Implementasi Sistem Klasifikasi Sampah Organik dan Anorganik dengan Metode Jaringan Saraf Tiruan Backpropagation
Vol. 2, No. 11, November 2018, hlm. 5577-5586 http://j-ptiik.ub.ac.id
Implementasi Sistem Klasifikasi Sampah Organik dan Anorganik dengan
Metode Jaringan Saraf Tiruan Backpropagation
1 23 Fungki Pandu Fantara , Dahnial Syauqy , Gembong Edhi Setyawan
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: fungkipandu@yahoo.com, dahnial87@ub.ac.id, gembong@ub.ac.id
Abstrak
Sampah organik dan anorganik memiliki lama penguraian yang berbeda. Sampah organik memiliki waktu penguraian yang lebih cepat dibandingkan dengan sampah anorganik. Oleh sebab itu sampah organik dan anorganik memiliki cara penanganan daur ulang yang berbeda pula. Pemilahan sampah sebelum ditampung ke Tempat Pembuangan Akhir (TPA) sangat penting untuk mengurangi jumlah penimbunan sampah yang terus meningkat setiap tahunnya. Penelitian ini meneliti tentang implementasi sistem klasifikasi sampah organik dan anorganik dengan menggunakan metode backpropagation. Arsitektur jaringan saraf tiruan yang diterapkan yaitu 3 unit neuron pada lapis masukan, 1 lapis tersembunyi yang mempunyai 4 unit neuron, serta 1 unit pada lapis keluaran. Pelatihan data tidak dilakukan pada sistem yang dibangun namun pada sistem tambahan untuk mencari bobot, sehingga sistem yang dibangun hanya melakukan prediksi data secara langsung dari pembacaan sensor. Berdasarkan penelitian ini, sistem dapat dibangun menggunakan 3 buah sensor yang digunakan sebagai data masukan yaitu sensor Light Dependent Resistor (LDR), proximity induktif, dan proximity kapasitif dan sebuah keluaran berupa servo yang dapat membuka tutup tempat sampah secara otomatis berdasarkan hasil klasifikasi yang dilakukan oleh sistem. Sistem memiliki akurasi 90% dengan kinerja setiap melakukan prediksi membutuhkan waktu rata-rata 42,9ms.
Kata kunci: klasifikasi, jaringan saraf tiruan, backpropagation, sampah
Abstract
Organic and inorganic waste have different decomposition time. Organic waste has longer
decomposition time than inorganic waste. So, organic and inorganic waste have a different ways of
handling recycling. Sorting garbage before being accommodated to landfills (TPA) is very important to
reduce the amount of garbage dump that keeps increasing every year. This research examines the
implementation of classification system of organic and inorganic waste by using artificial neural
network method backpropagation. Artificial neural network architecture applied is 3 neurons in the
input layer, 1 layer hidden with 4 neurons, and 1 neurons on the output layer. Data training is not
performed on built systems but on additional systems to search for weights, so the built system only
predicts data directly from sensor readings. Based on this research, the system can be built using 3
sensors which are used as input data, they are: Light Dependent Resistor (LDR), inductive proximity,
and capacitive proximity and a servo output which can open the lid automatically based on the
classification result done by system. The system has 90% accuracy with the performance of each
prediction takes 42.9ms average time.Keywords: classification, neural network, backpropagation, waste
berasal dari makhluk hidup merupakan sampah 1.
PENDAHULUAN organik. Sampah organik mudah membusuk atau terurai hanya dalam waktu kuang dari 6 bulan.
Sisa-sisa dari proses produksi baik Sampah yang berasal dari sumber daya yang industri ataupun rumah tangga yang sudah tidak tidak dapat diperbaharui adalah sampah terpakai tersebut biasa kita sebut sebagai anorganik. Sampah ini memiliki ciri sulit terurai sampah, dimana pada umumnya di Indonesia sehingga butuh waktu hingga puluhan tahun agar dikelompokkan menjadi 2 jenis, yaitu sampah dapat terurai dengan tanah. Di Indonesia jumlah anorganik dan sampah organik. Sampah yang sampah yang dihasilkan dapat mencapai sekitar
Fakultas Ilmu Komputer Universitas Brawijaya
5577
11,330 ton/hari. Jika jumlah penduduk Indonesia di desa mencapai 128,5 juta jiwa dan di kota mencapai 126,3 juta jiwa, maka rata-rata setiap orang menghasilkan sampah sekitar 0,05 kg setiap harinya (Badan Pusat Statistik 2017).
