Publisher

POLBANPOLBAN

Journal JITEL (Jurnal Ilmiah Telekomunikasi, Elektronika, dan Listrik Tenaga)JITEL (Jurnal Ilmiah Telekomunikasi, Elektronika, dan Listrik Tenaga) Abstract

Pertumbuhan populasi dan urbanisasi telah meningkatkan timbulan sampah serta memperberat tantangan pengelolaan sampah secara global. Di Indonesia, timbulan sampah nasional pada tahun 2023 mencapai 38,4 juta ton per tahun, namun 38,38% masih belum terkelola dengan baik. Penelitian ini bertujuan mengembangkan sistem berbasis Artificial Intelligence of Things (AIoT) untuk klasifikasi sampah otomatis dan pemantauan kapasitas tempat sampah secara real-time. Sistem mengintegrasikan model YOLOv8n untuk mengidentifikasi empat kategori sampah (organik, anorganik, B3, dan lainnya) dengan sensor ultrasonik untuk pengukuran kapasitas, serta platform web untuk visualisasi data. Evaluasi model menunjukkan Macro F1-Score sebesar 63,9%, dengan performa terbaik pada kelas organik (91,33%), diikuti anorganik (68,37%), dan B3 (31,92%). Sensor ultrasonik menunjukkan hubungan near-linear antara tinggi sampah dan persentase kapasitas (4,5% per cm), memvalidasi keandalannya untuk pemantauan real-time. Sistem yang dikembangkan membuktikan kelayakan integrasi AIoT untuk pemilahan sampah otomatis, meskipun diperlukan optimalisasi lebih lanjut untuk meningkatkan akurasi klasifikasi pada kelas minoritas. Penelitian ini berkontribusi pada pengembangan solusi cerdas untuk mendukung pengelolaan sampah perkotaan yang lebih efisien dan berkelanjutan.

Conclusion

Penelitian ini berhasil mengembangkan dan memvalidasi sistem pengelolaan sampah otomatis berbasis AIoT yang mengintegrasikan klasifikasi deep learning YOLOv8n dengan pemantauan kapasitas berbasis sensor ultrasonik.Sistem menunjukkan kelayakan fungsional untuk kategorisasi sampah real-time dan pelacakan tingkat penuhan, berkontribusi pada teknologi manajemen sampah cerdas.Evaluasi kuantitatif menunjukkan bahwa model YOLOv8n mencapai Macro F1-Score sebesar 63,9%, dengan variasi performa signifikan antar kategori sampah.organik (91,33%), anorganik (68,37%), dan berbahaya/B3 (31,92%).Ketidakseimbangan kelas dalam dataset menonjolkan tantangan kritis dalam klasifikasi sampah dan menekankan kebutuhan strategi akuisisi data yang ditargetkan untuk kategori minoritas.Validasi sensor ultrasonik mengonfirmasi pemantauan kapasitas real-time dengan respons hampir linear, mendukung integrasinya ke dalam sistem manajemen sampah operasional.ketidakseimbangan dataset secara proporsional memengaruhi kinerja klasifikasi untuk kategori sampah berbahaya, pengujian tunggal sensor tidak sepenuhnya menangkap keandalan sistem multi-sensor di bawah kondisi lapangan yang bervariasi, mekanisme pemilahan mekanis prototipe belum diuji secara ekstensif untuk ketahanan operasional jangka panjang, dan meskipun sistem menggunakan MQTT untuk komunikasi IoT, evaluasi kuantitatif latensi jaringan dan keandalan transmisi data belum dilakukan, meninggalkan karakterisasi kinerja komunikasi real-time untuk investigasi masa depan.(1) evaluasi perbandingan arsitektur deep learning alternatif (misalnya, YOLOv9, YOLOv10, detektor berbasis transformer) untuk mengidentifikasi model optimal untuk klasifikasi sampah.(2) akuisisi dataset primer yang lebih besar dan seimbang yang mencakup keragaman visual yang lebih besar di seluruh kategori, terutama sampah berbahaya.(3) studi validasi multi-sensor di bawah kondisi lingkungan yang berbeda.(4) analisis menyeluruh kualitas layanan (QoS) komunikasi MQTT untuk mengkuantifikasi keterlambatan akhir-ke-akhir, jitter, dan konfigurasi QoS optimal.dan (5) uji coba implementasi lapangan untuk mengevaluasi kinerja sistem dalam konteks operasional nyata.

Future Research

Untuk meningkatkan efektivitas sistem manajemen sampah berbasis AIoT, penelitian lanjutan dapat fokus pada tiga aspek utama. Pertama, pengembangan dataset yang lebih seimbang dan representatif untuk semua kategori sampah, terutama sampah berbahaya (B3), dengan memperluas variasi visual dan kondisi lingkungan agar model dapat mengenali pola yang lebih kompleks. Kedua, pengujian sistem multi-sensor untuk mengukur keandalan dan akurasi pemantauan kapasitas di berbagai kondisi lapangan, seperti perubahan suhu, kelembapan, atau permukaan sampah yang tidak rata. Ketiga, optimasi protokol komunikasi IoT untuk mengurangi latensi dan meningkatkan keandalan transmisi data, terutama dalam skenario jaringan yang tidak stabil. Dengan menggabungkan pendekatan ini, penelitian masa depan dapat menghasilkan sistem yang lebih robust, akurat, dan skalabel untuk mendukung pengelolaan sampah perkotaan yang berkelanjutan.

References

1. A Systematic Literature Review of YOLO and IoT Applications in Smart Waste Management | Green Intelligent... tecnoscientifica.com/journal/gisa/article/view/706A Systematic Literature Review of YOLO and IoT Applications in Smart Waste Management Green Intelligent tecnoscientifica journal gisa article view 706

Metadata

File size	649.29 KB
Pages	12
DMCA	Report