Ringkasan Penulisan Ilmiah Identifikasi Jenis Sampah Menggunakan Convolutional Neural Network

Judul: Identifikasi Jenis Sampah Menggunakan Convolutional Neural Network

Pembimbing: Dr. Dina Indarti S.Si M.Si

Latar Belakang Masalah

Sampah merupakan salah satu permasalahan kompleks yang belum terselesaikan dengan baik oleh seluruh negara berkembang maupun negara maju di dunia, termasuk Indonesia. Indonesia yang merupakan salah satu negara yang mempunyai jumlah penduduknya menempati urutan ke-4 terbanyak di dunia. Dengan meningkatnya jumlah penduduk dan segala aktivitasnya jumlah sampah yang dihasilkan dari waktu ke waktu terus bertambah sampai jenisnya yang semakin beragam sehingga pada dasarnya manusia dalam kehidupannya memang tidak terlepas dari sampah.

Permasalahan jumlah sampah yang dihasilkan di Indonesia secara keseluruhan mencapai 175.000 ton per hari. Pada tahun 2014 data statistik sampah di Indonesia mencatat bahwa Indonesia menduduki negara penghasil sampah plastik kedua terbesar di dunia setelah Cina. Ini dikarenakan sistem pengolahan sampah di Indonesia umumnya masih terbilang tradisional jadi seringkali akhirnya berubah menjadi praktek pembuangan sampah secara sembarangan tanpa mengikuti ketentuan teknis di lokasi yang sudah ditetapkan [1].

Sampah yang dikumpulkan di lokasi atau TPA pada umumnya bercampur antara bahan-bahan organik, anorganik sampai yang berbau dan berbahaya. Pemilahan perlu dilakukan secara teliti untuk mendapatkan bahan organik yang dapat dikomposkan seperti daun-daunan, nonorganik yang dapat di daur ulang menjadi biji plastik kembali dan sampah berbahaya (B3) yang segera dimusnahakan. Sebagai upaya untuk lebih memperkenalkan jenis-jenis sampah kepada masyarakat, maka diperlukan sebuah model yang dapat mengenali bentuk dari jenis sampah di Indonesia. Dengan memanfaatkan ilmu komputasi yang memungkinkan komputer untuk mengambil informasi dari suatu citra digital dalam pengenalan objek secara otomatis, maka diharapkan model tersebut dapat menjadi salah satu solusi dalam mengenali jenis sampah dan dapat mengedukasi masyarakat tentang bentuk-bentuk dari jenis sampah di Indonesia.

Pada saat ini tidak dapat diabaikan bahwa perkembangan teknologi informasi sangat cepat. Mulai dari perkembangan hardware dalam meningkatkan performa komputer sampai banyak pula berkembang software yang mampu meniru kecerdasan manusia (kecerdasan buatan). Kini komputer dituntut untuk bisa membuat manusia dalam menyelesaikan pekerjaannya dengan lebih cepat dan dalam waktu yang sangat singkat. Dengan berkembangnya dunia komputasi yang semakin meningkat kapasitasnya melalui kecerdasan proses komputer saat ini maka muncul ilmu-ilmu komputasi yang memungkinkan komputer dapat mengambil informasi dari suatu citra menjadi sebuah data untuk keperluan pengenalan objek secara otomatis. Kedepannya pengolahan citra ini diharapkan akan menjadi salah satu pilihan dalam pengenalan bentuk jenis sampah.

Terdapat banyak metode yang dapat digunakan dalam melakukan pengolahan citra, salah satu metode yang paling banyak digunakan adalah metode konvolusi dari algoritma Convolutional Neural Network (CNN). CNN merupakan salah satu algoritma dari deep learning yang merupakan pengembangan dari Multi Layer Perceptron (MLP). Saat ini algoritma CNN memiliki hasil paling signifikan dalam pengenalan citra. Hal tersebut dikarenakan CNN berusaha meniru sistem pengenalan citra pada visual cortex manusia, sehingga memiliki kemampuan mengolah informasi citra [2].

