SEMINAR NASIONAL PENDIDIKAN IPA DAN MATEMATIKA 2023

UNIVERSITAS NEGERI MALANG

SABTU, 8 JULI 2023

IMPLEMENTASI MACHINE LEARNING PADA APLIKASI DETEKSI GAMBAR

LIMBAH ELEKTRONIK UNTUK MENINGKATKAN PERENCANAAN PENGOLAHAN
LIMBAH ELEKTRONIK
Ranti Maulidaningsih
Program Studi Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Malang
ranti.maulidaningsih.2003126@students.um.ac.id

Abstract

This research includes an image recognition system to identify and classify waste into electrical equipment waste and
ordinary household waste. Its main objective is to facilitate the exchange of information regarding e-waste to be
collected from a person, by leveraging the widespread use of smartphones. To improve e-waste collection planning,
users will take waste items and upload their images to the waste collection company's server via an android
application, where the items will be automatically recognized and classified. Classification and recognition methods
use Neural Networks for image analysis, in particular Convolutional Neural Networks (CNN) are applied in making
Machine Learning models to classify the type of waste, whether the waste includes electronic waste or ordinary waste.
The recognition and classification accuracy of the selected waste categories ranged from 97 to 98%. After the waste
categories are recognized and classified automatically from the uploaded image, the e-waste collection company can
prepare a collection plan for the e-waste by providing information on where the collection points are to users.

Keywords: Electronic waste; Electronic waste detection; Object Classification; Convolutional Neural
Network(CNN); Electronic waste collectors planning

Abstrak
Penelitian ini meliputi sistem pengenalan citra untuk mengidentifikasi dan mengklasifikasikan limbah menjadi limbah
peralatan listrik dengan limbah rumah tangga biasa. Tujuan utamanya adalah untuk memfasilitasi pertukaran informasi
mengenai limbah elektronik yang akan dikumpulkan dari seseorang, dengan memanfaatkan penggunaan smartphone
secara luas. Untuk meningkatkan perencanaan pengumpulan limbah elektronik, pengguna akan mengambil item limbah
dan mengunggah gambarnya ke server perusahaan pengumpul limbah melalui aplikasi android, dimana item tersebut
akan dikenali dan diklasifikasikan secara otomatis. Metode klasifikasi dan rekognisi menggunakan Neural Network untuk
analisis gambar, khususnya Convolutional Neural Network (CNN) diterapkan dalam pembuatan model Machine Learning
untuk mengklasifikasikan jenis limbah, apakah limbah tersebut termasuk limbah elektronik atau limbah biasa. Akurasi
pengenalan dan klasifikasi dari kategori limbah yang dipilih berkisar antara 97 hingga 98%. Setelah kategori limbah
dikenali dan diklasifikasikan secara otomatis dari gambar yang diunggah, perusahaan pengumpul limbah elektronik dapat
menyiapkan rencana pengumpulan limbah elektronik tersebut dengan memberikan informasi dimana saja titik pengepul
kepada pengguna.

Kata kunci: limbah Elektronik; Deteksi limbah Elektronik; Klasifikasi Objek; Convolutional Neural Network(CNN);
Perencanaan Pengepul limbah Elektronik

PENDAHULUAN
Dewasa ini kebanyakan pekerjaan manusia dibantu oleh teknologi elektronika. Karena sejatinya
tujuan teknologi adalah untuk memberikan kemudahan bagi manusia. Begitupun orang yang bekerja sebagai
organ pemerintah, untuk menunjang pelaksanaan tugas dan fungsi, setidaknya paling sedikit masing-masing
dari kita menggunakan dua perangkat elektronik seperti handphone, laptop atau komputer. Menurut data dari
Badan Kepegawaian Negara (BKN) dalam Statistik ASN Desember 2021, Deputi Bidang Sistem Informasi
Kepegawaian jumlah Pegawai Negeri Sipil pusat dan daerah berjumlah 3,995,634 orang dan 50,553 orang
Pegawai Pemerintah dengan Perjanjian Kerja (PPPK). Dari data ini saja dapat diperkirakan berapa banyak
perangkat elektronik yang digunakan oleh pegawai pemerintah. Ini berbanding lurus dengan penjelasan
menurut Global E-Waste Monitor [the International Telecommunication Union (ITU) and the
Sustainable Cycles (SCYCLE) Programme by the United Nations University (UNU) and the United
Nations Institute for Training and Research (UNITAR), and the International Solid Waste Association

