Pemilahan Sampah Menggunakan Model Klasifikasi Support Vector Machine Gabungan dengan Convolutional Neural Network
Miftahuddin Fahmi1,*, Anton Yudhana2, Sunardi2
1Master Informatika, Universitas Ahmad Dahlan, Yogyakarta, Indonesia
2 Program Studi Teknik Elektro, Universitas Ahmad Dahlan, Yogyakarta, Indonesia Email: 1,*2108048015@webmail.uad.ac.id, 2eyudhana@ee.uad.ac.id, 3sunardi@mti.uad.ac.id
Email Penulis Korespondensi: 2108048015@webmail.uad.ac.id Submitted 04-01-2023; Accepted 13-02-2023; Published 17-02-2023
Abstrak
Pemilahan sampah merupakan proses vital dalam pengelolaan sampah. Permasalahan pada proses pemilahan sampah adalah manusia yang terlalu lama merasa tidak nyaman dengan bau sampah. Masalah tersebut dapat diatasi dengan membuat sistem pembelajaran mesin untuk mengidentifikasi jenis limbah. Tujuan penelitian ini adalah memecahkan permasalahan pengelolaan sampah menggunakan machine learning menggunakan model klasifikasi yang paling akurat. Jenis sampah pada penelitian ini dibatasi hanya dua jenis, yaitu organik dan anorganik. Data dikumpulkan dan direvisi dari dataset Kaggle. Data diimpor ke sistem menggunakan Python. Data dilatih dan digunakan untuk mengklasifikasikan sampah berdasarkan sumber citra. Limbah citra ditentukan jenisnya menggunakan model Support Vector Machine dengan ekstraksi ciri menggunakan convolution layer. Sistem berhasil melakukan klasifikasi sampah menggunakan model Support Vector Machine yang digabung dengan Convolutional Neural Network dengan akurasi 96,16% dan loss 7,25% pada keseluruhan kategori.
Kata Kunci: CNN; Feature Extraction; Machine Learning; SVM; Pengelolaan Sampah Abstract
Waste sorting is a vital process in waste management. The problem with the waste sorting process is that humans feel uncomfortable with the smell of garbage for too long. The problem can be solved by creating a machine learning system to identify the waste type.
The purpose of this research is to solve waste management problems using machine learning using the most accurate classificat ion model. The types of wastein this research are limited to only two types: organic and inorganic. Data was collected and revised from the Kaggle dataset. Data were imported into the system using Python. Data was trained and used for classifying the waste based on the image source. Waste images will be determined in their category using the Support Vector Machine model with feature extraction using the Convolution layer. The system successfully performs waste classification using the Support Vector Machine model combined with the Convolutional Neural Network with an accuracy of 96,16% and a loss of 7,25% on the overall category.
Keywords: CNN; Feature Extraction; Machine Learning; SVM; Waste Management
1. PENDAHULUAN
Penumpukan sampah yang tidak sesuai dengan kapasitas adalah permasalahan yang nyata [1]. Salah satu penyebab penumpukan sampah adalah proses pengelolaan sampah yang tidak sebanding kecepatannya dengan jumlah sampah yang menumpuk per-harinya [2]. Salah satu proses pengelolaan sampah yang sering menjadi kendala adalah pemilahan sampah [3]. Dari hasil wawancara dengan pengelola bank sampah Guwosari Training Center, yang menjadi kendala ketika melakukan pengelolaan sampah adalah pemilahan sampah terutama dengan sampah organik karena faktor bau.
Permasalahan ini dapat ditangani dengan mengimplementasikan mesin yang dapat memilah sampah dengan otomatis.
Mesin tidak akan menghiraukan bau sampah namun dapat dengan efektif memilah sampah. Mesin harus memiliki sistem yang mampu mengidentifikasi jenis sampah. Jenis sampah pada penelitian hanya dibatasi untuk sampah organik dan anorganik karena jenis sampah ini yang sering dijumpai di tempat pembuangan akhir [4]. Sampah organik dan anorganik dipisah oleh sistem yang diimplementasikan dalam mesin. Sistem terdiri dari kecerdasan buatan dengan model Support Machine Vector (SVM). SVM adalah model algoritma kecerdasan buatan yang dapat digunakan untuk mengklasifikasi kategori secara unsupervised maupun supervised [5][6]. Karena kategori sampah sudah terbentuk maka SVM dilakukan sebagai model supervised learning.
