau e-

book mengenai topik Raspberry Pi karena teknologi ini masih cukup baru
dan berkembang. Oleh karena itu, lebih banyak menggunakan e-book yang
dibuat oleh penulis luar negeri. E-book yang digunakan meliputi.
Raspberry Pi Hardware Reference oleh Warren Gay (2014),Python
Programming for Teens oleh Kenneth A. Lambert(2015), dan Raspberry
Pi User Guide oleh JohnWiley(2016). Untuk daftar lengkap e-book yang
digunakan dapat dilihat pada daftar pustaka.

97
5.2.2.1.3 Studi Literatur
Dalam melakukan penelitian, digunakan perbandingan skripsi.

Berikut adalah hasil dari perbandingan studi literatur tersebut:
Table 5.1 Hasil Sudi Literatur
Nama
No. Judul Penelitian Kekurangan Kelebihan
Peneliti/Tahun
1. Deni Perancangan Prototype Masih Daya yang

Almanda/2018 Pemilah Sampah menggunakan dihasilkan sudah
Organik dan arduino Atmega 16 ramah lingkungan
Anorganik yang merupakan dengan
Menggunakan Solar versi lama, menggunakan solar
Panel 100 WP Sebagai pemilahan dengan panel.
Sumber Energi Listrik sensor warna
Terbarukan. masih belum
menunjukan
keakuratan yang
optimal, dan
dengan adanya
solar panel
membuat alat
masih terlalu besar.
2. Feisal Design and Respon untuk Cangkupan sistem

Ramadhan Development of Smart komunikasi yang luas
Maulana /2017 Trash Bin Prototype terbilang lambat, melingkupi satu
for Municipal Solid pemrosesan data kota, memiliki
Waste Management masih terlalu penjadwalan
sedikit, dan tingkat pengambilan sampah
keakuratan dan memanajemen
pendeteksiaan serta menganalisis

98
objek masih data sampah.

kurang optimal.
3. Abdur Rancang Bangun Intensitas cahaya Robot dapat

Rohman/2017 Smart Cleaner Robot diluar mendeteksi kondisi
Sebagai Robot mempengaruhi sampah berada dan
Pengambil dan proses pemilahan, langsung
Pemilah Sampah dan hanya mengangkutnya
menggunakan sendiri dengan
sensor warna menggunakan
membuat tingkat gripper dan arm.
keakuratan kurang
optimal

BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Berdasarkan pembahasan yang sudah diuraikan, maka dapat ditarik

kesimpulan sebagai berikut:
1. Rancang bangun robot pemilah sampah organik dan non organik

dengan machine learning terdiri dari beberapa hardware seperti
usbcam dan motor servo yang terhubung pada raspberry pi sebagai
otak utama. Selanjutnya raspberry pi terkoneksi dengan jaringan
internet, sehingga proses dapat berjalan baik. Pemilah sampah
dilakukan secara langsung(real time) dan pemilahan dilakukan dengan
mengakses internet untuk selanjutnya dibaca kamera dan digerakan
oleh motor servo.
2. Robot pemilah sampah menggunakan fungsi usbcam dan tensorflow
yang telah terinstal pada raspberry pi untuk mengambil gambar berupa
foto atau video melalui usbcam. Selanjutnya motor servo berfungsi
sebagai pemilah dengan bergerak kekiri atau kekanan sesuai hasil
identifikasi objek melalui program yang sudah ditanam pada raspberry
pi, yang juga terdapat pengaturan untuk pin GPIO. Masing-masing
fungsi dapat bekerja karena terhubung dengan jaringan internet.
3. Rancang bangun robot pemilah sampah organik dan non organik dapat
di gunakan dengan tingkat keakuratan yang tinggi melalui bantuan
machine learning sebagai pengolahan sistem. Dan data yang sudah
dilatih agar tingkat keakuratan jenis objek dapat sesuai harapan.
99
100
6.2 Saran
Setelah dilakukan pengembangan Rancang bangun robot pemilah sampah

organik dan non organik ini, terdapat beberapa saran untuk pembaca dan
pengembang selanjutnya. Berikut adalah saran dari penulis, yaitu:
1. Dalam pengembangan selanjutnya untuk melengkapi robot pemilah

sampah ini bisa diperbanyak data latihnya agar semakin variatif objek
yang dapat terdeteksi.
2. Untuk pengembangan selanjutnya robot pemilah sampah bisa
menggunakan kamera yang resolusi nya lebih tinggi sehingga hasil
gambar yang didapat bisa lebih baik dan jelas. Selain itu, gunakan juga
motor servo yang lebih besar sehingga putaran yang bekerja bisa lebih
maksimal.
3. Untuk pengembangan selanjutnya disarankan untuk membuat sebuah
aplikasi mobile yang dapat memberi info kepada pengguna maupun
petugas kebersihan mengenai volume sampah jika sudah penuh.
4. Untuk pengembangan selanjutnya diharapkan agar jenis sampah yang
dipilah juga lebih banyak, tidak hanya organik dan non organik saja.
5. Kedepannya diharapkan bisa dilakukan hak paten terhadap alat yang
dibuat.

