LAPORAN KECERDASAN BUATAN

KLASIFIKASI SAMPAH ORGANIK - ANORGANIK MENGGUNAKAN ALGORITMA

CONVOLUTIONAL NEURAL NETWORK (CNN) SEBAGAI SOLUSI MASALAH LIMBAH
RUMAH TANGGA
Disusun untuk memenuhi laporan akhir pada mata kuliah Kecerdasan Buatan
Dosen Pengampu :
Abas Setiawan, S.Kom, M.Cs

Disusun oleh Kelompok 4 :

Noor Yulita Apsari 4611420010

Hanief Widya Wardhana 4611420024
Tenia Febrianti 4611420035
Achmat Sodikkun 4611420044

Jurusan Ilmu Komputer

Fakultas Matematika Dan Ilmu Pengetahuan Alam
Universitas Negeri Semarang
2022
1. PENDAHULUAN
1.1 Latar Belakang
Suatu permasalahan krusial di bumi ini adalah persoalan sampah. Sampah
merupakan sisa-sisa hasil proses produksi industri juga rumah tangga yang sudah
tidak digunakan lagi karena sudah diambil fungsi utamanya. Pada umumnya, sampah
dikategorikan menjadi 2 jenis yaitu organik dan anorganik. Sampah organik adalah
sampah dari sisa makhluk hidup yang mudah terurai secara alami dalam waktu
kurang dari 6 bulan. Sampah anorganik adalah sampah tak terpakai yang sukar
terurai, biasanya bukan berasal dari hewan maupun tumbuhan. Contoh sampah
organik yaitu dedaunan, sisa-sisa makanan, kayu, kulit buah, dan kertas. Sedangkan
contoh dari sampah anorganik adalah plastik, karton, logam, dan scrap metal. Sampah
yang ada biasanya merupakan hasil dari segala aktivitas manusia. Banyaknya
kuantitas sampah sebanding dengan tingkatan konsumsi manusia terhadap barang
yang digunakan setiap harinya (Sejati, 2009). Tanpa adanya pengelolaan yang baik,
akan muncul beberapa kerugian pada masyarakat karena dapat menyebabkan adanya
banjir, pemanasan global, mengganggu pemandangan, menimbulkan bau tidak sedap,
memperburuk sanitasi, serta timbulnya berbagai macam penyakit (Yudistirani, 2015).
Permasalahan tentang sampah yang sering ditemui adalah bercampurnya
komposisi sampah antara sampah organik dan anorganik. Melakukan pemilahan
sampah dapat menjadi salah satu upaya dalam menurunkan volume sampah pada
tahap pengelolaan sampah (Kementerian Negara Lingkungan Hidup RI, 2008).
Apabila kuantitas atau volume sampah berkurang, maka dampak-dampak yang
mungkin saja muncul karena tumpukan sampah juga dapat berkurang, termasuk
dampak pada kesehatan (Basriyanta, 2007). Pemilahan sampah yang dilakukan pada
tumpukan-tumpukan sampah di Tempat Pembuangan Akhir (TPA) akan lebih sulit
dilakukan dibandingkan dengan pemilahan pada bak tempat sampah di sekitar tempat.
Pada masa kini masih banyak orang-orang yang belum mengerti dan sadar akan
pentingnya memilah-milah jenis sampah yang hendak dibuang sehingga meskipun
terdapat tempat sampah yang telah dikategorikan antara sampah organik dan
anorganik, masyarakat tetap akan membuang sampah di tempat yang tidak sesuai.
Oleh karena itu perlunya sebuah rancangan sistem yang dapat membantu
membedakan jenis sampah sebelum membuang atau memasukkannya ke tempat
sampah.
Berdasarkan semua latar belakang dan penjelasan diatas, maka peneliti akan
melakukan penelitian terkait rancangan sebuah sistem guna untuk mengklasifikasikan
jenis sampah menggunakan algoritma Convolutional Neural Network (CNN).
Kelas-kelas sampah yang digunakan dalam penelitian adalah organik dan anorganik
dengan metode klasifikasi yang akurat.

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.

2.2 Tahap Penelitian

Tahap awal adalah mengumpulkan berbagai studi literatur atau referensi yang
dibutuhkan. Selanjutnya menentukan dan mengkondisikan dataset, lalu mengolah
data menggunakan algoritma yang telah dipilih melalui konsep training dan proses
validation. Untuk diagram alur penelitian dapat dilihat sebagai berikut:

Gambar 1. Alur Penelitian

2.3 Data Penelitian

Dalam penelitian ini, data yang digunakan adalah Waste Classification
Dataset yang diambil oleh Nonso Nnamoko, Joseph Barrowclough, dan Jack Procter
(2022) pada situs Mendeley data. Dataset ini berjumlah 24.705 gambar sampah
rumah tangga yang dibagi menjadi dua, yaitu organic dan dan recyclable dengan
pembagian 13.880 data untuk organic dan 10.825 untuk recyclable. Data yang
digunakan sebagai sampel validation kurang lebih 4.941 data atau 20% dari jumlah
keseluruhan dataset ini, lalu untuk jumlah sampel training yang digunakan adalah
80% dari dataset atau sisa data keseluruhan yang tidak terpakai sebagai sampel
validation, kurang lebih sebanyak 19.764 data. Berikut ini sampel dari Waste
Classification Dataset:
 Table 1. sampel dataset yang digunakan

No Nama Kelas Sampel

1 organik

2 organik

3 anorganik

4 anorganik

Sampel yang ditunjukan Tabel 1 merupakan hasil modifikasi dataset Waste

Classification Dataset dimana kelas organic diubah menjadi kelas organik dan kelas
recyclable diubah menjadi kelas anorganik.