1
(ISWA)] bahwa e-waste termasuk limbah dengan aliran pertumbuhan tercepat di dunia. Secara global,
e-waste dihasilkan rata-rata 7,3 kg per kapita [1].

Ini menjadi sangat signifikan apabila dikaitkan dengan pengelolaan perangkat elektronik yang sudah
tidak dapat digunakan lagi atau dengan kata lain sudah menjadi limbah elektronik (e-waste ). Secara nasional,
menurut Bappenas – recycling rate Indonesia sebesar 17,4% dari total 2 juta ton e-waste pada tahun 2021.
Tentu hal ini menjadi perhatian utama karena barang elektronik mengandung material B3 yang bisa sangat
berbahaya. Namun penanganan e-waste tidak sepopuler penanganan limbah rumah tangga. Untuk
meningkatkan penanganan recycling limbah elektronik perlu fasilitas pertukaran informasi limbah elektronik
seseorang dengan tempat pengolahan limbah elektronik secara otomatis yang dapat dibuat dalam bentuk
aplikasi android.

Untuk mengatasi permasalahan-permasalahan diatas perlu adanya kesadaran dan pengetahuan

masyarakat tentang klasifikasi sampah, maka dari itu terdapat beberapa penelitian menggunakan CNN
tentang klasifikasi citra diantaranya dilakukan oleh Rima Dias Ramadhani beserta rekanya tentang optimasi
akurasi metode Convolutional Neural Network untuk identifikasi jenis sampah dengan hasil dari optimasi
menunjukan kenaikan tingkat akurasi model sebesar 91,2%, dimana sebelum dilakukan optimasi nilai akurasi
model sebesar 67,6% [2]. Selain itu terdapat penelitian yang dilakukan oleh Kristian Telaumbanua, dkk
mengenai metode GLCM dan GLRLM menggunakan Improved KNN tentang sampah dengan jumlah citra
50 menghasilkan akurasi 90,4% pada 5 jenis sampah [3]. Berdasarkan penjelasan tentang masalah sampah
dan beberapa contoh penelitian tersebut maka tujuan penelitian ini meliputi pembuatan model machine learning
sistem otomatisasi pengenalan citra untuk mengidentifikasi dan mengklasifikasikan limbah menjadi limbah
elektronik dengan limbah rumah tangga biasa. Dengan dilakukannya penelitian ini diharapkan masyarakat
dapat menggunakan aplikasi tersebut sehingga lingkungan sekitar kita dapat terhindar dari pencemaran dan
kerusakan lingkungan yang diakibatkan oleh pengelolaan e-waste yang tidak sesuai ketentuan.
Proses klasifikasi citra sampah ini menggunakan model Sequential yang merupakan model pengujian
sederhana dengan mengambil parameter secara acak agar nilai akurasi semakin maksimal. Model Sequential
tersebut menggunakan arsitektur Convolutional Neural Network(CNN) yang terdiri dari beberapa macam
layer, yaitu Convolutional Layer, Pooling Layer, Fully Connected Layer, dan Layer Klasifikasi. Untuk
memahami metode yang digunakan ini berikut penjelasan singkat tentang beberapa penjelasan dan teknologi
yang digunakan.

