oleh :
Ayano Rumeen / 20021103013
TEKNIK ELEKTRO
UNIVERSITAS SAM RATULANGI
2023
Lembar Pengesahan Teknik Elektro / Universitas Sam Ratulangi
oleh :
i
Lembar Pengesahan
oleh :
ii
Abstrak
Orbit future academy merupakan salah satu perusahaan yang didirikan dengan
tujuan untuk meningkatkan kualitas hidup melalui inovasi, pendidikan, dan
pelatihan keterampilan. Pelaksaan program MSIB menghasilkan sebuah inovasi
Proyek Akhir yang berfokus untuk memanfaatkan CNN Transfer Learning untuk
klasifikasi sampah. Kegiatan MSIB di Orbit Future Academy sangat
memperhatikan untuk kualitas dan kuantitas dari materi pembelajaran yang mudah
diterima oleh peserta serta layak untuk diimplementasikan dalam berbagai bidang
mahasiswa.
Kata Kunci : Inovasi, Pendidikan, CNN Transfer Learning, Kualitas, Klasifikasi,
Sampah
iii
Kata Pengantar
Puja dan puji syukur saya panjatkan kepada Tuhan Yang Maha Esa yang
telah memberikan berkat serta tuntunannya. Sehingga saya dapat menyelesaikan
Proyek Akhir ( PA ) yang berjudul “ PEMBUATAN APLIKASI BERBASIS AI
UNTUK KLASIFIKASI SAMPAH MENGGUNAKAN CNN TRANSFER
LEARNING ” dengan baik tanpa ada halangan yang berarti.
Proyek Akhir ini telah saya selesaikan dengan maksimal berkat kerjasama
dan bantuan dari berbagai pihak. Oleh karena itu saya sampaikan banyak terima
kasih kepada segenap pihak yang telah berkontribusi secara maksimal dalam
penyelesaian makalah ini. Diluar itu, saya sebagai manusia biasa menyadari
sepenuhnya bahwa masih banyak kekurangan, baik dari segi tata bahasa, susunan
kalimat maupun isi. Oleh sebab itu dengan segala kerendahan hati, saya selaku
penyusun menerima segala kritik dan saran yang membangun.
Demikian yang bisa saya sampaikan, semoga Proyek Akhir ini dapat
menambah khazanah ilmu pengetahuan dan memberikan manfaat nyata untuk
masyarakat luas.
Ayano Rumeen
NIM. 20021103013
iv
Daftar Isi
Bab I Pendahuluan 1
I.2 Lingkup 1
I.3 Tujuan 1
Bab III <Judul BAB sesuai dengan judul Project Akhir (PA)> 1
Bab IV Penutup 2
IV.1 Kesimpulan 5
IV.2 Saran 5
v
Daftar Tabel
vi
Daftar Gambar
vii
Bab I Pendahuluan
I.2 Lingkup
Lingkup project yang menjadi object MSIB kali ini berfokus pada lingkup di
bidang pendidikan masyarakat dari berbagai kalangan umum. Bidang pendidikan
merupakan bidang yang sangat penting untuk dapat memberikan banyak sekali
informasi seputar wawasan untuk klasifikasi sampah dengan pemanfaatan CNN
Transfer Learning di dalamnya. Dalam penyelesaian project akhir ini terdapat
beberapa pembagian jobdesck/lingkup pengerjaan masing-masing anggota
kelompok, seperti : Ketua ( Data Acquistion ), AI Engineer, FrontEnd & Backend,
dan Fullstack Developer
I.3 Tujuan
Tujuan/Hasil dari mengikuti MSIB selama ini sangat mempengaruhi kualitas
pemahaman pribadi mahasiswa dalam mempelajari bidang AI( Artificial
Intelegency ). Output dari Proyek Akhir yang telah disusun ini akan berfokus pada
klasifikasi 12 sampah yang ada di keidupan masyarakat. Tentunya, dapat
dimanfaatkan oleh masyarakat di berbagai bidang untuk aktivitas sehari-hari.
1
Bab II Orbit Future Academy
Orbit Future Academy (OFA) didirikan pada tahun 2016 dengan tujuan untuk
meningkatkan kualitas hidup melalui inovasi, edukasi, dan pelatihan keterampilan.
Label atau brand Orbit merupakan kelanjutan dari warisan mendiang Prof. Dr. Ing.
