BAB I PENDAHULUAN
D. Manfaat Penelitian
Penelitian ini diharapkan dapat:
1. Memudahkan pihak penanggungjawab kebersihan atau pimpinan dalam memantau kondisi kebersihan lingkungan kampus.
2. Mendukung terwujudnya green campus dan kampus asri di UIN Alauddin Makassar menggunakan pendekatan teknologi informasi.
BAB II
TINJAUAN PUSTAKA A. Kajian Penelitian Terdahulu
Penelitian (Faisal, 2017) mengembangkan sebuah alat pendeteksi berat sampah yang dipasang pada sebuah tempat sampah. Tempat sampah yang dikembangkan yaitu Smart Trash Can, yaitu sebuah tempat sampah yang memiliki fitur berbeda dari tempat sampah pada umumnya. Tempat sampah dilengkapi sebuah sensor yang akan mendeteksi berat sampah, ketika sampah mencapai berat tertentu maka informasi tersebut akan dikirimkan ke web server yang selanjutnya akan diolah dan dikirimkan kepada petugas kebersihan agar sampah tersebut segera ditangani.
Penelitian ini berfokus pada deteksi berat sampah tetapi tidak mendetekasi adanya sampah-sampah yang berserakan atau status kebersihan pada suatu lokasi seperti yang akan dikembangkan dalam penelitian ini.
Penelitian (Galina & Umar, 2016) juga mengembangkan tempat sampah pintar, penutup pada tempat sampah dilengkapi dengan fitur untuk memonitor volume sampah dalam tempat sampah sehingga masyarakat tidak perlu menyentuh penutup tempat sampah tersebut ketika ingin mengetahui apakah tempat sampah sudah penuh atau belum.
Penelitian (Fei et al., 2017) mengembangkan sebuah SWM (Smart Waste Management) di negara Malaysia. Dalam penelitian tersebut dirancang sebuah manajemen pengelolaan sampah dengan sebuah sistem yang dapat melacak status isian tempat sampah dengan sebuah sensor ultrasonik dan juga melacak posisi atau lokasi truk pengangkut sampah dengan menggunakan GPS.
Dengan sistem manajemen tersebut, operator pengelola sampah dapat mengetahui tempat sampah mana saja yang sudah penuh dan harus segera dibersihkan serta dapat mengetahui posisi truk pengangkut sampah. Penggunaan sistem tersebut membuat pengelolaan sampah menjadi lebih efisien karena operator dapat menentukan tempat sampah mana yang harus diangkut atau dibersihkan terlebih dahulu dan truk mana yang terdekat dengan lokasi sampah tersebut.
Penelitian (Keerthana B et al., 2017) mengembangkan sistem pengelolaan sampah di negara India untuk mendukung konsep kota cerdas dan lingkungan hijau. Aplikasi yang dirancang
memanfaatkan teknologi berbasis Internet of Things dengan prinsip berbagai layanan data menggunakan cloud yang mengoneksikan antara pengemudi truk, perusahaan, dan tempat sampah.
Penelitian (Riyanto et al., 2019) mengembangkan sistem pengelolaan sampah berbasis IoT di kota Jakarta. Aplikasi akan memberikan peringatan dini terkait volume sampah pada tempat sampah yang berada di berbagai lokasi di kota Jakarta. Infromasi terkait kapasitas setiap tempat sampah akan ditampilkan melalui website monitoring yang terdiri dari lokasi tempat sampah, kapasitas, persentase, dan status tempat sampah yaitu apakah sudah penuh atau belum.
B. Kajian Pustaka Penelitian 1. Kecerdasan Buatan
Menurut Haag dan Keen (1996) Artificial Intelligence atau kecerdasan buatan adalah bidang studi yang berhubungan dengan penangkapan, pemodelan, dan penyimpanan kecerdasan manusia dalam sebuah sistem teknologi informasi sehingga sistem tersebut dapat memfasilitasi proses pengambilan keputusan yang biasanya dilakukan oleh manusia (Amrizal & Aini, 2013).
Menurut (Haugeland, 1985) menyatakan bahwa kecerdasan buatan adalah membuat komputer agar dapat berfikir, yaitu sebuah mesin yang memiliki sebuah pemikirin (Russell & Norvig, 2016).
