Publisher

PDSIPDSI

Journal Bulletin of Informatics and Data ScienceBulletin of Informatics and Data Science Abstract

Pengelolaan sampah yang belum dimaksimalkan masih menjadi masalah utama di berbagai daerah, terutama di kawasan perkotaan. Pertumbuhan populasi dan peningkatan aktivitas ekonomi berkontribusi terhadap volume sampah yang semakin meningkat setiap hari. Sayangnya, kapasitas infrastruktur pengelolaan sampah yang tersedia belum mampu mengimbangi laju peningkatan tersebut. Kondisi ini mengakibatkan penumpukan sampah di sejumlah lokasi, yang tidak hanya merusak estetika lingkungan, tetapi juga berisiko terhadap kesehatan masyarakat dan memperparah pencemaran lingkungan jika tidak ditangani secara segera [1]. Sampah yang tidak ditangani dengan benar berpotensi meningkatkan beban lingkungan dan ekonomi, menghambat proses daur ulang, serta berkontribusi terhadap polusi [2]. Menurut data dari Badan Pusat Statistik (BPS), Indonesia menghasilkan lebih dari 64 juta ton sampah setiap tahunnya, dengan sebagian besar berasal dari sektor domestik [3]. Menurut Organisasi Kesehatan Dunia (WHO), sekitar 2 miliar ton sampah padat dihasilkan setiap tahun, dan angka ini diperkirakan akan terus meningkat. Tidak hanya menjadi masalah lingkungan, pengelolaan sampah yang tidak efisien juga dapat menyebabkan dampak kesehatan, mencemari sumber daya alam, dan memperburuk perubahan iklim. Kondisi-kondisi ini menunjukkan kebutuhan akan strategi yang lebih terintegrasi dan inovatif untuk mengelola sampah secara berkelanjutan [4]. Oleh karena itu, inovasi diperlukan yang dapat meningkatkan efisiensi dalam pengelolaan sampah, salah satunya dengan memanfaatkan teknologi untuk menyederhanakan dan mempercepat proses pengelompokan. Salah satu solusi yang menjanjikan adalah penggunaan teknologi deep learning untuk klasifikasi otomatis sampah berdasarkan jenisnya [5]. Teknologi ini dapat membantu dalam mengidentifikasi berbagai jenis sampah melalui gambar dengan kecepatan dan akurasi yang lebih tinggi dibandingkan dengan sistem manual. Penelitian sebelumnya di bidang ini telah menggunakan berbagai algoritma deep learning, terutama yang berbasis pada jaringan saraf konvolusi (CNN), untuk mengklasifikasikan jenis sampah dalam upaya mendukung pengelolaan sampah yang lebih berkelanjutan. Namun, meskipun berbagai studi telah dilakukan, sebagian besar masih menghadapi hambatan terkait akurasi dan waktu komputasi yang tinggi. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis jenis sampah menggunakan arsitektur EfficientNetB3, yang dikenal memiliki kinerja lebih baik dengan penggunaan parameter yang lebih sedikit dibandingkan dengan arsitektur CNN lainnya.

