LAPORAN PENELITIAN PEMBINAAN KAPASITAS
Oleh:
Darmatasia, S.Pd., M.Kom (19920521 201903 2 025)
PUSAT PENELITIAN
UNIVERSITAS ISLAM NEGERI ALAUDDIN MAKASSAR 2021
PENGEMBANGAN APLIKASI PENDETEKSI SAMPAH SECARA OTOMATIS BERBASIS ARTIFICIAL INTELLIGENCE DAN INTERNET OF THINGS (IOT) UNTUK MENDUKUNG PROGRAM
GREEN CAMPUS
Daftar Isi
Daftar Isi ... ii
Abstrak ... iv
BAB I PENDAHULUAN ... 1
A. Latar Belakang ... 1
B. Rumusan Masalah ... 3
C. Tujuan Penelitian ... 3
D. Manfaat Penelitian ... 3
BAB II TINJAUAN PUSTAKA ... 4
A. Kajian Penelitian Terdahulu ... 4
B. Kajian Pustaka Penelitian ... 5
1. Kecerdasan Buatan ... 5
2. Teknologi Internet of Things (IoT) ... 6
3. Deep Learning ... 7
4. Transfer Learning ... 8
5. MobileNet ... 8
6. Keras ... 11
7. TensorFlow Lite ... 11
BAB III METODOLOGI PENELITIAN ... 13
A. Lokasi Penelitian ... 13
B. Metode Penelitian ... 13
1. Perencanaan ... 13
2. Analisis ... 15
3. Desain ... 15
4. Implementasi ... 15
5. Testing dan Integrasi ... 15
6. Maintenance ... 16
C. Waktu Penelitian ... 16
D. Target dan Luaran Penelitian ... 17
BAB IV HASIL DAN PEMBAHASAN ... 18
A. Kebutuhan Sistem ... 18
B. Desain Sistem ... 20
1. Alur Pelatihan Model ... 20
2. Alur Pengujian Model ... 20
3. Alur Impelementasi Model ... 21
4. Arsitektur MobileNet ... 22
5. Desain Tampilan Sistem ... 22
C. Testing dan Integrasi ... 23
BAB V PENUTUP ... 30
PENUTUP ... 30
A. Kesimpulan ... 30
B. Saran ... 30
PUSTAKA ACUAN ... 31
Abstrak
Kondisi lingkungan kerja mempunyai peranan yang penting dalam mendukung kelancaran aktivitas kerja pada sebuah lembaga, perusahaan, ataupun universitas termasuk di UIN Alauddin Makassar. Kondisi lingkungan yang nyaman, asri, dan sehat dapat meningkatkan produktifitas dan motivasi kerja bagi civitas academika seperti dosen, mahasiswa, dan pegawai. Untuk menjamin kebersihan sebuah lingkungan tentunya harus dilakukan manajemen dan pemantauan secara berkala. Manajemen pengelolaan dan pemantauan tesebut biasanya dilakukan oleh pihak yang telah diberi tanggung jawab. Selama ini, penanggungjawab kebersihan ataupun pimpinan memantau kebersihan lingkungan dengan cara mengecek lokasi atau lingkungan secara langsung. Hal tersebut tentunya kurang efektif dan kurang efisien karena membutuhkan waktu dan tenaga yang lebih untuk memantau setiap lokasi. Pada penelitian ini telah dikembangkan sebuah aplikasi yang dapat mendeteksi kebersihan lingkungan secara otomatis sehingga dapat dimanfaatkan oleh penanggungjawab kebersihan ataupun pimpinan dalam memantau kondisi kebersihan lingkungan secara real-time. Aplikasi yang dikembangkan dapat mendeteksi tingkat kebersihan lingkungan yang terdiri dari tiga tingkat kebersihan yaitu: Bersih, Kurang Bersih, dan Kotor. Aplikasi dikembangkan menggunakan pendekatan Artificial Intelligence dengan memanfaatkan algoritma deep learning. Adapun arsitektur yang digunakan adalah MobileNet dengan tingkat akurasi sebesar 83%.
Pengujian aplikasi telah dilakukan secara langsung di lingkungan Fakultas Sains dan Teknologi dengan tingkat akurasi yang cukup tinggi. Perangkat yang dikembangkan dapat diintegrasikan ke perangkat embedded sehingga penanggungjawab kebersihan ataupun pimpinan nantinya dapat memantau lingkungan tanpa harus mengunjungi lokasi atau lingkungan secara langsung. Aplikasi yang dikembangkan diharapkan dapat mendukung pembangunan berkelanjutan.