B. J. Habibie (presiden Republik Indonesia ke-3) dan istrinya, Dr. Hasri Ainun
Habibie. Mereka berdua telah menjadi penggerak dalam mendukung perkembangan
inovasi dan teknologi pendidikan di Indonesia. OFA mengkurasi dan melokalkan
program/kursus internasional untuk upskilling atau reskilling pemuda dan tenaga
kerja menuju pekerjaan masa depan. Hal ini sesuai dengan slogan OFA, yakni
“Skills-for-Future-Jobs”.
Visi:
Memberikan pembelajaran berbasis keterampilan transformatif terbaik untuk para
pencari kerja & pencipta lapangan kerja.
Misi:
1. Membangun jaringan Orbit Transformation Center (OTC) secara nasional
untuk menyampaikan kurikulum keterampilan masa depan berbasis
sertifikasi melalui Platform Konten Digital.
1
2
b. Domain Coach
Domain coach bertugas menyampaikan materi tentang domain AI dan
memberikan penilaian pada peserta.
Lingkup pekerjaan peserta adalah mengikuti kelas bersama homeroom coach atau
domain coach dan mengerjakan semua assessment yang diberikan sesuai agenda
kelas hingga program selesai.
Mahasiswa memiliki peran < Ketua Tim > selama pengerjaan PA, dengan deskripsi
pekerjaan sebagai berikut:
a. Mengkoordinasikan, Mengorganisasikan dan bertanggungjawab terhadap
selurh timeline kegiatan kelompok.
b. Melakukan Scraping Data dan mencari sumber data yang dibutuhkan
c. Mengidentifikasi datset yang diperlukan untuk menguji model AI
4
Program ini berlangsung dari bulan Februari 2023 sampai dengan bulan Juni 2023
(20 minggu).
Bab III PEMBUATAN APLIKASI BERBASIS AI UNTUK
KLASIFIKASI SAMPAH MENGGUNAKAN CNN TRANSFER
LEARNING
1
2
Pada penyelesaian proyek akhir ini, kami menghadapi berbagai hambatan secara
teknis maupun personal anggota. Ketidakcocokan jadwal setiap anggota tim
menjadi salah satu hambatan yang sering kami hadapi sebelumnya. Namun, hal itu
bisa diatasi dengan memperdalam komunikasi antara anggota tim untuk lebih sadar
terhadap tanggung jawab masing-masing.
Kurva Loss (Loss Curve): Kurva loss menggambarkan perubahan nilai loss
(kerugian) model pada setiap epoch selama pelatihan. Fungsi loss digunakan untuk
mengukur sejauh mana model memprediksi dengan akurat terhadap data yang
3
diberikan. Pada grafik tersebut, nilai loss pada akhir pelatihan adalah 0.1089 untuk
data pelatihan (training) dan 0.1715 untuk data validasi (validation). Semakin
rendah nilai loss, semakin baik model dalam melakukan prediksi yang akurat.
Kurva Categorical Accuracy: Kurva categorical accuracy menggambarkan
perubahan nilai akurasi kategori model pada setiap epoch selama pelatihan. Akurasi
kategori mengukur sejauh mana model mampu memprediksi dengan benar dalam
kategori yang spesifik. Pada grafik tersebut, nilai categorical accuracy pada akhir
pelatihan adalah 0.9717 untuk data pelatihan dan 0.9453 untuk data validasi.
Semakin tinggi nilai categorical accuracy, semakin baik model dalam memprediksi
dengan benar dalam kategori yang spesifik.
Berdasarkan grafik tersebut, dapat disimpulkan bahwa model memiliki
performa yang sangat baik dalam pelatihan. Nilai loss yang rendah dan nilai
categorical accuracy yang tinggi menunjukkan bahwa model mampu melakukan
prediksi dengan akurasi yang tinggi. Model memiliki tingkat akurasi kategori
sekitar 97.17% pada data pelatihan dan 94.53% pada data validasi.
Kelebihan dan kelemahan aplikasi atau model AI yang telah dikembangkan
a) Kelebihan dari aplikasi dengan model AI yang telah dibuat
1. Memiliki tingkat akurasi yang tinggi Arsitektur MobileNet V2 dengan
akurasi sebesar 0.93.
2. Mudah untuk digunakan oleh pengguna
3. Memiliki tampilan web aplikasi yang menarik
b) Kekurangan dari aplikasi dengan model AI yang telah dibuat yaitu adanya
keterbatasan dalam mengenali jenis-jenis sampah yang tidak tergolong pada
dataset.