A. Convolutional Neural Network(CNN)

Convolutional Neural Networks, juga dikenal sebagai CNN atau ConvNet, adalah kelas
jaringan saraf yang berspesialisasi dalam pemrosesan data yang memiliki topologi seperti grid, seperti
gambar. Gambar digital adalah representasi biner dari data visual. Ini berisi serangkaian piksel yang
diatur dalam mode seperti grid yang berisi nilai piksel untuk menunjukkan seberapa terang dan warna
apa yang seharusnya dimiliki setiap piksel. [4]
CNN biasanya mengambil order 3 tensor sebagai inputnya, misalnya gambar dengan H baris,
kolom W, dan 3 saluran (saluran warna R, G, B). Inputannya kemudian berurutan melewati
serangkaian proses. Satu langkah pemrosesan biasanya disebut layer, yang bisa berupa convolution
layer, pooling layer, normalization layer, fully connected layer, loss layer, dll [5].

B. Convolutional Layer
Layer Conv adalah blok inti dari CNN Bobot konvolusi mewakili saluran konvolusi. Parameter
lapisan CONV terdiri dari serangkaian filter. Setiap filter berukuran kecil secara spasial (sepanjang
lebar dan tinggi), tetapi meluas hingga seluruh kedalaman volume input. Misalnya, filter tipikal pada
lapisan pertama ConvNet mungkin memiliki ukuran 5x5x3 (yaitu lebar dan tinggi 5 piksel, dan 3
karena gambar memiliki kedalaman 3, saluran warna). Selama forward pass, kita geser (lebih
tepatnya, berbelit-belit) setiap filter melintasi lebar dan tinggi volume input dan menghitung
perkalian titik antara entri filter dan input di posisi mana pun. Saat kita menggeser filter di atas lebar
dan tinggi volume input, kita akan menghasilkan peta aktivasi 2 dimensi yang memberikan respons
filter tersebut di setiap posisi spasial [6].
C. Pooling Layer
Hal yang umum untuk secara berkala menyisipkan lapisan Pooling di antara lapisan Conv yang
berurutan dalam arsitektur ConvNet. Fungsinya adalah untuk secara progresif mengurangi ukuran

2
 spasial dari representasi untuk mengurangi jumlah parameter dan perhitungan dalam jaringan, dan
juga mengontrol overfitting. Pooling Layer beroperasi secara independen pada setiap irisan
kedalaman input dan mengubah ukurannya secara spasial, menggunakan operasi MAX. Bentuk yang
paling umum adalah lapisan penyatuan dengan filter berukuran 2x2 yang diterapkan dengan langkah 2
downsamples setiap irisan kedalaman pada masukan sebanyak 2 sepanjang lebar dan tinggi,
membuang 75% aktivasi. Setiap operasi MAX dalam hal ini akan mengambil maksimal lebih dari 4
angka (wilayah 2x2 kecil di beberapa irisan kedalaman). Dimensi kedalaman tetap tidak berubah [6].

D. Fully Connected Layer

Neuron di layer ini memiliki konektivitas penuh dengan semua neuron di lapisan sebelumnya
dan selanjutnya. Inilah sebabnya mengapa dapat dihitung seperti biasa dengan perkalian matriks
diikuti dengan efek bias. Layer ini membantu memetakan representasi antara input dan output [4].

E. Rectifed Linear Unit (ReLu)

Menurut Wicaksana, dkk (2019) ReLu adalah fungsi aktivasi linear yang banyak digunakan
pada CNN. Fungsi aktivasi digunakan untuk menentukan apakah suatu neuron harus aktif atau tidak
berdasarkan nilai bobot inputnya. Ini menghitung fungsi 𝑓(𝑥) = 𝑚𝑎𝑥(0, 𝑥) yaitu nol saat x < 0 dan
kemudian linier dengan kemiringan 1 saat x > 0.

F. Sigmoid
−𝑥
Non-linearitas sigmoid memiliki bentuk matematis σ(𝑥) = 1/(1 + 𝑒 ) dan ditunjukkan pada
gambar di atas di sebelah kiri. Dibutuhkan angka bernilai riil dan “dipadatkan” menjadi rentang antara
0 dan 1 [6].

