RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK...

RANCANG BANGUN ROBOT PEMILAH SAMPAH

ORGANIK DAN NON ORGANIK

SKRIPSI

Oleh:

Fahmi Alfian

1115091000041

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2019 M / 1441 H

RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK

DAN NON ORGANIK

SKRIPSI

Sebagai Salah Satu Syarat Untuk Memperoleh Gelar

Sarjana Komputer (S.Kom)

Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta

Oleh:

Fahmi Alfian

1115091000041

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2019 M / 1441 H

iv

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI

Sebagai civitas akademik UIN Syarif Hidayatullah Jakarta, saya yang

bertanda tangan dibawah ini:

Nama : Fahmi Alfian

NIM : 1115091000041

Program Studi : Teknik Informatika

Fakultas : Sains Dan Teknologi

Jenis Karya : Skripsi

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Islam Negeri Syarif Hidayatullah Jakarta Hak Bebas Royalti

Noneksklusif (Non-exclusive Royalty Free Right) atas karya ilmiah saya yang

berjudul:

RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK DAN

NON ORGANIK.

beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti

Noneksklusif ini Universitas Islam Negeri Syarif Hidayatullah Jakarta berhak

menyimpan, mengalih media/formatkan, mengelola dalam bentuk pangkalan data

(database), merawat dan mempublikasikan tugas akhir saya selama tetap

mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Jakarta

Pada tanggal : 2 Oktober 2019

Yang menyatakan

(Fahmi Alfian)

v

KATA PENGANTAR

Assalamu’alaikum Wr. Wb.

Puji syukur senantiasa dipanjatkan kehadirat Allah SWT yang telah

melimpahkan rahmat, hidayah serta nikmat-Nya sehingga penyusunan skripsi ini

dapat diselesaikan. Sholawat serta salam senantiasa dihaturkan kepada junjungan

kita baginda Nabi Muhammad SAW beserta keluarganya, para sahabatnya serta

umatnya hingga akhir zaman. Penulisan skripsi ini mengambil tema dengan judul:

RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK DAN

NON ORGANIK

Penyusunan skripsi ini adalah salah satu syarat untuk memperoleh gelar

Sarjana Komputer (S.Kom) pada program studi Teknik Informatika, Fakultas

Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.

Adapun bahan penulisan skripsi ini adalah berdasarkan hasil penelitian,

pengembangan kuesioner, wawancara dan beberapa sumber literatur.

Dalam penyusunan skripsi ini, telah banyak bimbingan dan bantuan yang

didapatkan dari berbagai pihak sehingga skripsi ini dapat berjalan dengan lancar.

Oleh karena itu, penulis ingin mengucapkan banyak terima kasih kepada :

1. Prof. Dr, Lily Suraya Eka Putri, M.Env.Stud selaku dekan Fakultas Sains

dan Teknologi.

2. Dr. Imam Marzuki Shofi, MT selaku Ketua Program Studi Teknik

Informatika.

3. Ibu Nenny Anggraini, MT. dan Bapak Dr.Husni Teja Sukmana S.T., M.Sc,

Ph.D selaku Dosen Pembimbing I dan II yang senantiasa meluangkan

waktu dan memberikan bimbingan, bantuan, semangat dan motivasi dalam

menyelesaikan skripsi ini.

vi

4. Orang Tua tercinta, Bapak Mulyoko dan Ibu Sri Wahyuni yang senantiasa

memberikan dukungan moril dan materil. Tiada tutur kata selain terima

kasih kepada kalian. Terima kasih, Alhamdulillah.

5. Adik Saya Nindya Zafira yang senantiasa mendukung proses penyusunan.

6. Seluruh dosen dan staff UIN Jakarta, khususnya Fakultas Sains dan

Teknologi yang telah memberikan ilmu dan pengalaman yang berharga.

7. Seluruh sahabat-sahabat terbaik dari Teknik Informatika angkatan 2015,

teman-teman seperjuangan di Himpunan Mahasiswa Teknik Informatika

(HIMTI),khususnya: taufik hidayat, nutfi odiansyah, seno priyambodo,

dewinta fenny dan semua anak kelas TI B, teman-teman dan komunitas

embedded system,serta teman-teman KKN yang tidak bisa disebutkan satu

persatu.

8. Robotic Team yang selalu memanaskan suasana selama penyusunan

skripsi, sehingga selalu bisa mebangkitkan semangat dalam menyelesaikan

skrispsi ini.

9. Seluruh pihak yang tidak dapat disebutkan satu persatu yang secara

langsung maupun tidak langsung telah membantu dalam menyelesaikan

skripsi ini.

Penulisan skripsi ini masih jauh dari kata sempurna. Untuk itu,

sangat diperlukan kritik dan saran yang membangun bagi penulis.Akhir

kata, semoga laporan skripsi ini dapat bermanfaat bagi penulis dan orang

lain.

Wassalamualaikum, Wr. Wb.

Jakarta, Oktober 2019

Penulis

Fahmi Alfian

1115091000041

vii

Penulis : Fahmi Alfian (1115091000041)

Program Studi : Teknik Informatika

Judul :RANCANG BANGUN ROBOT PEMILAH SAMPAH

ORGANIK DAN NON ORGANIK.

ABSTRAK

Sampah organik akan mengeluarkan bau busuk saat terurai. Agar bau

hilang perlu dipisah jenis sampah organik dan non organik. Sampah organik bisa

ditimbun ketanah untuk jadi pupuk dan sampah non organik dapat dimanfaatkan

untuk pembuatan bahan daur ulang. Dari seluruh sampah yang ada, lebih dari 55%

adalah sampah organik. Di era digital, penggunaan teknologi sudah merambah

dalam segala aspek kehidupan. Maka dari itu diperlukan sistem pemilahan sampah

otomatis yang dapat membantu kinerja petugas kebersihan lingkungan. Dalam

penelitian ini dikembangkan rancang bangun robot pemilah sampah organik dan

non organik dengan machine learning. Dalam machine learning, klasifikasi

dianggap sebagai tugas belajar yang diawasi untuk menyimpulkan fungsi data

pelatihan, dengan dibantu hardware usbcam dan motor servo yang terhubung

dengan raspberry pi sebagai otak utama. usbcam dapat mengambil gambar (foto

atau video) yang kemudian diproses lebih lanjut oleh machine learning dengan

dukungan algoritma SVM untuk mengukur akurasi objek. pada raspberry pi,

motor servo dapat bergerak dengan memanfaatkan pin GPIO kemudian program

digabungkan. Selanjutnya raspberry pi akan terhubung pada jaringan internet

sehingga pengendalian sistem dapat dilakukan secara real time.

