Jurnal Elektronik Ilmu Komputer Udayana

Volume 12, No 3. Februari 2024

p-ISSN: 2301-5373

e-ISSN: 2654-5101

Klasifikasi Jenis Sampah Menggunakan Metode Transfer Learning Pada Convolutional Neural Network (CNN)

1Wahyu Vidiadivani, 2I Ketut Gede Suhartana

aProgram Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana Badung, Bali, Indonesia 1vany0141@gmail.com

2ikg.suhartana@unud.ac.id

Abstract

Sampah merupakan buangan atau sisa hasil produksi. Berdasarkan sumbernya, sampah dapat berasal dari beberapa sumber atau tempat, yaitu sampah yang berasal dari masyarakat atau pemukiman yang biasanya sampahnya bersifat basah dan berjenis organik, sedangkan sampah dari tempat umum atau perdagangan sampahnya bersifat kering dan berjenis anorganik. Jumlah sampah yang sangat besar dan beragamnya jenis sampah yang tersebar di masyakarat, perlu adanya klasifikasi yang dapat mengidentifikasi jenis-jenis sampah ke beberapa kategori sehingga mudah untuk didaur ulang kembali. Klasifikasi jenis sampah pada penelitian ini dibagi menjadi 12 jenis, yaitu trash, clothes, green-glass, meal, paper, battery, biological, shoes brown-glass, cardboard plastic, dan white-glass menggunakan metode Transfer Learning pada Convolutional Neural Network (CNN). CNN (Convolutional Neural Network) merupakan salah satu algoritma deep learning yang populer digunakan untuk klasifikasi citra dan dinilai memiliki performa yang bagus. Pada penelitian ini, arsitektur yang digunakan adalah EffecienNetB0. Dataset yang digunakan dengan total data sebanyak 12412 data, data yang tervalidasi sebanyak 1552 data, dan data yang digunakan pada proses testing sebanyak 1552 data yang terbagi ke 12 kelas. Hasil dari penelitian ini mengunakan model EfficientNetB0 menggunakan Metode Transfer Learning dengan tingkat akurasi sebesar 88,53 % dengan loss sebesar 41,41%

Keywords: Waste, Computer Vision, CNN, Transfer Learning, EffecientNetB0

  • 1.    Introduction

Sampah merupakan permasalahan setiap negara dari tahun ke tahun yang diyakini bahwa kehidupan manusia sehari-hari tidak akan pernah terlepas dari sampah dan aktivitas-aktivitas manusia menghasilkan sampah. Terdapat berbagai jenis sampah yang tersebar di masyarakat sehingga memakan waktu dan tenaga yang sangat besar untuk mengolah sampah-sampah tersebut. Pada penelitian ini mengkhususkan jenis-jenis sampah ke dalam 12 kelas, yaitu trash, clothes, green-glass, meal, paper, battery, biological, shoes brown-glass, cardboard plastic, dan white-glass.

CNN (Convolutional Neural Network) merupakan salah satu algoritma Deep Learning yang umum digunakan untuk klasifikasi citra dimana terdapat beberapa arsitektur yang digunakan pada penelitian ini, yaitu EfficientNetB0 yang merupakan salah satu pre-trained model CNN (Convolutional Neural Network) untuk metode Transfer Learning pada permasalahan klasifikasi citra dimana arsitektur ini memiliki fokus pada keefesienan waktu. Menurut Tan & Le (2019), arsitektus EffecientNetB0 sudah menunjukkan akurasi tinggi dengan jumlah parameter rendah dan cepat dibandingkan model pre-trained lainnya. Pada penelitian sebelumnya yang dilakukan oleh Kusumaningrum T. F. (2018) yaitu implementasi CNN (Convolutional Neural Network) dalam klasifikasi jamur menggunakan metode Keras menunjukkan akurasi sebesar 81,667 %. Lalu, pada penelitian yang dilakukan oleh Naufal M. F. dan Kusuma S. F. (2021) melakukan pendeteksian citra masker wajah menggunakan CNN (Convolutional Neural Network) menghasilkan akurasi sebesar 98% menggunakan arsitektur Xception. Dari beberapa penelitian yang dilakukan, dapat disimpulkan bahwa CNN (Convolutional Neural Network) merupakan salah satu algoritma terbaik yang populer digunakan untuk klasifikasi data citra dan perlu adanya

Vidiadivani dan Suhartana Klasifikasi Jenis Sampah Menggunakan Metode Transfer Learning Pada Convolutional Neural Network (CNN) penelitian lebih lanjut untuk dapat membuktikan kesesuaian dalam pemilihan arsitektur CNN (Convolutional Neural Network).

Tujuan utama dari penelitian ini adalah mengklasifikasikan 12 jenis yaitu battery, biological, brown-glass, cardboard, clothes, green-glass, meal, paper, plastic, shoes, trash, dan white-glass, yang tersebar di masyarakat menggunakan dataset yang diperoleh dari situs kaggle yang terdiri dari 12412 data. Penggunaan CNN (Convolutional Neural Network) dengan Metode Transfer Learning yang diharapkan menghasilkan nilai akurasi yang lebih baik. Penelitian ini juga dilakukan untuk menganalisis kinerja masing-masing arsitektur dan memberikan informasi yang bermanfaat bagi peneliti memilih arsitektur yang tepat.