4
mobilenetv2_layer = mobilenetv2.MobileNetV2(include_top =
False, input_shape = (IMAGE_WIDTH,
IMAGE_HEIGHT,IMAGE_CHANNELS),
weights = 'imagenet')
model = Sequential()
model.add(keras.Input(shape=(IMAGE_WIDTH, IMAGE_HEIGHT,
IMAGE_CHANNELS)))
model.add(Lambda(mobilenetv2_preprocessing))
model.add(mobilenetv2_layer)
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(Dense(len(categories), activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['categorical_accuracy'])
model.summary()
Dengan menggunakan kode di atas, kita dapat membuat model CNN dengan
menggunakan MobileNetV2 sebagai bagian dari model tersebut. Model ini
kemudian dapat digunakan untuk melakukan klasifikasi gambar berdasarkan
jenis sampah dalam implementasi sistem klasifikasi sampah.
5
Bab IV Penutup
IV.1 Kesimpulan
IV.2 Saran
Diperlukan jam pembelajaran yang lebih mudah dan tidak terlalu padat di
setiap harinya untuk semakin menarik minat mahasiswa dalam mempelajari
program MSIB dari rbit Future Academy
Diperlukan kerja sama tim yang kuat untuk dapat meningkatkan solidaritas
dalam penyelasaian proyek akhir nantinya
Bab V Referensi
vii
Bab VI Lampiran A. TOR
A. Rincian Program
Artificial Intelligence Mastery Program adalah program pelatihan Artificial
Intelligence (AI) daring yang bertujuan untuk memperdalam teknologi dan
perangkat AI kepada mahasiswa, sehingga diharapkan mereka dapat
mengembangkan produk AI yang memiliki dampak sosial. Program ini
berfokus pada komponen utama AI, seperti Data Science (DS), Natural
Language Processing (NLP), Computer Vision (CV), dan Reinforcement
Learning (RL) hingga tahapan Deployment (DEP). Selain keterampilan AI,
mahasiswa juga mendapat life skills yang bermanfaat untuk mencari atau
menciptakan lapangan kerja.
B. Tujuan Program
Tujuan yang diharapkan setelah peserta mengikuti program ini adalah:
1. Memiliki wawasan tentang AI dan perkembangannya.
2. Mampu merancang dan mengimplementasikan AI Project Cycle.
3. Mampu menggunakan bahasa pemrograman Python untuk mengembangkan
aplikasi AI.
4. Mampu mengembangkan salah satu dari 4 domain AI (DS, NLP, CV, RL)
hingga tahap deployment.
5. Mampu menggunakan soft skills dan hard skills dalam dunia industri dan
lingkungan perusahaan.
6. Mampu mengaplikasikan kiat-kiat yang dibutuhkan seorang wirausahawan
yang bergerak di bidang start-up dalam mentransformasikan ide ke dalam
A-1
2
D. Peserta
Peserta program ini adalah mahasiswa yang berasal dari Perguruan Tinggi di
bawah Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi Republik
Indonesia.
B-1
Bab VIII Lampiran C. Dokumen Teknik
AI Engineer : STEVEN
- Membuat Proses Machine Learning
- Membangun model dan mengevaluasi model
- Mengklasifikasi sebuah gambar dan mendeteksi objek secara realtime
- Testing model
- Melakukan validasi dan evaluasi model AI menggunakan metrik yang relevan,
seperti akurasi, presisi, recall, atau metrik spesifik domain.
- Melakukan hyperparameter tuning pada best model dan pengaruhnya pada
performa model /
C-1
2
2. AI Project Cycle
a. Problem Scoping (4W)
a) What (Apa)
Permasalahan yang ingin diatasi adalah kurangnya efisiensi dalam pemilahan
dan pengelolaan sampah. Jika dari awal sampah tidak dipisahkan sesuai
jenisnya, ini akan memperumit pengelolaan sampah kedepannya. Sayangnya,
ini adalah masalah yang sering kita hadapi. Tujuan utama adalah menciptakan
sebuah aplikasi yang dapat mengklasifikasikan dan memilah sampah
berdasarkan jenisnya dengan akurasi tinggi.