2.4 Algoritma Pengolahan Data

Pengembangan yang dirancang untuk pengolahan data dua dimensi dari
Multilayer Perceptron atau MPL adalah pengertian dari Convolutional Neural
Network (Eka Putra, 2016). Karena kedalaman jaringannya, algoritma ini merupakan
representasi dari deep learning. Pada CNN, kedalaman layer menunjukan jumlah
layer, sedangkan untuk lebar dan tinggi layer menunjukan ukuran layer. Algoritma
CNN, secara umum terdiri oleh input proses ekstraksi fitur, proses klarifikasi serta
output. Penerapan filter di tiap bagian input sebelumnya untuk features maps serta
ekstraksi pola merupakan salah satu keunikan dari algoritma ini. Selain itu, bisa
mengenali informasi tersembunyi yang ada pada suatu objek. Berikut merupakan
gambar ilustrasi jaringan CNN (Putra, 2019):

Gambar 2. Ilustrasi Jaringan CNN (Sumber: Putra, 2019)

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:

Gambar 3. Alur Pengolahan Data

3. HASIL DAN PEMBAHASAN
Tahap ini berisi metode yang telah dilakukan dalam image classification. Pada
perancangan sistem dilakukan pengumpulan dataset yang akan dilakukan dalam proses
training dan proses testing. Dataset yang diperoleh berjumlah 19.764 gambar yang digunakan
sebagai proses training dan 4.941 gambar yang digunakan dalam proses validation. Dataset
yang diperoleh diantaranya adalah gambar sampah rumah tangga, baik organik maupun
anorganik. Setiap sampel gambar diklasifikasikan kedalam folder sesuai dengan jenisnya,
sehingga diperoleh 2 folder kelas.
3.1 Pelatihan Model
Pada proses training data, dilakukan beberapa uji coba pada program CNN
bagian nilai variabel batch size dan epoch dengan metode trial and error. Dalam
penelitian ini jumlah batch size yang digunakan adalah 8 dengan jumlah epoch
sebesar 10. Sedangkan untuk menghitung kesalahan model selama proses optimasi,
akan menggunakan jenis binary cross entropy. Selanjutnya adalah melakukan proses
pelatihan menggunakan dataset train dan diuji dengan menggunakan dataset
validation yang telah dibagi, yaitu 80% data training dan 20% data validation.

3.2 Evaluasi Model

Berikut adalah hasil dari sejumlah uji coba dengan mengubah nilai batch size
dan epoch di setiap pengujian sebagai perbandingan tingkat akurasi:

Tabel 2. Pengujian Sampel Data

Batch Size Epoch Akurasi

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

Berdasarkan hasil pengujian tersebut, dapat disimpulkan bahwa hasil akurasi

pada penelitian ini dengan batch size 8 dan epoch 10 menghasilkan akurasi sebesar
0.8979.
 Grafik 1. Akurasi Training dan Validation

Pada Grafik 1, ditunjukkan akurasi training yang ditunjukkan dengan

garis biru dari saat mulainya iterasi pertama hingga iterasi terakhir yang naik
secara konsisten dengan nilai akurasi 0,81 hingga berakhir di angka 0,8979.
Untuk akurasi validation ditunjukkan dengan garis jingga dimana konsisten
naik dari iterasi pertama dengan nilai akurasi 0,82 namun, mengalami
penurunan pada iterasi keempat dengan nilai akurasi antara 0,88 hingga 0,87.
Pada iterasi ke enam nilai akurasi naik lagi sampai iterasi terakhir dengan nilai
akurasi sebesar 0,8979.

3.3 Analisis Hasil

Berdasarkan hasil analisis dari proses trial and error jumlah nilai batch size
dan epoch pada tahap penelitian, secara keseluruhan pada setiap percobaan
menghasilkan nilai akurasi diatas 0.8, didapatkan hasil akurasi yang paling optimal
pada percobaan dengan batch size 8 dan epoch 10 yang menghasilkan akurasi sebesar
0,8979. Pada penelitian yang dilakukan oleh Rasidi, Pasaribu, Ziqri, dan Adhinata,
(2022) dalam pengklasifikasian sampah organik dan anorganik menggunakan metode
CNN, data yang digunakan dalam penelitian tersebut berjumlah 25.077 gambar. Hasil
akurasi yang didapatkan dari proses testing pada penelitian tersebut adalah 0.8965.
Dengan demikian, akurasi penelitian Klasifikasi Sampah Organik-Anorganik
Menggunakan Algoritma Convolutional Neural Network (CNN) Sebagai Solusi
Masalah Limbah Rumah Tangga memiliki akurasi yang lebih tinggi.

4. KESIMPULAN DAN SARAN

Nilai akurasi yang didapatkan dari klasifikasi sampah organik dan anorganik dengan
metode algoritma Convolutional Neural Network (CNN) adalah 0,8979. Disimpulkan bahwa
Algoritma CNN mempunyai peran penting dalam mengklasifikasikan sampah
organik-anorganik karena nilai akurasinya yang cukup. Sehingga, algoritma ini menjadi salah
satu hal dalam kemajuan teknologi yang dapat membantu dalam mengklasifikasikan sampah,
dan mengurangi pencemaran lingkungan dengan mempermudah memilah sampah yang dapat
di daur ulang.
Dikarenakan model klasifikasi ini belum mengalami pengujian dengan dataset serta
metode lain seperti validasi silang dan re-sampling, maka masih diperlukannya banyak
perbaikan untuk kedepannya.
 DAFTAR PUSTAKA

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.