  • 2.    Reseach Methods

Metode yang digunakan pada penelitan ini adalah CNN CNN (Convolutional Neural Network) dengan metode Transfer Learning menggunakan arsitektur EffecientNetB0 untuk klasifikasi jenis sampah yang dibagi menjadi 12 kelas, yaitu trash, clothes, green-glass, meal, paper, battery, biological, shoes brown-glass, cardboard plastic, dan white-glass yang diperoleh dari situs website kaggle yang menyediakan dataset untuk penelitian. Langkah-langkah yang dilaksanakan pada penelitian ini adalah sebagai berikut:

Figure 1. Tahapan Penelitian

Data yang digunakan pada penelitian ini adalah dataset yang diperoleh dari situs website kaggle yang terdiri dari 12 jenis sampah, yaitu battery (945), biological (985), brown-glass (607), cardboard (891), clothes (5325), green-glass (629), metal (769), paper (1050), plastic (865), shoes (1977), trash (697), dan white-glass (775).

Table 1. Data Jenis-Jenis Sampah

Jenis Sampah

Jumlah

Metal

769

White-Glass

775

Biological

985

Paper

1050

Brown-glass

607

Battery

945

Trash

697

Cardboard

891

Shoes

1977

Clothes

5325

Plastic

865

Green-glass

629

Selanjutnya dilakukan tahapan perancangan model dengan metode Transfer Learning (PreTrained Model) menggunakan arsitektur EffecientNetB0 yang harapannya dengan menggunakan arsitektur terebut dapat menghasilkan hasil yang sesuai dengan menggunakan parameter yang tepat.

base_model = EfficientNetB0(weights='imagenet', include_top=False, input_shape=(im_shape[0], im_shape[1], 3))

x = base_model.output

x = Flatten()(x)

x = Dense(100, activation='relu')(x)

predictions     =     Dense(num_classes,      activation='softmax',

kernel_initializer='random_uniform')(x)

model = Model(inputs=base_model.input, outputs=predictions)

  • #    Freezing pretrained layers for layer in base model.layers: _

layer.trainable=False

  • #    model.summary()

optimizer = Adam()

model.compile(optimizer=optimizer,loss='categorical_crossentropy',m etrics=['accuracy'])

Saatnya melakukan proses Training menggunakan subset dataset yang digunakan untuk melatih model yang sudah dirancang sebelumnya dan proses Testing untuk melakukan pengecekan akurasi model yang telah dirancang.

score = model.evaluate(val_generator) print('Val loss:', score[0]) print('Val accuracy:', score[1])

score = model.evaluate(test_generator) print('Test loss:', score[0])

print('Test accuracy:', score[1])

  • 3.    Result and Discussion

    3.1.    Pengumpulan Data

Dataset yang diambil dalam format .jpg di situs Kaggle dengan total gambar yang terkumpul sebanyak 12412 gambar yang kemudian dibagi menjadi 12 kelas, yaitu battery (945), biological (985), brown-glass (607), cardboard (891), clothes (5325), green-glass (629), metal (769), paper (1050), plastic (865), shoes (1977), trash (697), dan white-glass (775). Pada data train terdapat 7557 gambar dengan 12 kelas berbeda. Sedangkan, pada data test ditemukan 1940 gambar dengan 12 kelas berbeda.

  • 3.2.    Pelatihan Data

Data training yang digunakan adalah 12 % dari total data gambar keseluruhan yang terbagi di

  • 12 kelas. Berikut hasil training data adalah sebagai berikut:

Epoch 1/5

121/121 ^==============================^ - 319s 3s∕step - loss: 0.0179 - accuracy: 0.9951 - vallo≡s: 0.5203 - Valaccuracy: 0.9309

Epoch 00001: val-loss improved from inf to 0.52026, saving model to model_Efficien tnetB0.h5

Epoch 2/5

121/121 [==============================] - 316s 3s∕step - loss: 0.0273 - accuracy: 0.9935 - vallo≡s: 0.5270 - Valaccuracy: 0.9314

Epoch 00002: val-loss did not improve from 0.52026

Epoch 3/5

121/121 [==============================] - 316s 3s∕step - loss: 0.0122 - accuracy: 0.9965 - val_loss: 0.6267 - val_accuracy: 0.9264

Epoch 00003: val_loss did not improve from 0.52026

Epoch 4/5

121/121 [==============================] - 319s 3s∕step - loss: 0.0203 - accuracy: 0.9953 - vallo≡s: 0.5152 - Valaccuracy: 0.9392

Epoch 00004: val-loss improved from 0.52026 to 0.51520, saving model to model-Effi c ientnetBΘ.h5

Epoch 5/5

121/121 [==============================] - 323s 3s∕step - loss: 0.0184 - accuracy: 0.9960 - vallo≡s: 0.5603 - Valaccuracy: 0.9297

Epoch 00005: val-loss did not improve from 0.51520

  • Figure 2. Hasil Training

Hasil training dari data di atas adalah 0,01 % loss dan 99,6 % akurasi kemudian dengan validation loss sebesar 5 % dan validation accuracy sebesar 92,97 %.

