UMIUMI

METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi AkuntansiMETHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi

Pengelolaan sampah di Indonesia menghadapi tantangan besar dengan jumlah yang terus meningkat mencapai sekitar 175.000 ton per hari. Kesadaran masyarakat terhadap bahaya terkait dengan sampah masih rendah dengan membuang sampah sembarangan. Metode pemilahan sampah merupakan metode paling efektif dengan memisahkan sampah berdasarkan jenisnya. Pemilahan sampah secara manual tidak efektif karena membutuhkan ruang yang luas, tenaga kerja yang banyak, dan rentan terjadi kesalahan. Penelitian ini bertujuan membangun model klasifikasi jenis sampah berbasis Convolutional Neural Network (CNN) dengan optimasi hyperparameter tuning arsitektur MobileNet. Penelitian dikembangkan dengan metode Cross-Industry Standard Process for Data Mining (CRISP-DM) serta menggunakan dataset terdiri dari tiga kategori sampah yaitu organik, anorganik, dan B3 yang bersumber dari dataset terbuka Kaggle. Pelatihan model dilakukan menggunakan arsitektur MobileNet dengan optimasi hyperparameter tuning dan memperoleh parameter optimal berupa optimizer Adam, learning rate 0.01, batch size 32, dan jumlah neuron 256. Hasil penelitian menunjukkan model berhasil mencapai akurasi sebesar 96% sebelum optimasi dan mengalami peningkatan 2% menjadi 98% sesudah optimasi. Biaya komputasi model menunjukkan nilai efisiensi tinggi dengan jumlah operasi floating point yang dapat dijalankan oleh model dalam satu detik adalah 1.146 GFLOPS.

Penelitian ini menunjukkan bahwa algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNet efektif dalam mengklasifikasikan jenis sampah dengan tingkat akurasi 98% setelah dilakukan optimasi hyperparameter.Optimasi hyperparameter tuning berhasil meningkatkan akurasi model dan tetap mempertahankan biaya komputasi yang rendah.Model ini berpotensi untuk diterapkan dalam sistem pemilahan sampah otomatis guna meningkatkan efisiensi pengelolaan sampah di Indonesia.

Penelitian lanjutan dapat difokuskan pada penggunaan dataset yang lebih besar dan representatif, diperoleh melalui pengumpulan data langsung dari berbagai lokasi untuk meningkatkan generalisasi model. Selain itu, eksplorasi arsitektur CNN lain yang memiliki efisiensi komputasi tinggi, seperti EfficientNet, dapat dilakukan untuk membandingkan performa dan menemukan model yang paling optimal. Pengembangan aplikasi mobile atau berbasis IoT yang mengintegrasikan model klasifikasi sampah ini juga dapat dipertimbangkan untuk memfasilitasi pemilahan sampah secara real-time dan meningkatkan kesadaran masyarakat terhadap pengelolaan sampah yang berkelanjutan. Penelitian lebih lanjut juga dapat dilakukan untuk meningkatkan robust model agar lebih stabil dan efisien dalam proses pelatihan serta lebih adaptif terhadap variasi data.

  1. Analisis partisipasi masyarakat terhadap pengelolaan sampah di Kecamatan Sumbersari, Kabupaten Jember,... journal.bkpsl.org/index.php/jplb/article/view/190Analisis partisipasi masyarakat terhadap pengelolaan sampah di Kecamatan Sumbersari Kabupaten Jember journal bkpsl index php jplb article view 190
  2. One moment, please.... one moment please wait request verified doi.org/10.59407/jpki2.v2i4.1216One moment please one moment please wait request verified doi 10 59407 jpki2 v2i4 1216
  3. One moment, please.... one moment please wait request verified jurnal.ilmubersama.com/index.php/hello_world/article/view/518One moment please one moment please wait request verified jurnal ilmubersama index php hello world article view 518
  4. Pembatasan Import Sampah Sebagai Komitmen Indonesia Dalam Upaya Penanganan Perubahan Iklim Global | Sulistio... ejournal.unimugo.ac.id/JLR/article/view/1281Pembatasan Import Sampah Sebagai Komitmen Indonesia Dalam Upaya Penanganan Perubahan Iklim Global Sulistio ejournal unimugo ac JLR article view 1281
Read online
File size1.36 MB
Pages15
DMCAReport

Related /

ads-block-test