SURYANI, Lilis (2025) KLASIFIKASI JENIS SAMPAH MENGGUNAKAN ALGORITMA MASK R-CNN. Bachelor thesis, UNIVERSITAS PERADABAN.
![[img]](http://repository.peradaban.ac.id/style/images/fileicons/other.png) |
PDF (halaman awal)
COVER-LILIS SURYANI-42421068-SKRIPSI-2025.pdf - Published Version Download (600kB) |
![[img]](http://repository.peradaban.ac.id/style/images/fileicons/text.png) |
Text (ABSTRAK)
ABSTRACT-LILIS SURYANI-42421068-SKRIPSI-2025.docx - Published Version Download (15kB) |
|
PDF (BAB I)
BAB I 42421068-LILIS SURYANI-SKRIPSI-2025 .pdf - Published Version Restricted to Registered users only Download (240kB) |
|
PDF (BAB II)
BAB II 42421068-LILIS SURYANI-SKRIPSI-2025.pdf - Published Version Restricted to Registered users only Download (616kB) |
|
PDF (BAB III)
BAB III 42421068-LILIS SURYANI-SKRIPSI-2025.pdf - Published Version Restricted to Registered users only Download (275kB) |
|
PDF (BAB IV)
BAB IV 42421068-LILIS SURYANI-SKRIPSI-2025.pdf - Published Version Restricted to Registered users only Download (689kB) |
|
PDF (BAB V)
BAB V 42421068 LILIS SURYANI-SKRIPSI-2025.pdf - Published Version Download (201kB) |
|
PDF (DAFTAR PUSTAKA)
DAFTAR PUSTAKA-42421068-LILIS SURYANI-SKRIPSI-2025.pdf - Published Version Download (205kB) |
|
PDF (LAMPIRAN)
LAMPIRAN-42421068-LILIS SURYANI-SKRIPSI-2025.pdf - Published Version Restricted to Repository staff only Download (369kB) |
Abstract
Pengelolaan sampah merupakan salah satu isu lingkungan penting yang membutuhkan solusi inovatif berbasis teknologi. Penelitian ini mengembangkan sistem klasifikasi sampah menggunakan algoritma Mask R-CNN yang diimplementasikan melalui framework FastAPI. Dataset yang digunakan berjumlah 2.467 citra sampah yang terbagi dalam enam kelas, namun hanya 455 citra dipilih untuk pelatihan sesuai kebutuhan penelitian. Tahap pra-pemrosesan meliputi konversi citra menjadi tensor serta transformasi anotasi dari LabelMe ke format yang sesuai dengan Mask R-CNN. Model dilatih dengan parameter learning rate 0.005, momentum 0.9, dan weight decay 0.0005, serta dievaluasi menggunakan confusion matrix. Hasil pengujian menunjukkan akurasi keseluruhan sebesar 78%, dengan nilai rata-rata presisi 73%, recall 66%, dan F1-score 64%. Performa terbaik ditunjukkan pada kelas cardboard dengan presisi 83% dan recall 100%, sedangkan kelas trash memiliki performa terendah karena tidak berhasil terdeteksi oleh model. Sistem ini diimplementasikan dalam antarmuka berbasis web dengan tiga fitur utama, yaitu pemilihan model, klasifikasi citra melalui unggahan gambar, serta deteksi secara realtime menggunakan kamera. Hasil penelitian membuktikan bahwa Mask R-CNN dapat digunakan untuk klasifikasi sampah secara otomatis, meskipun peningkatan jumlah data, augmentasi lanjutan, dan eksplorasi arsitektur lain masih diperlukan untuk meningkatkan akurasi dan kestabilan model.
| Item Type: | Thesis (Bachelor) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
|||||||||
| Uncontrolled Keywords: | Mask R-CNN, FastAPI, klasifikasi sampah, deteksi realtime, deep learning. | |||||||||
| Subjects: | 000 Ilmu Komputer, Informasi dan Karya Umum > 000 Ilmu Umum; Ilmu Komputer dan Informasi > 006-Metode Komputer Tertentu > Kecerdasan Buatan;Sistem Pakar; Neural Network; Data Mining; Machine learning; Computer Vision; Pengolahan Citra | |||||||||
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Informatika - S1 | |||||||||
| Depositing User: | S.E. Khozin Khozin | |||||||||
| Date Deposited: | 04 Apr 2026 05:53 | |||||||||
| Last Modified: | 04 Apr 2026 05:53 | |||||||||
| URI: | http://repository.peradaban.ac.id/id/eprint/2387 |
Actions (login required)
 |
View Item |