Sampah organik dan anorganik pada umumnya akan diangkut dan ditimbun pada Tempat Pembuangan Akhir (TPA). Jumlah sampah yang ditimbun pada TPA dapat diminimalkan dengan melakukan daur ulang. Sampah yang didaur ulang dapat mengubah barang yang sebelumnya tidak dapat digunakan menjadi memiliki nilai guna kembali. Daur ulang untuk sampah organik dan anorganik memiliki proses yang berbeda-beda, sehingga perlu adanya pemilahan sebelum dilakukan daur ulang. Pemilahan sampah yang dilakukan di TPA akan lebih sulit dilakukan dibandingkan dengan melakukan pemilahan sebuah tempat sampah. Selama ini tempat sampah yang tersedia hanya berupa tempat sampah dengan pemilahan yang dilakukan oleh masyarakat secara manual. Seperti yang diketahui bahwa saat ini masih banyak dari masyarakat yang tidak mengerti akan perbedaan jenis sampah hendak dibuangnya, sehingga meskipun telah disediakan tempat sampah dengan jenis organik dan anorganik, namun masyarakat tetap membuang sampah di tempat dengan jenis yang tak sesuai. Hal tersebut tentu akan sangat merepotkan dalam upaya pemilahan sampah di tempat sampah dimana sebagai tempat pertama sampah berkumpul. Oleh sebab perlunya sebuah alat yang dapat membantu masyarakat dalam membedakan jenis sampah sebelum memasukkannya ke tempat sampah dengan metode yang klasifikasi yang akurat.
Pada penelitian sebelumnya yang pernah dilakukan oleh Oladapo (2016), yang membahas tentang pemilahan beberapa jenis benda menggunakan sensor proximity. Penelitian tersebut berhasil memisahkan beberapa jenis benda seperti kayu, logam, dan plastik ke tempat yang terpisah. Penelitian tersebut masih berfokus pada skala industri. Kemudian penelitian selanjutnya dilakukan oleh Nuraini (2017) yang meneliti mengenai implementasi dan pengujian klasifikasi sampah rumah tangga dengan menggunakan metode Naive Bayes. Penelitian tersebut berhasil menunjukkan bahwa sistem yang dibangun dapat membedakan sampah yang berjenis organik dan anorganik dengan akurasi berkisar antara 87,50-95,00%. Namun sistem yang diterapkan masih memerlukan sambungan secara serial dengan sebuah komputer untuk menjalankan proses klasifikasinya. Penelitian lainnya dilakukan oleh Prasetya (2017) yang melakukan penelitian mengenai cara melakukan prediksi menggunakan metode jaringan saraf tiruan
backpropagation. Penelitian tersebut berhasil
melakukan prediksi dengan
error
yang dihasilkan hanya mencapai 10,93%. Penelitian tersebut dilakukan dengan memasukkan data secara manual dan komputasinya dilakukan pada komputer dengan bantuan aplikasi MATLAB. Berdasarkan semua latar belakang yang telah dikemukakan di atas, peneliti akan melakukan penelitian terkait implementasi dan perancangan sistem yang dapat melakukan klasifikasi jenis sampah organik dan anorganik menggunakan metode jaringan saraf tiruan backpropagation.
2. JARINGAN SARAF TIRUAN BACKPROPAGATION
Gambar 1. Arsitektur Jaringan Saraf Tiruan (Mulyanto, Suhartono dan Sutojo 2011) Backpropagation adalah suatu model
jaringan saraf tiruan yang memiliki topologi multi-lapis (multilayer) yang terdiri dari satu lapisan masukan (input layer), satu atau lebih lapisan tersembunyi (hidden layer), serta satu lapisan keluaran (output layer). Setiap lapis pada jaringan memiliki unit-unit neuron atau node yang biasanya dimodelkan dengan bentuk lingkaran. Setiap neuron pada satu lapisan dengan neuron pada lapisan berikutnya saling dihubungkan dan setiap sambungannya memiliki bobot (weights) dan bias. Lapisan tersembunyi dapat memiliki bias, yang mana merupakan bobot yang bernilai satu.
