Buat Lomba LKTI
Buat Lomba LKTI
SKRIPSI
Oleh:
Fahmi Alfian
1115091000041
SKRIPSI
Oleh:
Fahmi Alfian
1115091000041
beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti
(Fahmi Alfian)
iv
KATA PENGANTAR
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.
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.
vii
DAFTAR ISI
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
xii
DAFTAR TABEL
xiii
BAB I
PENDAHULUAN
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.
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”.
b. Bagi Universitas
Mengukur tingkat kemampuan dalam menerapkan ilmu akademis maupun
non-akademis di lingkungan masyarakat dan industri.
Metode yang digunakan penulis pada penelitian ini dibagi menjadi dua, yaitu
metode pengumpulan data dan metode pengembangan. Berikut penjelasan kedua
metode tersebut:
BAB I: PENDAHULUAN
Pada bab ini pembahasan atau pemaparan metode yang penulis pakai
dalam pencarian data maupun perancangan sistem yang dilakukan pada
penelitian.
Pada bab ini akan diuraikan mengenai hasil analisa yang sudah
dilakukan dan bagaimana merancang serta membangun sebuat prototipe
alat pemilah sampah menggunakan machine learning.
2.1.1 Rancang
7
8
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).
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
Sampah organik atau sampah basah adalah sampah yang berasal dari
makhluk hidup, seperti dedaunan dan sampah dapur. Sampah organik dapat
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.
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.
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.
• 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.
• Reinforcement Learning
Data digunakan untuk melakukan pemberian label If dan Else yang digunakan
untuk mengambil keputusan berdasarkan pengambil keputusan.
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).
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.
2.8 Histogram
Manfaat dari histogram adalah sebagai indikasi visual untuk menentukan skala
keabuan yang tepat sehingga diperoleh kualitas citra yang diinginkan.
1. Pendekatan Edge-Based
2. Pendekatan Region-Based
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.
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.
𝑤0+𝑤1𝑥1+𝑤2𝑥2>0 (2.12)
Demikian pula, setiap titik yang terletak di bawah hyperplane pemisah memenuhi:
𝑤0+𝑤1𝑥1+𝑤2𝑥2<0 (2.13)
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)
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.
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.
2.13.1 Mikrokomputer
• 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
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.
2.14.2 Observasi
2.14.3 Kuesioner
2.17 Flowchart
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.
a. Observasi
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
c. Kuesioner
d. Studi Literatur
Nama
No. Judul Penelitian Kekurangan Kelebihan
Peneliti/Tahun
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.
47
48
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.
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.
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.
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.
Berikut adalah skema alur proses yang lebih spesifik dari setiap proses
yang berjalan pada usbcam dan tensorflow:
servoPIN = 17
GPIO.setmode(GPIO.BCM)
GPIO.setup(servoPIN, GPIO.OUT)
time.sleep(0.5)
p.ChangeDutyCycle(10)
time.sleep(0.5)
except KeyboardInterrupt:
p.stop()
GPIO.cleanup();
Berikut adalah skema rangkaian yang lebih spesifik dari setiap proses yang
berjalan pada motor servo:
1. Motor Servo akan bergerak sesuai dengan arus yang masuk dari driver.
Arus keluaran dari Raspberry Pi (mikrokomputer) tidak dapat
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.
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.
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.
2 jeruk 2
3 jeruk 3
4 jeruk 4
5 jeruk 5
6 Besi 1
7 Besi 2
8 Besi 3
9 Besi 4
10 Besi 5
11 Botol 1
12 Botol 2
13 Botol 3
14 Botol 4
15 Botol 5
16 Pisang
1
17 Pisang
2
18 Pisang
3
19 Pisang
4
20 Pisang
5
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.
8 10 0 0
8 4 2 6
8 8 6 8
6 6 8 6
= 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.
- Perhitungan kedua
8 10 0 0
8 4 2 6
8 8 6 8
6 6 8 6
= 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
= 1 + 0 + 0 + 0 + 16 + 0 + 0 + 128
= 145
k(k−1) 4(4−1)
𝑥= diketahui klasifikasi untuk 4 kelas =6
2 2
Pada tahap ini dilakukan perancangan robot pemilah sampah. Terdiri dari
pemasangan perangkat satu sama lain dan packaging tempat sedemikian rupa agar
tampak baik.
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:
import argparse
import time
import os
from_future_import print_function
import cv2
if_name_== ‘_main_’;
import sys
print(_doc_)
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]
image = cv2.imread(p)
if image is None:
continue
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.
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
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.
Setelah sistem ini berhasil melalui tahapan pengujian mandiri, sistem siap
untuk diimplementasikan pada masyarakat selaku pengguna tempat sampah.
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.
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.
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.
83
84
Ekstraksi warna dilakukan untuk membaca warna jelas dari benda yang akan
diproses.
3. Klasifikasi SVM
2 Organik
2
3 Organik
3
4 Organik
4
5 Organik
5
6 Non
Organik
1
7 Non
Organik
2
8 Non
Organik
3
9 Non
Organik
4
10 Non
Organik
5
11 Non
Organik
6
12 Non
Organik
7
13 Non
Organik
8
14 Non
Organik
9
15 Non
Organik
10
16 Organik
6
17 Organik
7
18 Organik
8
19 Organik
9
20 Organik
10
Non Redup 80
organik
Organik Terang 85
Non Terang 85
organik
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
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
Kulit 69-93
pisang(organik)
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).
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
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
hari dari tanggal 23-26 Maret 2019, kuesioner ini dapat diakses di
https://forms.gle/rKJ3ckaFq9oFKxsr8.
5.2.2.1.1 Buku
5.2.2.1.2 E-book
Nama
No. Judul Penelitian Kekurangan Kelebihan
Peneliti/Tahun
6.1 Kesimpulan
99
100
6.2 Saran
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.
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
101
102
Suharto, P. D. I. I. (2011). Limbah Kimia Dalam Pencemaran Udara Dan Air. adi
publisher.
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
Houde, Stephanie & Hill, Charles. 2004. What do Prototypes Prototypes?. Usa:
Apple Computer,Inc.
Indrajani. 2011. Perancangan Basis Data dalam All in 1. Jakarta: PT. Elex Media
Komputindo.
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.
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
# Import utilites
from utils import label_map_util
from utils import visualization_utils as vis_util
PATH_TO_CKPT =
os.path.join(CWD_PATH,MODEL_NAME,'frozen_inference_graph.pb'
)
sess = tf.Session(graph=detection_graph)
# Define input and output tensors (i.e. data) for the object
detection classifier
detection_boxes =
detection_graph.get_tensor_by_name('detection_boxes:0')
t1 = cv2.getTickCount()
feed
_dict={image_tensor: frame_expanded})
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)
t2 = cv2.getTickCount()
time1 = (t2-t1)/freq
frame_rate_calc = 1/time1
rawCapture.truncate(0)
camera.clo
se()
while(True):
t1 = cv2.getTickCount()
[detection_boxes, detection_scores,
detection_classes, num_detections],
feed_dict={image_tensor: frame_expanded})
cv2.putText(frame,"FPS:
{0:.2f}".format(frame_rate_calc),(30,50),font,1,(255,255,0),
2,cv2.LINE_AA)
t2 = cv2.getTickCount()
time1 = (t2-t1)/freq
frame_rate_calc = 1/time1
break
camera.release()
cv2.destroyAllWindows()
Hasil Kuisioner
Pertanyaan wawancara :
Jawaban: