Klasifikasi Limbah Plastik Pada Aplikasi Clastic Menggunakan Algoritme EfficientNet-B01

Suntara, Aad Aries (2025) Klasifikasi Limbah Plastik Pada Aplikasi Clastic Menggunakan Algoritme EfficientNet-B01. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6026231011-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Masalah pengelolaan sampah merupakan isu global yang mendesak, terutama di negara-negara berkembang. Di Indonesia, data dari Sistem Informasi Pengelolaan Sampah Nasional (2023) menunjukkan bahwa jumlah sampah yang dihasilkan di 141 Kabupaten/Kota mencapai 17.517.782,30 ton per tahun, dengan 32,28% atau 5.654.290,18 ton sampah masih belum terkelola. Penanganan masalah ini memerlukan perhatian khusus, terutama dalam edukasi masyarakat mengenai pentingnya pemilahan sampah. Sampah plastik, yang diklasifikasikan ke dalam kategori seperti High-Density Polyethylene (HDPE), Polyethylene Terephthalate (PET), dan Polypropylene (PP), memerlukan alur pengelolaan sampah yang ideal untuk daur ulang dan pembuangan yang efektif. Untuk meningkatkan proses ini, aplikasi CLASTIC memanfaatkan teknologi deep learning, khususnya EfficientNet-B0, untuk klasifikasi sampah plastik. Penelitian ini berfokus pada optimalisasi CLASTIC untuk mengurangi jumlah limbah plastik yang tidak terkelola di Indonesia, dengan mengintegrasikan fitur-fitur canggih guna meningkatkan efisiensi dan partisipasi publik dalam upaya daur ulang. Solusi yang diusulkan melibatkan pelatihan EfficientNet-B0 pada dataset yang terdiri dari 9.000 gambar sampah plastik dan membandingkan kinerjanya dengan MobileNetV2. Studi ini bertujuan untuk menunjukkan efektivitas EfficientNet-B0 dalam meningkatkan akurasi klasifikasi sampah plastik. Dengan menerapkan teknologi-teknologi ini dalam CLASTIC, aplikasi ini diharapkan dapat memberikan solusi yang berkelanjutan dan praktis untuk pengelolaan sampah, mendorong keterlibatan masyarakat, dan meningkatkan kesadaran lingkungan di Indonesia.
=================================================================================================================================
Waste management is a pressing global issue, especially in developing countries. In Indonesia, data from the National Waste Management Information System (2023) shows that the amount of waste generated in 141 regencies/cities reached 17,517,782.30 tons per year, with 32.28% or 5,654,290.18 tons of waste still unmanaged. Handling this problem requires special attention, especially in educating the public about the importance of waste sorting. Plastic waste, which is classified into categories such as High-Density Polyethylene (HDPE), Polyethylene Terephthalate (PET), and Polypropylene (PP), requires an ideal waste management flow for effective recycling and disposal. To improve this process, the CLASTIC application utilizes deep learning technology, specifically EfficientNet-B0, for plastic waste classification. This study focuses on optimizing CLASTIC to reduce the amount of unmanaged plastic waste in Indonesia, by integrating advanced features to increase efficiency and public participation in recycling efforts. The proposed solution involves training EfficientNet-B0 on ​​a dataset of 9,000 plastic waste images and comparing its performance with MobileNetV2. This study aims to demonstrate the effectiveness of EfficientNet-B0 in improving the accuracy of plastic waste classification. By implementing these technologies in CLASTIC, the application is expected to provide a sustainable and practical solution for waste management, encourage community engagement, and increase environmental awareness in Indonesia.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Pengelolaan Sampah, Sampah Plastik, EfficientNet-B0, Aplikasi CLASTIC, Deep Learning, Daur Ulang, Klasifikasi Sampah, Waste Management, Plastic Waste, EfficientNet-B0, CLASTIC Application, Deep Learning, Recycling, Waste Classification
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 59101-(S2) Master Thesis
Depositing User:	Aad Aries Suntara
Date Deposited:	18 Jul 2025 02:21
Last Modified:	18 Jul 2025 02:21
URI:	http://repository.its.ac.id/id/eprint/119969

Actions (login required)

View Item