OPTIMASI IMAGE CLASSIFICATION PADA JENIS SAMPAH DENGAN DATA AUGMENTATION DAN CONVOLUTIONAL NEURAL NETWORK

Raga Permana; Handrianus Saldu; Dadang Iskandar Maulana

doi:10.47080/simika.v5i2.1913

Raga Permana Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
Handrianus Saldu Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
Dadang Iskandar Maulana Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika

DOI: https://doi.org/10.47080/simika.v5i2.1913

Keywords: Garbage, Convolutional Neural Network (CNN), Image Classification, VGG16, Augmentation

Abstract

Garbage is useless goods/materials used normally or specifically in production, goods damaged during production or useless materials which mainly come from households. Moreover, inorganic waste is very difficult and takes a longer time to be decomposed by the soil. The lack of public knowledge about the classification of types of waste and how to process it causes a very serious problem in Indonesia. Therefore, this research creates a waste type recognition program using the Convolutional Neural Network (CNN) algorithm, which can be used to detect and recognize objects in an image. CNN is a technique inspired by the way mammals, humans, produce visual perception. CNN is included in the type of deep neural network because of its high network depth and widely applied to imagery. 2 Types of waste classification, namely inorganic waste and organic waste. The implementation of garbage image recognition uses 2 test models, Sequential and on top VGG16 which runs on the Google Collaboratory application, and Keras. After carrying out the Augmentation process, the number of test data in this study was 1489 images on the training data and 182 on the testing data resulting in an evaluation value with an accuracy of 90.97% and a loss value of 0.307 on the Sequential model, and an accuracy value of 97.99% with a loss value of 0.069 on the on top model. VGG16.

References

Afif, M., Fawwaz, A., Ramadhani, K. N., & Sthevanie, F. (2020). Klasifikasi Ras pada Kucing menggunakan Algoritma Convolutional Neural Network(CNN). Jurnal Tugas Akhir Fakultas Informatika, 8(1), 715–730.
Akshaya, B., & Kala MT, P. (2021). Gambar Berbasis Jaringan Saraf Konvolusi Klasifikasi Dan Deteksi Kelas Baru.
Arrofiqoh, E. N., & Harintaka. (2018). IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN PADA CITRA RESOLUSI TINGGI ( The Implementation of Convolutional Neural Network Method for Agricultural Plant Classification in High Resolution Imagery ). Geomatika, 24(2), 61–68.
Bagus, I., & Sudiatmika, K. (2018). Gambar Wayang Kulit Tradisional Indonesia Klasifikasi : Pendekatan Pembelajaran Mendalam. 130–135.
Fonda, H. (2020). Klasifikasi Batik Riau Dengan Menggunakan Convolutional Neural Networks (Cnn). Jurnal Ilmu Komputer, 9(1), 7–10. https://doi.org/10.33060/jik/2020/vol9.iss1.144
Hanin, M. A., Patmasari, R., & Nur, R. Y. (2021). Sistem Klasifikasi Penyakit Kulit Menggunakan Convolutional Neural Network ( Cnn ) Skin Disease Classification System Using Convolutional Neural Network ( Cnn ). E-Proceeding of Engineering, 8(1), 273–281.
Kartika Wisnudhanti, F. C. (2020). Metode Convolutional Neural Network Dalam Klasifikasi Citra Tiga Tokoh Wayang Pandawa. 7(2018), 1–5.
Knn, M., Pca, D., Warna, B., Aldiansyah, R., & Mulyana, D. I. (n.d.). Implementasi Klasifikasi Tingkat Kematangan Buah Belimbing Dengan. 1–8.
Lu, S., Lu, Z., Aok, S., Graham, L., Pendidikan, S. I., Nanjing, U. N., … Reap, P. S. (n.d.). Klasifikasi Buah Berdasarkan Jaringan Saraf Konvolusi Enam Lapisan konvensional Sisa dari naskah ini disusun sebagai berikut : klasifikasi . Dengan operasi konvolusi dan Sebagai algoritma deep learning , CNN telah dalam hal akurasi klasifikasi . Jaringan .
Maulana, F. F., & Rochmawati, N. (2019). Klasifikasi Citra Buah Menggunakan Convolutional Neural Network. Journal of Informatics and Computer Science, 01, 104–108.
Pattern, L. B., Validation, K. C., & Vector, S. (2020). Klasifikasi Sampah Daur Ulang Menggunakan Support Vector Machine DENGAN Fitur Local Binary Pattern. 1(1), 78–90.
Peryanto, A., Yudhana, A., & Umar, R. (2020). Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation. Journal of Applied Informatics and Computing, 4(1), 45–51. https://doi.org/10.30871/jaic.v4i1.2017
Putra, R. F., Mulyana, D. I., Huda, F. N., Inaldy, N., Timur, C., Barat, K. J., … Augmentasi, D. (n.d.). OPTIMASI IMAGE CLASSIFICATION PADA BURUNG SATWA LANGKA DI PAPUA DENGAN DATA AUGMENTASI DAN CONVOLUTIONAL. 1–10.
Rahman, M. F. (2020). Deteksi Sampah pada Real-time Video Menggunakan Metode Faster R- CNN. 3(2), 117–125.
Rima Dias Ramadhani, Afandi Nur Aziz Thohari, Condro Kartiko, Apri Junaidi, Tri Ginanjar Laksana, N. A. S. N. (2021). Optimasi Akurasi Metode Convolutional Neural Network untuk. 1(10), 11–12.
Rizki, A. M., & Marina, N. (2019). Klasifikasi Kerusakan Bangunan Sekolah Menggunakan Metode Convolutional Neural Network Dengan Pre-Trained Model Vgg-16. Jurnal Ilmiah Teknologi Dan Rekayasa, 24(3), 197–206. https://doi.org/10.35760/tr.2019.v24i3.2396
Saraf, J., Cnn, K., Teknologi, S. T., Adams, R. D., Tanaka, M. L., & Yanik, P. M. (2021). Jaringan Saraf Konvolusi (CNN).
Septian, M. R. D., Paliwang, A. A. A., Cahyanti, M., & Swedia, E. R. (2020). Penyakit Tanaman Apel Dari Citra Daun Dengan Convolutional Neural Network. Sebatik, 24(2), 207–212. https://doi.org/10.46984/sebatik.v24i2.1060
Stephen, Raymond, & Santoso, H. (2019). Aplikasi Convolution Neural Network untuk Mendeteksi Jenis-jenis Sampah. Explore – Jurnal Sistem Informasi Dan Telematika, 10(2), 122–132.
Telaumbanua, K., Butar-butar, F., & Bilqis, P. S. (2021). Identifikasi Sampah Berdasarkan Tekstur dengan Metode GLCM dan GLRLM Menggunakan Improved KNN. 1(2), 45–52.
Wicaksana, P. A., Sudarma, I. M., & Khrisne, D. C. (2019). Pengenalan Pola Motif Kain Tenun Gringsing Menggunakan Metode Convolutional Neural Network Dengan Model Arsitektur. Jurnal SPEKTRUM, 6(3), 159–168.