Backpropagation mampu melatih jaringan
hingga dapat mengenali pola pada saat pelatihan dan mampu memberikan respons yang benar terhadap masukan yang serupa (tidak sama) dengan pola yang ada pada data latih
(Puspitaningrum 2006). Terdapat 3 fase yang harus dilalui pada saat pelatihan, yaitu fase propagasi maju (feed forward), propagasi mundur (backpropagation), dan fase perubahan bobot. Berikut merupakan algoritme dari
Hitung semua perubahan bobot Perubahan bobot yang menuju unit keluaran:
(k=1,2,...,m ; j = 0,1,2,...,p) 7. Hitung faktor δ pada unit tersembunyi berdasarkan kesalahan pada unit tersembunyi z j
_ = ∑ =1 (7)
Faktor δ unit tersembunyi :
= ∙ ′
( _ ) = _ ∙ (1 − ) (8)
Hitung suku perubahan bobot (yang akan dipakai nanti untuk mengubah bobot )
∆ = (9)
(j = 1,2,...,p; i = 0,1,2,...,n)
FASE 3: Perubahan bobot 8.
( ) = ( ) + ∆ (10)
Kemudian hitung koreksi bobot (yang akan digunakan untuk memperbaiki bobot baru)
(k=1,2,...,m ; j = 0,1,2,...,p) Perubahan bobot yang menuju ke unit tersembunyi :
( ) = ( ) + ∆ (11)
(j = 1,2,...,p; i = 0,1,2,...,n) Uji kondisi berhenti, jika sudah mencapai batas kesalahan yang diharapkan atau batas iterasi maksimal.
3. PERANCANGAN DAN
IMPLEMENTASI
Pada tahap ini menjelaskan mengenai proses perancangan dan implementasi sistem secara terperinci baik perancangan dan implementasi dari sisi perangkat keras maupun dari sisi perangkat lunak.
3.1. Perancangan Perangkat Keras
Sensor proximity kapasitif CR18-8DP,
proximity induktif Lj12a3-4-Z, dan Light Dependent Resistor (LDR) merupakan masukan
∆ = (6)
( _ ) = ( − ) ∙ (1 − ) (5)
backpropagation (Mulyanto, Suhartono dan
1 1+ − _
Sutojo 2011): 1.
Inisialisasi epoch, jumlah unit pada lapisan masukan, tersembunyi, serta lapisan keluaran, inisialisasi learning rate , inisialisasi semua bobot dengan bilangan acak kecil.
2. Jika kondisi penghentian belum terpenuhi, lakukan langkah 3-8.
FASE 1: Propagasi maju (Feed Forward) 3.
Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya 4. Menghitung hasil pada unit tersembunyi z j
(j=1,2,..,p)
_ = + ∑ =1 (1)
Menghitung aktifasi dengan fungsi sigmoid:
= ( _ ) =
(2)
= ( − ) ∙ ′
Keluaran dari fungsi aktifasi tersebut dikirim ke semua unit lapisan tersembunyi.
5. Menghitung hasil pada unit keluaran y k (k=1,2,..,m).
_ = + ∑ =1
(3)
Hitung sinyal keluaran menggunakan fungsi aktifasi sigmoid:
= ( _ ) =
1 1+ − _ (4)
FASE 2: Propagasi mundur (Backpropagation) 6.