Banyak penelitian terdahulu yang menggunakan SVM untuk studi kasus citra sampah seperti halnya penelitian yang dilakukan oleh Leonardo [7]. Pada penelitian tersebut dijelaskan bahwa SVM memiliki kinerja yang baik untuk mengklasifikasikan jenis sampah berdasarkan citranya. Penelitian tersebut menggunakan preprocessing Local Binary Pattern (LBP). Klasifikasi yang terjadi dalam penelitian ini tidak dilakukan dengan dua kategori melainkan empat kategori yang lebih spesifik, yaitu sampah kardus, gelas, metal, dan plastik. Hasilnya dilakukan per kategori menggunakan k-fold cross validation. Untuk keseluruhan sistem pada pengkategorian secara organik atau anorganik tidak dijelaskan.
Penelitian terdahulu yang serupa berikutnya dilakukan oleh Chu [8]. Penelitian tersebut menggunakan Convolutional Neural Network (CNN) yang digabung dengan multilayer hybrid deep-learning system (MHS) pada studi kasus klasifikasi sampah berdasarkan citra sampah. Penggabungan model ini menghasilkan performa sekitar 87,7%.
Penelitian sebelumnya menunjukkan bahwa klasifikasi sampah sudah banyak dilakukan menggunakan machine learning dengan dataset berupa citra. Tujuan penelitian terdahulu maupun penelitian ini adalah untuk mengetahui model mana yang terbaik untuk mengklasifikasi sampah berdasarkan jenisnya agar pengelolaan sampah menjadi lebih efisien terhadap performa kecerdasan buatan.
2. METODOLOGI PENELITIAN
Penelitian dimulai dengan mengumpulkan data hingga evaluasi terhadap performa model yang diajukan. Peneltian dilakukan secara sistematis dan runtut berdasarkan data dan hasil sesuai dengan yang ada pada lapangan. Gambar 1 adalah bagan alur dari penelitian secara keseluruhan.
Gambar 1. Bagan alur penelitian 2.1 Dataset
Dataset diperoleh dengan mengunduh dari website Kaggle [9]. Dataset berisi data training dan validation sebanyak 25.077 data [9]. Dataset terdiri dari data berlabel dengan dua kelas yang biasa disebut kelas biner, yaitu sampah organik dan sampah anorganik. Dataset dikumpulkan oleh Sashaank Sekar [9]. Rasio data pelatihan dan data validasi yang digunakan dalam penelitian ini adalah 85% dan 15%. Data kemudian dimasukkan kedalam sistem Python. Berikut adalah contoh data citra pada setiap kategori.
Gambar 2. Salah satu citra pada dataset yang memiliki kategori organik
Gambar 3. Salah satu citra pada dataset yang memiliki kategori anorganik 2.2 Preprocessing
Dataset dimasukkan kedalam array menggunakan NumPy yang tersedia di Python. Label yang ada pada citra diubah menjadi angka sehingga sistem dapat membaca dan mengklasifikasikannya berdasarkan label berupa angka [10].
Citra menggunakan skala warna red, green, blue (RGB). Piksel citra di-resize sehingga menjadi seragam setiap citra dengan ukuran resize 64x64. Citra menggunakan skala warna RGB maka ukuran piksel tiga dimensi citra adalah 64x64x3. Ukuran ini yang nanti akan dimasukkan kedalam model SVM dengan input shape 64x64x3. Setelah itu ditambahkan beberapa normalisasi data dan L2 Regularisasi.
2.3 Implementasi Model SVM
Model SVM memiliki arsitektur yang sederhana yaitu terdapatnya hyperplane dengan fungsi sebagai pembagi antar kategori [11]. Hyperplane ditentukan dari titik tengah antar kategori ditinjau dari titik-titik kategori berbeda yang berdekatan [12]. Hyperplane ditentukan dengan perhitungan sebagai berikut.
𝑓(𝑥) = 𝑤. 𝑥 + 𝑏 (1)
atau
𝑓(𝑥) = ∑𝑚𝑖=1𝑎𝑖𝑦𝑖𝐾(𝑥, 𝑥𝑖)𝑏 (2)
𝑓(𝑥) adalah parameter hyperplane yang dicari (garis tegak lurus antara garis hyperplane dan titik support vector).
𝑥 adalah titik data masukan SVM. 𝑎𝑖 adalah nilai bobot setiap titik data. 𝑦𝑖 adalah nilai kategori atau label. 𝐾(𝑥, 𝑥𝑖) adalah fungsi kernel. 𝑏 adalah parameter hyperplane yang dicari (nilai bias). Kategori dalam penelitian bersifat biner karena hanya ada dua kategori, yaitu sampah organik dan anorganik sehingga SVM yang digunakan bersifat linear [13].