Kata Kunci : Sampah, Machine learning, usbcam, motor servo, raspberry

pi, internet, Algoritma SVM.

Daftar Pustaka : 15 Jurnal, 6 Buku, 2 skripsi.

Jumlah Halaman : VI BAB 110 halaman + xv halaman + 22 gambar + 8 tabel

viii

DAFTAR ISI

LEMBAR PERSETUJUAN ...............................................Error! Bookmark not defined.

PENGESAHAN UJIAN ......................................................Error! Bookmark not defined.

PERNYATAAN ORISINALITAS.................................................................................. iii

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI .......................................... iii

KATA PENGANTAR ....................................................................................................... v

ABSTRAK ........................................................................................................................ vii

DAFTAR ISI.................................................................................................................... viii

DAFTAR GAMBAR ........................................................................................................ xii

DAFTAR TABEL ........................................................................................................... xiii

BAB I PENDAHULUAN .................................................................................................. 1

1.1 Latar Belakang .......................................................................................................... 1

1.2 Rumusan Masalah .................................................................................................... 2

1.3 Batasan Masalah ........................................................................................................ 2

1.4 Tujuan Penelitian ...................................................................................................... 3

1.5 Manfaat Penelitian .................................................................................................... 3

a. Bagi Mahasiswa .................................................................................................. 3

b. Bagi Universitas .................................................................................................. 3

c. Bagi Masyarakat Umum ..................................................................................... 4

1.6 Metodologi Penelitian ............................................................................................... 4

1.6.1 Metode Pengumpulan Data ............................................................................... 4

1.6.2 Metode Pengembangan Sistem ......................................................................... 4

1.7 Sistematika Penulisan ............................................................................................... 5

BAB II LANDASAN TEORI .......................................................................................... 7

2.1 Pengertian Rancang Bangun ................................................................................... 7

2.1.1 Rancang .............................................................................................................. 7

2.1.2 Bangun ................................................................................................................ 7

2.2 Pengertian Robot ....................................................................................................... 8

2.3 Definisi Sampah .......................................................................................................... 9

2.4 Perbedaan Sampah Organik dan Non Organik ................................................... 11

2.4.1 Sampah Organik ............................................................................................... 11

ix

2.4.2 Sampah Non Organik ....................................................................................... 12

2.5 Machine Learning ..................................................................................................... 12

2.6 Pengolahan Citra Digital .......................................................................................... 15

2.7 Citra Grayscale ......................................................................................................... 16

2.8 Histogram ................................................................................................................. 17

2.9 Segmentasi Citra ...................................................................................................... 18

2.10 Tekstur ...................................................................................................................... 19

2.11 Klasifikasi .................................................................................................................. 21

2.12 Support Vector Machine (SVM) ............................................................................... 23

2.12.1 SVM Linear ...................................................................................................... 24

2.12.2 SVM Non Linear .............................................................................................. 25

2.12.3 SVM Multiclass ............................................................................................... 26

2.12.4 Karakteristik SVM ........................................................................................... 26

2.13 Pengertian Mikrokomputer Raspberry Pi ............................................................... 27

2.13.1 Mikrokomputer .............................................................................................. 27

2.13.2 Raspberry Pi .................................................................................................... 29

2.14 Metode Pengumpulan Data ..................................................................................... 30

2.14.1 Studi Pustaka ............................................................................................ 30

2.14.2 Observasi .................................................................................................. 31

2.14.3 Kuesioner .................................................................................................. 31

2.14.4 Wawancara ............................................................................................... 31

2.15 Metode Prototipe .................................................................................................... 32

2.15.1 Karakteristik Metode Prototyping ................................................................ 33

2.15.2 Jenis-Jenis Prototyping .................................................................................. 33

2.15.3 Keunggulan dan Kelemahan Metode Prototyping ....................................... 34

2.16 Black-Box Testing ..................................................................................................... 34

2.17 Flowchart .................................................................................................................. 35

2.17.1Cara Membuat Flowchart ................................................................................ 35

2.17.2 Jenis-Jenis Flowchart ..................................................................................... 36

2.17.3 Simbol-Simbol Flowchart ............................................................................... 38

BAB III METODOLOGI PENELITIAN ..................................................................... 39

3.1 Metode Pengumpulan Data .................................................................................... 39

3.1.1 Data Primer ....................................................................................................... 39

x

3.1.1.1 Studi Lapangan ......................................................................................... 39

3.1.2 Data Sekunder .................................................................................................. 42

3.1.2.1 Studi Pustaka dan Literatur ..................................................................... 42

3.2 Metode Pengembangan Sistem .............................................................................. 43

3.2.1 Tahap Pengumpulan Kebutuhan ..................................................................... 43

3.2.2 Tahap Perencaan Percobaan............................................................................ 43

3.2.3 Tahap Membangun Sistem .............................................................................. 44

3.2.4 Tahap Evaluasi Sistem ...................................................................................... 44

3.2.5 Tahap Penggunaan Sistem ............................................................................... 45

3.3 Kerangka Berpikir ..................................................................................................... 46

BAB IV ANALISIS,PERANCANGAN SISTEM, IMPLEMENTASI DAN

PENGUJIAN SISTEM ................................................................................................... 47

4.1 Tahap Pengumpulan Kebutuhan .......................................................................... 47

4.2 Tahap Perencanaan Prototipe ................................................................................. 48

4.2.1 Mendefinisikan Ruang Lingkup ........................................................................ 48

4.2.2 Analisis Kebutuhan Hardware ......................................................................... 49

4.2.3 Analisa Kebutuhan Sofware dan Tools ............................................................ 50

4.2.4 Analisa Sistem Berjalan .................................................................................... 51

4.2.5 Analisa Sistem Usulan ...................................................................................... 51

4.3 Tahap Membangun Sistem ...................................................................................... 59

4.3.1 Pembuatan Flowchart ...................................................................................... 59

4.3.1.1 Flowchart Machine Learning ................................................................... 60

4.3.1.2 Flowchart Pemilahan Sampah pada Motor Servo .................................. 62

4.3.2 Tahap input data .............................................................................................. 63

4.3.3 Perhitungan manual ......................................................................................... 67

4.3.4 Perancangan Robot .......................................................................................... 72

4.4 Tahap Evaluasi Sistem .............................................................................................. 73

4.4.1 Pengkodean Kamera ........................................................................................ 74

4.4.2 Pengkodean Sistem .......................................................................................... 75

4.5 Tahap Penggunaan Sistem ....................................................................................... 79

4.5.1 Pengujian Mandiri (Black Box Testing) ............................................................ 79

4.5.2 Pengujian Terhadap Pengguna ........................................................................ 80

BAB V HASIL DAN PEMBAHASAN .......................................................................... 83

xi

5.1. Hasil .......................................................................................................................... 83