DAFTAR PUSTAKA
Abdul rohman, ayub subandi. (2016). Rancang bangun pemilihan jenis sampah
skala kecil berbasis mikrokontroler secara otomatis 1,2, 1–6.
Almanda, D., Isyanto, H., & Samsinar, R. (2018). Perancangan Prototipe Pemilah
Sampah Organik dan Anorganik menggunakan Solar Panel 100 WP sebagai
Sumber Energi Listrik Terbarukan.
Bank, P., Dengan, S., Berbasis, R., & Halim, A. K. (2017). No Title, 4, 45–55.
Cortes, C., & Vapnik, V. (1995). Support-Vector Networks, 297, 273–297.
Ii, B. A. B., & Pustaka, T. (n.d.). No Title, 5–29.
isroi. (2012). No Title. Retrieved from https://isroi.com/jualanku/biang-poc-

pupuk-organik-cair/
Latifah. (2016). masalah pengelolaan sampah nasional. Retrieved from

https://properti.kompas.com/read/2016/01/27/121624921/Indonesia.Darurat.
Sampah.
merriam webster. (2019). merriam webster. Retrieved from www.merriam-

webster.com
nur latifah jamalludin. (2016). Analisis dan Perancangan Sistem Pengelolaan

Sampah Berbasis Android melalui Partisipasi Masyarakat di Kecamatan
Rappocini, (sistem pengolahan sampah), 131.
Parmar, C., Grossmann, P., Bussink, J., Lambin, P., & Aerts, H. J. W. L. (2015).
Machine Learning methods for Quantitative Radiomic Biomarkers. Nature
Publishing Group, 1–11. https://doi.org/10.1038/srep13087
Pollution, M. (n.d.). Key trace minerals greatly strengthen teeth.
Pressman, R. S. (n.d.). Software Engineering.
101
102
Sampah, H. (2006). Pengelolaan sampah, 86–99.
Suharto, P. D. I. I. (2011). Limbah Kimia Dalam Pencemaran Udara Dan Air. adi
publisher.
suyanto. (2018). Machine Learning tingkat dasar dan lanjut. bandung:

informatika bandung.
Tresna Widiyaman. (2019). pengertian esp. Retrieved from

https://www.warriornux.com/pengertian-modul-wifi-esp8266/
Utami, B. D., Indrasti, N. S., & Dharmawan, A. H. (2008). Pengelolaan Sampah

Rumahtangga Berbasis Komunitas : Teladan dari Dua Komunitas di Sleman
dan Jakarta Selatan, 02(01), 49–68.
Widiana, W. (2017). kenapa kita harus memilah sampah sebelum dibuang?

Bobo.Id.
Chung, Haw dan Chen. 2013. The Study and Application of the IoT in Pet
Systems. Advances in Internet of Things, 2013, 3, 1-8 [Online] Tersedia :
http://dx.doi.org/10.4236/ait.2013.31001
Dinata, Andi. 2017. Physical Computing dengan Raspberry Pi. Jakarta: PT. Elex
Media Komputindo
Federal Trade Commission, 2015. Internet Of Things [Online] Tersedia :

https://www.ftc.gov/system/files/documents/reports/federal-trade
commission-staff-report-november-2013-workshop-entitled-internet-
things-privacy/150127iotrpt.pdf diakses pada 4 Maret 2017
Gay, Warren. 2014. Raspberry Pi Hardware Reference. New York: Apress.
Gnu. Bash Reference Manual. [Online] Tersedia:

https://www.gnu.org/software/bash/manual/bashref.html#What-is-
Bash_003f. diakses pada 23 Maret 2017

103
Houde, Stephanie & Hill, Charles. 2004. What do Prototypes Prototypes?. Usa:
Apple Computer,Inc.
Ichwan, M. Winarno Sugeng dan Agus Brata. 2012. Perancangan Dan

Implementasi Prototype Sistem Realtime Monitoring Performa Server.
Jurnal Informatika Vol. 3, No. 2, Mei – Agustus 2012.
Indrajani. 2011. Perancangan Basis Data dalam All in 1. Jakarta: PT. Elex Media
Komputindo.
Irwanto, Djon. 2006. Perancangan Object Oriented Software dengan UML.