b) Who (Siapa)
Aplikasi ini ditujukan untuk dapat digunakan oleh masyarakat umum, termasuk
individu, keluarga, komunitas, dan lembaga pengelolaan sampah. Selain itu,
perusahaan dan pemerintah juga dapat menggunakan aplikasi ini sebagai alat
untuk meningkatkan efisiensi pengelolaan sampah di tingkat industri dan
perkotaan.
c) Where (Dimana)
Aplikasi ini dapat digunakan di berbagai lokasi, baik di perkotaan maupun di
pedesaan. Pemilahan dan pengelolaan sampah menjadi perhatian global,
sehingga aplikasi ini dapat diterapkan di berbagai negara dan wilayah.
d) Why (Mengapa)
Proses pemilahan sampah secara manual memerlukan waktu dan tenaga yang
cukup banyak. Maka, dengan menggunakan aplikasi yang dapat
mengklasifikasikan dan memilah sampah, proses ini dapat dilakukan dengan
lebih cepat dan efisien, menghemat waktu dan upaya yang diperlukan. Salah
satu tujuan utama dari pemilahan sampah adalah untuk mendaur ulang sampah
yang dapat didaur ulang. Dengan aplikasi yang dapat mengenali jenis sampah
3
dengan akurat, proses daur ulang dapat menjadi lebih efektif dan efisien,
mengurangi pemborosan sumber daya dan dampak negatif pada lingkungan.
Dengan adanya proyek ini secara tidak langsung juga dapat berkontribusi dalam
program SDGs di Indonesia.
b. Data Acquisition
a) Identifikasi Data yang Dibutuhkan
Pada tahap ini, perlu mengidentifikasi jenis data yang dibutuhkan untuk
mengklasifikasikan dan memilah sampah. Hal ini meliputi data gambar atau
citra sampah yang mencakup berbagai jenis dan kategori sampah yang akan
diklasifikasikan.
b) Sumber Data
Sumber data yang digunakan berasal dari open source dataset yaitu Kaggle yang
terdiri dari 12 kelas klasifikasi sampah.
c) Preprocessing Data
Setelah data dikumpulkan, tahap preprocessing dilakukan untuk memastikan
kualitas dan kebersihan data. Ini melibatkan pembersihan data dari noise,
penghapusan data yang tidak relevan atau duplikat, serta normalisasi atau
pengubahan format data agar konsisten dan dapat digunakan dengan baik dalam
proses selanjutnya.
c. Data Exploration
Data Exploration merupakan salah satu siklus proyek dalam kecerdasan buatan
yang melibatkan eksplorasi dan analisis dataset yang ada sebelum memulai
sebuah tahapan pemrosesan sebuah model. Ada beberapa tahapan pada bagian
ini yang dibuat yaitu :
4) Visualisasi Data
Informasi tentang jumlah gambar dalam setiap folder dataset sampah. Hal ini
dapat memberikan pemhaman tentang distribusi gambar dalam dataset dan
6
Kode tersebut berfungsi untuk memilih escara acak satu baris (sampel) dari
datafram ‘df’, kemudian memuat dan menampilkan gambar yang sesuai dengan
sampel teresbut, hal ini berguna untuk melihat contoh gambar dari dataset yang
digunakan dalam proyek AI.
d. Modelling
Modelling merupakan tahap dalam siklus proyek AI dimana model Machine
Learning yang dibangun dan dilatih menggunakan data yang telah dipersiapkan
sebelumnya. Tujuan dari tahap ini adalah untuk mengembangkan model yang
dapat mempelajari pola dan hubungan dari data yang ada, sehingga dapat
digunakan untuk melakukan prediksi atau mengambil keputusan. Berikut
adalah langkah-langkah dalam pembuatan tahap Modelling pada klasifikasi
sampah :
1) Pemilihan Arsitektur Model :
Arsitektur yang digunakan yaitu MobileNetV2.
Arsitektur MobileNetV2 adalah arsitektur jaringan saraf konvolusi
(convolutional neural network, CNN) yang dikembangkan khusus untuk
aplikasi mobile dan perangkat dengan sumber daya terbatas, Arsitektur
7
MobileNetV2 sangat cocok dengan dataset dan proyek yang diambil yaitu
Klasifikasi Objek.
Kelebihan Arsitektur MobileNetV2 :
- Ringan dan Efisien: MobileNetV2 dirancang dengan tujuan untuk
memiliki ukuran yang kecil dan mengonsumsi sedikit sumber daya
komputasi
- Kecepatan Inferensi Tinggi, model ini dapat dengan cepat melakukan
prediksi pada gambar atau data input, sehingga cocok untuk aplikasi
real-time atau waktu nyata.
