DETEKSI SAMPAH PLASTIK BERUKURAN KECIL MENGGUNAKAN ARSITEKTUR FASTER R-CNN

Yanti, Imelia Okta Rama (2026) DETEKSI SAMPAH PLASTIK BERUKURAN KECIL MENGGUNAKAN ARSITEKTUR FASTER R-CNN. Skripsi (Bachelor) thesis, Universitas Muhammadiyah Bengkulu.

[img] Text (Fulltext)
IMELIA OKTA RAMA YANTI_2255201164_Fulltext.pdf - Submitted Version
Restricted to Repository staff only
Download (4MB) | Request a copy
[img] Text (Turnitin)
IMELIA OKTA RAMA YANTI_2255201164_Turnitin.pdf - Submitted Version
Restricted to Repository staff only
Download (12MB) | Request a copy
[img] Text (ABSTRAK + BAB 1)
IMELIA OKTA RAMA YANTI_2255201164_ABSTRAK + BAB 1.pdf - Submitted Version
Download (596kB)
[img] Text (BAB 2)
IMELIA OKTA RAMA YANTI_2255201164_BAB 2.pdf - Submitted Version
Download (371kB)
[img] Text (BAB 3)
IMELIA OKTA RAMA YANTI_2255201164_BAB 3.pdf - Submitted Version
Restricted to Repository staff only
Download (329kB) | Request a copy
[img] Text (BAB 4)
IMELIA OKTA RAMA YANTI_2255201164_BAB 4.pdf - Submitted Version
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 5)
IMELIA OKTA RAMA YANTI_2255201164_BAB 5.pdf - Submitted Version
Download (165kB)
[img] Text (Ref + Lamp)
IMELIA OKTA RAMA YANTI_2255201164_Ref + Lamp.pdf - Submitted Version
Download (1MB)

Abstract

Sampah plastik merupakan salah satu permasalahan lingkungan yang terus mengalami peningkatan dan memberikan dampak negatif terhadap lingkungan, baik di darat maupun perairan. Salah satu kendala dalam pengelolaan sampah plastik adalah proses identifikasi dan pemilahan yang masih banyak dilakukan secara manual. Kondisi tersebut menjadi lebih sulit ketika objek yang dideteksi berukuran kecil, seperti potongan plastik, tutup botol, dan pecahan plastik, karena objek memiliki detail yang terbatas serta sering bercampur dengan latar belakang yang kompleks. Oleh karena itu, diperlukan suatu metode yang mampu mendeteksi objek kecil secara otomatis dan akurat.Penelitian ini bertujuan untuk menganalisis kinerja metode (Faster R-CNN) dalam mendeteksi sampah plastik berukuran kecil pada citra digital. Data penelitian diperoleh dari data primer dan data sekunder dengan perbandingan 60:40. Data primer dikumpulkan melalui pengambilan gambar secara langsung menggunakan kamera atau smartphone, sedangkan data sekunder diperoleh dari dataset publik. Tahapan penelitian meliputi pengumpulan data, anotasi data, preprocessing citra, proses training dan testing model, hingga tahap prediksi objek menggunakan metode Faster R-CNN.Evaluasi performa model dilakukan dengan membandingkan hasil prediksi terhadap label asli untuk memperoleh nilai True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN). Selanjutnya, kinerja model dianalisis menggunakan confusion matrix, precision, recall, dan F1-score. Metode Faster R-CNN dipilih karena memiliki kemampuan yang baik dalam mendeteksi objek dengan ukuran kecil serta mampu menghasilkan lokasi objek secara lebih akurat dibandingkan metode klasifikasi citra biasa.Hasil penelitian diharapkan dapat menunjukkan kemampuan Faster R-CNN dalam mendeteksi sampah plastik berukuran kecil pada berbagai kondisi citra, seperti variasi pencahayaan, bentuk objek, dan latar belakang yang beragam. Penelitian ini juga diharapkan dapat menjadi referensi dalam pengembangan teknologi deteksi sampah berbasis deep learning guna mendukung proses pengelolaan sampah yang lebih efektif dan efisien.

Item Type: Thesis (Skripsi (Bachelor))
Additional Information: Pembimbing : Dr. Erwin Dwika Putra, M.Kom
Uncontrolled Keywords: Faster R-CNN, deteksi objek, sampah plastik, deep learning, citra digital
Subjects: Universitas Muhammadiyah Bengkulu > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Divisions: 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Subjek Terkait > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Depositing User: Mr Muammar Hafiz Khattami
Date Deposited: 29 Aug 2026 07:03
Last Modified: 29 Aug 2026 07:03
URI: http://repository.umb.ac.id/id/eprint/3577

Actions (login required)

View Item View Item