Klasifikasi Sampah Laut Jenis Limbah Plastik Menggunakan Metode Convolutional Neural Network Backpropagation (Perairan Kota Tanjungpinang)
Main Article Content
Abstract
Pencemaran laut akibat sampah plastik menjadi isu global, termasuk di Kota Tanjungpinang. Sampah plastik yang sulit terurai ini membahayakan ekosistem laut dan aktivitas manusia. Penelitian ini bertujuan untuk mengklasifikasikan jenis sampah plastik menggunakan metode CNN Backpropagation dengan arsitektur VGG-16 untuk meningkatkan efektivitas pengelolaan sampah. Dataset tersebut mencakup citra sampah laut dengan empat kelas sampah plastik: bungkus makanan, kantong plastik, botol plastik, dan bungkus minuman, beserta beberapa sampah non-plastik sebagai pembanding. Model dilatih dengan ukuran batch 32 dan dievaluasi pada epoch 50 hingga 250. Performa terbaik dicapai pada epoch 250, dengan akurasi 97,66% dan loss 0,0798. Pengujian menghasilkan akurasi 93% untuk bungkus makanan, 93% untuk kantong plastik, 90% untuk botol plastik, 86% untuk bungkus minuman, dan 75% untuk sampah non-plastik. Model ini secara efektif mengklasifikasikan sampah plastik, mendukung pengelolaan sampah laut yang lebih baik di Kota Tanjungpinang.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[1] N. W. Ningsih, A. Putra, and H. Suriadin, “Identifikasi sampah laut berdasarkan jenis dan massa di perairan Pulau Lae-Lae Kota Makassar,” Jurnal Pengelolaan Perikanan Tropis, vol. 4, pp. 10–18, 2020.
[2] R. H. Subakti, “Implementasi penanganan sampah laut di Kota Tanjungpinang: Studi pada area perairan Teluk Keriting,” Skripsi, Universitas Maritim Raja Ali Haji, Tanjungpinang, 2024.
[3] S. Sofianto, “Peran Dinas Lingkungan Hidup dalam mengatasi pembuangan sampah sembarangan oleh masyarakat di Kota Tanjungpinang,” JRP: Jurnal Relasi Publik, vol. 2, no. 1, 2024.
[4] O. D. S. Sunanto and P. H. Utomo, “Implementasi deep learning dengan convolutional neural network untuk klasifikasi gambar sampah organik dan anorganik,” in Seminar Nasional Matematika, Geometri, Statistika, dan Komputasi, vol. 377, 2022.
[5] Y. Johan, P. P. Renta, A. Muqsit, D. Purnama, L. Maryani, P. Hiriman, F. Rizky, and A. Fuji, “Analisis sampah laut (marine debris) di Pantai Kualo Kota Bengkulu,” Jurnal Enggano, vol. 5, no. 2, pp. 273–289, 2020, doi: 10.31186/jenggano.5.2.273-289.
[6] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA: MIT Press, 2020.
[7] K. Ovtcharov, O. Ruwase, J.-Y. Kim, J. Fowers, K. Strauss, and E. S. Chung, “Accelerating deep convolutional neural networks using specialized hardware,” Microsoft Research Technical Report, Feb. 2015. [Online]. Available: https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/CNN20Whitepaper.pdf.
[8] B. Raharjo, Deep Learning dengan Python. Semarang: Yayasan Prima Agus Teknik, 2022.
[9] K. Sandi, A. Prima, N. Dimas, and M. Arya, “Klasifikasi sampah menggunakan convolutional neural network,” Indonesian Journal of Data and Science (IJODAS), vol. 3, no. 2, pp. 72–81, 2022.
[10] A. Sudarsono, “Jaringan syaraf tiruan untuk memprediksi laju pertumbuhan penduduk menggunakan metode backpropagation (studi kasus di Kota Bengkulu),” J. Media Infotama, vol. 12, no. 1, pp. 61–69, 2020.
[11] D. F. Candra, G. Wibisono, M. F. Ayu, and M. Afrad, “Transfer learning model convolutional neural network menggunakan VGG-16 untuk klasifikasi tumor otak pada citra hasil MRI,” LEDGER: Journal Informatic and Information Technology, vol. 3, no. 1, pp. 11–18, 2024.