Yogyakarta: Andi.
Kadir, Abdul. 2017. Dasar Raspberry Pi. Yogyakarta: Andi.
Lambert, Kenneth A. 2015. Python Programming for Teens. USA: Cengage

Learning PTR.
Mardiani, Gentisya Tri. 2013. Sistem Monitoring Data Aset dan Inventaris PT
TELKOM Cianjur Berbasis Web. Jurnal Ilmiah Komputer dan Informatika
(KOMPUTA) Vol. 2 No. 1.
Newham, Cameron and Rosenblatt, Bill. 2005. Learning the Bash Shell, Third
Edition. USA: O’Reilly Media, Inc.
Pethuru Raj, Anupama C. Raman. 2017. The Internet of things : enabling

technologies, platforms, and use. Boca Raton: Taylor & Francis, CRC
Press.
Pressman, Roger S. 2010. Software Engineering A Practitioner's Approach

seventh Edition. New York : Mc Graw Hill higher Education.
Sudaryono, Margono dan, Rahayu. 2011. Pengembangan Instrumen Penelitian

Pendidikan. Yogyakarta: Graha Ilmu

104
LAMPIRAN
# Import packages
import os
import cv2
import numpy as np
from picamera.array import PiRGBArray
from picamera import PiCamera
import tensorflow as tf
import argparse
import sys
# Set up camera constants

#IM_WIDTH = 1280
#IM_HEIGHT = 720
IM_WIDTH = 640
IM_HEIGHT = 480
# Select camera type (if user enters --usbcam when calling

this script,
# a USB webcam will be used)
camera_type = 'picamera'
parser = argparse.ArgumentParser()
parser.add_argument('--usbcam', help='Use a USB webcam
instead of picamera',
action='store_true')
args = parser.parse_args()
if args.usbcam:
camera_type = 'usb'
# This is needed since the working directory is the

object_detection folder.
sys.path.append('..')
# Import utilites
from utils import label_map_util
from utils import visualization_utils as vis_util
# Name of the directory containing the object detection

module we're using
MODEL_NAME = 'ssdlite_mobilenet_v2_coco_2018_05_09'
# Grab path to current working directory

CWD_PATH = os.getcwd()
# Path to frozen detection graph .pb file, which contains

the model that is used
# for object detection.

105
PATH_TO_CKPT =
os.path.join(CWD_PATH,MODEL_NAME,'frozen_inference_graph.pb'
)
# Path to label map file

PATH_TO_LABELS =
os.path.join(CWD_PATH,'data','mscoco_label_map.pbtxt')
# Number of classes the object detector can identify

NUM_CLASSES = 90
## Load the label map.

# Label maps map indices to category names, so that when the
convolution
# network predicts `5`, we know that this corresponds to
`airplane`.
# Here we use internal utility functions, but anything that
returns a
# dictionary mapping integers to appropriate string labels
would be fine
label_map = label_map_util.load_labelmap(PATH_TO_LABELS)
categories =
label_map_util.convert_label_map_to_categories(label_map,
max_num_classes=NUM_CLASSES, use_display_name=True)
category_index =
label_map_util.create_category_index(categories)
# Load the Tensorflow model into memory.

detection_graph = tf.Graph()
with detection_graph.as_default():
od_graph_def = tf.GraphDef()
with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:
serialized_graph = fid.read()
od_graph_def.ParseFromString(serialized_graph)
tf.import_graph_def(od_graph_def, name='')
sess = tf.Session(graph=detection_graph)
# Define input and output tensors (i.e. data) for the object
detection classifier
# Input tensor is the image

image_tensor =
detection_graph.get_tensor_by_name('image_tensor:0')
# Output tensors are the detection boxes, scores, and

classes
# Each box represents a part of the image where a particular
object was detected

