Electronic Theses and Dissertation

Sampah Merupakan masalah global yang semakin memburuk seiring dengan bertambahnya jumlah penduduk dan pertumbuhan industri. Bagi Indonesia pengolahan sampah masih menjadi pekerjaan rumah yang besar dan belum terselesaikan. Sampah di Indonesia masih tidak dikelola dengan baik yaang berakibat pada menurunkan kualitas kesehatan lingkungan. Pada tugas akhir ini penulis mencoba Untuk menciptakan suatu alat pemilahan sampah otomatis dengan cara mendeteksi sampah organik dan anorganik mengunakan kecerdasan buatan. Dalam pemilahan sampah peneliti menggunakan metode deep learning dengan pengumpulan dataset berupa gambar jenis-jenis sampah yang berjumlah 930 citra. Setelah dilakukan augmentasi, kemudian dataset tersebut ditraining di google colab yang kemudian di implementasikan kedalam raspberry pi 3, Model alat pemilahan sampah berbentuk konveyor belt sebagai tempat sampah berjalan, motor servo sebagai penggerak lengan pemilahan sampah, dan kamera sebagai pendeteksi objeknya. Hasil deteksi objek berupa bonding box, nama kelas dan nilai akurasi deteksi. Arsitektur yang digunakan dalam membangun dataset adalah model SSD MobileNet V2, akurasi deteksi dalam hasil penelitian yang di dapat sangat baik yaitu berkisar 50 – 90% dengan Learning Rate sebesar 0,07869 dan total loss dari proses training dataset adalah 0.202.

Waste is a global problem that is getting worse with the rise in population and industrial growth. For Indonesia, garbage processing is still a big and unfinished homework. Waste in Indonesia is still not properly managed, resulting in a reduction in the quality of environmental health. In this final task, the author tries to create an automated garbage disposal tool by detecting organic and inorganic waste using artificial intelligence. In garbage disposal, the researchers used the deep learning method by collecting a data set of 930 images. After augmentation, the datasets were trained in google colab and then implemented into raspberry pi 3, a conveyor belt-shaped garbage disposal device model as the garbagemotor, a servo motor as the driver of the garment disposal arm, and a camera as the object detector. Object detection results are bonding boxes, class names and detection accuracy values. The architecture used in building the datasets is the MobileNet V2 SSD model, the detection accuracy in the results of the study is very good, ranging from 50 to 90% with a Learning Rate of 0.07869 and the total loss of the data set training process is 0.202.