Setiap unit keluaran (k=1,2,...,p), menerima target pola yang berhubungan dengan pola masukan pelatihan, hitung informasi kesalahannya (error):
dari sistem yang akan dibaca oleh Mikrokontroler Arduino Uno melalui pin analog. Sensor proximity induktif tidak dapat berjalan dengan stabil pada tegangan 5V sehingga membutuhkan sebuah modul step up untuk meningkatkan tegangan 5V dari Arduino. Sedangkan switch dapat dijadikan sebagai masukan digital sehingga dihubungkan dengan pin digital pada Arduino. Servo menjadi keluaran dari sistem, servo hanya dapat dikendalikan dengan PWM sehingga dihubungkan pada pin tertentu di Arduino yang mendukung PWM. Diagram blok sistem ditunjukkan oleh Gambar 2. Komponen pada diagram blok tersebut dirangkai berdasarkan
skema rangkaian pada Gambar 3 dan juga hendak membuang sampah, maka objek sampah disusun sesuai dengan desain pada Gambar 4. harus di baca oleh sensor dari bagian atas kubus tersebut, setelah objek yang hendak dibuang tersebut diletakkan di area sensor, maka pengguna harus menekan switch untuk menjalankan sistem dan sistem akan melakukan klasifikasi dengan metode jaringan saraf tiruan dan hasilnya akan membuat servo berputar membuka tutup tempat sampah tersebut, jika sistem memprediksi bahwa sampah tersebut adalah sampah anorganik maka servo akan berputar 90 derajat dari kondisi tertutup searah jarum jam seperti pada Gambar 5(b), sedangkan
Gambar 2. Diagram blok sistem
jika sistem memprediksi organik maka servo akan berputar 90 derajat berlawanan arah jarum jam seperti pada Gambar 5(c). Setelah membuka tutupnya, sistem akan menunggu pengguna menekan tombol switch kembali sehingga switch berada dalam keadaan nonaktif, hal ini bertujuan untuk memastikan bahwa pengguna telah memasukkan sampahnya ke dalam sisi tempat sampah yang terbuka. Setelah itu barulah sistem akan menutup tempat sampah tersebut.
3.2. Perancangan Perangkat Lunak
Diagram alir pada Gambar 6 merupakan alur
Gambar 3. Skema rangkaian sistem
kerja dari program pada Arduino. Saat program dimulai, program akan melakukan inisialisasi serial, pin, servo, serta bobot yang didapat dari hasil inisialisasi. Kemudian sistem akan menunggu hingga switch disambungkan. Jika
switch tersambung, sistem akan mengakuisisi
data dari sensor, dan melakukan prediksi dengan metode jaringan saraf tiruan backpropagation berdasarkan bobot yang diperoleh dari hasil pelatihan. Prediksi dilakukan dengan
Gambar 4. Ilustrasi desain sistem
menggunakan rumus feed forward fase 1 pada langkah backpropagation . Jika sistem memprediksi sampah organik, maka program akan memutar piringan servo hingga 90 derajat berlawanan arah jarum jam. Namun jika sistem memprediksi anorganik, maka program akan memutar piringan servo hingga 90 derajat searah arah jarum jam. Setelah membuka tutupnya, sistem akan kembali membaca switch hingga dinonaktifkan oleh pengguna dan sistem akan menutup tempat sampah tersebut.
Gambar 5. Ilustrasi kerja sistem
Gambar 5 menjelaskan bagaimana tindakan sistem setelah mendapatkan hasil prediksi berdasarkan sampah yang terdeteksi. Kondisi awal dari tutup tersebut yaitu tertutup seperti pada Gambar 5(a). Ketika ada pengguna yang
Gambar 6. Diagram alir sistem
Diagram alir pada Gambar 7 menjelaskan alur program yang diterapkan pada komputer. Program ini tidak diterapkan pada sistem alat, dan berjalan terpisah pada perangkat komputer. Program ini dibutuhkan untuk melakukan pelatihan data dan memperoleh bobot dari hasil pelatihan. Ketika program dimulai, program akan melakukan inisialisasi epoch, learning rate serta jumlah neuron pada lapis masukan, lapis tersembunyi dan lapis keluaran, serta sistem akan mengambil data latih yang tersimpan pada basis data MySQL. Setelah data latih diambil, data latih tersebut kemudian diskalakan hingga memiliki rentang nilai 0 hingga 1 dengan memanggil fungsi scale_dataset. Setelah diskalakan, program akan membangun arsitektur jaringan saraf tiruan serta melakukan inisialisasi bobot dan bias secara acak dengan memanggil fungsi Network. Setelah arsitektur dibangun, program akan melakukan pelatihan
backpropagation dengan memanggil fungsi
Training. Setelah fungsi Training selesai dijalankan, bobot hasil pelatihan akan ditampilkan pada jendela terminal.