5.1.1 Sistem Pemilahan ............................................................................................. 83

5.1.2 pengujian data .................................................................................................. 84

5.1.3 Pengujian pencahayaan ................................................................................... 90

5.2 Pembahasan Pengumpulan Data ........................................................................... 93

5.2.1 Data Primer ....................................................................................................... 94

5.2.1.1 Studi Lapangan ......................................................................................... 94

5.2.2 Data Sekunder .................................................................................................. 96

5.2.2.1 Studi Pustaka ........................................................................................... 96

BAB VI KESIMPULAN DAN SARAN ........................................................................ 99

6.1 Kesimpulan .............................................................................................................. 99

6.2 Saran ...................................................................................................................... 100

DAFTAR PUSTAKA.................................................................................................102

LAMPIRAN........................................................................................................105

xii

DAFTAR GAMBAR

Gambar 2.1 Sampah Menumpuk ......................................................................... .12

Gambar 2.2 Sampah Organik ................................................................................ 13

Gambar 2.3 Sampah Non Organik ....................................................................... .14

Gambar 2.4 Bentuk Machine Learning ................................................................. .17

Gambar 2.5 Histogram Citra ................................................................................. 19

Gambar 2.6 Tektur Pola Citra ................................................................................ 22

Gambar 2.7 Proses Pekerjaan Klasifikasi ............................................................. 23

Gambar 2.8 Paradigma Prototipe .......................................................................... 34

Gambar 2.9 Simbol Flowchart .............................................................................. 39

Gambar 3.1 Kerangka Berpikir ............................................................................. 47

Gambar 4.1 Skema Alur 1 Analisis Sistem yang Berjalan ................................... 52

Gambar 4.2 Skema Alur 2 Analisis Sistem Usulan .............................................. 53

Gambar 4.3 Cara Kerja Sistem Usulan ................................................................. 54

Gambar 4.4 Proses Motion Pada Raspberry Pi ..................................................... 56

Gambar 4.5 Proses Pada Raspberry Pi dengan usbcam dan tensorflow ............... 56

Gambar 4.6 Rangkaian pada Raspberry Pi untuk Menggerakan Motor Servo ..... 59

Gambar 4.7 Flowchart halaman pengendali.......................................................... 61

Gambar 4.8 Flowchart Machine Learning ............................................................ 62

Gambar 4.9 Flowchart Pemilahan Sampah pada Motor Servo ............................. 63

Gambar 4.10 Rancangan Tampilan Robot ............................................................ 74

Gambar 4.11 Pengkodean OpenCV pada Raspberry Pi ........................................ 75

Gambar 4.12 Pengkodean Object Detection pada Raspberry Pi ........................... 76

xiii

DAFTAR TABEL

Table 2.1 Perbandingan Metode Testing...............................................................35

Table 3.1 Tabel Studi Literatur ............................................................................. 41

Table 4.1 Hasil studi literatur ................................................................................ 47

Table 4.2 Analisis Kebutuhan Hardware .............................................................. 49

Table 4.3 Analisis Kebutuhan Software dan Tools ............................................... 50

Table 4.4 Pengujian Mandiri ................................................................................. 79

Table 4.5 Kerja sistem Secara Otomatis ............................................................... 80

Table 5.1 Hasil Sudi Literatur ............................................................................... 97

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Sampah organik merupakan jenis sampah yang mudah terurai. Kita harus

memisahkan sampah organik dari sampah anorganik. Sampah organik bisa dikubur

di dalam tanah sebagai pupuk, sedangkan anorganik bisa di daur ulang. Penguraian

pada sampah organik akan terjadi lebih cepat daripada sampah anorganik. (Widiana,

2017).

Penulis melakukan wawancara terhadap Ibu Indah selaku ketua bank sampah

wilayah Pamulang,Tangerang Selatan. Ibu Indah mengatakan bahwa masih

banyaknya warga yang kurang peduli dengan kondisi sampah. Hal ini tidak hanya

dirasakan Ibu Indah saja, tetapi juga banyak masyarakat perkotaan lainnya. Dapat

terlihat dari kuesioner yang dibagikan, dimana dari 106 responden terdapat 90,6%

merasa tempat sampah organik dan non organik manual disekitar lingkungan belum

efektif dalam segi memilah sampah dengan benar.

Untuk memberikan solusi permasalahan tersebut peneliti mendapatkan data

88.7% dari 106 responden menyatakan pentingnya dibuat sebuah alat pemilah

sampah yang akurat dalam memilah sampah organik dan non organik. Untuk dapat

membuat alat ini diperlukan bantuan machine learning, dimana kegunaan machine

learning untuk membantu pemrosesan data yang selanjutnya diklasifikasikan. Data

pelatihan terdiri dari serangkaian contoh, di mana masing-masing contoh

direpresentasikan sebagai pasangan vektor input (fitur) dan nilai output yang

diinginkan (Parmar, Grossmann, Bussink, Lambin, & Aerts, 2015). Support Vector

Machines (SVM) digunakan sebagai algoritma pembelajaran terkait yang

menganalisis data yang digunakan untuk analisis klasifikasi dan regresi. Dengan

memberikan dataset untuk di training. (Cortes & Vapnik, 1995).

2

UIN Syarif Hidayatullah Jakarta

Penelitian dalam pembuatan tempat sampah pintar bukan hal yang baru,

ada beberapa ide dalam penelitian sebelumnya. Sistem dari tempat sampah pintar

menggunakan panel surya sebagai energi listrik terbarukan(Almanda et al., 2018).

Dan ide lainnya(Abdul rohman, 2016) membuat pemilihan sampah yang dapat

dipisahkan berdasarkan jenis, baik sampah organik maupun sampah non organik.

Sensor yang dipergunakan pada tempat sampah otomatis yaitu sensor proximity.

Dari hasil analisis, studi pustaka, wawancara, dan penjabaran kuesioner, maka

latar belakang permasalahan yang ada yaitu peneliti membuat gagasan suatu sistem

atau alat yang dapat memilah sampah organik dan non organik secara otomatis

dengan tujuan mempermudah kerja dari dinas lingkungan hidup dalam memproses

sampah yang ada disekitar lingkungan. Oleh karena itu penulis melakukan penelitian

yang berjudul “Rancang Bangun Robot Pemilah Sampah Organik dan Non

Organik dengan Parameter Warna dan Bentuk”.