- Akurasi yang Dapat Diterima, MobileNetV2 memprioritaskan
kecepatan dan efisiensi, arsitektur ini tetap memberikan tingkat akurasi
yang tinggi dalam tugas klasifikasi gambar.
- Skalabilitas: Arsitektur MobileNetV2 dapat dengan mudah diubah
ukurannya untuk memenuhi kebutuhan dan keterbatasan perangkat
yang berbeda.
- Transfer Learning: MobileNetV2 sering digunakan sebagai basis untuk
transfer learning. Dengan menggunakan model MobileNetV2 sebagai
dasar, kita dapat dengan mudah melatih ulang (fine-tuning) model pada
dataset klasifikasi khusus dengan data yang terbatas. Ini memungkinkan
pengembangan model yang lebih cepat dan efisien.
Dalam keseluruhan, MobileNetV2 merupakan arsitektur yang sangat cocok
untuk implementasi pada dataset dan proyek yang mengenai klasifikasi
objek. Kelebihan-kelebihan yang dimiliki MobileNetV2 memungkinkan
pengembangan model machine learning yang efisien, cepat, dan memiliki
akurasi yang dapat diterima.
2) Pembagian Data :
Data yang telah dipersiapkan dalam tahap Data Acquisition dibagi menjadi dua
subset: data pelatihan (training data) dan data pengujian (testing data).
8
- Layer (type): Jenis layer yang terdapat dalam model. Pada output ini
terdapat dua jenis layer yaitu Lambda (Lambda layer) dan
mobilenetv2_1.00_224 (Functional layer).
- Output Shape: Bentuk output dari setiap layer dalam model. Pada
output ini, layer Lambda memiliki output shape (None, 320, 320, 3),
yang artinya memiliki dimensi input yang sama dengan model. Layer
mobilenetv2_1.00_224 memiliki output shape (None, 10, 10, 1280),
yang menunjukkan bahwa setelah melalui layer ini, dimensi output
menjadi (None, 10, 10, 1280).
- Param #: Jumlah parameter yang digunakan oleh setiap layer dalam
model. Jumlah parameter mencerminkan kompleksitas model. Pada
output ini, layer mobilenetv2_1.00_224 memiliki 2,257,984 parameter,
sementara layer Dense memiliki 15,372 parameter.
- Total params: Total jumlah parameter dalam model, termasuk
parameter yang dapat dilatih (trainable) dan parameter yang tidak
dapat dilatih (non-trainable).
- Trainable params: Jumlah parameter yang dapat dilatih dalam model.
Pada output ini, terdapat 15,372 parameter yang dapat dilatih.
- Non-trainable params: Jumlah parameter yang tidak dapat dilatih
dalam model. Pada output ini, terdapat 2,257,984 parameter yang tidak
dapat dilatih.
- Output tersebut memberikan informasi penting tentang arsitektur
model, termasuk jumlah parameter dan dimensi output dari setiap layer.
Hal ini membantu dalam memahami kompleksitas dan konfigurasi
model yang telah dibuat.
Tujuan dari pelatihan adalah untuk mengoptimalkan model agar dapat membuat
prediksi yang akurat.
e. Evaluation
Metrik evaluasi yang digunakan untuk mengukur kinerja model dalam tugas
klasifikasi sampah yaitu Precision, Recall, F1-Score, Support.
- Precision: Precision mengukur sejauh mana prediksi positif yang dibuat
oleh model benar. Precision dihitung dengan membagi jumlah prediksi
positif yang benar (true positive) dengan jumlah total prediksi positif
yang dilakukan oleh model (true positive + false positive). Precision
menggambarkan tingkat ketepatan atau akurasi dari prediksi positif.
Nilai precision yang tinggi menunjukkan bahwa model cenderung
membuat sedikit kesalahan dalam mengklasifikasikan sampel sebagai
positif ketika sebenarnya negatif.
Misalnya, precision untuk kelas "battery" adalah 0.96, yang berarti
96% dari prediksi yang diklasifikasikan sebagai "battery" adalah
benar.
12
- Recall: Recall, juga dikenal sebagai sensitivity atau true positive rate,
mengukur sejauh mana model mampu mendeteksi secara benar semua
sampel positif. Recall dihitung dengan membagi jumlah prediksi positif
yang benar (true positive) dengan jumlah total sampel positif yang
sebenarnya (true positive + false negative). Recall menggambarkan
kemampuan model dalam mengidentifikasi secara komprehensif sampel
positif.