Dalam buku (Russell & Norvig, 2016), secara garis beras kecerdasan buatan dikelompokkan menjadi dua yaitu kecerdasan buatan berdasarkan cara berfikir dan bernalar dan berdasarkan perilaku atau tindakannya.
Berdasarkan cara berfikir dan bernalar, kecerdasan buatan dapat dikelompokkan lagi menjadi dua yaitu aplikasi kecerdasan buatan dengan kemampuan berfikir seperti manusia dan kecerdasan buatan yang memiliki kemampuan berfikir secara rasional. Sistem yang mampu berfikir seprti manusia adalah sistem yang meniru cara berfikir otak manusia yang dapat diperoleh melalui refleksi diri, lingkungan, dan cara berfikir dari otak itu sendiri. Sistem cerdas dengan kemampuan berfikir secara rasional dibangun menggunakan pendekatan logika dimana sistem akan memberikan keputusan atau hasil berdasarkan logika-logika pengetahuan yang diberikan.
Berdasarkan perilaku atau tindakannya, kecerdasan buatan dapat dikelompokkan menjadi sistem cerdas yang dapat bertindak seperti manusia dan sistem yang dapat bertindak secara rasional.
Sistem dikatakan dapat bertindak seperti manusia setelah melalui serangkaian pengujian yang telah ditentukan. Sedangkan sistem cerdas dengan kemampuan bertindak secara rasional adalah sebuah agen cerdas yang dapat menyelasaikan sebuah task atau mencapaui sebuah goal tertentu dengan hasil yang terbaik, efisisen, dan efektif. Agen tersebut harus mampu memahami lingkungan, mampu beradaptasi, mandiri, dan dapat memberikan keputusan yang paling rasional dari sejumlah alternatif keputusan lainnya.
2. Teknologi Internet of Things (IoT)
Internet of Things (IoT) memanfaatkan konektivitas internet untuk menghubungkan berbagai benda seperti mesin, peralatan, dengan sensor jaringan dan aktuator agar dapat mengelola kinerjanya sendiri (Arafat, 2016). Secara umum, IoT terdiri dari sensor yang berfungsi untuk mengumpulkan data, koneksi internet sebagai perantara komunikasi dan sebuah server untuk mengumpulkan, menyimpan, dan mengelola informasi yang diterima dari sensor (Efendi, 2018). Dengan IoT, hasil pengolahan sebuah informasi dapat dikirimkan ke perangkat mobile seperti telepon seluler sehingga pengguna dapat memperoleh informasi tertentu atau mengontrol kondisi tertentu tanpa harus berada di lokasi.
IoT membutuhkan 3 elemen utama untuk dapat bekerja yaitu modul IoT, koneksi internet, dan cloud sebagai tempat penyimpanan aplikasi dan data.
Gambar 2.1. Konsep IoT
Internet of Thing dapat memudahkan pengawasan dan pengendalian terhadap sebuah barang fisik. IoT dapat digunakan dalam kehidupan sehari-hari seperti untuk monitoring lingkungan misalnya untuk mengontrol kondisi air pada sebuah waduk secara real time. Pemanfaatan IoT dapat digunakan dalam berbagai bidang seperti bidang medis, kota cerdas, dan green ICT.
3. Deep Learning
Deep learning merupakan bagian dari Kecerdasan Buatan dan Machine Learning atau Pemelajaran Mesin. Secara spesifik, deep learning merupakan pengembangan dari algoritma Artificial Neural Network atau Jaringan Saraf Tiruan yang memiliki struktur jaringan yang lebih kompleks dan jumlah hyperparameter yang lebih banyak. Deep learning banyak digunakan untuk permasalahan klasifikasi gambar, video, deteksi objek dan permasalahan lainnya.
Gambar 2.2. Diagram Venn Deep Learning
Deep learning dikembangkan pertama kali pada tahun 1950 tetapi baru pada tahun 1990 banyak diaplikasikan. Deep learning mempunya prinsip kerja yang cukup berbeda dibandingkan pendekatan Pemelajaran Mesin biasa. Pada algoritma-algoritma Pemelajaran Mesin, fitur dari data harus direpresentasikan atau diekstrak terlebih dahulu menggunakan metode ekstraksi fitur sebelum digunakan pada proses klasifikasi atau clustering.