2.4 Evaluasi Model SVM
Model SVM yang terbentuk akan diuji akurasi dan loss terhadap citra sampah. Evaluasi dibagi menjadi dua jenis, yaitu evaluasi ketika dilakukan training dan diuji dengan data test. Evaluasi ketika dilakukan training dapat dianalisis melalui hasil grafik akurasi dan loss antara data training dan validasi. Untuk evaluasi akurasi data test dapat dihitung dengan perhitungan confusion matrix [14]. Berikut adalah rumus confusion matrix untuk evaluasi akurasi data test.
Accuracy = (TP+TN) / (TP+FP+FN+TN) (3)
Untuk menghitung akurasi, diperlukan variabel True Positive (TP) yang bernilaikan dari setiap data yang memiliki nilai asli positif dan mesin memprediksinya dengan benar. TP dijumlahkan dengan True Negative (TN), yaitu variabel yang memiliki nilai asli negatif dan mesin memprediksinya dengan benar. Hasil penjumlahan lalu dibagi dengan TP+FP+FN+TN dimana False Positive (FP) adalah variabel yang memiliki nilai asli positif namun mesin salah memprediksinya sedangkan False Negative (FN) adalah variabel dengan nilai asli negatif namun mesin salah memprediksinya. TP+FP+FN+TN bisa disebut juga sebagai total data yang diuji.
3. HASIL DAN PEMBAHASAN
Dataset yang diperoleh dari website Kaggle di-import kedalam Python. Normalisasi dataset dilakukan sehingga tidak ada lagi data yang tidak sesuai dengan studi kasus ataupun tidak lengkap datanya [15]. Setelah itu data di-resize agar memiliki ukuran yang seragam. Ukuran input data mentah seragam menjadi 64x64x3. Ukuran input data yang seragam akan membuat mesin lebih cepat dan efisien dalam mengklasifikasi data [16]. Dataset telah berhasil diinputkan dalam sistem dengan rasio perbandingan antara data training dan test adalah 85:15.
Pembentukan SVM dilakukan di Python menggunakan library Sklearn. Khusus untuk feature extraction menggunakan library Tensorflow untuk memanggil model CNN. Sebelum pembentukan model SVM, dilakukan data augmentasi untuk menghindari hasil data training yang overfitting terhadap data validasi [17].
Data augmentasi dilakukan dengan transformasi citra berupa shear, zoom, dan horizontal flip. Data dilakukan rescale 1/255. Perbandingan antara data training dengan validasi adalah 8:2.
Langkah selanjutnya adalah feature extraction menggunakan convolution layer. Penggunaan convolution sebagai feature extraction memiliki rumus sebagai berikut:
W2 = (W1-F + 2P) / S + 1 = H2 (4)
D2 = K (5)
K adalah jumlah filter yang digunakan. F adalah ukuran spasial dari filter (lebar/tinggi). S adalah stride atau besar pergeseran filter dalam convolution. P adalah padding, jumlah penambahan nol pada gambar. W adalah piksel lebar dan H adalah piksel tinggi.
Convolution layer akan menghasilkan barisan angka dalam setiap piksel yang menentukan seberapa penting objek yang ada pada piksel tersebut berdasarkan nilai angka yang tertera. Angka-angka itu dimasukkan ke pool layer. Pool layer yang digunakan memiliki ukuran pool bernilai 2 dan stride bernilai 2 dengan jenis max-pooling. Hal ini menunjukkan bahwa setiap deretan angka yang dihasilkan oleh convolution layer akan dicari nilai maksimalnya pada setiap 2x2 piksel, kemudian pool layer bergerak ke piksel selanjutnya sesuai dengan nilai stride 2. Hasil pool layer dijadikan dalam bentuk satu dimensi dengan fungsi flatten. Hasil dari normalisasi flatten akan dihubungkan secara utuh dalam layer yang padat dengan fungsi dense.
Setelah feature extraction terbentuk, data tersebut diklasifikasi menggunakan hyperplane berupa decision boundary dengan kategori biner yang telah disiapkan, yaitu organik dan anorganik. Hyperplane dapat dibentuk dengan menggunakan loss dengan value ‘hinge’. Secara keseluruhan proses dapat disimpulkan seperti pada Tabel 1. Tabel 1 merupakan ringkasan dari arsitektur model yang digunakan untuk mengklasifikasikan sampah.