106
detection_boxes =
detection_graph.get_tensor_by_name('detection_boxes:0')
# Each score represents level of confidence for each of the

objects.
# The score is shown on the result image, together with the
class label.
detection_scores =
detection_graph.get_tensor_by_name('detection_scores:0')
detection_classes =
detection_graph.get_tensor_by_name('detection_classes:0')
# Number of objects detected

num_detections =
detection_graph.get_tensor_by_name('num_detections:0')
# Initialize frame rate calculation

frame_rate_calc = 1
freq = cv2.getTickFrequency()
font = cv2.FONT_HERSHEY_SIMPLEX
### Picamera ###

if camera_type == 'picamera':
# Initialize Picamera and grab reference to the raw
capture
camera = PiCamera()
camera.resolution = (IM_WIDTH,IM_HEIGHT)
camera.framerate = 20
rawCapture = PiRGBArray(camera,
size=(IM_WIDTH,IM_HEIGHT))
rawCapture.truncate(0)
for frame1 in camera.capture_continuous(rawCapture,

format="bgr",use_video_port=True):
t1 = cv2.getTickCount()
# Acquire frame and expand frame dimensions to have

shape: [1, None, None, 3]
# i.e. a single-column array, where each item in the
column has the pixel RGB value
frame = np.copy(frame1.array)
frame.setflags(write=1)
frame_expanded = np.expand_dims(frame, axis=0)
# Perform the actual detection by running the model

with the image as input
(boxes, scores, classes, num) = sess.run(
[detection_boxes, detection_scores,
detection_classes, num_detections],

107
feed
_dict={image_tensor: frame_expanded})
# Draw the results of the detection (aka 'visulaize

the results')
vis_util.visualize_boxes_and_labels_on_image_array(
frame,
np.squeeze(boxes),
np.squeeze(classes).astype(np.int32),
np.squeeze(scores),
category_index,
use_normalized_coordinates=True,
line_thickness=8,
min_score_thresh=0.40)
cv2.putText(frame,"FPS:
{0:.2f}".format(frame_rate_calc),(30,50),font,1,(255,255,0),
2,cv2.LINE_AA)
# All the results have been drawn on the frame, so

it's time to display it.
cv2.imshow('Object detector', frame)
time1 = (t2-t1)/freq
frame_rate_calc = 1/time1
# Press 'q' to quit

if cv2.waitKey(1) == ord('q'):
break
rawCapture.truncate(0)
camera.clo
se()
### USB webcam ###

elif camera_type == 'usb':
# Initialize USB webcam feed
camera = cv2.VideoCapture(0)
ret = camera.set(3,IM_WIDTH)
ret = camera.set(4,IM_HEIGHT)
while(True):
# Acquire frame and expand frame dimensions to have

shape: [1, None, None, 3]

108
# i.e. a single-column array, where each item in the

column has the pixel RGB value
ret, frame = camera.read()
frame_expanded = np.expand_dims(frame, axis=0)
# Perform the actual detection by running the model

with the image as input
(boxes, scores, classes, num) = sess.run(
[detection_boxes, detection_scores,
detection_classes, num_detections],
feed_dict={image_tensor: frame_expanded})
# Draw the results of the detection (aka 'visulaize

the results')
vis_util.visualize_boxes_and_labels_on_image_array(
fram
e,
np.squeeze(boxes),
np.squeeze(classes).astype(np.int32),
np.squeeze(scores),
category_index,
use_normalized_coordinates=True,
line_thickness=8,
min_score_thresh=0.85)
cv2.putText(frame,"FPS:
{0:.2f}".format(frame_rate_calc),(30,50),font,1,(255,255,0),
2,cv2.LINE_AA)
# All the results have been drawn on the frame, so

it's time to display it.
cv2.imshow('Object detector', frame)
time1 = (t2-t1)/freq
frame_rate_calc = 1/time1
# Press 'q' to quit

if cv2.waitKey(1) == ord('q'):
break
camera.release()
cv2.destroyAllWindows()

109
Hasil Kuisioner

110

111

112

113
Wawancara ini dbuat untuk mengetahui data kebutuhan robot pemilah

sampah otomatis.
Pertanyaan ditunjukan kepada narasumber dari aggota Dinas Lingkungan

Hidup wilayah Tangerang Selatan dan juga merupakan ketua Bank Sampah
wilayah Pamulang Ibu Indah.
Pertanyaan wawancara :
1. Apakah narasumber pernah mengetahui robot pemilah

sampah ini sebelumnya?
2. Apa kendala yang dialami selama ini dalam pemilahan

sampah?
3. Apakah untuk saat in tempat sampah sudah efektif

dalam memilah jenis sampah organik dan non organik?
4. Apakah perlu dibuatnya robot pemilah sampah?
5. Masukan apa yang diperlukan untuk robot pemilah

sampah ini?
Jawaban:
1. Belum tahu, Sejauh yang saya tau untuk wilayah

Tangerang Selatan baru ada alat pencacah sampah.
2. Masih dengan cara manual dalam memilah sampah jadi

masih perlu butuh banyak orang yang membantu
pemilahan.
3. Masih banyak warga yang belum mengetahui cara kerja

tempat sampah yang dibedakan dengan baik.
4. Sangat perlu, karena dapat memudahkan kinerja Dinas

