Implementasi Algoritma CNN Untuk Pemilahan Jenis Sampah Berbasis Android Dengan Metode CRISP-DM

Sita Alden; Betha Nurina Sari

doi:10.31294/inf.v10i1.14985

Implementasi Algoritma CNN Untuk Pemilahan Jenis Sampah Berbasis Android Dengan Metode CRISP-DM

Sita Alden, Betha Nurina Sari

Abstract

Implementasi algoritma Convolutional Neural Network (CNN) untuk memilah jenis sampah berbasis Android dapat membantu masyarakat dalam memilah sampah dengan benar. Aplikasi ini akan menerima masukan berupa foto sampah yang diambil oleh pengguna dan kemudian menggunakan algoritma CNN untuk mengklasifikasikan jenis sampah. Hasil dari klasifikasi kemudian ditampilkan kepada pengguna sehingga dapat mengetahui jenis sampah dengan akurasi yang tepat untuk dibuang ke tempat sampah sesuai jenisnya. Pada pengujian pemilahan sampah organik dan anorganik berhasil dilakukan dengan menggunakan metode Transfer Learning CNN dengan menerapkan arsitektur Mobile Net. Dataset sampah yang terkumpul adalah sebanyak 5.428 di train di ML Kit. Precision 97,95% dan recall sebesar 95,18%. Pada pengujian menggunakan Android dengan library tensorflow Lite kulit pisang dapat terdeteksi menghasilkan output sampah organik dengan akurasi sebesar 96%. Begitupun dengan sampah kardus dapat terdeteksi menghasilkan output sampah anorganik dengan akurasi sebesar 99%.

Implementation of a Convolutional Neural Network (CNN) algorithm for Android-based garbage sorting to help the public sort garbage correctly. The application will accept input in the form of user-taken garbage photos and use the CNN algorithm to classify the type of garbage. The classification results are then shown to the user to help identify the correct type of garbage to dispose of. Testing of organik and inorganik garbage sorting was successfully done using the Transfer Learning CNN method with the Mobile Net architecture. Collected garbage dataset is 5,428 in train in ML Kit, precision is 97.95% and recall is 95.18%. In testing using Android with the tensorflow Lite library, banana peels can be detected with 96% accuracy and cardboard can be detected with 99% accuracy.

Keywords

Convolutional Neural Network; Citra, Android, Sampah, Garbage, Datamining

Full Text:

PDF (Bahasa Indonesia)

References

Abror, Z. F. (2019). Klasifikasi Citra Kebakaran Dan Non Kebakaran Menggunakan Convolutional Neural Network. Jurnal Ilmiah Teknologi Dan Rekayasa, 24(2), 102–113. https://doi.org/10.35760/tr.2019.v24i2.2389

Agarwal, K., & Tech, B. (n.d.). Object Detection in Refrigerators using Tensorflow.

Alsing, O. (2018). Mobile object detection using tensorflow lite and transfer learning.

Badan Pusat Statistik. (2018). Laporan Indeks Perilaku Ketidakpedulian Lingkungan Hidup Indonesia 2018. Https://Www.Bps.Go.Id/Publication/2018/09/21/C0a44f3a31ad3e85233550a0/Laporan-Indeks-Perilaku-Ketidakpedulian-Lingkungan-Hidup-Indonesia-2018.Html.

de Carolis, B., Ladogana, F., & MacChiarulo, N. (2020). YOLO TrashNet: Garbage Detection in Video Streams. IEEE Conference on Evolving and Adaptive Intelligent Systems, 2020-May. https://doi.org/10.1109/EAIS48028.2020.9122693

Dhika, H. , K. N. R. , I. P. , & A. W. (2020). Model Prediksi Jenis Hewan dengan Metode Convolution Neural Network. Jurnal Ilmiah Teknik Informatika, 9(1), 31–40.

Hutgalung, R. S. , & S. O. (2021). Pengelolaan dan Dinamika Sampah di Desa Ulekan Kabupaten Karawang Di Tinjau Dari Peraturan Daerah Kabupaten Karawang Nomor 9 Tahun 2017 Tentang Pengelolaan Sampah. Wajah Hukum, 5(2), 442–447.

Huynh, M. H. , P.-H. P. T. , T. A. K. , & N. T. D. (2020). Automated Waste Sorting Using Convolutional Neural Network. 2020 7th NAFOSTED Conference on Information and Computer Science (NICS) IEEE, 102–107.