Tabel 1. Skema SVM yang digabung dengan CNN
parameter value
#Layer pertama Conv 2D filter Conv 2D kernel
Input Shape Activation MaxPooling2D kernel MaxPooling2D Strides
32 3x3 64, 64, 3
relu 2x2 2
#Layer Kedua Conv 2D filter Conv 2D kernel
Input Shape Activation MaxPooling2D kernel MaxPooling2D Strides
32 3x3 64, 64, 3
relu 2x2 2
#Layer normalisasi Flatten
#Layer Full Connection Dense unit Activation
128 relu
#Output Layer Dense unit Kernel Regularisasi
Optimizer Loss Metrics
1 L2 Adam Hinge Accuracy
Gambar 4 dan Gambar 5 adalah grafik hasil dari data training dan validasi berdasarkan akurasi dan loss.
Gambar 4. Akurasi training dibandingkan dengan validasi
Gambar 5. Loss training dibandingkan dengan validasi
Gambar 4 dan Gambar 5 menunjukkan bahwa tidak ada permasalahan yang begitu signifikan jika dilakukan perbandingan persentase akurasi dan loss antara data training dengan data validasi. Ini menunjukkan data training tidak mengalami overfitting. Jarak terbesar antara data training dan validasi terjadi pada perulangan ke-20 dengan perbedaan persentase sekitar 4,56%. Gambar 6 menjelaskan mengenai perulangan ke-20 secara detail.
Epoch 20/30
784/784 [==============================] - 28s 36ms/step - loss: 0.1759 - accuracy: 0.9236 - val_loss:
0.2072 - val_accuracy: 0.8780
Gambar 6. Hasil perulangan ke-20
Sampai saat ini masih belum ada variabel konstan yang menunjukkan berapa selisih atau perbedaan persentase antara data training dengan validasi menunjukkan suatu data training mengalami overfitting namun 4,56% secara umum adalah persentase yang kecil untuk dikategorikan sebagai data training yang mengalami overfitting.
Hasil akurasi dan loss ketika dilakukan pengujian menggunakan data test adalah persentase akurasi bernilai 96,16% dan loss 7,25%.
67/67 [==============================] - 1s 11ms/step - loss: 0.0725 - accuracy: 0.9616 Gambar 7. Hasil pengujian menggunakan data pengujian
Seperti yang dijelaskan pada bab pendahuluan, banyak penelitian sebelumnya yang sudah membuat mesin untuk mengklasifikasikan citra sampah berdasarkan jenisnya. Ada beberapa perbedaan dengan penelitian terdahulu. Perbedaan pertama adalah dataset memiliki sumber yang berbeda. Dataset yang dipakai pada penelitian ini adalah dataset yang bersumberkan dari Kaggle [9].
Perbedaan selanjutnya adalah penelitian ini menggunakan model SVM untuk mengklasifikasikan data citra sampah namun untuk feature extraction-nya menggunakan layer yang biasa digunakan pada model CNN yaitu convolution layer. Model yang dipakai juga merupakan model gabungan yaitu SVM dengan CNN. Secara arsitektur model, hanya pada feature extraction saja menggunakan model CNN, namun dalam mengklasifikasi data menggunakan SVM karena menggunakan fungsi yang membentuk hyperplane yang berguna sebagai decision boundary dari dua kategori yang telah ditentukan sebelumnya.
Dari segi hasil dapat disimpulkan model yang lebih baik. Jika dilakukan analisis hasil performa akurasi machine learning pada keseluruhan data dapat disimpulkan bahwa SVM menggunakan CNN sebagai feature extraction-nya memiliki hasil keseluruhan performa sebesar 96,16% untuk kategori biner berupa organik dan anorganik.
4. KESIMPULAN
Model klasifikasi SVM yang digabung dengan CNN telah berhasil mencapai hasil yang diinginkan yaitu dapat mengklasifikasi sampah berdasarkan jenis yang telah ditentukan sebelumnya. Performa model SVM yang digabung dengan CNN mencapai hasil 96,16%. Jika dibandinginkan dengan penelitian terdahulu yang dijelaskan pada penelitian ini, SVM yang digabung dengan CNN lebih unggul pada tingkat keakuratan performa keseluruhan sistem daripada model klasifikasi lainnya. Saran untuk penelitian selanjutnya dapat melakukan penelitian menggunakan model, nilai parameter pada model, atau arsitektur model yang berbeda untuk mencari yang terbaik dan efektif untuk studi kasus citra sampah.
