1.2 Masalah
Rumusan masalah pada penelitian ini antara lain:
1. Bagaimana membangun sistem yang dapat membantu mengklasifikasi jenis
sampah organik dan anorganik menggunakan algoritma CNN?
2. Bagaimana tingkat akurasi sistem dalam pengklasifikasian sampah?
1.3 Tujuan
Tujuan dari penelitian ini antara lain:
1. Merancang sebuah sistem yang dapat mengklasifikasi jenis-jenis sampah
organik dan anorganik menggunakan algoritma CNN.
2. Melakukan pengujian pada tingkat akurasi validasi data.
2. METODE PENELITIAN
2.1 Waktu dan Tempat Penelitian
Penelitian dilaksanakan saat pertengahan bulan Mei hingga awal bulan Juni
2022. Tempat atau lokasi yang digunakan untuk melakukan penelitian adalah di
Universitas Negeri Semarang.
1 organik
2 organik
3 anorganik
4 anorganik
Pemecahan citra baru dengan saling tumpang tindih serta lebih kecil adalah
langkah awal dari CNN. Lalu, setiap citra dimasukan di jaringan saraf kecil serta
hasilnya disimpan di sebuah array atau disebut proses konvolusi. Dilanjutkan dengan
pengambilan nilai piksel terbesar di setiap pooling kernel dengan proses
downsampling dan max pooling. Kemudian, berdasarkan jaringan syaraf yang telah
terkoneksi secara utuh (fully connected layer) dilakukanlah prediksi citra sebagai
tahap akhir (Bariyah dkk., 2021).
Proses pengklasifikasian sampah organik - anorganik menggunakan metode
Convolutional Neural Network (CNN) dilakukan dengan sampel uji untuk operasi
pendeteksian dengan menggunakan data training dan validation. Dengan
memanfaatkan library Tensorflow, dataset yang akan digunakan diletakkan pada
folder. Dimana setiap folder terdapat kelas dengan berbagai sampel yang akan
digunakan untuk proses training dan proses validation. Terdapat dua kelas dalam
penelitian ini, dengan jumlah data sebanyak 13.880 sampel kelas organik dan 10.825
sampel kelas anorganik. Path akan dibuatkan di setiap kelasnya yang bertujuan
sebagai lokasi. Langkah selanjutnya adalah memberikan format yang sama,
menyeragamkan data dan menyesuaikan resolusi dengan code program agar dapat
terdeteksi dengan mudah. Lanjut dalam tahap bounding image yang digunakan untuk
tujuan memperoleh akurasi yang baik dengan memberikan sebuah nilai bounding
image yang terus diujicobakan menggunakan fungsi aktivasi ReLu (Rectified Linear
Unit). Penelitian ini juga menggunakan proses kompilasi model dengan menggunakan
Adam fungsi loss optimizer.
Setelah itu, baru dijalankan proses training dengan menggunakan model.fit
yang bertujuan untuk mengeksekusi jumlah batch dalam setiap epoch dan
menampilkan akurasi pengujian dalam data training dan validation. Sehingga, setelah
proses tersebut berakhir, proses implementasi pendeteksian untuk mengetahui kelas
dari objek yang sedang dideteksi dapat dilakukan. Berikut ini adalah alur pengolahan
data:
1/10 0.8367
2/10 0.8529
3/10 0.8622
4/10 0.8880
5/10 0.8568
8
6/10 0.8831
7/10 0.8855
8/10 0.8807
9/10 0.8914
10/10 0.8979
Rasidi, A. I., Pasaribu, Y. A. H., Ziqri, A., & Adhinata, F. D. (2022). Klasifikasi Sampah Organik dan
Non-Organik Menggunakan Convolutional Neural Network. Jurnal Teknik Informatika dan
Sistem Informasi, 8(1), 142-149.
Hikmah, N., & Ruing, H. L. (2020). Sosialisasi Pembuatan Bank Sampah dan Pengelolaan Sampah
Organik Serta Anorganik. Jurnal Masyarakat Berdaya dan Inovasi, 1(2), 90-95.
Felix, Wijaya, J., Sutra, S. P., Kosasih, P. W., & Sirait, P. (2020). Implementasi Convolutional Neural
Network Untuk Identifikasi Jenis Tanaman Melalui Daun. Jurnal SIFO Mikroskil, 21(1),
1-10.
Hasyim, F., Malik, K., Rizal, F., & Yudistira. (2021). Implementasi Algoritma Convolutional Neural
Networks (CNN) Untuk Klasifikasi Batik. Jurnal Kecerdasan Buatan, Komputasi dan
Teknologi Informasi, 2(2), 40-47.
Ihsan, N. C. (2021). Klasifikasi Data Radar Menggunakan Algoritma Convolutional Neural Network
(CNN). DoubleClick: Journal of Computer and Information Technology, 4(2), 115-121.
Kholik, A. (2021). Klasifikasi Menggunakan Convolutional Neural Network (CNN) Pada Tangkapan
Layar Halaman Instagram. JDMSI, 2(2), 10-20.