Figure 3. Grafik Training dan Validation Accuracy

Grafik berikut menggambarkan Training dan Validation Accuracy dan Training dan Validation Loss yang dapat disimpulkan bahwa akurasi yang dihasilkan sangat baik, namun loss yang dihasilkan juga terbilang cukup besar. Hal tersebut dikarenakan kurangnya sampel data gambar yang digunakan.

  • 3.3.    Hasil Klasifikasi

Table 3. Classification Report

Jenis Sampah

Precission

Recall

F1-Score

Support

White-Glass

0.69

0.83

0.75

98

Metal

0.88

0.76

0.81

123

Biological

0.92

0.96

0.94

118

Paper

0.89

0.92

0.90

123

Brown-glass

0.96

0.79

0.93

62

Battery

0.92

0.98

0.95

99

Trash

0.99

0.83

0.75

100

Cardboard

0.96

0.91

0.93

120

Shoes

0.95

0.99

0.97

257

Clothes

0.99

0.99

0.99

629

Plastic

0.82

0.78

0.80

123

Green-glass

0.88

0.95

0.92

88

Accuracy

0.93

1940

Macro avg

0.90

0.89

0.90

1940

Weighted avg

0.93

0.93

0.93

1950

  • 4.    Conclusion

Penelitian ini memberikan solusi tentang pengidentifikasian dan klasifikasi jenis-jenis sampah yang ada di masyarakat yang menggunakan algoritma CNN (Convolutional Neural Network) dengan metode Transfer Learning dan model arsitektur CNN, yaitu EffecientB0. Hasil dari penelitian ini mengunakan model EfficientNetB0 menggunakan Metode Transfer Learning dengan tingkat akurasi sebesar 88,53 % dengan loss sebesar 5% dimana loss yang dihasilkan masih cukup dibilang besar. Hal ini dikarenakan kurangnya sampel data gambar, yaitu hanya menggunakan 12% dari total gambar keseluruhan. Solusi yang dapat diberikan adalah menambahkan sampel data gambar pada validation, menambahkan beberapa epoches, dan pemodifikasian model CNN.

References

Azahro Choirunisa, N., Karlita, T., & Asmara, R. (2021). Deteksi Ras Kucing Menggunakan Compound Model Scaling Convolutional Neural Network. Technomedia Journal, 6(2), 236–251. https://doi.org/10.33050/tmj.v6i2.1704

Alamgunawan, S., & Kristian, Y. (2021). Klasifikasi Tekstur Serat Kayu pada Citra Mikroskopik Veneer Memanfaatkan Deep Convolutional Neural Network. Journal of Intelligent System and Computation, 2(1), 06–11. https://doi.org/10.52985/insyst.v2i1.152

Ibnul Rasidi, A., Pasaribu, Y. A. H., Ziqri, A., & Adhinata, F. D. (2022). Klasifikasi Sampah Organik dan Non-Organik Menggunakan Convolutional Neural Network. Jurnal Teknik Informatika Dan Sistem Informasi, 8(1), 142–149. https://doi.org/10.28932/jutisi.v8i1.4314

Leonardo, L., Yohannes, Y., & Hartati, E. (2020). Klasifikasi Sampah Daur Ulang Menggunakan Support Vector Machine Dengan Fitur Local Binary Pattern. Jurnal Algoritme, 1(1), 78–90. https://doi.org/10.35957/algoritme.v1i1.440

Rais, I. L., & Jondri, J. (2020). Klasifikasi Data Kuesioner dengan Metode Recurrent Neural Network. EProceedings of Engineering, 7(1), 2817–2826.

Rima Dias Ramadhani, Nur Aziz Thohari, A., Kartiko, C., Junaidi, A., Ginanjar Laksana, T., & Alim Setya Nugraha, N. (2021). Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(2), 312–318. https://doi.org/10.29207/resti.v5i2.2754

Solihin, A., Mulyana, D. I., & Yel, M. B. (2022). Klasifikasi Jenis Alat Musik Tradisional Papua menggunakan Metode Transfer Learning dan Data Augmentasi. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 5(2), 36–44. https://doi.org/10.47970/siskom-kb.v5i2.279

Wonohadidjojo, D. M. (2021). Perbandingan Convolutional Neural Network pada Transfer Learning Method untuk Mengklasifikasikan Sel Darah Putih. Ultimatics: Jurnal Teknik Informatika, 13(1), 51–57. https://doi.org/10.31937/ti.v13i1.2040

Zayd, M. H., Oktavian, M. W., Meranggi, D. G. T., Figo, J. A., & Yudistira, N. (2022). Improvement of garbage classification using pretrained Convolutional Neural Network. Teknologi, 12(1), 1–8. https://doi.org/10.26594/teknologi.v12i1.2403

This page is intentionally left blank.

596