M ETODE
Metode penelitian yang penulis gunakan diantaranya, framework keras, matplotlib, pandas, shutill,
numpy, pada situs Google Collaboratory dan back-end Tensorflow, python3 serta menggunakan metode
Convolutional Neural Network (CNN) dalam pembuatan model sequential.

A. Tahapan Proses
Berikut adalah tahapan prosesnya

Gambar 1 . Kerangka Uji

3
 Dari gambar kerangka uji diatas tahapan pertama adalah mengumpulkan gambar-gambar
yang akan diuji. Populasi dalam penelitian ini adalah citra limbah yang diambil dari situs kaggle beserta
github repository. Sedangkan sampel yang digunakan dalam penelitian ini adalah dua jenis limbah yaitu
limbah kering biasa dan limbah elektronik. Total citra yang dikumpulkan untuk sampel sebanyak 1248,
dengan masing-masing kategori jenis limbah sebanyak 624 citra limbah. Gambar pada dataset
memiliki ukuran frame gambar yang bervariasi sehingga perlu dilakukan preprocessing untuk merubah
ukuran gambar menjadi supaya dapat dilakukan training, testing, dan predicting. Kemudian data
tersebut dibagi menjadi tiga direktori dataset yaitu train, test dan validation dengan rasio 80% : 10% :
10%.
Tahap selanjutnya dilakukanlah data augmentasi pada gambar yang tersedia dalam direktori
train dengan harapan ketika mendeteksi gambar baru hasil prediksi yang dikeluarkan dapat akurat.
Augmentasi yang dilakukan pada gambar diantaranya horizontal flip, rotation, dan zoom. Setelah
empat tahapan tersebut, kemudian menggunakan arsitektur Convolutional Neural Network model
dibuat untuk me-train dataset yang berasal dari direktori train yang telah di augmentasi serta direktori
test. Pada proses tersebut trial and error diperlukan saat mengatur banyak layer serta neuron untuk
memperoleh model yang optimal. Setelah mendapatkan model yang optimal, maka model tersebut diuji
kembali pada data yang terdapat dalam direktori validation, accuracy dan loss dari model dapat
dilihat dari hasil dari prediksi tersebut.

Sebelum tahap pengujian dilakukan pengaturan melalui fungsi compile di antaranya:

1. loss : untuk mengukur seberapa akurat model selama proses training.
2. optimizer : untuk melihat bagaimana model berubah berdasarkan data yang dilihat dan juga loss
function nya.
3. metrics : untuk memantau tiap langkah dalam proses training dan testing. Pada analisis ini
digunakan accuracy, seberapa akurat gambar-gambar yang berhasil diklasifikasikan dengan
benar
Kemudian menggunakan confusion matrix kita dapat melihat hasil prediksi. Ketika
konvolusional matriks menunjukan 90 % hasil yang akurat maka model dapat disimpan dan diubah
kedalam bentuk ekstensi yang diinginkan.

B. Rancangan Convolutional Neural Network

Seperti yang telah dijelaskan sebelumnya penelitian ini menggunakan model Sequential
dengan arsitektur CNN berikut :

Gambar 2 . Flow kerja Model

4
 Pada gambar diatas merupakan flow model pengujian sequential. Dari gambar diatas citra
yang dimasukan berukuran 254x254x3 piksel kemudian dilakukan konvolusi dengan lima layer
konvolusi dengan jumlah filter masing-masing 16, 32, dan 3 kali 64 berukuran 3x3, pada pooling layer
digunakan operasi max pooling dengan pooling max berukuran 2x2 yang nantinya setiap ukuran citra
akan dibagi dua saat melewati proses ini. Proses flatten digunakan untuk merubah format citra 2d ke
1d dengan nilai yang sudah ditentukan 254x254x3 piksel. Kemudian kita gunakan dua dense layer,
dengan layer pertama berfungsi sebagai activation ReLu (rectified linear unit) berukuran 64 neuron
dan layer kedua Sigmoid dengan 1 neuron sesuai permasalah yang mana merupakan permasalahan
klasifikasi biner antara sampah kering biasa dengan sampah elektronik..