1.2 Rumusan Masalah

Berdasarkan dari latar belakang tersebut, maka dapat dirumuskan

permasalahan dalam skripsi ini yaitu:

a. Bagaimana membuat sebuah perancangan robot pemilahan sampah organik dan

non organik secara otomatis?

b. Bagaimana cara kerja robot dalam memilah sampah organik dan non organik?

c. Bagaimana tingkat keberhasilan robot dalam hal akurasi yang membedakan jenis

sampah organik dan non organik?

1.3 Batasan Masalah

Berdasarkan rumusan masalah dalam pengembangan penelitian dan alat agar

sesuai dengan tujuan yang ditetapkan, maka penulis memberikan cangkupan batasan

antara lain pada:

a. Penggunaan micro computer Raspberry Pi untuk pengendalian dan koneksi

dengan alat.

3


b. Penggunaan sensor kamera sebagai Image Classification.

c. Sistem menggunakan motor servo sebagai penggerakan katup keputusan.

d. Wawancara dan kuisioner dilakukan sebagai penekanan pembuatan alat.

e. Algoritma SVM berfungsi sebagai pemberi nilai akurasi objek yang diolah.

f. Algoritma SVM hanya berupa library data latih.

g. Sistem menggunakan metode machine learning untuk program pembelajaran

data.

h. Sistem digunakan untuk pengganti tempat sampah manual yang biasa terdapat di

pusat perbelanjaan, kampus, dan fasilitas umum lainnya.

i. Sistem hanya digunakan diruangan tertutup namun terang dengan banyak cahaya

ruangan.

j. Tidak dapat mengetahui volume sampah.

k. Tidak dapat membaca objek sampah secara bersamaan.

l. Tidak dapat mengetahui informasi akurasi sampah yang masuk dengan perangkat

mobile.

1.4 Tujuan Penelitian

Berdasarkan uraian diatas, maka tujuan penulisan skripsi ini adalah

merancang robot dengan machine learning yang dapat membantu kinerja lembaga

penanganan sampah dalam pengelolaan sampah organik dan non organik dengan

baik.

1.5 Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut:

a. Bagi Mahasiswa

Dapat mengetahui cara kerja sistem alat tersebut dan memperdalam ilmu

mengenai machine learning.

b. Bagi Universitas

Mengukur tingkat kemampuan dalam menerapkan ilmu akademis maupun

non-akademis di lingkungan masyarakat dan industri.

4


c. Bagi Masyarakat Umum

1. Pemilahan sampah menjadi mudah dan akurat tanpa harus memilah sendiri

jenisnya.

2. Mencegah terjadinya kesalahan dalam penempatan sampah dan membantu

kinerja petugas dalam proses pemilahan jenis sampah.

1.6 Metodologi Penelitian

Metode yang digunakan penulis pada penelitian ini dibagi menjadi dua, yaitu

metode pengumpulan data dan metode pengembangan. Berikut penjelasan kedua

metode tersebut:

1.6.1 Metode Pengumpulan Data

Dalam melakukan analisis data dan penulisan skripsi ini, penulis

menggunakan 2 metode pengumpulan data, yaitu:

1. Studi Pustaka dengan mengumpulkan teori, konsep, dan informasi

yang berasal dari buku-buku, jurnal, internet, dan literatur sejenis.

2. Studi Lapangan dengan obeservasi, wawancara, dan kuesioner.

1.6.2 Metode Pengembangan Sistem

Pada penelitian ini penulis menggunakan pengembangan sistem

Prototyping(prototype). Karena dengan metode ini penulis dapat merancang

alat sesuai dengan kebutuhan pengguna. Adapun tahapan pengembangan

Prototype sebagai berikut:

• Pengumpulan Kebutuhan.

• Perencanaan percobaan.

• Membangun Prototype.

• Evaluasi Prototype.

• Penggunaan Selanjutnya.

5


1.7 Sistematika Penulisan

Untuk mempermudah perumusan dan pemecahan masalah yang akan dibahas

pada skripsi ini, maka penulis menguraikan tahapan-tahapan dalam penyusunan

laporan ini secara sistematika terdiri dari enam bab, yaitu sebagai berikut:

BAB I: PENDAHULUAN

Dalam bab ini akan membahas terkait latar belakang penulisan,

rumusan masalah, batasan masalah, tujuan, manfaat, metode dan sistematika

penulisan yang merupakan gambaran menyeluruh dari penulisan skripsi.

BAB II: LANDASAN TEORI DAN TINJAUAN PUSTAKA

Dalam bab ini membahas mengenai berbagai teori yang mendasari

serta mendukung analisis permasalahan yang berhubungan dengan

pembahasan.

BAB III: METODOLOGI PENELITIAN

Pada bab ini pembahasan atau pemaparan metode yang penulis pakai

dalam pencarian data maupun perancangan sistem yang dilakukan pada

penelitian.

BAB IV:ANALISA, IMPLEMENTASI, PERANCANGAN SISTEM, DAN

PENGUJIAN SISTEM

Pada bab ini akan diuraikan mengenai penyelesaian masalah dengan

metodologi yang dipilih, merancang sistem yang sudah dianalisa, memuat

unsur-unsur pengumpulan data, serta pelaksanaan implementasi.

6


BAB V: HASIL DAN PEMBAHASAN

Pada bab ini akan diuraikan mengenai hasil analisa yang sudah

dilakukan dan bagaimana merancang serta membangun sebuat prototipe

alat pemilah sampah menggunakan machine learning.

BAB VI: PENUTUP

Bab ini berisi tentang kesimpulan secara keseluruhan yang diperoleh

dari hasil perancangan serta saran untuk pengembangan sistem lebih lanjut.

7

BAB II

LANDASAN TEORI

2.1 Pengertian Rancang Bangun

2.1.1 Rancang

Perancangan merupakan salah satu hal yang penting dalam membuat

program. Adapun tujuan dari perancangan ialah untuk memberi gambaran yang

jelas lengkap kepada pemrogram dan ahli teknik yang terlibat. Perancangan harus

berguna dan mudah dipahami sehingga mudah digunakan. Perancangan adalah

Sebuah proses untuk mendefinisikan sesuatu yang akan dikerjakan dengan

menggunakan teknik yang bervariasi serta di dalamnya melibatkan deskripsi

mengenai arsitektur serta detail komponen dan juga keterbatasan yang akan

dialami dalam proses pengerjaanya. Menurut Pressman (2009) perancangan atau

rancang merupakan serangkaian prosedur untuk menterjemahkan hasil analisa dan

sebuah sistem ke dalam bahasa pemrograman untuk mendeskripsikan dengan

detail bagaimana komponen-komponen sistem di implementasikan(Pressman,

n.d.).

