PENERAPAN TRANSFER LEARNING PADA CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR VGG-19 UNTUK DETEKSI SAMPAH ORGANIK DAN ANORGANIK

Novitasari, Dinda Aisyah (2024) PENERAPAN TRANSFER LEARNING PADA CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR VGG-19 UNTUK DETEKSI SAMPAH ORGANIK DAN ANORGANIK. Other thesis, UPN Veteran Yogyakarta.

	Text COVER.pdf Download (180kB)
	Text ABSTRAK.pdf Download (200kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (291kB)
	Text PENGESAHAN PENGUJI.pdf Download (315kB)
	Text DAFTAR ISI.pdf Download (167kB)
	Text DAFTAR PUSTAKA.pdf Download (215kB)
	Text SKRIPSI_FULL_DINDA AISYAH NOVITASARI_123200006.pdf Restricted to Repository staff only Download (5MB)

Abstract

Masalah penumpukan sampah yang terus meningkat menjadi isu serius di Indonesia, terutama di daerah padat penduduk. Kurangnya kesadaran masyarakat dalam memilah sampah organik dan anorganik mengakibatkan percampuran sampah, sehingga berdampak negatif terhadap lingkungan dan kesehatan. Oleh karena itu, diperlukan sistem yang mampu mendeteksi jenis sampah untuk mempermudah pengelolaan dan mengurangi dampak lingkungan. Penelitian ini bertujuan untuk mengembangkan model deteksi sampah organik dan anorganik menggunakan metode transfer learning dengan arsitektur VGG19. Penelitian ini menggunakan pendekatan kuantitatif eksperimental. Dataset yang digunakan merupakan dataset sekunder yang diperoleh dari Kaggle dan dikategorikan menjadi dua jenis sampah yaitu organik dan anorganik. Proses pengembangan sistem dilakukan dengan membekukan lapisan dasar VGG19 dan menambahkan lapisan kustom untuk deteksi sampah. Parameter yang digunakan meliputi epoch, batch size, dan learning rate. Penelitian ini memanfaatkan model Convolutional Neural Network (CNN) dengan transfer learning untuk mengetahui akurasi deteksi. Hasil penelitian menunjukkan bahwa penggunaan VGG19 dengan transfer learning mampu menghasilkan akurasi sebesar 96,31% pada deteksi sampah organik dan anorganik. Hasil ini lebih tinggi dibandingkan penelitian sebelumnya yang hanya mencapai akurasi 73% dengan metode yang sama. Penelitian ini berkontribusi dalam menyediakan model deteksi sampah berbasis CNN yang efektif dan dapat dikembangkan lebih lanjut dengan penambahan variasi dataset serta pengoptimalan hyperparameter.

Kata kunci: Sampah Organik, Sampah Anorganik, Deteksi Sampah, Convolutional Neural Network, Transfer Learning, VGG19

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Sampah Organik, Sampah Anorganik, Deteksi Sampah, Convolutional Neural Network, Transfer Learning, VGG19
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	04 Dec 2024 02:25
Last Modified:	04 Dec 2024 02:25
URI:	http://eprints.upnyk.ac.id/id/eprint/41804

Actions (login required)

View Item