Sedangkan pada algortima deep learning, ekstraksi fitur dan metode pengklasifikasi berada dalam arsitektur jaringan yang sama sehingga tidak perlu dilakukan ekstraksi fitur secara terpisah (Lecun et al., 2015)
Deep learning mempunyai performa yang sangat baik dengan jumlah dataset yang besar. Hal ini sangat relevan dengan kondisi saat ini, dimana volume data terus meningkat setiap waktu.
Namun demikian, untuk memperoleh performa yang bagus tentunya dibuthkan sumber daya dan peralatan yang dengan spesfikasi yang cukup tinggi. Hal tersebut menyebabkan pendekatan ini hanya banyak diimpelemntasikan oleh perusahaan-perusahaan tertentu.
4. Transfer Learning
Salah satu keterbatasan pendekatan deep learning adalah membutuhkan jumlah dataset yang banyak dan resources dengan spesifikasi tinggi. Pendekatan transfer learning bekerja dengan cara memanfaatkan model yang telah dilatih menggunakan dataset yang banyak dan arsitektur yang kompleks untuk digunakan kembali pada data baru atau data yang berbeda dengan kasus serupa (Weiss et al., 2016).
Bobot yang diperoleh dari hasil pelatihan pada sebuah data dapat digunakan kembali pada data baru atau data berbeda. Dalam menerapkan pendekatan transfer learning diperlukan penyesuaian arsitektur dan tuning parameter untuk memperoleh performa yang maksimal.
Pendekatan transfer learning banyak digunakan untuk mengatasi permasalahan jumlah dataset yang kecil dan sumber daya yang terbatas (Romero et al., 2020)
5. MobileNet
MobileNet merupakan salah satu arsitektur yang banyak digunakan karena memiliki arsitektur yang sederhana namum
memiliki performa yang cukup baik. Selain itu, arsitektur MobileNet dirancang untuk kebutuhan perangkat Mobile, sistem tertanam atau perangkat IoT sehingga mudah dalam pengintegrasiannya.
MobileNet hadir untuk mengatasi salah satu kelemahan pada arsitektur Inception. Meskipun Inception memiliki jumlah parameter yang kecil namun tidak dapat digunakan pada perangkat yang memiliki ruang lingkup komputasi yang rendah.
MobileNet dikembangkan untuk dapat mengatasi kelemahan pada Inception tersebut dengan menambambahkan depthwise separable convolution (Howard et al., 2017).
Pada dasarnya, arsitektur MobileNet merupakan salah satu arstitektur dari Convolutional Neural Network (CNN). Perbedaan mendasar diantara keduanya adalah terletak pada penggunaan lapisan konvolusi dan ketebalan filter dari data masukan. Pada arsitektur MobileNet, lapisan konvolusi dibagi menjadi dua yaitu depthwise convolution dan pointwise convolution.
Gambar 2.3. Lapisan Konvolusi Standar (Howard et al., 2017)
Gambar 2.4 Depthwise Convolution (Howard et al., 2017)
Gambar 2.5. Pointwise Convolution (Howard et al., 2017)
Arsitektur MobileNet terus dikembangkan hingga saat ini.
MobileNetV2 merupakan salah satu pengembangan dari arsitektur MobileNet versi sebelumnya. Pada versi kedua terdapat dua fitur baru yaitu linear bottleneck dan shortcut connections antar bottleneck (Sandler et al., 2019). Struktur arsitektur pada versi kedua dapat dilihat pada Gambar 2.6.
Gambar 2.6. Arsitektur MobileNetV2 (Sandler et al., 2019)
Pada bagian bottleneck terdapat input dan output antara model sedangkan lapisan atau bagian dalam mengenkapsulasi kemampuan model untuk mengubah input dari konsep tingkat yang lebih rendah (misalnya piksel) ke deskriptor tingkat yang lebih tinggi (misalnya kategori gambar). Fitur shortcut antar
bottleneck memungkinkan pelatihan yang lebih cepat dengan akurasi yang lebih tinggi.
