Implementasi Convolutional Neural Network dengan Arsitektur ResNet50 untuk Identifikasi Jenis Sampah Plastik

Setiani, Jasinta Liliana (2020) Implementasi Convolutional Neural Network dengan Arsitektur ResNet50 untuk Identifikasi Jenis Sampah Plastik. S1 thesis, Universitas Atma Jaya Yogyakarta.

Preview	Text (Jasinta Liliana Setiani) 0708661 0.pdf Download (963kB) | Preview
	Text 0708661 1.pdf Restricted to Registered users only Download (243kB)
	Text 0708661 2.pdf Restricted to Registered users only Download (143kB)
	Text 0708661 3.pdf Restricted to Registered users only Download (2MB)

Abstract

Pada tahun 2020, jumlah timbulan sampah dalam setahun sekitar 67,8 juta ton dan akan terus bertambah seiring pertumbuhan penduduk. Sampah plastik merupakan salah satu sampah dengan jumlah terbesar penggunaannya karena plastik memiliki harga yang murah, mudah didapatkan, elastis, dan ringan. Berdasarkan permasalahan lingkungan tersebut akan dibangun sebuah model dengan menggunakan Convolutional Neural Network dengan arsitektur ResNet50 untuk melakukan identifikasi jenis plastik. Metode Convolutional Neural Network merupakan metode yang tepat untuk menyelesaikan masalah identifikasi dan klasifikasi objek. Dalam perkembangannya, diterapkan pula proses transfer learning pada beberapa arsitektur jaringan, seperti VGG16, VGG19, MobileNet, dan ResNet50 untuk proses klasifikasi objek. Penelitian ini memilih arsitektur Resnet50 sebagai arsitektur yang digunakan untuk pengembangan model. Penelitian menggunakan dataset sejumlah 1200 gambar yang memiliki format warna RGB untuk 6 label yang berbeda dengan input size sebesar 256 x 256 piksel. Penelitian dibagi menjadi 6 kali percobaan dan didapatkan nilai akurasi paling tinggi pada percobaan 3 sebesar 0.9937 untuk training dan 0.9944 untuk validation dengan epoch sebanyak 150 dan rasio perbandingan dataset sebesar 80:15:5 untuk training:validation:testing. Proses pelatihan model memerlukan waktu antara 2 hingga 7 jam, hal tersebut dipengaruhi oleh jumlah epoch yang digunakan. Sedangkan untuk proses pengujian model, hasil paling baik ditunjukkan oleh percobaan 2(100 epochs) menggunakan rasio perbandingan dataset sebesar 80:15:5 dengan testing accuracy sebesar 1.0 dan testing loss sebesar 0.01446.

Actions (login required)

View Item