2.1.2 Bangun

Menurut Pressman (2009) pengertian pembangunan atau bangun sistem

adalah kegiatan menciptakan sistem baru maupun mengganti atau memperbaiki

sistem yang telah ada secara keseluruhan. Jadi dapat disimpulkan bahwa Rancang

Bangun adalah penggambaran, perencanaan, dan pembuatan sketsa atau

pengaturan dari beberapa elemen yang terpisah kedalam suatu kesatuan yang utuh

dan berfungsi. Dengan demikian pengertian rancang bangun merupakan kegiatan

menerjemahkan hasil analisa ke dalam bentuk paket perangkat lunak kemudian

menciptakan sistem tersebut atau memperbaiki sistem yang sudah ada(Pressman,

n.d.).

8


2.2 Pengertian Robot

Robot adalah sebuah alat mekanik yang dapat melakukan tugas fisik, baik

menggunakan pengawasan dan kontrol manusia, ataupun menggunakan program

yang telah didefinisikan terlebih dulu (kecerdasan buatan). Istilah robot berawal

bahasa Cheko “robota” yang berarti pekerja atau kuli yang tidak mengenal lelah

atau bosan. Robot biasanya digunakan untuk tugas yang berat, berbahaya,

pekerjaan yang berulang dan kotor. Biasanya kebanyakan robot industri

digunakan dalam bidang produksi. Penggunaan robot lainnya termasuk untuk

pembersihan limbah beracun, penjelajahan bawah air dan luar angkasa,

pertambangan, pekerjaan "cari dan tolong" (search and rescue), dan untuk

pencarian tambang. Belakangan ini robot mulai memasuki pasaran konsumen di

bidang hiburan, dan alat pembantu rumah tangga, seperti penyedot debu, dan

pemotong rumput. Pada kamus Webster pengertian robot adalah: An automatic

device that performs function ordinarily ascribed to human beings (sebuah alat

otomatis yang melakukan fungsi berdasarkan kebutuhan manusia). Dari kamus

Oxford diperoleh pengertian robot adalah: A machine capable of carrying out a

complex series of actions automatically, especially one programmed by a

computer. (Sebuah mesin yang mampu melakukan serangkaian tugas rumit secara

otomatis, terutama yang diprogram oleh komputer).

Pengertian dari Webster mengacu pada pemahaman banyak orang bahwa

robot melakukan tugas manusia, sedangkan pengertian dari Oxford lebih umum.

Beberapa organisasi di bidang robot membuat definisi tersendiri. Robot Institute

of America memberikan definisi robot sebagai: A reprogammable multifunctional

manipulator designed to move materials, parts, tools or other specialized devices

through variable programmed motions for the performance of a variety of tasks.

(Sebuah manipulator multifungsi yang mampu diprogram, didesain untuk

memindahkan material, komponen, alat, atau benda khusus lainnya melalui

serangkaian gerakan terprogram untuk melakukan berbagai tugas)(merriam

webster, 2019).

9


International Organization for Standardization (ISO 8373)

mendefinisikan robot sebagai: An automatically controlled, reprogrammable,

multipurpose, manipulator programmable in three or more axes, which may be

either fixed in place or mobile for use in industrial automation applications

(Sebuah manipulator yang terkendali, multifungsi, dan mampu diprogram untuk

bergerak dalam tiga sumbu atau lebih, yang tetap berada di tempat atau bergerak

untuk digunakan dalam aplikasi otomasi industri). Adapun jenis-jenis Robot

antara lain: Robot Mobile, Robot lengan (Manipulator robot), Robot terbang,

robot humanoid, robot berkaki, dan sebagainya. Dari beberapa definisi di atas,

kata kunci yang ada yang dapat menerangkan pengertian robot adalah:

• Dapat memperoleh informasi dari lingkungan (melalui sensor)

• Dapat diprogram

• Dapat melaksanakan beberapa tugas yang berbeda

• Bekerja secara otomatis/semi otomatis

2.3 Definisi Sampah

Sampah adalah barang yang dianggap sudah tidak terpakai dan dibuang

oleh pemilik/pemakai sebelumnya, tetapi bagi sebagian orang masih bisa dipakai

jika dikelola dengan prosedur yang benar(Sampah, 2006). Penumpukan sampah

disebabkan oleh beberapa faktor diantaranya adalah volume sampah yang sangat

besar sehingga melebihi kapasitas daya tampung tempat pembuangan sampah

akhir (TPA). Pengelolaan sampah yang terjadi selama ini dirasakan tidak

memberikan dampak positif kepada lingkungan dan kurangnya dukungan

kebijakan dari pemerintah(Utami, Indrasti, & Dharmawan, 2008).

Menurut Prof Dr. Ir. Ign Suhatro dalam buku Limbah Kimia (2011)

mengatakan pemerintah belum begitu serius dalam memikirkan masalah sampah

ini. Meski pemerintah sudah melakukan beberapa terobosan namun di beberapa

tempat pembuangan sementara (TPS) gunungan samah masih mengganggu

masyarakat dan masih menjadi perhatian. Permasalahan sampah merupakan hal

yang krusial (sulit terselesaikan). Bahkan, dapat diartikan sebagai masalah

10


kultural/kebiasaan karena dampaknya mengenai berbagai sisi kehidupan, terutama

dikota besar. Mengutip dari buku Panduan Membuat Pupuk Organik Cair(isroi,

2012), setiap harinya sekitar 6000 ton sampah dihasilkan di kota Jakarta. Oleh

sebab itu bila tidak ditangani secara benar, maka akan menimbulkan dampak

seperti pencemaran air, udara, dan tanah yang mengakibatkan sumber

penyakit(Suharto, 2011).

Gambar 2.1Sampah Menumpuk

(Sumber : https://www.saturadar.com/2018/02/pengertian-sampah.html, 2018)

Pengolahan sampah membutuhkan lahan sebagai tempat pembuangan

akhir (TPA). Sampah sebagai barang yang masih bisa dimanfaatkan tidak

seharusnya diperlakukan sebagai barang yang menjijikan, melainkan harus dapat

dimanfaatkan sebagai bahan mentah atau bahan yang berguna lainnya. Seharusnya

pengolahan sampah harus dilakukan dengan efisien dan efektif, yaitu sebisa

mungkin dekat dengan sumbernya, seperti dilingkungan RT/RW, sekolah, dan

rumah tangga sehingga jumlah sampah dapat dikurangi(Bank, Dengan, Berbasis,

& Halim, 2017).