6. Keras
Keras merupakan library bersifat open-source yang didesain untuk pengembangan model machine learning dan deep learning.
Keras mendukung platform TensorFlow dan dapat diekspor ke JavaScript sehingga dapat dijalankan secara langsung pada browser, TensorFlow Lite, Perangkat berbasis Android dan iOS, serta perangkat tertanam (Keras, n.d.)
Saat ini, library Keras mendukung pendekatan transfer learning yang terdiri dari berbagai arsitektur deep learning seperti MobileNet, ResNet, Inception, Exception, dan arsitektur lainnya.
7. TensorFlow Lite
Tensorflow Lite merupakan perangkat lunak open-source yang didesain untuk menjalankan model yang telah dilatih pada perangkat mobile, embedded dan perangkat IoT.
Tensofrlow Lite mendukung perangkat berbasis Android maupun iOS. TensorFlow Lite memiliki 5 fitur utama yaitu latensi (program tidak berjalan pada sebuah server tertentu), privasi (data pribadi tidak ditinggalkan pada perangkat), konektivitas (tidak membutuhkan koneksi internet), ukuran (mereduksi model), konsumsi daya (inferensi yang efisien dan kurangnya koneksi jaringan) (TensorFlow Lite, 2021).
Tensorflow tidak didesain untuk melatih atau membangun sebuah model tetapi difokuskan untuk menjalankan model yang telah ada. Oleh karena itu, model harus dibangun atau dilatih terlebih dahulu misalnya menggunakan library Keras.
Selanjutnya model yang telah dilatih dikonversi ke format TensorFlow Lite (.tflite) agar dapat dijalankan pada perangkat mobile, embedded, ataupun perangkat IoT. Secara umum, arsitektur TensorFlow Lite dapat dilihat pada Gambar 2.7.
Gambar 2.7 Arsitektur TensorFlow Lite
BAB III
METODOLOGI PENELITIAN
A. Lokasi Penelitian
Penelitian ini dilaksanakan di Fakultas Sains dan Teknologi, Universitas Islam Negeri Alauddin Makassar.
B. Metode Penelitian
Pengembangan pada sistem ini dilakukan berdasarkan System Development Life Cycle (SDLC). Tahap awal dimulai dengan perencanaan yang mencakup mengenali dan memastikan masalah, menentukan objektif mengidentifikasikan serta ruang lingkup sistem. Langkah selanjutnya melakukan analisa terhadap kebutuhan sistem serta dilanjutkan dengan perancangan sistem yang akan diimplementasikan seperti diagram alur data. Setelah proses desain selesai dilanjutkan ke tahap implementasi dengan menuliskan kode program yang kemudian diuji bug dan error-nya, tahap selanjutnya yaitu pemeliharaan terhadap sistem yang telah dikembangkan (Dewanto, 2004).
Gambar 3.1. System Development Life Cycle (Dewanto, 2004) 1. Perencanaan
Tahap perencanaan bertujuan untuk mengidentifikasi kebutuhan dari aplikasi atau sistem yang akan dikembangkan seperti target dan sasaran yang ingin dicapai, estimasi waktu pelaksanaan perumusan kebutuhan data, penetapan teknik
pengumpulan data, dan sebagainya. Secara umum, terdapat 3 tahapan utama yang direncanakan dalam penelitian ini sebagaimana yang dapat dilihat pada Gambar 3.2 berikut:
Gambar 3.1 Rencana Penelitian
Data dalam penelitian ini terdiri dari dua jenis yaitu sebagai berikut:
1. Data Primer
Data primer dikumpulkan secara langsung dari objek penelitian. Dalam penelitian ini sumber data primer diperoleh dari pihak penanggung jawab kebersihan kampus berupa lokasi-lokasi atau titik-titik mana saja yang akan dipantau status kebersihannya.
Pada tahap ini data yang dikumpulkan berupa gambar lingkungan sekitar dengan berbagai kondisi. Pengambilan gambar akan dilakukan dalam berbagai kondisi misalnya pada saat pagi hari, siang hari, sore hari, saat cuaca cerah, mendung, dan hujan. Hal ini bertujuan untuk memperoleh data yang benar-benar menggambarkan kondisi nyata di lingkungan sehingga dapat dikenali dengan baik oleh sistem nantinya.