Lingkungan Hidup dan jadi dapat mengurangi
penumpukan sampah di TPS dan TPU.
5. Cepat diproduksi masal dan dibuat real nya.

114

Buat Lomba LKTI

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buat Lomba LKTI

Diunggah oleh

Hak Cipta:

Format Tersedia

RANCANG BANGUN ROBOT PEMILAH SAMPAH

ORGANIK DAN NON ORGANIK

PROGRAM STUDI TEKNIK INFORMATIKA

DAN NON ORGANIK

Sebagai Salah Satu Syarat Untuk Memperoleh Gelar

Sarjana Komputer (S.Kom)

Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta

PROGRAM STUDI TEKNIK INFORMATIKA

Sebagai civitas akademik UIN Syarif Hidayatullah Jakarta, saya yang

Nama : Fahmi Alfian

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK DAN

Noneksklusif ini Universitas Islam Negeri Syarif Hidayatullah Jakarta berhak

menyimpan, mengalih media/formatkan, mengelola dalam bentuk pangkalan data

(database), merawat dan mempublikasikan tugas akhir saya selama tetap

mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak.

Demikian pernyataan ini saya buat dengan sebenarnya.

Assalamu’alaikum Wr. Wb.

Puji syukur senantiasa dipanjatkan kehadirat Allah SWT yang telah

RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK DAN

Wassalamualaikum, Wr. Wb.

Jakarta, Oktober 2019

Daftar Pustaka : 15 Jurnal, 6 Buku, 2 skripsi.

Jumlah Halaman : VI BAB 110 halaman + xv halaman + 22 gambar + 8 tabel

LEMBAR PERSETUJUAN ...............................................Error! Bookmark not defined.

Gambar 2.1 Sampah Menumpuk ......................................................................... .12

Table 2.1 Perbandingan Metode Testing...............................................................35

1.1 Latar Belakang

Untuk memberikan solusi permasalahan tersebut peneliti mendapatkan data

1.2 Rumusan Masalah

Berdasarkan dari latar belakang tersebut, maka dapat dirumuskan

a. Bagaimana membuat sebuah perancangan robot pemilahan sampah organik dan

1.3 Batasan Masalah

Berdasarkan rumusan masalah dalam pengembangan penelitian dan alat agar

a. Penggunaan micro computer Raspberry Pi untuk pengendalian dan koneksi

UIN Syarif Hidayatullah Jakarta

b. Penggunaan sensor kamera sebagai Image Classification.

1.4 Tujuan Penelitian

Berdasarkan uraian diatas, maka tujuan penulisan skripsi ini adalah

1.5 Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut:

UIN Syarif Hidayatullah Jakarta

c. Bagi Masyarakat Umum

2. Mencegah terjadinya kesalahan dalam penempatan sampah dan membantu

1.6 Metodologi Penelitian

1.6.1 Metode Pengumpulan Data

1. Studi Pustaka dengan mengumpulkan teori, konsep, dan informasi

1.6.2 Metode Pengembangan Sistem

Pada penelitian ini penulis menggunakan pengembangan sistem

UIN Syarif Hidayatullah Jakarta

1.7 Sistematika Penulisan

Untuk mempermudah perumusan dan pemecahan masalah yang akan dibahas

Dalam bab ini akan membahas terkait latar belakang penulisan,

BAB II: LANDASAN TEORI DAN TINJAUAN PUSTAKA

Dalam bab ini membahas mengenai berbagai teori yang mendasari

BAB III: METODOLOGI PENELITIAN

BAB IV:ANALISA, IMPLEMENTASI, PERANCANGAN SISTEM, DAN

Pada bab ini akan diuraikan mengenai penyelesaian masalah dengan

UIN Syarif Hidayatullah Jakarta

BAB V: HASIL DAN PEMBAHASAN

BAB VI: PENUTUP

Bab ini berisi tentang kesimpulan secara keseluruhan yang diperoleh

UIN Syarif Hidayatullah Jakarta