Deep learning adalah cabang ilmu dari machine learning berbasis jaringan saraf tiruan yang mengajarkan komputer untuk melakukan suatu tindakan yang dianggap alami oleh manusia. Dalam deep learning, sebuah komputer belajar mengidentifikasi secara langsung dari citra, teks atau suara. Deep learning merupakan teknik dalam neural network yang menggunakan teknik tertentu seperti Restricted Boltzmann Machine (RBM) untuk mempercepat proses pembelajaran dalam neural network menggunakan lapis yang banyak. Lapisan pada deep learning terdiri atas tiga bagian yaitu input layer, hidden layer dan output layer. Aplikasi konsep jaringan saraf tiruan yang lebih dalam atau yang memiliki banyak lapisan dapat ditangguhkan pada algoritma machine learning yang sudah ada sehingga komputer bisa belajar dengan sekala yang besar, kecepatan, dan akurasi [3].

Salah satu metode Deep Learning yang sedang berkembang saat ini adalah metode Convolutional Neural Network (CNN). Jaringan ini dibuat dengan asumsi bahwa masukkan yang digunakan adalah berupa citra. Jaringan ini memiliki lapisan khusus yang dinamakan dengan lapisan konvolusi dimana pada lapisan ini sebuah citra masukkan akan menghasilkan sebuah pola dari beberapa bagian citra yang nantinya akan lebih mudah untuk diidentifikasikan. Teknik ini dapat membuat fungsi pembelajaran citra menjadi lebih efisien untuk diimplementasikan.

Oleh karena itu, pada penelitian ini akan memanfaatkan kelebihan dari metode CNN yaitu mampu mengidentifikasikan dan memiliki hasil paling signifikan dalam pengenalan objek. Model CNN pada penelitian ini menjadi salah satu solusi dalam pengenalan bentuk jenis sampah di Indonesia nantinya diharapkan masyarakat Indonesia lebih paham tentang bentuk masing-masing sampah. Pada penelitian ini model Convolutional Neural Network (CNN) digunakan sebagai pengenalan tiga jenis sampah di Indonesia.

Metode:

Metode yang digunakan dalam penelitian ini adalah sebagai berikut:

1.  Pengambilan citra sampah

Data yang digunakan ini berupa kumpulan citra sampah yang terdiri dari tiga sampah berdasarkan jenisnya, yaitu sampah kulit pisang, sampah botol plastik, dan sampah batu baterai. Pengumpulan citra sampah dilakukan melalui situs Googe Image dan diunduh dengan bantuan aplikasi Fatkun Batch Download Image.

2.  Pra-pemrosesan citra sampah

Pra-pemrosesan yang dilakukan terhadap citra sampah adalah scaling dan normalisasi citra. Setelah itu citra dikumpulkan dan disimpan berdasarkan jenisnya.

3.  Perancangan model arsitektur Convolutional Neural Network

Perancangan CNN merupakan tahapan dimana menyusun sebuah model yang akan digunakan dalam proses pelatihan data. Penyusunan sebuah model tediri dari menentukan jumlah layer yang akan digunakan, menentukan filter, menentukan ukuran kernel, menentukan fungsi aktivasi dan menentukan pooling.

4.  Pelatihan model arsitektur convolutional neural network

Model dilatih menggunakan citra yang sudah dikelompokan. Proses pelatihan menggunakan 300 citra sampah.

5.  Pengujian identifikasi sampah

Model diuji mengindetifikasi ciri sampah yang sudah dipelajari. Pengujian ini menggunakan beberapa data baru citra sampah yang lain.

6.  Perhitungan hasil uji model

Perhitungan hasil uji model dilakukan untuk mengetahui tingkat akurasi yang dicapai oleh model CNN. Tingkat akurasi menunjukkan tingkat kebenaran identifikasi data terhadap jenis sampah yang sebenarnya. Semakin rendah nilai akurasi yang diperoleh, maka tingkat kesalahan identifikasi semakin tinggi.

Critical thinking:

Kelebihan: Aplikasi ini dapat mengidentifikasi sampah berdasarkan jenisnya mulai dari organic, anorganik, dan sampah beracun atau berbau.

Kekurangan: Interface aplikasi masih kurang interaktif