Data yang telah dikumpulkan selanjutnya akan diseleksi dan dianotasi berdasarkan kategori tertentu. Dalam penelitian ini data dikelompokkan menjadi tiga kategori yaitu gambar lingkungan yang bersih, kurang bersih, dan kotor.
2. Data sekunder
Data diperoleh secara tidak langsung atau data yang didapatkan di luar objek penelitian, dalam hal ini data dikumpulkan dari buku-buku, jurnal, internet maupun rujukan-rujukan ilmiah lainnya yang masih relevan dengan penelitian yang akan dilakukan. Data-data sekunder dapat diperoleh melalui studi literatur.
2. Analisis
Tahap analisis bertujuan memperoleh gambaran sistem yang berjalan saat ini, bagaimana sistem bekerja dana kapan sistem tersebut digunakan. Melalui proses ini nantinya akan diperoleh sebuah usulan untuk membangun sistem yang baru.
3. Desain
Tahap desain bertujuan untuk menentukan cara kerja sistem yang meliputi arsitektur desain, tampilan sistem, dan desain spesifikasi file dan program. Keluaran dari tahap ini berupa spesfikasi sistem yang siap diiplementasikan.
Dalam penelitian ini, arsitektur yang digunakan dalam pengembangan model adalah arsitektur MobileNet menggunakan library Keras yang selanjutkan akan dikonversi dan dijalankan menggunakan TensorFlow Lite.
4. Implementasi
Tahap implementasi bertujuan untuk
mengimplementasikan hasil rancangan pada tahap sebelumnya.
Pada tahap ini implementasi sistem akan dilakukan melalui proses coding untuk membangun fitur-fitur yang telah dirancang dan ditentukan pada tahap sebelumnya.
5. Testing dan Integrasi
Tahap ini bertujuan untuk mengevaluasi sistem yang telah dikembangkan. Tahap ini juga bertujuan untuk memastikan fungsionalitas dari sistem yang sudah dikembangkan.
Pada tahap ini model yang telah dibangun akan dievaluasi terlebih dahulu sebelum diintegrasikan ke perangkat mobile atau perangkat lainnya menggunakan TensorFlow Lite. Adapun metode evaluasi atau pengujian model yang telah dibangun adalah sebagai berikut:
Suatu kondisi dikatakan TP atau TN Ketika suatu observasi dikenali dengan benar, sedangkan FP dan FN merupakan suatu observasi salah diidentifikasi.
6. Maintenance
Tahap ini bertujuan untuk mengecek sistem yang telah diuji agar dapat berfungsi dengan baik sebagaimana mestinya.
C. Waktu Penelitian
Jadwal kegiatan program pengembangan sistem secara umum dapat dilihat pada Tabel 1. berikut:
Tabel 1. Jadwal Kegiatan Program Pengembangan Aplikasi No Uraian Pekerjaan Waktu Pelaksanaan
1 Perencanaan Minggu ke-2 Juni 2021
2 Analisis Minggu ke-4 Juni 2021
3 Desain Minggu ke-2 Juli 2021
4 Implementasi Minggu ke-4 Juli 2021 5 Testing dan Integrasi Minggu Ke-4 Agustus 2021 6 Maintenance Minggu ke-1 September 2021
D. Target dan Luaran Penelitian
Target yang diharapkan melalui penelitian ini yaitu:
1. Memudahkan pihak pimpinan atau pihak lainnya yang bertanggungjawab dalam mengawasi dan mengontrol kebersihan lingkungan kampus agar tercipta lingkungan yang nyaman, asri dan sehat.
2. Memudahkan pengelolaan kebersihan lingkungan secara cepat, mudah, efektif dan efisien karena pihak pimpinan atau pihak lainnya yang bertanggung jawab dapat melakukan fungsi pengawasan dari jarak jauh.