Pengelolaan sampah diantaranya dapat dimanfaatkan menjadi kompos

organik yang didalamnya terkandung unsur hara yang dibutuhkan tanaman (Panji

Nugroho, 2013), perbaikan struktur tanah dan zat yang dapat mengurangi bakteri

yang merugikan dalam tanah. Pupuk organik biasanya tidak meninggalkan residu

/ sisa dalam tanaman sehingga hasil tanaman akan aman bila dikonsumsi(Tresna

Sastrawan, 2014).

11


2.4 Perbedaan Sampah Organik dan Non Organik

Berdasarkan sifat kepenguraiannya sampah dibagi menjadi dua, yaitu

(Hasim & Hedianto, 2010:58):

2.4.1 Sampah Organik

Sampah organik atau sampah basah adalah sampah yang berasal dari

makhluk hidup, seperti dedaunan dan sampah dapur. Sampah organik dapat

mengalami perubahan atau terurai secara alami (degradable-waste). meski

dibiarkan begitu saja sampah ini akan menghilang dengan sendirinya. Banyak

contoh ini seperti sisa makanan, kulit buah, sisa masakan dari dapur dan lain

sebagainya. Pemanfaatannya bisa dijadikan sebagai pakan ternak, biogas, atau lain

sebagainya.

Gambar 2.2 Sampah Organik

(Sumber : https://alaurang.com/2016/10/perbedaan-sampah-organik-dan-

anorganik.html//)

12


2.4.2 Sampah Non Organik

Sampah non organik, berasal dari sumber daya alam yang tidak dapat

diperbaharui secara alami atau memerlukan waktu yang sangat lama untuk terurai.

Bahan – bahan ini meliputi mineral, logam, dan minyak bumi atau bahan – bahan

lain hasil proses industri. Ada beberapa dari sampah non organik yang tidak

terdapat di alam seperti plastik dan styrofoam. Sampah non organik disebut juga

sampah yang tidak atau sulit terurai (non degradable – waste). Meski sampah ini

tidak bisa terurai, tapi pemanfaatannya bisa dikomersilkan untuk diolah kembali

menjadi barang yang layak pakai. Untuk masalah sampah non organik ini harus

mendapatkan perhatian dari semua orang, karena sampah ini tidak akan hancur

dalam waktu yang lama meski dibakar sekalipun.

Gambar 2.3Sampah Non Organik)

(Sumber : http://www.netralnews.com/news/nasional/read/129624/peduli-lingkungan-

eco-bali-recyling-siap-olah-sampah-anorganik)

2.5 Machine Learning

Machine learning (ML), bagian dari kecerdasan buatan (artificial

intelligence), merupakan metode untuk mengoptimalkan performa dari sistem

dengan mempelajari data sampel atau data histori (Alpaydin, 2009). Dalam

kehidupan sehari-hari, obyek dapat diidentifikasi dengan mudah oleh manusia,

namun belum tentu dapat dijelaskan secara spesifik. Di sinilah peran ML dalam

mengenali, mengidentifikasi, ataupun memprediksi data tertentu dengan

13


mempelajari data histori (experience data). Dengan ML, model dibuat baik secara

langsung ataupun tidak, dengan mengekstrak pengetahuan dari pakar ataupun dari

data yang bahkan belum diketahui hubungannya dengan cara mempelajarinya

dengan algoritma tertentu.

Machine Learning digunakan untuk membuat program yang bisa belajar

dari data. Berbeda dengan program komputer biasa yang statis, program machine

learning adalah program yang dirancang untuk mampu belajar sendiri(suyanto,

2018). Cara belajar program machine learning mengikuti cara belajar manusia,

yakni belajar dari contoh-contoh. Machine learning akan mempelajari pola dari

contoh-contoh yang dianalisa, untuk menentukan jawaban dari pertanyaan-

pertanyaan berikutnya. Memang tidak semua masalah bisa dipecahkan dengan

program machine learning. Namun, seringkali algoritma yang sifatnya kompleks,

ternyata bisa dipecahkan dengan sangat simpel oleh machine learning. Beberapa

contoh program machine learning yang telah digunakan dalam kehidupan sehari-

hari:

• Pendeteksi Spam

• Pendeteksi Wajah

• Rekomendasi Produk

• Asisten Virtual

• Diagnosa Medis

• Pendeteksi Penipuan Kartu Kredit

• Pengenal Digit

• Perdagangan Saham

• Segmentasi Pelanggan

• Mobil yang bisa Mengendarai Sendiri

14


Kita bisa mengklasifikasikan machine learning berdasarkan tipe-tipe:

• Supervised Learning:

-Regression

Data yang ada diberikan real value, numerical atau floating point, agar dapat

mencoba mendeteksi harga saham di kemudian hari. Contoh: time series data dari

harga saham berdasarkan waktu.

- Classification (Discrete/ Category)

Data yang ada diberikan label atau kategori, agar dapat diambil keputusan

berdasarkan label/ kategori tersebut.

• Unsupervised Learning (Clustering)

Data tidak diberikan label, tapi secara otomatis dibagi berdasarkan kemiripan dan

struktur lain dari data tersebut. Misalnya, ketika kita mengorganisasikan foto. Kita

harus melakukan tagging secara manual.

• Reinforcement Learning

Data digunakan untuk melakukan pemberian label If dan Else yang digunakan

untuk mengambil keputusan berdasarkan pengambil keputusan.

Machine learning adalah seperti membuat program yang bisa menebak

kotak hitam yang memiliki rumus fungsi yang belum diketahui. Kotak hitam itu

diberikan sebuah input dan akan menghasilkan sebuah output tertentu. Dari data-

data input dan output yang diperoleh, maka program akan menebak rumus fungsi

yang paling mendekati keakuratan. Adapun alur kerja Machine

Learning mencakup:

• Mengumpulkan dataset

• Eksplorasi data

• Pemilihan model (regresi linear, regresi logistik, neural network, dll)

• Memberikan latihan terhadap model yang dipilih

• Evaluasi Model

• Prediksi

15


Akurasi awal dari program machine learning biasanya sangat buruk. Sebab

pada awalnya program ini ‘tidak tahu apa-apa’. Namun, seiring berjalannya waktu,

semakin sering kita melatih program, semakin banyak contoh-contoh yang

dipelajari oleh program, maka program ini akan semakin ‘cerdas’ dan akurat.

Misalnya saja saat kita bermain game Role Playing Game (RPG) yang

menggunakan Artificial Intelligence. Pertama kali kita bermain dengan RPG

tersebut, maka dengan mudah kita akan bisa memenangkan permainan. Namun,

setelah beberapa kali permainan, engine/ algoritma game itu akan belajar dari pola-

pola sebelumnya, sehingga akan semakin sulit dikalahkan(suyanto, 2018).