Conclusion

Penelitian ini berhasil mengembangkan model klasifikasi jenis sampah berdasarkan deep learning menggunakan arsitektur EfficientNetB3.Model ini dilatih menggunakan dataset yang seimbang yang terdiri dari enam kategori sampah utama.baterai, kaca, logam, organik, kertas, dan plastik.Hasil evaluasi menunjukkan akurasi yang tinggi sebesar 93%, dengan nilai rata-rata presisi, recall, dan F1-score sebesar 93%.Kategori organik mencapai kinerja tertinggi (F1-score sebesar 0.99), sedangkan logam dan plastik memiliki kinerja terendah (0.Kekuatan utama penelitian ini terletak pada penerapan arsitektur EfficientNetB3, yang menunjukkan keseimbangan antara akurasi dan efisiensi komputasi dalam menangani tugas klasifikasi gambar multi-kelas.Temuan ini menunjukkan bahwa metode deep learning, terutama model berbasis EfficientNet, dapat efektif dalam mengenali berbagai jenis sampah dari data visual.Namun, penelitian ini juga memiliki beberapa keterbatasan.Dataset dikumpulkan dalam lingkungan terkendali dan mungkin tidak sepenuhnya mewakili kondisi dunia nyata seperti pencahayaan yang bervariasi, latar belakang yang kompleks, atau oklusi.Sistem belum diuji dalam skenario waktu nyata, di mana kecepatan dan latency adalah faktor yang krusial.Selain itu, model tidak mengintegrasikan pemahaman konteks seperti ukuran objek, posisi, atau elemen sekitarnya, yang dapat penting untuk membedakan kelas yang secara visual serupa seperti logam dan plastik.Pekerjaan masa depan harus mengatasi keterbatasan ini dengan mengintegrasikan dataset yang lebih beragam dan dunia nyata, menguji sistem dalam lingkungan waktu nyata, dan mengeksplorasi pendekatan multi-modal atau berbasis sensor untuk meningkatkan ketahanan dan generalisasi klasifikasi.Perbaikan ini akan mendukung pengembangan solusi yang lebih praktis, skalabel, dan andal untuk klasifikasi sampah otomatis, yang berkontribusi pada pencapaian Sustainable Development Goal (SDG) 12.

Future Research

Untuk penelitian lanjutan, disarankan untuk mempertimbangkan integrasi sensor atau pendekatan multi-modal dalam sistem klasifikasi sampah otomatis. Sensor tambahan atau kombinasi input multimodal, seperti gambar RGB dan gambar spektrum, dapat meningkatkan akurasi dan kemampuan model dalam membedakan kelas yang secara visual serupa. Selain itu, perlu dilakukan pengujian sistem dalam skenario waktu nyata untuk mengevaluasi kinerja dan kecepatan klasifikasi dalam kondisi dunia nyata. Pengujian ini akan memberikan wawasan tentang kinerja model dalam menghadapi tantangan seperti pencahayaan yang bervariasi, latar belakang yang kompleks, dan oklusi. Dengan demikian, penelitian lanjutan dapat berfokus pada pengembangan sistem yang lebih praktis dan andal untuk klasifikasi sampah otomatis, yang dapat diterapkan dalam berbagai perangkat seperti tempat sampah cerdas atau sistem daur ulang otomatis. Sistem yang efisien dan akurat dalam mengklasifikasi sampah secara otomatis akan berkontribusi pada pengelolaan sampah yang lebih berkelanjutan dan mendukung pencapaian Sustainable Development Goal (SDG) 12: Konsumsi dan Produksi yang Bertanggung Jawab.

References

1. Comparison of Accuracy in Detecting Tomato Leaf Disease with GoogleNet VS EfficientNetB3 | Sinkron :... doi.org/10.33395/sinkron.v8i2.12218Comparison of Accuracy in Detecting Tomato Leaf Disease with GoogleNet VS EfficientNetB3 Sinkron doi 10 33395 sinkron v8i2 12218
2. PERAN MULTI-AKTOR DALAM MEWUJUDKAN KETAHANAN PANGAN NASIONAL MELALUI PENGELOLAAN FOOD LOSS AND WASTE... journal.admi.or.id/index.php/JUKIM/article/view/752PERAN MULTI AKTOR DALAM MEWUJUDKAN KETAHANAN PANGAN NASIONAL MELALUI PENGELOLAAN FOOD LOSS AND WASTE journal admi index php JUKIM article view 752
3. PEMILAHAN JENIS SAMPAH MENGGUNAKAN ALGORITMA CNN | Sihananto | Scan : Jurnal Teknologi Informasi dan... doi.org/10.33005/scan.v17i3.3523PEMILAHAN JENIS SAMPAH MENGGUNAKAN ALGORITMA CNN Sihananto Scan Jurnal Teknologi Informasi dan doi 10 33005 scan v17i3 3523

Metadata

File size	337.18 KB
Pages	9
DMCA	Report