Adapun luaran yang diharapkan melalui penelitian ini yaitu:
1. Pimpinan dan penanggungjawab kebersihan dapat menggunakan aplikasi monitoring kebersihan lingkungan secara otomatis yang berbasis kecerdasan buatan dan Internet of Things.
2. Universitas dapat mewujudkan kampus asri dan green campus dengan adanya sistem manajemen sampah secara otomatis dan real time.
BAB IV
HASIL DAN PEMBAHASAN
A. Kebutuhan Sistem
Kebutuhan utama yang diperlukan untuk membangun sistem adalah dataset berupa gambar lingkungan yang digunakan untuk melatih model. Dataset berupa gambar lingkungan diperoleh dengan melakukan pengambilan gambar secara langsung di lingkungan sekitar Fakultas Sains dan Teknologi, UIN Alauddin Makassar. Jumlah gambar yang diambil adalah sekitar 200 gambar.
Gambar-gambar tersebut selanjutnya diseleksi, yaitu memilih gambar yang jernih dan tidak blur.
Gambar yang telah diseleksi selanjutnya dikelompokkan ke dalam tiga kategori yaitu gambar lingkungan yang bersih, kurang bersih, dan kotor. Total gambar yang digunakan setelah proses seleksi adalah 120 gambar yang terdiri dari masing-masing 40 gambar pada setiap kategori. Berikut adalah contoh gambar pada masing-masing kategori:
Gambar 4.1 Contoh Lingkungan Bersih
Gambar 4.2 Contoh Lingkungan Kurang Bersih
Gambar 4.3 Contoh Lingkungan Kotor
Pada penelitian ini, dataset yang terdiri dari 120 gambar dibagi menjadi 80% gambar (90 gambar) untuk pelatihan dan 20%
(30 gambar) untuk pengujian.
B. Desain Sistem
1. Alur Pelatihan Model
Pelatihan bertujuan untuk membangun model yang bisa digunakan untuk memprediksi kelas dari data uji nantinya. Alur dari tahap pelatihan dapat dilihat pada Gambar 4.3.
Gambar 4.3 Alur Pelatihan Model Pengklasifikasi
Input citra merupakan gambar lingkungan yang berukuran 224x224 piksel. Input citra tersebut digunakan untuk melatih model sesuai dengan parameter yang telah ditentukan. Adapun output dari tahap pelatihan model berupa sebuah model pengklasifikasi yang dapat digunakan mengklasifikasi sebuah input citra baru yang belum diketahui kelasnya.
2. Alur Pengujian Model
Tahap pengujian dilakukan untuk menguji tingkat keakuratan model yang telah dibangun dalam mendeteksi kondisi kebersihan lingkungan. Pada tahap ini, model yang telah dibangun pada tahap pelatihan digunakan untuk memprediksi kelas dari data pengujian. Output pada tahap ini adalah hasil prediksi kelas dari data input dalam hal ini kelas berupa kategori kebersihan lingkungan. Pada tahap pengujian dilakukan evaluasi terhadap
Start Input Citra (224x224)
hasil prediksi yang diberikan oleh pengklasifikasi. Alur dari tahap pengujian dapat dilihat pada Gambar 4.4.
Gambar 4.4 Alur Pengujian Model
3. Alur Impelementasi Model
Model yang telah dilatih dan diuji selanjutnya diimplementasikan pada perangkat mobile agar dapat digunakan secara real-time. Pada penelitian ini, TensorFlow Lite digunakan untuk menjalankan model yang telah dilatih sehingga model tersebut harus dikonversi terlebih dahulu ke dalam format .tflite.
Berikut adalah alur implementasi model ke dalam perangkat mobile berbasis Android.