Keywords: Kebersihan; lingkungan; Artificial Intelligence; deep learning; MobileNet
BAB I PENDAHULUAN A. Latar Belakang
Sustainable Development Goals (SDGs) merupakan pembangunan dunia yang bertujuan untuk mewujudkan kesejahteraan manusia secara global. SDGs mempunya 17 tujuan dan 169 target, salah satu diantaranya adalah Kota dan Pemukiman yang Berkelanjutan.
Kota dan Pemukiman yang Berkelanjutan merupakan target ke-11 dari SDGs yang bertujuan untuk membangun kota dan pemukiman yang inklusif, aman, tahan lama, dan berkelanjutan.
Untuk mendukung dan mewujudkan program SDGs, Sebagian besar negara termasuk Indonesia telah membuat rencana kerja jangka panjang.
Salah satu target dari Kota dan Pemukiman yang Berkelanjutan adalah pada tahun 2030 menyediakan akses universal terhadap ruang-ruang publik yang aman, inklusif dan mudah diakses, dan hijau, terutama bagi perempuan dan anak-anak, manula dan orang dengan disabilitas (Peraturan Presiden Republik Indonesia, 2017).
Universitas Islam Negeri (UIN) Alauddin Makassar sebagai salah satu universitas turut berpartisipasi dalam mewujudkan target dan tujuan dari SDGs. Salah satu upaya yang dilakukan oleh kampus adalah melalui program green campus.
Pembangunan berkelanjutan tersebut secara tidak langsung sudah tertuang dalam pancacita rektor periode 2019-2023 yang terdiri dari pancacita bidang akademik dan pancacita non akademik.
Salah satu pancacita dalam bidang non akademik adalah kampus yang asri. Kampus yang asri memiliki peranan yang penting dalam mendukung lingkungan kampus yang sehat dan nyaman. Dengan kondisi lingkungan kampus yang asri dapat membuat mahasiswa, dosen, dan staf beraktivitas dengan nyaman dan menyenangkan sehingga secara tidak langsung dapat menunjang produktivitas dalam bekerja.
Kampus yang asri tidak hanya dari kampus dengan pepohonan yang rindang tetapi perlu adanya tata kelola yang baik pada setiap unit kerja dalam kampus. Salah satu tata kelola yang sangat penting untuk mewujudkan kampus asri adalah tata kelola sampah. Meskipun saat ini, pihak universitas telah menyediakan
petugas kebersihan, namun terkadang masih terdapat sampah- sampah yang berserakan. Hal tersebut disebabkan oleh kurangnya kesadaran dari beberapa pihak dalam menjaga kebersihan.
Saat ini, pengelolaan kebersihan lingkungan dikelola secara langsung oleh pihak penanggungjawab kebersihan yang telah ditentukan oleh kampus. Penanggungjawab selanjutnya membentuk tim dan membagi tim kebersihan pada area tertentu.
Monitoring kebersihan lingkungan dilakukan secara langsung oleh pihak penanggungjawab kebersihan maupun pimpinan yaitu dengan mengecek kondisi lingkungan secara langsung. Hal tersebut tentunya memiliki keterbatasan diantaranya yaitu: pihak penanggungjawab maupun pimpinan tidak dapat memantau beberapa lokasi secara bersamaan, membutuhkan waktu dan tenaga yang lebih banyak untuk mengunjungi setiap lokasi, pemantauan tidak dapat dilakukan jika penanggung jawab atau pimpinan tidak berada di lokasi.
Perkembangan Teknologi Informasi dan Komunikasi (TIK) yang semakin canggih memungkinkan digunakan untuk mengontrol kebersihan sebuah tempat atau lingkungan.
Pengembangan riset berbasis Artificial Intelligence atau kecerdasan buatan dapat diterapkan untuk mendeteksi secara otomatis tingkat kebersihan sebuah tempat. Oleh karena itu, sangat memungkinkan dilakukan pengembangan sebuah aplikasi cerdas yang dapat membantu mewujudkan kampus asri.
Penerapan kecerdasan buatan dalam mendukung kampus yang asri dapat diterapkan melalui sebuah aplikasi monitoring kebersihan lingkungan. Input kondisi suatu tempat dapat diperoleh dengan memasang sebuah sensor pada lokasi tersebut. Informasi berupa gambar atau video selanjutnya akan dikelola menggunakan pendekatan kecerdasan buatan untuk mendeteksi kondisi kebersihan lingkungan kampus. Aplikasi juga dapat diintegrasikan dengan teknologi Internet of Things (IoT) berupa fitur notifikasi yang akan mengirimkan hasil pemrosesan kecerdasan buatan secara otomatis kepada pihak-pihak yang bertanggung jawab.