Gambar 7. Diagram alir pelatihan
3.3. Perancangan Jaringan Saraf Tiruan
Pada penelitian ini memiliki 3 buah parameter yang dapat digunakan untuk dapat melakukan klasifikasi berdasarkan sifat kedua jenis sampah tersebut, di antaranya kandungan air di dalamnya, tingkat transparansi, serta kandungan logam. Oleh karena sistem ini memiliki 3 parameter masukan, maka pada lapis masukan menggunakan 3 unit neuron yang disimbolkan dengan huruf X. Pada penelitian ini, sistem diharapkan mampu membedakan 2 jenis sampah, yakni sampah organik dan sampah anorganik. Maka dapat disimpulkan bahwa hanya ada 2 jenis kelas pada fitur jenis sampah, sehingga membutuhkan 2 unit neuron pada lapis keluaran yang mana setiap neuron merepresentasikan jenis sampah organik dan anorganik yang disimbolkan dengan huruf Y. Sedangkan untuk menentukan jumlah lapisan tersembunyi yang disimbolkan dengan huruf Z, peneliti menggunakan arsitektur sederhana yang hanya menggunakan 1 lapis tersembunyi, hal tersebut dipilih berdasarkan performansi dan jumlah memori yang dibutuhkan pada saat prediksi yang dilakukan pada perangkat Arduino dimana semakin banyak jumlah lapisan dan/atau jumlah unit neuron maka akan membutuhkan memori yang semakin besar dan jumlah clock
3.4. Implementasi Prototipe Alat
yang dibutuhkan untuk menyelesaikan prediksi Prototipe alat yang digunakan mengacu pada juga semakin banyak, mengingat bahwa Arduino perancangan perangkat keras poin 4.1. Bagian memiliki keterbatasan pada banyaknya clock dan luar perangkat utama yang berbentuk balok memori yang diperlukan. Untuk mendapatkan dibangun menggunakan karton tebal menjadi akurasi yang lebih maksimal maka akan terdapat 3 berukuran 14 x 13 x 12 cm seperti ditunjukkan pengubahan yang dilakukan pada saat pelatihan pada Gambar 9. data, yaitu nilai epoch, learning rate (tingkat pembelajaran), serta jumlah neuron dalam lapisan tersembunyi untuk mendapatkan tingkat kesalahan terkecil.
Data latih dikumpulkan dari beberapa benda organik dan anorganik secara acak. Data setiap benda akan dideteksi oleh sensor LDR,
proximity induktif, dan proximity kapasitif
dicatat dan disimpan ke basis data MySQL. Pada penelitian ini, peneliti berhasil mengumpulkan 104 data dengan perbandingan 50:50.
Gambar 9. Implementasi desain sistem
Sedangkan semua rangkaian yang telah tersambung berada di dalam yang digambarkan pada Gambar 10.
Gambar 8. Arsitektur jaringan saraf tiruan yang digunakan
Dengan menggunakan data latih yang telah
Gambar 10. Implementasi sistem
dikumpulkan, peneliti melakukan percobaan dengan menggunakan 3 hingga 5 neuron dalam
3.5. Implementasi Perangkat Lunak pada
lapisan tersembunyi, nilai epoch: 1000, 5000,
Mikrokontroler
10000, dan 50000, serta beberapa nilai learning
rate : 0,75, 0,5, 0,25, 0,1 dan 0,05. Setelah
percobaan tersebut dilakukan, maka akan didapat kombinasi dengan tingkat kesalah terkecil yang didapat pada saat pelatihan. Perhitungan kesalahan tersebut diperoleh melalui persamaan (12).
2 (12) ℇ = ∑ ( − ̂ )
Berdasarkan percobaan tersebut, diketahui bahwa kombinasi 4 neuron pada lapis tersembunyi, dengan learning rate 0,5 dan epoch 50000 memiliki tingkat kesalahan yang terkecil yaitu 3,266. Sehingga arsitektur yang digunakan
Gambar 11. Implementasi perangkat lunak pada seperti pada Gambar 8. mikrokontroler sistem Pada implementasi ini menggunakan
Percobaan Hasil Objek Transparansi ke- Sensor
PlatformIO IDE untuk membangun program pada mikrokontroler Arduino Uno dengan
Kantong menggunakan bahasa pemrograman C++. 5 plastik Ya 218 kuning
Program Arduino ini dibangun berdasarkan diagram alir yang sebelumnya tunjukkan oleh
Botol
Gambar 6. Implementasi tersebut menggunakan
6 tupperware Ya 142 hitam
PlatformIO IDE ditunjukkan pada Gambar 11.