Start Input Citra (224x224)
Prediksi menggunakan trained-model
Prediksi Label
End
Evaluasi Hasil
Evaluasi
Gambar 4.5 Alur Implementasi Model
4. Arsitektur MobileNet
Arsitektur jaringan MobileNet yang digunakan dalam penelitian ini dilatih dengan menggunakan parameter berikut:
• Nilai learning rate: 0.001
• Batch size: 32
• Jumlah epoch: 25
• 64 Dense layer pada layer terakhir
• Dropout: 0.7
• Optimizer: Adam dan SGD (Stochastic Gradient Descent)
5. Desain Tampilan Sistem
Tampilan sistem menggunakan tampilan asli dari TensorFlow Lite yaitu sebagai berikut:
Start Trained
Model
Konversi ke Format TFLite
model.tflite
End Integrasi ke
perangkat mobile
Status Kebersihan Lingkungan
Gambar 4.6 Tampilan Sistem pada Perangkat Mobile
C. Testing dan Integrasi
Hasil pengujian terhadap model yang telah dilatih dapat dilihat pada Tabel 4.1 berikut:
Tabel 4.1 Perbandingan Nilai Akurasi
Optimizer Dropout Akurasi (%)
SGD Tanpa Dropout 0.38
Menggunakan Dropout 0.75
Adam Tanpa Dropout 0.71
Menggunakan Dropout 0.83
Dalam penelitian ini dilakukan evaluasi terhadap dua jenis optimizer yang paling popular pada arsitektur deep learning yaitu SGD (Stochastic Gradient Descent) dan Adam optimizer. Selain itu, pada layer terakhir juga ditambahkan droput layer untuk mencegah overfitting. Berdasarkan Tabel 4.1 menunjukkan bahwa hasil akurasi terbaik diperoleh dengan menggunakan Adam sebagai
Tampilan real-time dari kamera
Hasil deteksi status kebersihan lingkungan
optimizer dan menggunakan dropout. Hasil akurasi terbaik yang diperoleh adalah 83%. Adapun pada model dengan menggunakan SGD sebagai optimizer tetapi tidak menggunakan dropout layer hanya memperoleh akurasi sebesar 38%. Nilai tersebut masih rendah sehingga masih perlu ditingkatkan. Adapun model dengan menggunakan SGD sebagai optimizer serta menggunakan dropout layer memperoleh akurasi yang cukup tinggi yaitu sekitar 75%.
Pada Adam optimizer, meskipun tidak menggunakan dropout layer, model mampu memberikan akurasi yang cukup baik, namun dengan menggunakan droput layer dapat meningkatkan akurasi hingga di atas 80%. Model dengan akurasi terbaik nantinya akan diimplementasikan pada perangkat mobile, embedded ataupun IoT sehingga dapat digunakan secara real-time.
Nilai presisi dan recall pada model yang terbaik dapat dilihat pada Tabel 2.
Tabel 4.2 Nilai Presisi dan Recall
Kelas Presisi (%) Recall (%)
Kurang Bersih/Less_Clean 0.75 0.75
Bersih/Clean 0.88 0.88
Kotor/Dirty 0.88 0.88
Table 4.2 menunjukkan bahwa nilai presisi dan recall untuk kelas atau kategori lingkungan Bersih dan Kotor adalah 88%
sedangkan untuk kelas Kurang Bersih adalah sebesar 75%. Nilai presisi 75% menunjukkan bahwa pada kelas Kurang Bersih hanya 75% kelas Kurang Bersih yang benar merupakan kelas tersebut dari keseluruhan data yang diprediksi sebaga kelas Kurang Bersih atau dengan kata lain terdapat data dari kelas lain yang salah diklasifikasi sebagai kelas Kurang Bersih. Sedangkan nilai presisi pada kelas Bersih dan kelas Kotor menunjukkan bahwa pada kelas tersebut terdapat 88% data dari kelas Bersih dan juga kelas Kotor yang benar merupakan kelas tersebut dari keseleuruhan data yang diprediksi sebagai kelas tersebut.
Recall atau sensitivitas menunjukkan tingkat kepercayaan terhadap hasil prediksi artinya pada kelas Kurang Bersih, tingkat kepercayaan kelas Kurang Bersih diprediksi sebagai kelas tersebut adalah 75% sedangkan tingkat kepercayaan kelas Bersih dan kelas Kotor diprediksi sebagai kelas tersebut adalah 88%. Adapun grafik
perolehan akurasi pada setiap epoch pada tahap pelatihan dapat dilihat pada Gambar 4.7.
Gambar 4.7 Grafik Akurasi Pelatihan pada Setiap Epoch
Gambar 4.7 Grafik Akurasi Pelatihan pada Setiap Epoch