Dengan adanya fitur notifikasi tersebut, pihak yang bertanggung jawab dapat mengetahui tempat-tempat mana saja yang kurang bersih tanpa harus berada di lokasi. Hal tersebut memudahkan pihak pengawas atau penanggung jawab kebersihan dalam mengontrol dan mengawasi kebersihan kampus.
Menilik latar belakang yang telah dijelaskan sebelumnya serta melihat perkembangan teknologi saat ini, maka dalam penelitian ini akan dilakukan pengembangan sebuah aplikasi yang mampu mendeteksi status kebersihan titik-titik tertentu atau keberadaan sampah pada titik tertentu di kampus UIN Alauddin Makassar. Penelitian ini menggunakan pendekatan kecerdasan buatan untuk membangun sistem agar dapat mendeteksi keberadaan sampah secara otomatis. Sistem yang dikembangkan dapat diintegrasikan dengan perangkat IoT dan embedded system sehingga penanggungjawab kebersihan atau pimpinan dapat melakukan pemantauan, pengontrolan, dan penanganan kebersihan dengan mudah, cepat, efektif dan efisien.
B. Rumusan Masalah
Adapun rumusan masalah dalam penelitian ini adalah bagaimana memudahkan pemantauan kebersihan lingkungan menggunakan sistem monitoring lingkungan secara otomatis berbasis Artificial Intelligence?
C. Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengembangkan sistem monitoring kebersihan lingkungan secara otomatis dengan menggunakan pendekatan Artificial Intelligence.
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:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = S𝑇𝑃 +S𝑇𝑁 𝑗𝑢𝑚𝑙𝑎 𝑑𝑎𝑡𝑎 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃
𝑇𝑃 + 𝐹𝑃 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃
𝑇𝑃 + 𝐹𝑁 Keterangan:
TP: True Positive FN: False Negative FP: False Positive TN: True Negative
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)
Latih Jaringan (MobileNet)
Model/
Classifier End
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
Model yang telah dilatih selanjutnya dapat diintegrasikan pada perangkat mobile, embedded, atau perangkat IoT agar dapat digunakan secara real-time. Pada penelitian ini, model yang telah dibangun diintegrasikan pada perangkat mobile berbasis Android untuk memudahkan pengujian secara real-time.
Pengujian dilakukan secara langsung di lingkungan Fakultas Sains dan Teknologi UIN Alauddin Makassar. Pengujian dilakukan pada lingkungan dengan kondisi Bersih, Kurang Bersih, dan Kotor. Adapun hasil pengujian dapat dilihat pada Gambar 4.8 sampai Gambar 4.10.
Gambar 4.8. Contoh Hasil Pengujian pada Lingkungan Bersih
Berdasarkan Gambar 4.8 dapat dilihat bahwa sistem yang dikembangkan mampu memberikan hasil deteksi yang sesuai dengan kondisi lingkungan yaitu pada kondisi nyata menunjukkan halaman yang bersih dan sistem juga berhasil mendeteksi dengan memberikan kelas Bersih/Clean dengan tingkat akurasi yang sangat tinggi yaitu sebesar 90.08%.
Pengujian selanjutnya dilakukan pada kondisi lingkungan yang Kurang Bersih dalam hal ini pada halaman terdapat sampah berupa daun namun jumlahnya tidak banyak. Hasil deteksi dapat dilihat pada Gambar 4.9.
Gambar 4.9. Contoh Hasil Pengujian pada Lingkungan Kurang Bersih
Berdasarkan Gambar 4.9 dapat dilihat bahwa sistem yang dikembangkan mampu memberikan hasil deteksi yang sesuai dengan kondisi lingkungan yaitu pada kondisi nyata menunjukkan halaman yang kurang bersih dan sistem juga berhasil mendeteksi dengan memberikan kelas Kurang Bersih/Less_Clean dengan tingkat akurasi yang sangat tinggi yaitu sebesar 99.93%.