Gambar 2.4 Bentuk Machine Learning

(Sumber : https://www.forbes.com/sites/allbusiness/2018/10/20/machine-learning-

artificial-intelligence-could-transform-business/#3e260e5ac6c3)

2.6 Pengolahan Citra Digital

Pengolahan citra (image Processing) merupakan suatu sistem dimana

proses dilakukan dengan masukan berupa citra dan hasilnya juga berupa citra

(Basuki, 2005). Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki

https://www.forbes.com/sites/allbusiness/2018/10/20/machine-learning-artificial-intelligence-could-transform-business/#3e260e5ac6c3

https://www.forbes.com/sites/allbusiness/2018/10/20/machine-learning-artificial-intelligence-could-transform-business/#3e260e5ac6c3

16


kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai

dengan semakin meningkatnya kapasitas dan kecepatan proses computer, serta

dapat mengambil informasi dari suatu citra, maka image processing tidak dapat

dilepaskan dengan bidang computer vision Sesuai dengan perkembangan

computer vision itu sendiri , pengolahan citra mempunyai dua tujuan utama yakni

sebagai berikut:

1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat

menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat

informasi yang diharapkan dengan menginterprestasikan citra yang ada. Dalam

hal ini interprestasi terhadap informasi yang ada tetap dilakukan oleh manusia.

2. Mengekstrasi informasi cirri yang menonjol pada suatu citra dimana

hasilnya adalah informasi citra dimana manusia mendapatkan informasi cirri dari

citra secara numeric atau dengan kata lain komputer melakukan interprestasi

terhadap informasi yang ada pada citra melalui besaran-besaran data yang dapat

dibedakan secara jelas.

2.7 Citra Grayscale

Menurut Basuki (2005), Proses awal yang banyak dilakukan dalam image

processing adalah merubah citra berwarna menjadi grayscale. Hal ini digunakan

untuk menyederhanakan model citra. Pada citra berwarna terdiri dari 3 layer

matrix, yaitu R-layer, G-layer dan B-layer sehingga untuk melakukan proses-

proses selanjutnya tetap diperhatikan tiga layer diatas. Bila setiap proses

perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan

yang sama. Dengan demikian, konsep itu dirubah dengan mengubah tiga layer

diatas menjadi 1 layer matrix grayscale dan hasilnya adalah citra grayscale.

Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuabuan.

17


2.8 Histogram

Histogram adalah diagram dengan sumbu horizontal untuk melukiskan

kelas (nilai-nilai data, sedangkan sumbu vertikal untuk menggambarkan jumlah

observasi, dimana jumlah observasi dilukiskan dengan menggunakan batang

tegak. Dalam histogram, sumbu horizontal bisa berupa tepi kelas atau nilai tengah

kelas. Lebar batang melukiskan interval kelas, sedangkan tinggi batang

bersesuaian dengan jumlah (frekuensi) observasi tiap kelas. suatu grafik yang

mengidentifikasikan jumlah kemunculan setiap level keabuan pada suatu citra.

Ada beberapa indikasi yang bisa diambil dari histogram suatu citra:

• Pada suatu citra gelap, level keabuan pada histogram

mengelompok pada bagian sebelah bawah.

• Pada suatu citra terang dan seragam, level keabuan pada histogram

mengelompok pada bagian sebelah atas.

• Pada suatu citra dengan kontras signifikan, level keabuan pada

histogram akan menyebar.

Manfaat dari histogram adalah sebagai indikasi visual untuk menentukan skala

keabuan yang tepat sehingga diperoleh kualitas citra yang diinginkan.

Gambar 2.5Histogram Citra

(Sutoyo, 2009)

18


2.9 Segmentasi Citra

Segmentasi citra adalah suatu proses membagi suatu citra menjadi

wilayah-wilayah yang homogen (Jain, 1989). Menurut Jain (1989), segmentasi

citra dapat dibagi dalam beberapa jenis, yaitu dividing image space dan clustering

feature space. Jenis yang pertama adalah teknik segmentasi dengan membagi

image manjadi beberapa bagian untuk mengetahui batasannya, sedangkan teknik

yang kedua dilakukan dengan cara memberi index warna pada tiap piksel yang

menunjukkan keanggotaan dalam suatu segmentasi. Teknik segmentasi citra,

menurut Jain(1989).

Adapun teknik segmentasi tersebut dapat dilakukan dengan beberapa

pendekatan sebagai berikut:

1. Pendekatan Edge-Based

Pendekatan ini melakukan proses deteksi sisi dengan operator gradient.

Masukannya berupa citra gray level dan keluarannya berupa citra edge (biner).

Selanjutnya dilakukan proses region growing dengan masukan citra asli (gray-

level) dan citra edge. Proses pembentukan suatu wilayah akan berhenti bila

menjumpai piksel edge. Kekurangan dari pendekatan ini adalah belum tentu

menghasilkan edge yang kontinu, mengakibatkan terjadinya kebocoran wilayah

(wilayah-wilayah yang tidak tertutup).

2. Pendekatan Region-Based

Pendekatan ini memerlukan criteria of uniformity, memerlukan penyebaran seeds

atau dapat juga dengan pendekatan scan line, kemudian dilakukan proses region

growing. Kekurangan dari pendekatan ini adalah belum tentu menghasilkan

wilayah-wilayah yang bersambungan.

19


3. Pendekatan Hybrid

Pendekatan ini melakukan proses deteksi sisi untuk menghasilkan citra sisi

(piksel edge dan piksel non-edge), melakukan pemisahan wilayah dengan metode

connected region. (Connected regions adalah set piksel 4-tetangga yang bukan

piksel edge), dan selanjutnya dilakukan proses merging regions. Pendekatan ini

bertujuan untuk mendapatkan hasil segmentasi dengan wilayah-wilayah yang

tertutup dan bersambungan. Sedangkan menurut Sutoyo (2009) segmentasi citra

bertujuan untuk membagi wilayah-wilayah yang homogen. Segmentasi adalah

salah satu metode penting yang digunakan untuk mengubah citra input ke dalam

citra output berdasarkan atribut yang diambil dari citra tersebut. Segmentasi

membagi citra ke dalam daerah intensitasnya masing-masing sehingga bisa

membedakan antara objek dan backgroundnya. Pembagian ini tergantung pada

masalah yang akan diselesaikan. Segmentasi harus dihentikan apabila masing-

masing objek telah terisolasi atau terlihat dengan jelas. Tingkat keakurasian

segmentasi tergantung pada tingkat keberhasilan prosedur analisis yang dilakukan

dan diharapkan proses segmentasi memiliki tingkat keakuratan yang tinggi.