REFERENCES
[1] A. M. T. dan M. Didiharyono, “Pemanfaatan Sampah Plastik Untuk Dijadikan Bantal Yang Berkualitas Dan Bernilai Ekonomis Di Desa Tolada Kecematan Malangke Kabupaten Luwuutara,” vol. 1, no. 1, pp. 8–13, 2018.
[2] A. Kahfi, “Tinjauan Terhadap Pengelolaan Sampah,” Jurisprud. Jur. Ilmu Huk. Fak. Syariah dan Huk., vol. 4, no. 1, p. 12, 2017, doi: 10.24252/jurisprudentie.v4i1.3661.
[3] R. Setiadi, M. Nurhadi, and F. Prihantoro, “Idealisme dan Dualisme Daur Ulang Sampah di Indonesia: Studi Kasus Kota Semarang,” J. Ilmu Lingkung., vol. 18, no. 1, pp. 48–57, 2020, doi: 10.14710/jil.18.1.48-57.
[4] M. Tamyiz, L. N. Hamidah, A. Widiyanti, and A. Rahmayanti, “Pelatihan Pengelolaan Sampah Rumah Tangga Di Desa Kedungsumur, Kecamatan Krembung, Kabupaten Sidoarjo,” J. Sci. Soc. Dev., vol. 1, no. 1, pp. 16–23, 2018.
[5] B. Wang, J. Sui, B. Yu, C. Yuan, L. Guo, and A. M. A. El-aty, “ur na l P of,” Carbohydr. Polym., p. 117314, 2020, [Online].
Available: https://doi.org/10.1016/j.carbpol.2020.117314.
[6] Y. Wang, D. Wang, and Y. Tang, “Clustered hybrid wind power prediction model based on ARMA, PSO-SVM, and clustering methods,” IEEE Access, vol. 8, pp. 17071–17079, 2020, doi: 10.1109/ACCESS.2020.2968390.
[7] L. Leonardo, Y. Yohannes, and E. Hartati, “Klasifikasi Sampah Daur Ulang Menggunakan Support Vector Machine Dengan Fitur Local Binary Pattern,” J. Algoritm., vol. 1, no. 1, pp. 78–90, 2020, doi: 10.35957/algoritme.v1i1.440.
[8] Y. Chu, C. Huang, X. Xie, B. Tan, S. Kamal, and X. Xiong, “Multilayer hybrid deep-learning method for waste classification and recycling,” Comput. Intell. Neurosci., vol. 2018, 2018, doi: 10.1155/2018/5060857.
[9] S. Sekar, “Waste Classification data,” 2019. https://www.kaggle.com/datasets/techsash/waste-classification-data (accessed Mar.
21, 2022).
[10] W. R. U. Fadilah, W. A. Kusuma, A. E. Minarno, and Y. Munarko, “Classification of Human Activity Recognition Utilizing Smartphone Data of CNN-LSTM,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 4, no.
2020, 2021, doi: 10.22219/kinetik.v6i2.1319.
[11] A. S. Ritonga and E. S. Purwaningsih, “Penerapan Metode Support Vector Machine ( SVM ) Dalam Klasifikasi Kualitas Pengelasan Smaw ( Shield Metal Arc Welding ),” Ilm. Edutic, vol. 5, no. 1, pp. 17–25, 2018.
[12] A. Peryanto, A. Yudhana, and R. Umar, “Convolutional Neural Network and Support Vector Machine in Classification of Flower Images,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 8, no. 1, pp. 1–7, 2022, doi: 10.23917/khif.v8i1.15531.
[13] V. K. Chauhan, K. Dahiya, and A. Sharma, “Problem formulations and solvers in linear SVM: a review,” Artif. Intell. Rev., vol.
52, no. 2, pp. 803–855, 2019, doi: 10.1007/s10462-018-9614-6.
[14] R. I. Kurnia, “Classification of User Comment Using Word2vec and SVM Classifier,” Int. J. Adv. Trends Comput. Sci. Eng., vol.
9, no. 1, pp. 643–648, 2020, doi: 10.30534/ijatcse/2020/90912020.
[15] D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.
[16] C. F. Sabottke and B. M. Spieler, “The effect of image resolution on deep learning in radiography,” Radiol. Artif. Intell., vol. 2, no. 1, 2020, doi: 10.1148/ryai.2019190015.
[17] B. Ghojogh and M. Crowley, “The Theory Behind Overfitting, Cross Validation, Regularization, Bagging, and Boosting:
Tutorial,” pp. 1–23, 2019, [Online]. Available: http://arxiv.org/abs/1905.12787.