Pengujian selanjutnya dilakukan pada kondisi lingkungan yang Kotor dalam hal ini pada halaman terdapat sampah berupa
daun dengan volume yang banyak. Hasil deteksi dapat dilihat pada Gambar 4.10
Gambar 4.10. Contoh Hasil Pengujian pada Lingkungan Kotor
Berdasarkan Gambar 4.10 dapat dilihat bahwa sistem yang dikembangkan mampu memberikan hasil deteksi yang sesuai dengan kondisi lingkungan yaitu pada kondisi nyata menunjukkan halaman yang kotor dan sistem juga berhasil mendeteksi dengan memberikan kelas Kotor/Dirty walaupun tingkat akurasi yang diberikan hanya sebsar 52.46%.
Pada Gambar 4.10 sistem juga menganggap kondisi lingkungan tersebut kurang bersih dengan tingkat akurasi sebesar 40.16%. Hal tersebut dikarenakan pada gambar tersebut terdapat sebagian area yang bersih dan sebagian lagi terdapat sampah
sehingga sistem mengidentifikasi bahwa lingkungan tidak sepenuhnya kotor.
BAB V PENUTUP
A. Kesimpulan
Pada penelitian ini telah dikembangkan sebuah model yang dapat digunakan mendeteksi kondisi kebersihan lingkungan.
Secara keseluruhan performa model yang telah dikembangkan sudah cukup baik yaitu memiliki tingkat akurasi di atas 80%.
Model yang telah dikembangkan selanjutnya dapat dimanfaatkan oleh pihak kampus untuk melakukan monitoring kebersihan lingkungan secara otomatis. Model yang telah dikembangkan dapat dintegrasikan pada perangkat embedded atau IoT
B. Saran
Model yang telah dikembangkan dalam penelitian ini perlu diintegrasikan ke perangkat embedded terlebih dahulu jika ingin digunakan untuk memantau kondisi kebersihan lingkungan pada seluruh area atau lingkungan universitas. Selain itu untuk meningkatkan performa sistem, diperlukan data atau sampel gambar lingkungan yang lebih banyak dan lebih variatif misalnya kondisi lingkungan dengan berbagai jenis sampah seperti sampah plastik, kertas dan lain-lain.
PUSTAKA ACUAN
Amrizal, V., & Aini, Q. (2013). Kecerdasan Buatan. Halaman Moeka Publishing.
Arafat. (2016). SISTEM PENGAMANAN PINTU RUMAH BERBASIS Internet Of Things ( IoT ) Dengan ESP8266. Jurnal Ilmiah Fakultas Teknik “Technologia,” 7(4), 262–268.
Dewanto, I. J. (2004). System Development Life Cycle Dengan Beberapa Pendekatan. Jurnal FASILKOM, 2(1).
Efendi, Y. (2018). Internet Of Things (IoT) Sistem Pengendalian Lampu Menggunakan Raspberry Pi Berbasis Mobile. Jurnal Ilmiah Ilmu Komputer, 4(19–26).
Faisal. (2017). APLIKASI SMART TRASH CAN DALAM MENGATASI PERSOALAN SAMPAH SECARA MOBILE BERBASIS ANDROID. Informatika Sains Dan Teknologi, 2(2), 1–
10.
Fei, T. P., Kasim, S., Hassan, R., Ismail, M. N., Salikon, M. Z. M., Ruslai, H., Jahidin, K., & Arshad, M. S. (2017). SWM: Smart waste management for green environment. 2017 6th ICT International Student Project Conference (ICT-ISPC), 1–5.
https://doi.org/10.1109/ICT-ISPC.2017.8075303
Galina, M., & Umar, U. D. (2016). Smart Trash Bin With Solar Cell.
Journal of Electrical and Electronics Engineering, 1(2), 46–51.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications.
Peraturan Presiden Republik Indonesia Nomor 59 Tahun 2017 Tentang Pelaksanaan Pencapaian Tujuan Pembangunan Berkelanjutan, (2017).
Keerthana B, Raghavendran, S. M., Kalyani S, Suja P, & Kalaiselvi, V. K.
G. (2017). Internet of Bins: Trash Management in India. 2017 2nd International Conference on Computing and Communications
Technologies (ICCCT), 248–251.
https://doi.org/10.1109/ICCCT2.2017.7972277 Keras. (n.d.). https://keras.io/
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Macmillan Publishers Limited.
Riyanto, V., Rosyida, S., Ariyati, I., & Ridwansyah. (2019). Smart Trash Early Warning System Based on Internet of Things. 2019 7th International Conference on Cyber and IT Service Management
(CITSM), 7, 1–5.
https://doi.org/10.1109/CITSM47753.2019.8965365
Romero, M., Interian, Y., Solberg, T., & Valdes, G. (2020). Targeted transfer learning to improve performance in small medical physics datasets. Medical Physics, 47(12), 6246–6256.
https://doi.org/10.1002/mp.14507
Russell, S. J., & Norvig, P. (2016). Artificial Intelligence A Modern Approach: Third Edition.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2019).