H ASIL DAN PEMBAHASAN

Sebelum tahap pengujian dilakukan pengaturan melalui fungsi compile dengan loss
binary_crossentropy , optimizer adam, dan metrics accuracy. Dilanjutkan dengan melatih model citra
sampah ke dalam fit model menggunakan epoch sebanyak 10 kali, dengan batch size = 32. Epoch itu sendiri
merupakan jumlah neuron yang dapat melihat semua data-data yang dikumpulkan dan batch size merupakan
jumlah sampel pelatihan didalam satu forward / back ward pass.

Tabe l 1. Hasil Fit Model

Epoch Train Te st

No loss acc loss acc

1 0.6107 0.6832 0.3650 0,8854

2 0.2839 0.8831 0.6181 0.9271

3 0.2179 0.9172 0.1264 0.9479

4 0.2682 0.8954 0.1401 0.9479

5 0.2403 0.9068 0.1452 0.9583

6 0.1974 0.9327 0.1186 0.9792

7 0.2003 0.9306 0.1323 0.9583

8 0.1411 0.9524 0.0600 0.9896

9 0.1337 0.9607 0.0858 0.9792

10 0.1313 0.9545 0.0851 0.9792

Pada table 1 merupakan hasil pelatihan data training dan data validation dengan menggunakan epoch 10 kali,
Dan mendapatkan nilai accuracy dan nilai loss dari data train dan data test. Nilai akurasi(accuracy)
merupakan nilai yang dapat dipakai sebagai acuan dalam mengetahui tingkat kesuksesan/kelayakan model
yang sebelum nya di buat dan nilai loss merupakan ukuran dari kegagalan/kesalahan yang dibuat networks
bertujuan untuk meminimalisirnya. Pada data train diperoleh nilai accuracy sebesar 0.9545 pada epoch ke-10
dan nilai loss terendah 0.1313 pada epoch ke-10, dan pada data test diperoleh nilai akurasi tertinggi sebesar
0.9792 pada epoch ke-10 sedangkan nilai loss terendah 0.0851 pada epoch ke-10. Dari hasil pelatihan data
train dan data validation tersebut dapat kita visualisasikan kedalam bentuk plot/grafik sebagai berikut :

5
 Gambar 3 . Accuracy dan Loss pada Proses Training Model

Dari gambar 3 di atas diketahui bahwa relasi antara nilai accuracy dan nilai loss pada data train dan data
validation dengan jumlah epoch/iterasi. Hubungan yang terjadi pada nilai accuracy menunjukan korelasi yang
positif yang memiliki hubungan satu arah dengan ketentuan semakin banyak jumlah epoch yang dilakukan
maka nilai accuracy data train dan data validation semakin bagus. Sebaliknya sesuai dengan nilai accuracy,
hubungan antara jumlah epoch dengan nilai loss merupakan korelasi yang negatif dimana banyak jumlah
epoch yang digunakan akan mempengaruhi nilai loss yang dihasilkan pada pelatihan data semakin kecil. Dapat
disimpulkan bahwa untuk memperkecil nilai loss yang ingin diharapkan maka dapat dilakukan dengan cara
meningkatkan jumlah epoch pada proses training.Untuk melihat hasil prediksi terhadap gambar baru maka
dilakukannya model evaluasi dan melakukan perhitungan confusion matrix pada data yang berada di direktori
validation. Gambar berikut ini merupakan hasil dari proses tersebut

Gambar 5 . Hasil Prediksi pada Data Direktori Validation

Dari gambar 3 angka 1 mewakili sampah kering biasa sedangkan 0 mewakili sampah elektronik, dan indikasi
warna dari gelap ke terang menandakan perolehan banyak prediksi dari salah benar. Dari gambar tersebut
atas diketahui bahwa model sudah optimal dalam memprediksi klasifikasi dari gambar baru, dengan hasil
model evaluasi bahwa model memiliki accuracy sebesar 98.95% dan loss sebesar 0.0582 Maka model
tersebut selanjutnya disimpan dan dapat dikonversi ke bentuk ekstensi yang diinginkan.

