SKRIPSI SI

OPTIMASI MODEL DAN KLASIFIKASI PADA SAMPAH ORGANIK DAN NON ORGANIK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN).

---

ABSTRAK

Pengelolaan sampah merupakan tantangan global yang memerlukan solusi inovatif untuk mengoptimalkan proses pemilahan sampah. Salah satu aspek penting dalam pengelolaan sampah adalah pengelompokan sampah menjadi kategori organik dan anorganik. Klasifikasi yang efektif memungkinkan penerapan praktik daur ulang yang lebih efisien, meminimalkan dampak negatif terhadap lingkungan, dan memberikan dasar bagi pengembangan kebijakan pengelolaan limbah berkelanjutan. Dalam penelitian ini, dikembangkan model klasifikasi sampah berbasis Convolutional Neural Network (CNN) menggunakan library TensorFlow.

CNN dipilih karena kemampuannya dalam mengekstraksi fitur-fitur penting dari citra, yang sangat relevan dalam tugas klasifikasi gambar seperti pengenalan sampah. Dataset yang digunakan terdiri dari 25.077 citra sampah yang terbagi menjadi dua kelas: organik dan anorganik. Data ini dibagi menjadi data pelatihan (85%, sebanyak 22.564 citra) dan data pengujian (15%, sebanyak 2.513 citra), dengan ukuran citra yang diubah menjadi 256x256 piksel. Arsitektur model CNN yang dikembangkan terdiri dari beberapa lapisan konvolusi dan pooling, diikuti oleh lapisan normalisasi dan dropout untuk mencegah overfitting. Model ini dilatih menggunakan optimizer Adam dengan learning rate awal 0,001, batch size 128, dan selama 15 epoch. Untuk meningkatkan kinerja model, digunakan teknik early stopping dan penyesuaian learning rate secara adaptif berdasarkan nilai loss pada data validasi. Hasil pelatihan menunjukkan bahwa model mencapai akurasi pelatihan sebesar 93% dengan nilai loss 0,2438, serta akurasi validasi sebesar 92% dengan Validasi loss 0,3039. Setelah diterapkan teknik early stopping dan pemulihan bobot terbaik, model diuji pada data validasi dan memperoleh akurasi sebesar 95,43% dengan loss 0,1528.

Kata Kunci : Pengelolaan sampah, algoritma CNN, deep learning, sampah organik, sampah anorganik, sistem klasifikasi, Google Colab, daur ulang, keberlanjutan lingkungan, pemilahan sampah, machine learning.



ABSTRACT

Waste management is a global challenge that requires innovative solutions to optimize the waste sorting process. One of the critical aspects of waste management is the classification of waste into organic and inorganic categories. Effective classification enables more efficient recycling practices, minimizes negative environmental impacts, and provides a foundation for the development of sustainable waste management policies.

In this study, a waste classification model based on Convolutional Neural Networks (CNN) was developed using the TensorFlow library. CNN was chosen for its ability to extract important features from images, which is highly relevant in image classification tasks such as waste recognition. The dataset used consists of 25,077 waste images divided into two classes: organic and inorganic. The data was split into training data (85%, totaling 22,564 images) and testing data (15%, totaling 2,513 images), with image sizes resized to 256x256 pixels.

The CNN architecture developed consists of several convolutional and pooling layers, followed by normalization and dropout layers to prevent overfitting. The model was trained using the Adam optimizer with an initial learning rate of 0.001, a batch size of 128, and for 15 epochs. To improve model performance, early stopping and adaptive learning rate adjustment techniques based on validation loss were applied.

The training results showed that the model achieved a training accuracy of 93% with a loss value of 0.2438, and a validation accuracy of 92% with a loss of 0.3039. After applying early stopping and restoring the best model weights, the model was evaluated on the validation data and achieved an accuracy of 95.43% with a loss of 0.1528.



Keywords : Waste management, CNN algorithm, deep learning, organic waste, inorganic waste, classification system, Google Colab, recycling, environmental sustainability, waste sorting, machine learning.

---

Ketersediaan

S250927011

607.2 RIZ o

Perpustakaan STMIK AMIKBANDUNG

Tersedia

Informasi Detil

Judul Seri

-

No. Panggil

607.2 RIZ o

Penerbit

: ., 2025

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subyek

-

Info Detil Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

You must be logged in to post a comment