Selembar
7 Ya 413 kertas HVS
3.6. Implementasi Perangkat Lunak untuk Pelatihan
Kain lap
8 Tidak
68 tangan
Program untuk pelatihan hanya
Akrilik
diimplementasikan pada sistem tambahan
9 Tidak
14 hitam
berupa perangkat komputer, tahap ini dibutuhkan untuk mencari bobot yang
10 Tahu Tidak
12
diperlukan untuk melakukan prediksi. Program
11 Timun Tidak
13
diimplementasikan pada sistem komputer yang
12 Spidol Tidak
8
sudah terpasang Python 3.6 dan ditulis pada aplikasi PyCharm. Implementasi tersebut
13 Pensil Tidak
14 terlihat pada Gambar 12.
14 Stapler Tidak
13
15 Tisu Ya 197
16 Gunting Tidak
9 Berdasarkan Tabel 1, terlihat bahwa sensor
LDR dapat mendeteksi transparansi benda, pada benda yang tidak transparan maka hasil sensor akan menghasilkan nilai yang kecil, semakin tinggi tingkat transparansi benda tersebut maka akan semakin tinggi juga nilai hasil pembacaan yang dilakukan oleh sensor LDR.
4.2. Pengujian Fungsional Sensor Proximity Gambar 12. Implementasi perangkat lunak untuk
Induktif pelatihan
Pengujian ini berfungsi untuk mengetahui 4.
PENGUJIAN DAN HASIL
fungsionalitas sensor proximity induktif yang digunakan dengan melihat respons dan akurasi
4.1. Pengujian Fungsional Sensor LDR berdasarkan nilai yang dihasilkan.
Pengujian ini bertujuan untuk mengetahui
Tabel 2. Hasil pembacaan sensor proximity induktif
fungsionalitas dari sensor LDR dalam mendeteksi tingkat transparansi suatu objek.
Percobaan Mengandung Hasil Objek ke- logam Sensor Tabel 1. Hasil pembacaan sensor LDR
1 Tahu Tidak 1023 Percobaan Hasil Objek Transparansi
2 Pensil Tidak 1023 ke- Sensor
Plastik
3 Gunting Ya
2
1 Ya 787 bening Pita perekat
4 Tidak 1023 hitam Plastik obat
2 Ya 864 (bening)
5 Kertas HVS Tidak 1023
3 Gelas kaca Ya 880
6 Stapler Ya Kantong Gunting 4 plastik Ya 364
7 Ya
2 kuku putih terdeteksi dan logam yang tidak mengandung air
Percobaan Mengandung Hasil Objek ke- logam Sensor pun masih dapat terdeteksi oleh sensor ini.
Spidol
8 Tidak 1023 Tabel 3. Hasil pembacaan sensor proximity kapasitif papan tulis Percobaan Mengandung Hasil
Baterai Objek
9 Ya
ke- Air Sensor Kotak
1 Tahu goreng Ya 1020 Botol
10 Tidak 1023
tupperware Pensil kayu
2 Ya 1020
2B
Pada Tabel 2 terlihat bagaimana pola kerja
3 Pulpen Tidak
sensor proximity induktif. Ketika sensor
4 Roti tawar Ya 1019
mendeteksi adanya kandungan logam pada sampah tersebut, maka sensor akan
5 Stapler Tidak 1021
mendeteksinya dengan menghasilkan nilai yang
Botol
6 Tidak
mendekati nilai 0, sedangkan ketika sampah
tupperware
tersebut tidak mengandung logam, maka sensor
Selembar
tidak dapat mendeteksinya dan menghasilkan
7 Ya kertas
nilai berkisar seperti kondisi awal yaitu 1023.
