Electronic Theses and Dissertation

Abstrak-Pengelolaan sampah di Indonesia pada saat ini menjadi sebuah permasalahan yang belum dapat terselesaikan. Dari aktivitas manusia sehari-hari dapat menghasilkan komposisi sampah organik sebanyak 60-70% dan sisanya berupa sampah non organik sebanyak 30-40%. Dan perlu diketahui bahwasanya komposisi sampah terbanyak kedua dari sampah non organik tersebut yaitu sebesar 14% merupakan sampah plastik. Solusi yang dapat ditawarkan diantaranya yaitu pemanfaatan kemajuan teknologi, menggunakan teknologi yang saat ini sedang berkembang pesat yaitu kecerdasan buatan. Implementasinya berupa deteksi sampah dengan kamera sebagai pengenal jenis sampah organik dan non organik kemudian melakukan pemilahannya. Pengunaan Deep learning dengan artsitektur CNN (Convolutional Neural Network) akan dipakai dalam mengenali objek sampah organik dan non organik. Dari permasalahan tersebut penelitian ini akan melakukan pemilahan sampah menggunakan CNN dengan menghasilkan deteksi yang akurat dengan memanfaatkan Webcamera Logitech C270 sebagai pendeteksi real-time. Raspberry pi 4 digunakan sebagai microprocessor untuk melakukan pemilahan sampah. Setelah dilakukan pengujian pada proses training model CNN diperoleh nilai validation loss sebesar 0.2231 dan nilai validation acccuracy sebesar 0.9225 (92.25 %). Alat pemilah sampah menggunakan metode CNN berbasis Raspberry Pi 4 memiliki tingkat akurasi pemilahan sampah sebesar 86% pada 30 sampel sampah, hasil penelitian menunjukkan bahwa sistem pemilah sampah menggunakan Raspberry Pi 4 dengan algoritma CNN telah berhasil bekerja dengan kecepatan 3.86 detik untuk satu kali pemilahan.

Kata Kunci: Raspberry Pi 4, CNN, deep learning.

Abstract-Waste management in Indonesia is currently an unresolved issue. Daily human activities generate a composition of 60-70% organic waste and 30-40% inorganic waste. It should be noted that plastic waste constitutes the second largest component of inorganic waste, accounting for 14%. One potential solution is leveraging technological advancements, particularly the rapidly evolving artificial intelligence. This involves the implementation of waste detection using cameras to identify organic and inorganic waste and subsequently sort it. Deep learning using Convolutional Neural Network (CNN) architecture will be employed to recognize organic and inorganic waste objects. Addressing this issue, this research aims to sort waste using CNN to achieve accurate detection utilizing a Logitech C270 Webcam for real-time detection. The Raspberry Pi 4 is used as a microprocessor for waste sorting. After testing the CNN model during the training process, a validation loss of 0.2231 and a validation accuracy of 92.25% were achieved. The waste sorting device using the CNN method based on Raspberry Pi 4 demonstrated an accuracy rate of 86% on 30 waste samples. The research results indicate that the waste sorting system using Raspberry Pi 4 with the CNN algorithm successfully operates with 3.86 seconds for single classification. Keywords: Raspberry Pi 4, CNN, Deep Learning