Nilai recall yang tinggi menunjukkan bahwa model memiliki
kemampuan yang baik dalam mengidentifikasi dan mengklasifikasikan
sampel positif.
Misalnya, recall untuk kelas "biological" adalah 0.98, yang berarti 98%
dari sampel positif yang sebenarnya telah berhasil diidentifikasi oleh
model.
- F1-score: F1-score adalah ukuran rata-rata harmonik antara precision
dan recall. F1-score memberikan keseimbangan antara precision dan
recall dan berguna saat terdapat ketidakseimbangan antara kelas
positif dan negatif dalam data. F1-score dihitung sebagai dua kali
perkalian antara precision dan recall, kemudian dibagi dengan jumlah
precision dan recall (2 * precision * recall / (precision + recall)).
Nilai F1-score yang tinggi menunjukkan bahwa model memiliki
performa yang baik dalam mempertahankan keseimbangan antara
akurasi dan kemampuan mendeteksi sampel positif.
Misalnya, F1-score untuk kelas "clothes" adalah 0.99, yang
menunjukkan performa yang sangat baik dalam mengklasifikasikan
sampel "clothes".
- Support: Support mengacu pada jumlah kemunculan setiap kelas dalam
data pengujian. Ini adalah jumlah sampel yang sesuai dengan setiap
kelas.
Misalnya, kelas "clothes" memiliki support sebanyak 500, yang berarti
terdapat 500 sampel "clothes" dalam data pengujian.
13
f. Deployment
Model yang telah dibuat dalam implementasi kecerdasan buatan pada sistem
klasifikasi sampah dengan CNN akan di-deploy dalam bentuk aplikasi
berbasis website. Berikut tahapan proses deployment aplikasi berbasis web:
a) Proses deployment dimulai dengan merancang antarmuka pengguna
(UI/UX) website dengan mencari referensi-referensi desain yang baik
sehingga pengguna dapat dengan mudah menggunakannya dan
memahaminya.
b) Tahap selanjutnya yaitu proses pengembangan website menggunakan
tiga bahasa pemrograman yaitu HTML, JS, dan CSS. Proses ini
bertujuan untuk membangun website yang dapat memfasilitasi
pengguna untuk mengklasifikasikan berbagai jenis sampah.
c) Setelah itu, dilakukan pembuatan back-end dan integrasi menggunakan
Flask. Proses ini bertujuan agar website dapat berjalan secara lokal di
server/komputer user.
3. Deskripsi Aplikasi
14
c. User Interface
Fitur-fitur yang ada dalam aplikasi Recyclegence, seperti pemrosesan
pengenalan gambar, klasifikasi, dan informasi tambahan, dirancang untuk
memberikan pengalaman yang baik kepada pengguna. Adapun antarmuka
UI yang ramah pengguna, tata letak yang intuitif, dan informasi yang jelas
membantu pengguna memahami dan menggunakan aplikasi dengan mudah.
Antarmuka pada aplikasi tersebut terdiri dari beberapa halaman, seperti
berikut:
1. Beranda
Halaman beranda ini merupakan tampilan pertama saat pengguna
membuka aplikasi Recyclegence. Pada halaman ini, pengguna akan
disambut dengan judul dan slogan yang menarik tentang aplikasi.
Terdapat juga ilustrasi yang relevan dengan pemilahan dan pengelolaan
sampah. Fitur-fitur utama aplikasi seperti "Mulai Sekarang" atau "Cara
Penggunaan" juga dapat ditemukan di halaman ini.
17
2. Tentang Recyclegence
Halaman "Tentang Recyclegence" memberikan informasi detail
tentang aplikasi dan tujuannya. Terdapat deskripsi tentang bagaimana
Recyclegence dapat membantu pengguna dalam pemilahan dan
pengklasifikasian sampah. Halaman ini juga dapat menjelaskan
algoritma dan teknologi yang digunakan untuk mengenali jenis sampah,
serta manfaat penggunaan aplikasi ini.
`
3. Aplikasi Recyclegence
Pada halaman aplikasi inilah tempat pengguna melakukan proses
pemilahan dan pengklasifikasian jenis sampah. Terdapat bagian input
yang memungkinkan pengguna memilih jenis sampah atau
18