Skripsi/Tugas Akhir

Penerapan Metode Convolutional Neural Network untuk Klasifikasi Jenis Sampah Bawah Air

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Perkembangan teknologi kecerdasan buatan, khususnya deep learning, telah membuka peluang baru dalam identifikasi sampah bawah air. Satu diantara banyaknya metodologi dipakai saat pemrosesannya citra yakni Convolutional Neural Network (CNN). Studi ini melaksanakan pengembangannya pada CNN guna mengklasifikasikan sampah bawah air ke dalam kategori plastik dan non-plastik. Dataset dipakai pada studi ini didapat langsung dari lingkungan perairan menggunakan kamera GoPro Hero 11. Dataset terdiri dari 600 gambar yang dibagi menjadi data latih (70%), validasi (15%), serta data uji (15%). Tahapannya studi meliputi pengolahannya data, preprocessing, pelabelan, serta pelatihan model memakai arsitektur CNN. Evaluasinya model dilaksanakan memakai metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Temuan studi memperlihatkan modelnya CNN mampu meraih akurasinya 89% dalam klasifikasinya sampah bawah air. Precision untuk kategori plastik mencapai 95%, sementara untuk kategori non-plastik sebesar 84%. Meskipun model mampu mengenali sampah bawah air dengan cukup baik, masih terdapat tantangan dalam klasifikasi akibat kondisi lingkungan yang bervariasi, seperti perubahan pencahayaan dan kemiripan tekstur sampah. Oleh karena itu, penelitian di masa depan disarankan untuk meningkatkan jumlah dataset dan mengeksplorasi arsitektur CNN yang lebih kompleks guna meningkatkan akurasi klasifikasi.
Kata Kunci: Convolutional Neural Network (CNN), Klasifikasi Sampah, Sampah Bawah Air, Deep Learning

ABSTRACT
The development of artificial intelligence technology, especially deep learning, has opened up new opportunities in underwater debris identification. One of the many methodologies used during image processing is the Convolutional Neural Network (CNN). This study carries out its development on CNN to classify underwater debris into plastic and non-plastic categories. The dataset used in this study was obtained directly from the aquatic environment using a GoPro Hero 11 camera. The dataset consists of 600 images divided into training data (70%), validation (15%), and test data (15%). The stages of the study include data processing, preprocessing, labeling, and model training using CNN architecture. Model evaluation was carried out using accuracy, precision, recall, F1-score, and confusion matrix metrics. The study findings show that the CNN model was able to achieve 89% accuracy in the classification of underwater waste. Precision for the plastic category reached 95%, while for the nonplastic category it was 84%. Although the model is able to recognize underwater debris quite well, there are still challenges in classification due to varying environmental conditions, such as changes in lighting and similarities in debris texture. Therefore, future research is recommended to increase the number of datasets and explore more complex CNN architectures to improve classification accuracy.
Keywords: Convolutional Neural Network (CNN), Garbage Classification, Underwater Garbage, Deep Learning

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 25-51 SEP p - 0832TI

Penerbit

Makassar : Universitas DIPA., 2025

Deskripsi Fisik

xiv + 59 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 25-51

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 22 Februari 2025

Subjek

Skripsi/Tugas Akhir
Convolutional Neural Network
Deep Learning

Lampiran File