Pemanfaatan Google Teachable Machine Untuk Klasifikasi Sampah Daur Ulang
Abstract
Perkembangan teknologi kecerdasan buatan (Artificial Intelligence) pasca pandemi COVID-19 telah membawa perubahan signifikan dalam berbagai aspek kehidupan. Google Teachable Machine, sebagai salah satu platform AI yang mudah diakses, menawarkan solusi untuk pemrosesan gambar (Image Processing) yang lebih sederhana dibandingkan penggunaan MATLAB atau Python yang sering mengalami kendala dalam hasil pemrosesan. Penelitian ini bertujuan untuk mengimplementasikan Google Teachable Machine dalam mengklasifikasikan sampah daur ulang menjadi empat kategori: gelas, kertas, plastik, dan logam. Dataset diperoleh melalui teknik web scraping dari Google Image dan Pinterest, dengan total 140 citra untuk setiap kategori. Proses validasi dilakukan menggunakan 21 sampel uji untuk setiap kategori, dengan konfigurasi optimal pada epochs 100, batch size 16, dan learning rate 0,001. Hasil pengujian menunjukkan tingkat akurasi yang sangat baik, dengan rincian 100% untuk kategori gelas, 95% untuk kertas, 100% untuk logam, dan 90% untuk plastik. Penelitian ini membuktikan bahwa Google Teachable Machine dapat menjadi alternatif yang efektif untuk klasifikasi sampah daur ulang dengan tingkat akurasi yang tinggi.
Kata Kunci: Klasifikasi, Sampah Daur Ulang, Teachable Machine, Machine Learning
References
Alrasyid, H., Homaidi, A., Kom, M., Fatah, Z., & Kom, M. (2024). Comparison Support Vector Machine and Random Forest Algorithms in Detect Diabetes. 1(1), 447–453.
Fajri, F. N., Malik, K., Qorik, G., & Pratamasunu, O. (2022). Metode Pengumpulan Data Pada Deteksi Pakaian Hijab Syar’I Berdasarkan Citra Digital Menggunakan Teachable machine Learning. 5(2), 194–203. https://doi.org/10.31764/justek.vXiY.ZZZ
Fantara, F. P., Syauqy, D., & Setyawan, G. E. (2018). Implementasi Sistem Klasifikasi Sampah Organik dan Anorganik dengan Metode Jaringan Saraf Tiruan Backpropagation. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(11), 5577–5586.
Ghofur, A. (2020). Deteksi Tingkat Kepadatan Rumah Penduduk Menggunakan Klasifikasi K-Nearest Neighbor Pada Citra Satelit Google Earth. JUSTINDO (Jurnal Sistem Dan Teknologi Informasi Indonesia), 5(2), 86–92. https://doi.org/10.32528/justindo.v5i2.3495
Hasibuan, M. R. R. (2023). Manfaat Daur Ulang Sampah Organik Dan Anorganik Untuk Kesehatan Lingkungan. Jurnal Ilmiah Lingkungan , 2(3), 1–11.
Immanuel Salintohe, D., Alwiah Musdar, I., Informatika, T., & Kharisma Makassar, S. (2022). IMPLEMENTASI MACHINE LEARNING UNTUK MENGIDENTIFIKASI TANAMAN HIAS PADA APLIKASI TIERRA. JTRISTE, 9(1), 1–15.
Ismai. (2017). Data Mining: Pengolahan Data Menjadi Informasi dengan RapidMiner. https://www.google.co.id/books/edition/DATA_MINING/rTlmDwAAQBAJ?hl=id&gbpv=1&dq=data+mining+rapid+miner&printsec=frontcover
Jaya, H., Sabran, D., Pd, M., Ma, M., Djawad, Y. A., Sc, M., Ilham, A., Ahmar, A. S., Si, S., & Sc, M. (2018). Kecerdasan Buatan. In Journal of Chemical Information and Modeling (Vol. 53, Issue 9).
Penelitian, M. (2023). Pengolahan Citra Digital Menggunakan Metode Yolo Untuk Mendeteksi Kualitas Dari Biji Kopi Berbasis Android. 1(1), 120–125.
Saputra, A. Z., & Fauzi, A. S. (2022). Pengolahan Sampah Kertas Menjadi Bahan Baku Industri Kertas Bisa Mengurangi Sampah di Indonesia. Jurnal Mesin Nusantara, 5(1), 41–52. https://doi.org/10.29407/jmn.v5i1.17522