MobileNetV2: Inverted Residuals and Linear Bottlenecks.
TensorFlow Lite. (2021). https://www.tensorflow.org/lite/guide
Weiss, K., Khoshgoftaar, T. M., & Wang, D. (2016). A survey of transfer learning. Journal of Big Data, 3(1), 9.
https://doi.org/10.1186/s40537-016-0043-6
LAMPIRAN
Lampiran 1: Dataset Kategori: Lingkungan Bersih
Kondisi Lingkungan Kurang Bersih
Kondisi Lingkungan Kurang Kotor
Lampiran 2: Arsitektur Jaringan MobileNet
Lampiran 3: Kode Program Pengembangan Model (Menggunakan Google Colab)
# Load the Drive helper and mount from google.colab import drive
# This will prompt for authorization.
drive.mount('/content/drive/')
from keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.optimizers import Adam
from keras.preprocessing.image import img_to_array from keras.preprocessing.image import load_img from sklearn.preprocessing import LabelBinarizer from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt
import numpy as np import argparse import random import os import pickle import matplotlib
def list_images(basePath, contains=None):
# return the set of files that are valid
return list_files(basePath, validExts=(".jpg",
".jpeg", ".png", ".bmp", ".tif", ".tiff"), contains=contains)
def list_files(basePath, validExts=(".jpg", ".jpeg",
".png", ".bmp", ".tif", ".tiff"), contains=None):
# loop over the directory structure for (rootDir, dirNames, filenames) in os.walk(basePath):
# loop over the filenames in the current directory
for filename in filenames:
# if the contains string is not none and the filename does not contain
# the supplied string, then ignore the file if contains is not None and
filename.find(contains) == -1:
continue
# determine the file extension of the current file
ext = filename[filename.rfind("."):].lower()
# check to see if the file is an image and should be processed
if ext.endswith(validExts):
# construct the path to the image and yield it
imagePath = os.path.join(rootDir, filename).replace(" ", "\\ ")
yield imagePath import cv2
import numpy as np from skimage import io
from skimage.transform import rotate, AffineTransform, warp
import matplotlib.pyplot as plt import random
from skimage import img_as_ubyte import os
from skimage.util import random_noise import os, re, glob, cv2, numpy as np
dirs = os.listdir('/content/drive/My
Drive/UINAM/Penelitian/Deteksi_Sampah_2/Dataset2/Trainin g/')
label = 0 im_arr = []
lb_arr = []
X = []
y = []
for i in dirs: #loop all directory
count = 0
for pic in glob.glob('/content/drive/My
Drive/UINAM/Penelitian/Deteksi_Sampah_2/Dataset2/Trainin g/'+i+'/*'):
im = cv2.imread(pic)
im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) im = cv2.resize(im,(224,224))
count = count + 1 X.append(im) y.append(label) if(count == 134):
im_arr.append({str(i):im})
print("Jumlah "+str(i)+" : "+str(count)) label = label + 1
lb_arr.append(i) X = np.array(X)/255 y = np.array(y)
from sklearn.model_selection import train_test_split from tensorflow.keras.utils import to_categorical from sklearn.preprocessing import LabelBinarizer lb = LabelBinarizer()
y = lb.fit_transform(y)
X_train, X_test, y_train, y_test =
train_test_split(X,y,test_size=0.20, stratify=y, random_state = 24)
from keras.models import Sequential
from keras.layers import Conv2D, AveragePooling2D, Dropout, Flatten, Dense, Input
from keras.models import Model
from keras.preprocessing.image import ImageDataGenerator from keras.applications.mobilenet_v2 import MobileNetV2
baseModel = MobileNetV2(weights="imagenet",
include_top=False, input_tensor=Input(shape=(224, 224, 3)))
model = baseModel.output
model = AveragePooling2D(pool_size = (4,4))(model) model = Flatten(name = 'flatten')(model)
model = Dense(128, activation = 'relu')(model) model = Dropout(0.5)(model)
model = Dense(64, activation = 'relu')(model) model = Dropout(0.2)(model)
model = Dense(3, activation = 'softmax')(model) model = Model(inputs=baseModel.input, outputs=model)
for layer in baseModel.layers:
layer.trainable = False
from keras.preprocessing.image import ImageDataGenerator
trainAug = ImageDataGenerator(