Kantong
8 Tidak plastik
4.3. Pengujian Fungsional Sensor Proximity Kapasitif
9 Gunting Tidak 1020
10 Timun Ya 1020
Pengujian ini berfungsi untuk mengetahui fungsionalitas sensor proximity kapasitif yang digunakan dengan melihat respons dan akurasi
4.4. Pengujian Kinerja Sistem
berdasarkan nilai yang dihasilkan. Berdasarkan Pengujian ini bertujuan untuk mengetahui hasil pengujian yang ditunjukkan pada Tabel 3, tingkat akurasi prediksi yang dilakukan oleh benda akan terdeteksi jika memiliki kapasitans sistem dengan menggunakan algoritme jaringan yang tinggi dari yang dapat dibaca oleh sensor. saraf tiruan backpropagation. Data masukan
Jika benda yang dideteksi memiliki kandungan sistem diperoleh dari hasil pembacaan sensor air maka hasil pembacaan dari sensor akan secara langsung. Pengujian dilakukan sebanyak bernilai tinggi mendekati jangkauan maksimal 10 kali. pada sensor. Sampah yang lembap akan
Tabel 4. Hasil uji kesesuaian sistem
Percobaan Fitur Fitur Fitur Kelas Sampah Kelas Asli Kesesuaian ke-1
2
3 Prediksi
1 Roti Tawar 267 1023 1021 Organik Organik Sesuai
2 Tahu Goreng 146 1023 1020 Organik Organik Sesuai
3 Mentimun 324 1023 1020 Organik Organik Sesuai
4 Kertas HVS 376 1023
27 Organik Organik Sesuai
5 Tisu 365 1023
30 Organik Organik Sesuai
6 Baterai Kotak
85 2 1018 Anorganik Anorganik Sesuai
7 Botol Aqua 832 1023
39 Organik Anorganik Tidak Sesuai
8 Gunting kuku 427 15 1020 Anorganik Anorganik Sesuai
9 Stapler 189 1 1019 Anorganik Anorganik Sesuai
10 Stella
55
2
9 Anorganik Anorganik Sesuai Berdasarkan hasil pengujian yang
Error
0.75
0.5
0.25 \ LRate
ditunjukkan pada Tabel 4, dibuat matriks konfusi untuk menghitung kinerja sistem klasifikasi.
3m 1m 2m
4 Tabel 5 merupakan matriks konfusi berdasarkan 46,518105s 52,714855s 14,805599s
hasil percobaan pada Tabel 4.
6m 4m 4m 3,5
Tabel 5. Analisis hasil pada matriks konfusi 19,74596s 55,188083s 34,218623s
kelas prediksi (j)Berdasarkan hasil pengujian yang
f ij Anorganik Organik ditunjukkan pada Tabel 6, dapat disimpulkan
bahwa durasi sistem dalam melakukan pelatihan
Anorganik
4
1 kelas asli (i) tidak begitu dipengaruhi oleh nilai learning rate Organik
5 namun lebih tingkat kesalahan yang diraih.
Semakin kecil tingkat kesalahan yang dicapai Berdasarkan matriks konfusi tersebut dapat maka durasi waktu yang diperlukan juga akan diketahui akurasi sistem menggunakan semakin lama. Lebih jelasnya data tersebut persamaan (13). disajikan berupa diagram garis seperti pada Gambar 13.
- 00
11 (13) =
00
01
10
11 2000
)
Sehingga dapat dihitung akurasi
ik 1500 et berdasarkan Tabel 5. (d
1000 4 + 5
9 an
= ih
500 4 + 1 + 0 + 5 = 10 = 0,9 at el
Maka akurasi yang didapatkan berdasarkan
p i
perhitungan di atas yaitu 0,9 atau dalam
5 4,5 4 3,5
3 ras u
persentasenya yaitu 90% Error
D
0.75
0.5
0.25
4.5. Pengujian durasi pelatihan
Gambar 13. Diagram analisis pengujian durasi
Pada pengujian ini, peneliti akan menguji
pelatihan data
durasi yang diperlukan pada saat melakukan pelatihan data hingga mencapai tingkat kesalah
4.6. Pengujian durasi prediksi
tertentu. Pelatihan data berupa program Python dijalankan pada komputer seperti yang Pengujian ini bertujuan untuk mengetahui dijelaskan sebelumnya pada analisis kebutuhan. durasi yang diperlukan oleh mikrokontroler pada
Pelatihan yang digunakan menggunakan 104 sistem untuk memprediksi satu jenis sampah data latih, 3 neuron pada lapis masukan, 4 menggunakan jaringan saraf tiruan. neuron pada lapis tersembunyi dan 2 neuron
Tabel 7. Pengujian durasi prediksi
pada lapis keluaran. Pada pengujian ini peneliti mencoba untuk mengubah-ubah nilai variabel
Percobaan Kelas Durasi Objek ke- Prediksi (ms)
pada tingkat pembelajaran (learning rate) dan dijalankan hingga mencapai tingkat kesalah
1 Pulpen Anorganik
43
maksimum yang sudah ditentukan. Tingkat
Pensil kayu
pembelajaran yang akan diuji yaitu 0,75, 0,5 dan
2 Organik
43
2B
0,25. Dengan tingkat kesalahan maksimum yang diuji yaitu 5, 4,5, 4, 3,5 dan 3.
