Implementasi Convolutional Neural Network (CNN) Dengan Arsitektur DenseNet201 Untuk Klasifikasi Sampah Anorganik

Rukmana, Erlangga Ardiansyah (2024) Implementasi Convolutional Neural Network (CNN) Dengan Arsitektur DenseNet201 Untuk Klasifikasi Sampah Anorganik. Other thesis, Universitas Komputer Indonesia.

	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_COVER.pdf - Published Version Download (441kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_LEMBAR PENGESAHAN.pdf - Published Version Download (209kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_SURAT KETERANGAN PUBLIKASI.pdf - Published Version Download (134kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_SURAT PERNYATAAN ORISINALITAS.pdf - Published Version Download (140kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_KATA PENGANTAR.pdf - Published Version Download (76kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_DAFTAR ISI.pdf - Published Version Download (100kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_BAB 1.pdf - Published Version Download (139kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_BAB 2.pdf - Published Version Download (1MB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_BAB 3.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_BAB 4.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_BAB 5.pdf - Published Version Download (76kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_DAFTAR PUSTAKA.pdf - Published Version Download (214kB)
	Text UNIKOM_ERLANGGA ARDIANSYAH RUKMANA_LEMBAR KONTAK PENULIS & KONTRIBUTOR.pdf - Published Version Download (6kB)

Abstract

Sampah anorganik berasal dari benda mati dan cenderung menjadi sampah kering yang sulit diuraikan (nondegradable). Pengolahan sampah efektif dapat dilakukan melalui daur ulang dengan memilah sampah berdasarkan jenis materialnya guna mencegah dampak buruknya bagi ekosistem. Masifnya jumlah sampah di Indonesia akan sangat berat manusia mengklasifikasikan sampah dengan efektif dan efisien, salah satu cara untuk klasifikasi adalah memanfaatkan kekuatan komputer dengan mengimplementasikan Algoritma Convolutional Neural Network. Convolutional Neural Network dengan arsitektur DenseNet201 digunakan untuk klasifikasi sampah anorganik berdasarkan material. Densely Convolutional Network merupakan arsitektur Deep Learning yang menghubungkan setiap layer beserta feature-maps ke seluruh layer berikutnya. Layer berikutnya akan menerima input feature-maps dari seluruh layer sebelumnya. DenseNet memiliki beberapa keunggulan menarik yaitu meringankan masalah gradien-gradien, memperkuat penyebaran fitur, mendorong penggunaan kembali fitur, dan secara substansial mengurangi jumlah parameter. Dalam menangani masalah imbalanced class dalam data sampah anorganik, metode class weight diterapkan untuk memberikan bobot lebih tinggi pada sampel dari kelas minoritas. Sehingga model lebih fokus dan sensitif terhadap kelas yang kurang terwakili, meningkatkan akurasi klasifikasi. Pada penelitian ini, arsitektur DenseNet201 dengan learning rate 0.0001 dan 100 epoch serta penggunaaan metode class weight menghasilkan kinerja model terbaik dengan nilai akurasi 91,77%, precision 91,89%, recall 91,82%, dan f1score 91,84%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Sampah Anorganik, Convolutional Neural Network, DenseNet201, Class Weight, Klasifikasi Gambar.
Subjects:	000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 005_Computer Programming, Programs & Data Q Science > QA Mathematics > QA76 Computer software
Divisions:	S1_SKRIPSI > FTIK_Teknik Informatika (01)
Depositing User:	Mia Mia Hayati Kosasih
Date Deposited:	28 Aug 2025 03:03
Last Modified:	28 Aug 2025 03:03
URI:	http://elibrary.unikom.ac.id/id/eprint/10796

Actions (login required)

View Item