6
PENUTUP
Ke simpulan
Berdasarkan hasil klasifikasi 2 jenis sampah menggunakan metode Convolutional Neural Network
(CNN) menghasilkan kesimpulan bahwa untuk dapat melewati proses preprocessing dengan baik ukuran citra
yang ada harus dirubah dimensinya menjadi 254x254x3 piksel.Penggunaan augmentation digunakan untuk
memperbanyak data dan membuktikan bahwa prediksi pada gambar baru menunjukkan hasil yang bagus.
Dengan melakukan evaluasi pengujian model Sequential dengan epoch sebanyak 10 kali, batch size = 32,
menghasilkan nilai accuracy dan nilai loss pada data validation sebesar 98.95% dan nilai loss sebesar 0.0582.

Ke te rbatasan
Model yang digunakan hanya model sequential dengan arsitektur CNN dan dataset yang digunakan
masih sedikit dan kurang real seperti sampah pada umumnya.

Saran
Dalam pengembangan aplikasi selanjutnya agar memperbanyak citra dataset, dan menggunakan nilai
epoch yang lebih banyak agar nilai akurasi dari kedua model semakin tinggi dan nilai loss nya semakin rendah,
ataupun bisa menggunakan model selain model sequential, bisa menggunakan transfer learning. Dan untuk
kedepannya diharapkan agar teknologi ini bisa diaplikasikan pada masyarakat.

DAFTAR RUJUKAN
[1] Amelia Agusni. (2023, Jan, 11). Sampah Elektronik, Badan Standardisasi Instrumen LHK Merintis
Penanganannya [Daring]. Tersedia : Sampah Elektronik, Badan Standardisasi Instrumen LHK Merintis
Penanganannya .
[2] Rima Dias R, dkk. (2021, Apr, 30). “Optimasi Akurasi Metode Convolutional Neural Network untuk
Identifikasi Jenis Sampah”. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) [Daring]. Vol.5
No.2. Tersedia : https://jurnal.iaii.or.id/index.php/RESTI/article/view/2754/403
[3] Kristian Telaumbanua, dkk. (2021, Jul, 31). “Identifikasi Sampah Berdasarkan Tekstur dengan Metode
GLCM dan GLRLM Menggunakan Improved KNN”. Journal of Computer Science and Information
Technology [Daring]. Vol.1, No. 2, (2021). Tersedia : journal of computer science and information
[4] Mishra, Mayank, (2020, Agust, 27). Convolutional Neural Networks, Explained [Daring]. Tersedia :
https://towardsdatascience.com/convolutional-neural-networks-explained-9cc5188c4939
[5] Jianxin Wu (2017, May, 1). Introduction to Convolutional Neural Network s [Daring]. Tersedia :
https://cs.nju.edu.cn/wujx/paper/CNN.pdf
[6] Prof. Fei-Fei Li, Justin Johnson, Serena Yeung. (2017). “Convolutional Neural Networks (CNNs /
ConvNets)”. Stanford University’s Course [Daring]. Tersedia : Stanford University’s Course
[7] Wicaksana, P. A., Sudarma, I. M., & Khrisne, D. C. (2019). Pengenalan Pola Motif Kain Tenun
Gringsing Menggunakan Metode Convolutional Neural Network Dengan Model Arsitektur. Jurnal
SPEKTRUM[Daring]. Vol 6, No. 3. Tersedia : https://ojs.unud.ac.id/index.php/spektrum/article/
view/52832/31289