rotation_range=15, fill_mode="nearest")
from tensorflow.keras.optimizers import Adam from tensorflow.keras.optimizers import SGD from keras.callbacks import ModelCheckpoint
init_lr = 0.0001 epoch = 35
BS = 8
opt = Adam(lr=init_lr, decay=init_lr / epoch) model.compile(loss="categorical_crossentropy", optimizer=opt,
metrics=["accuracy"])
save_model = ModelCheckpoint('/content/drive/My
Drive/UINAM/Penelitian/Deteksi_Sampah_2/MobileNett_25.hd f5', save_best_only=True,
monitor='val_accuracy',mode='max')
history = model.fit_generator(
trainAug.flow(X_train, y_train, batch_size=BS), steps_per_epoch=len(X_train) // BS,
validation_data=(X_test, y_test), callbacks=[save_model],
epochs=epoch)
from sklearn.metrics import classification_report from keras.models import load_model
best_model = load_model('/content/drive/My
Drive/UINAM/Penelitian/Deteksi_Sampah_2/MobileNett_25.hd f5')
predIdxs = best_model.predict(X_test, batch_size=BS) predIdxs = np.argmax(predIdxs, axis=1)
print(classification_report(y_test.argmax(axis=1), predIdxs))
import matplotlib.pyplot as plt N = epoch
plt.style.use("ggplot") plt.figure()
plt.plot(np.arange(0, N), history.history["accuracy"], label="train_acc")
plt.plot(np.arange(0, N),
history.history["val_accuracy"], label="val_acc") plt.title("Training Loss and Accuracy")
plt.xlabel("Epoch #")
plt.ylabel("Loss/Accuracy") plt.legend(loc="lower left")
import tensorflow as tf
model2 = tf.keras.models.load_model('/content/drive/My Drive/UINAM/Penelitian/Deteksi_Sampah_2/MobileNett_25.hd f5')
converter =
tf.lite.TFLiteConverter.from_keras_model(model2)
tflmodel = converter.convert()
file = open( 'MobileNet.tflite' , 'wb' ) file.write( tflmodel )
Lampiran 4: Kode Program (Android)
/* Copyright 2019 The TensorFlow Authors. All Rights Reserved.
Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at
http://www.apache.org/licenses/LICENSE-2.0
Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and limitations under the License.
====================================================
==========================*/
package org.tensorflow.lite.examples.classification.tflite;
import android.app.Activity;
import java.io.IOException;
/** This TensorFlowLite classifier works with the float MobileNet model.
*/
public class ClassifierFloatMobileNet extends Classifier {
/** MobileNet requires additional normalization of the used input. */
private static final float IMAGE_MEAN = 127.5f;
private static final float IMAGE_STD = 127.5f;
/**
* An array to hold inference results, to be feed into Tensorflow Lite as outputs. This isn't part
* of the super class, because we need a primitive array here.
*/
private float[][] labelProbArray = null;
/**
* Initializes a {@code ClassifierFloatMobileNet}.
*
* @param activity */
public ClassifierFloatMobileNet(Activity activity, Device device, int numThreads)
throws IOException {
super(activity, device, numThreads);
labelProbArray = new float[1][getNumLabels()];
}
@Override
public int getImageSizeX() { return 224;
}
@Override
public int getImageSizeY() { return 224;
}
@Override
protected String getModelPath() { // you can download this file from
// see build.gradle for where to obtain this file. It should be auto // downloaded into assets.
return "model.tflite";
}
@Override
protected String getLabelPath() { return "labels.txt";
}
@Override
protected int getNumBytesPerChannel() { return 4; // Float.SIZE / Byte.SIZE;
}
@Override
protected void addPixelValue(int pixelValue) {
imgData.putFloat((((pixelValue >> 16) & 0xFF) - IMAGE_MEAN) / IMAGE_STD);
imgData.putFloat((((pixelValue >> 8) & 0xFF) - IMAGE_MEAN) / IMAGE_STD);
imgData.putFloat(((pixelValue & 0xFF) - IMAGE_MEAN) / IMAGE_STD);
}
@Override
protected float getProbability(int labelIndex) { return labelProbArray[0][labelIndex];
}
@Override
protected void setProbability(int labelIndex, Number value) { labelProbArray[0][labelIndex] = value.floatValue();
}
@Override
protected float getNormalizedProbability(int labelIndex) { return labelProbArray[0][labelIndex];
}
@Override
protected void runInference() { tflite.run(imgData, labelProbArray);
} }