Kementerian Lingkungan Hidup dan Kehutanan. (2021). Sistem Informasi Pengelolaan Sampah Nasional : Capaian Kinerja Pengelolaan Sampah. . Desember 23.

Mahpudin, E. , B. R. L. , & P. Z. A. N. (2022). Pengelolaan Sampah Rumah Tangga di Kabupaten Karawang. Jurnal Pendidikan Tambusai, 6(1), 87–93.

Naranjo-Torres, J., Mora, M., Hernández-García, R., Barrientos, R. J., Fredes, C., & Valenzuela, A. (2020). A review of convolutional neural network applied to fruit image processing. In Applied Sciences (Switzerland) (Vol. 10, Issue 10). MDPI AG. https://doi.org/10.3390/app10103443

Nurcahyo, E., & Ernawati, D. (n.d.). Peningkatan Kesadaran Masyarakat Dalam Pengelolaan Sampah Rumah Tangga Di Desa Mabulugo, Kabupaten Buton. In Jurnal Pengabdian Masyarakat. https://www.kajianpustaka.com/2017/03/pengertian-bentuk-dan-tahapan-kebijakan-publik.html

Pramestya, R. H. (2018). Deteksi dan Klasifikasi Kerusakan Jalan Aspal Menggunakan Metode YOLO berbasis Citra Digital. Master’s Thesis.

Purnama, I. N. (2020). Herbal Plant Detection Based on Leaves Image Using Convolutional Neural Network With Mobile Net Architecture. JITK (Jurnal Ilmu Pengetahuan Dan Teknologi Komputer), 6(1), 27–32.

Qiu, J. , Z. J. , L. W. , P. L. , N. S. , & X. Y. (2020). A survey of Android malware detection with deep neural models. . ACM Computing Surveys (CSUR), 53(6), 1–36.

Ruwandara, D., Jajuli, M., & Rizal, A. (2021). Analisis Algoritma K-Means Clustering Untuk Daerah Penyebaran Sampah di Kota Bekasi. JOINS (Journal of Information System), 6(1), 56–63. https://doi.org/10.33633/joins.v6i1.4085

Schröer, C., Kruse, F., & Gómez, J. M. (2021). A systematic literature review on applying CRISP-DM process model. Procedia Computer Science, 181, 526–534. https://doi.org/10.1016/j.procs.2021.01.199

Singh, A. , & B. R. (2020). Mobile Deep Learning with TensorFlow Lite, ML Kit and Flutter: Build scalable real-world projects to implement end-to-end neural networks on Android and iOS. . Packt Publishing Ltd.

Sinha, D. , & E.-S. M. (2019). Thin mobilenet: An enhanced mobilenet architecture. 2019 IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), 0280–0285.

Stephen, S. , R. R. , & S. H. (2019). CNN Clasification Apps. Jurnal Sistem Informasi Dan Telematika (Telekomunikasi, Multimedia Dan Informatika), 10(2).

Sungheetha, A. (2021). 3D Image Processing using Machine Learning based Input Processing for Man-Machine Interaction. Journal of Innovative Image Processing, 3(1), 1–6. https://doi.org/10.36548/jiip.2021.1.001

Wirth, R., & Hipp, J. (n.d.). CRISP-DM: Towards a Standard Process Model for Datamining.

Woestho, C., Thamrin, D., Saut, E., Hutahaean, H., Raya, J., Raya Perjuangan, J., Mulya, M., Utara, B., & Barat, J. (2020). Sosialisasi Pengelolaan Sampah Melalui Paradigma 3R di Lingkungan Masyarakat Sekitar DAS Ciliwung Kelurahan Tanjungmekar, Karawang Barat (Vol. 3, Issue 2). http://ejurnal.ubharajaya.ac.id/index.php/Jabdimas

Xin, M., & Wang, Y. (2019). Research on image classification model based on deep convolution neural network. Eurasip Journal on Image and Video Processing, 2019(1). https://doi.org/10.1186/s13640-019-0417-8

Yusron Nur Yusuf Alkautsar, Y., Sindang Sari, J., Antapani, K., Antapani Wetan, K., & Ningtyas Arbaatun, C. (n.d.). Matrash: The Use Of Machine Learning In The Waste Bank Based Iot Integrated With Smart Trash Bin.

DOI: https://doi.org/10.31294/inf.v10i1.14985