NAINGGOLAN, CHRISTIN EVASARI (2023) PERBANDINGAN KLASIFIKASI JENIS SAMPAH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR RESNET18 DAN RESNET50. Other thesis, UNIVERSITAS BINA DARMA.
Text (BAB 0)
BAB 0.pdf Download (1MB) |
|
Text (BAB 1)
BAB 1.pdf Download (1MB) |
|
Text (DAPUS)
DAPUS.pdf Download (1MB) |
|
Text (PERBANDINGAN KLASIFIKASI JENIS SAMPAH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR RESNET18 DAN RESNET50)
LAPORAN HASIL_compressed (1)_11zon.pdf Restricted to Repository staff only Download (1MB) |
|
Text (LAMPIRAN)
LAMPIRAN.pdf Download (692kB) |
|
Text (ARTIKEL)
ARTIKEL.pdf Download (1MB) |
Abstract
Permasalahan yang kompleks terjadi dalam mengatasi persoalan sampah, baik di negara-negara yang sedang berkembang maupun yang sudah maju, seperti halnya Indonesia. Menurut data dari Kementerian Lingkungan Hidup dan Kehutanan (KLHK), pada tahun 2022 total tumpukan sampah mencapai angka 34.439.338.12 ton per tahun. Dalam penelitian ini akan digunakan machine learning dengan membandingkan arsitektur CNN yaitu ResNet18 dengan ResNet50 untuk klasifikasi jenis-jenis sampah. Penelitian ini menggunakan data citra sampah sebanyak 2527 gambar yang terdiri dari 6 kelas yaitu cardboard, glass, metal, paper, plastic dan trash. Convolutional Neural Network merupakan komponen dari metode Deep Neural Network yang memiliki kemampuan untuk mengidentifikasi objek dalam gambar dengan tingkat kompleksitas yang tinggi. Dari uji coba model ResNet18 dalam penelitian ini menghasilkan akurasi sebesar 98.69% dan hasil uji coba pada ResNet50 menghasilkan akurasi sebesar 99.41%. Hasil precision dan recall dari kedua model mencerminkan performa yang sangat baik serta akurasi sekitar 99%. Sehingga dapat disimpulkan bahwa kedua model CNN yaitu ResNet18 maupun ResNet50, memiliki kinerja yang sangat baik dalam melakukan klasifikasi citra sampah.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Garbage Classification, Convolutional Neural Network (CNN), ResNet18, ResNet50 |
Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
Divisions: | Faculty of Law, Arts and Social Sciences > School of Management |
Depositing User: | Miss Marina Ina |
Date Deposited: | 31 Oct 2024 06:51 |
Last Modified: | 31 Oct 2024 06:51 |
URI: | http://repository.binadarma.ac.id/id/eprint/8143 |
Actions (login required)
View Item |