Deteksi Sampah Real-Time Menggunakan model DenseNet121
Keywords:
DenseNet121, Computer Vision, Deteksi Sampah, Deep Learning, OpenCV.Abstract
Pengelolaan sampah yang efektif memerlukan teknologi yang mampu melakukan identifikasi jenis sampah secara cepat dan akurat. Penelitian ini bertujuan mengembangkan sistem deteksi sampah real-time menggunakan model DenseNet121 yang diintegrasikan dengan OpenCV. Metode penelitian menggunakan pendekatan eksperimen yang meliputi pengumpulan dataset dari berbagai sumber, preprocessing citra, pembagian data menjadi data pelatihan dan pengujian, pelatihan model, evaluasi performa, serta implementasi sistem deteksi secara real-time. Model DenseNet121 dipilih karena memiliki arsitektur dense connectivity yang mampu meningkatkan efisiensi pembelajaran dan akurasi klasifikasi citra. Hasil pelatihan menunjukkan Train Accuracy sebesar 92,5% dan Validation Accuracy sebesar 94,9%, sedangkan pada tahap pengujian model memperoleh akurasi sebesar 96,1%. Kurva pelatihan menunjukkan proses konvergensi yang stabil tanpa indikasi overfitting yang signifikan. Integrasi model dengan OpenCV memungkinkan sistem mendeteksi berbagai jenis sampah seperti plastik, kaca, logam, karton, kertas, dan sampah organik secara langsung melalui kamera dengan waktu respons yang cepat. Hasil penelitian menunjukkan bahwa kombinasi DenseNet121 dan OpenCV mampu menghasilkan sistem deteksi sampah real-time yang akurat dan efisien sehingga berpotensi diterapkan pada sistem pengelolaan sampah cerdas (smart waste management) maupun proses pemilahan sampah otomatis..
References
Nafis Alfarizi, D., Agung Pangestu, R., Aditya, D., Adi Setiawan, M., & Rosyani, P. (2023). Penggunaan Metode YOLO Pada Deteksi Objek: Sebuah Tinjauan Literatur Sistematis. Jurnal Artificial Inteligent Dan Sistem Penunjang Keputusan, 1(1), 54–63.
Devi, D. T., Santos, V. A., & Rosyani, P. (2023). Analisa Penggunaan Metode Faster R-CNN dalam Pengenalan Wajah: Systematic Literature Review. Buletin Ilmiah Ilmu Komputer Dan Multimedia (BIIKMA), 1(1), 258–262.
Rosyani, P., Saprudin, S., & Amalia, R. (2021). Klasifikasi Citra Menggunakan Metode Random Forest dan Sequential Minimal Optimization (SMO). Jurnal Sistem Dan Teknologi Informasi (Justin), 9(2), 132.
Kurniawan, R., Wintoro, P. B., Mulyani, Y., & Komarudin, M. (2023). IMPLEMENTASI ARSITEKTUR XCEPTION PADA MODEL MACHINE LEARNING KLASIFIKASI SAMPAH ANORGANIK. Jurnal Informatika Dan Teknik Elektro Terapan, 11(2).
Kohsasih, K. L., Rizky, M. D. A., Fahriyani, T., Wijaya, V., & Rosnelly, R. (2021). Analisis Perbandingan Algoritma Convolutional Neural Network dan Algoritma Multi-layer Perceptron Neural dalam Klasifikasi Citra Sampah. Times, 10(2), 22–28.
Yelvita, F. S. (2022). klasifikasi citra untuk pengelompokan sampah dengan menggunakan convolution neural network. Universitas Nusa Putra.
Hasan, R. T. H., & Sallow, A. B. (2021). Face Detection and Recognition Using OpenCV. Journal of Soft Computing and Data Mining, 2(2), 86–97.
Lia Farokhah. (2021). Perbandingan Metode Deteksi Wajah Menggunakan OpenCV Haar Cascade, OpenCV Single Shot Multibox Detector (SSD) dan DLib CNN. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(3), 609–614.