3 Kertas Organik
42 Tabel 6. Pengujian durasi pelatihan
4 Roti tawar Organik
43
5 Stapler Anorganik
43 Error
0.75
0.5
0.25 \ LRate Botol
6 Anorganik
43 tupperware
1m 0m 1m
5 3,812423s 51,281829s 31,719278s
7 Spidol Anorganik
43 1m 1m 1m 4,5
Kantong 27,79647s 39,128284s 41,256878s
8 Anorganik
43 plastik
2015-dialog-penanganan-sampah-
Percobaan Kelas Durasi Objek ke- Prediksi (ms) plastik/.
Mulyanto, Edy, Vincent Suhartono, dan T
9 Gunting Anorganik
43 Sutojo. 2011. Kecerdasan Buatan.
10 Timun Organik
43 Yogyakarta: ANDI.
Nuraini, Novia Ulfa. 2017. “Perancangan Dan Berdasarkan hasil pengujian yang
Implementasi Sistem Klasifikasi Jenis ditampilkan pada Tabel 7, dapat diperoleh hasil Sampah Rumah Tangga Dengan rata-rata durasi menggunakan persamaan (14). Menggunakan Metode Naïve Bayes.”
1 Repositori Jurnal Mahasiswa PTIIK UB
(14) ∑ ̅ = =1 Vol. 9 No. 3.
Menggunakan persamaan tersebut dapat Oladapo, Bankole I. 2016. “Model design and diketahui rata-rata durasi. Dimana simulation of automatic sorting machine
̅ adalah rata- rata durasi, adalah durasi prediksi ke-i (dalam using proximity sensor.” Science Direct milisekon) dan n adalah jumlah seluruh data 1452-1456. yaitu 10 data. Berikut perhitungannya :
Prasetya, Rendi. 2017. “Implemetasi Jaringan Syaraf Tiruan Backpropagation Untuk
1 ̅ =
Memprediksi Ketinggian Air (Studi
10 (43 + 43 + 42 + 43 + 43 + 43 + 43 + 43
Kasus: Sungai Ciliwung).” Jurnal
- 43 + 43) String Vol. 1 No.3.
429
Puspitaningrum, Diah. 2006. Pengantar
̅ = 10 = 42,9 Jaringan Syaraf Tiruan. Yogyakarta:
Berdasarkan hasil perhitungan tersebut, Andi. dapat disimpulkan bahwa sistem dapat melakukan prediksi dengan sangat cepat karena hanya membutuhkan waktu rata-rata 42,9ms.
5. KESIMPULAN
Berdasarkan hasil dari perancangan, implementasi, pengujian dan analisis yang telah dilakukan, maka dapat disimpulkan bahwa pada penelitian ini telah berhasil dibangun sebuah sistem yang mampu melakukan klasifikasi sampah organik dan anorganik dengan menggunakan metode jaringan saraf tiruan. Sistem dapat membedakan jenis sampah berdasarkan data sensor LDR, proximity induktif, serta proximity kapasitif dengan menggunakan algoritme jaringan saraf tiruan
backpropagataion . Sistem mampu melakukan
prediksi dengan tingkat keakuratan mencapai 90%. Setiap prediksi yang dilakukan oleh sistem hanya membutuhkan waktu rata-rata 42,9ms.
6. DAFTAR PUSTAKA
Badan Pusat Statistik. 2017. “Proyeksi Penduduk Indonesia Berdasarkan Hasil Sensus Penduduk 2010.” 5 April. https://bps.go.id/. Kementerian Lingkungan Hidup dan Kehutanan.
2015. “Rangkaian HLH 2015 – Dialog Penanganan Sampah Plastik.” Kementrian Lingkungan Hidup. http://www.menlh.go.id/rangkaian-hlh-