Algoritma dari segmentasi terbagi dalam dua macam yaitu :

o Diskontinuitas

Pembagian citra berdasarkan perbedaan dalam intensitasnya.

Contohnya titik, garis, dan tepi.

o Similaritas

Pembagian citra berdasarkan kesamaan-kesamaan criteria yang

dimilikinya, contohnya thresholding, region growing, region

splitting, dan region merging.

2.10 Tekstur

Menurut Kadir dan Susanto (2013), Selain melibatkan fitur bentuk, tekstur

banyak digunakan sebagai fitur untuk temu kembali citra. Hal ini disebabkan

beberapa objek mempunyai pola-pola tertentu, yang bagi manusia mudah untuk

dibedakan. Oleh karena itu, diharapkan komputer juga dapat mengenali sifat-sifat

seperti itu. Dalam praktik, tekstur digunakan untuk berbagai kepentingan.

20


Umumnya, aplikasi tekstur dapat dibagi menjadi dua kategori. Pertama

adalah untuk kepentingan segmentasi. Pada proses ini, tekstur dipakai untuk

melakukan pemisahan antara satu objek dengan objek yang lain. Kedua adalah

untuk klasifikasi tekstur, yang menggunakan fitur-fitur tekstur untuk

mengklasifikasi objek. Beberapa contoh aplikasi tekstur disajikan di bawah ini

(Tuceryan dan Jain, 1998).

• Inspeksi secara otomatis pada industri tekstil, pengecatan mobil,

pemakaian karpet.

• Analisis citra medis. Misalnya, tekstur digunakan untuk klasifikasi

penyakit paru-paru, diagnosis leukemia, dan pembedaan tipe-tipe sel darah

putih.

• Analisis penginderaan jarak-jauh. Misalnya, tekstur dipakai untuk

kepentingan klasifikasi area tanah.

Kulkarni (1994) mendefinisikan tekstur sebagai hubungan mutual antara

nilai intensitas piksel-piksel yang bertetangga yang berulang di suatu area yang

lebih luas daripada jarak hubungan tersebut. Namun, penjelasan seperti itu pun

masih menyisakan ketidakmudahan untuk mengenali pengulangan yang terjadi

pada citra. Ada suatu pengulangan yang terkadang sulit dijabarkan, tetapi mudah

ditangkap oleh mata, seperti yang terdapat pada Gambar 2.8 (a) dan Gambar 2.8

(b). Hal ini berbeda dengan Gambar 2.8 (c). Citra yang disebut terakhir

mempunyai sifat pengulangan yang mudah dilihat. Namun, pada ketiga gambar

tersebut, jelas bahwa ada suatu tekstur yang terkandung dalam setiap citra.

Tekstur pada Gambar 2.8(c), dari sisi keteraturan pola, adalah yang paling mudah

untuk dikenali. (Kadir dan Susanto, 2013)

21


Gambar 2.6Tekstur Pola Citra

(Sumber: https://pojokteknologi.com/id/2015/06/13/pola-citra-tekstur-metode-eucludean-

2/)

2.11 Klasifikasi

Menurut Prasetyo (2012), klasifikasi merupakan suatu pekerjaan menilai

objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas

yang tersedia. Dalam klasifikasi ada dua pekerjaan utama yang dilakukan, yaitu

pembangunan model sebagai prototipe untuk disimpan sebagai memori dan

penggunaan model tersebut untuk melakukan pengenalan/ klasifikasi/ prediksi

pada suatu objek data lain agar diketahui di kelas mana objek data tersebut dalam

model yang sudah disimpannya.

Kerangka kerja seperti yang ditunjukkan pada gambar 2.10 meliputi dua

langkah proses, yaitu induksi dan deduksi. Induksi merupakan langkah untuk

membangun model klasifikasi dari data latih yang diberikan, disebut juga proses

pelatihan, sedangkan deduksi merupakan langkah untuk menerapkan model

tersebut pada data uji sehingga kelas yang sesungguhnya dari data uji dapat

diketahui, disebut juga proses prediksi.

22


Gambar 2.7Proses Pekerjaan Klasifikasi

(Sumber: Data Mining: Konsep dan Aplikasi Menggunakan Matlab,2012)

Berdasarkan cara pelatihan, algoritma-algoritma klasifikasi dapat dibagi

menjadi dua macam, yaitu eager learner dan lazy learner. Algoritma-algoritma

yang termasuk dalam kategori eager learner didesain untuk melakukan

pembacaan/ pelatihan/ pembelajaran pada data latih agar dapat memetakan

dengan benar setiap vektor masukan ke label kelas keluarannya sehingga di akhir

proses pelatihan, model sudah dapat memetakan semua vektor data uji ke label

kelas keluarannya dengan benar. Selanjutnya, setelah proses pelatihan tersebut

selesai, model (biasanya berupa bobot atau sejumlah nilai kuantitas tertentu)

disimpan sebagai memori, sedangkansemua data latihnya dibuang. Proses prediksi

dilakukan dengan model yang tersimpan, tidak melibatkan data latih sama sekali.

Cara ini mengakibatkan proses prediksi berjalan dengan cepat, tetapi harus

dibayar dengan proses pelatihan yang lama. Algoritma-algoritma klasifikasi yang

masuk kategori ini, diantaranya, adalah Artificial Neural Network (ANN), Support

Vector Machine (SVM), Decision Tree, Bayesian, dan sebagainya. (Prasetyo,

2012)

23


Sementara algoritma-algoritma yang masuk dalam kategori lazy learner

hanya sedikit melakukan pelatihan (atau tidak sama sekali), hanya menyimpan

sebagian atau seluruh data latih, kemudian menggunakannya dalam proses

prediksi. Hal ini mengakibatkan proses prediksi menjadi lama karena model harus

membaca kembali semua data latihnya agar dapat memberikan keluaran label

kelas dengan benar pada data uji yang diberikan. Kelebihan algoritma seperti ini

adalah proses pelatihan yang berjalan dengan cepat. Algoritma-algoritma

klasifikasi yang masuk kategori ini, di antaranya, adalah K-Nearest Neighbor (K-

NN), Fuzzy K-Nearest Neighbor (FK-NN), Regresi Linear, dan sebagainya.

(Prasetyo, 2012)

2.12 Support Vector Machine (SVM)

Menurut Widodo, et al. (2013), Support Vector Machine (SVM)

merupakan metode klasifikasi jenis terpandu (supervised) karena ketika proses

pelatihan, diperlukan target pembelajaran tertentu. SVM muncul pertama kali

pada tahun 1992 oleh Vladimir Vapnik bersama rekannya Bernhard Boser dan

Isabelle Guyon.

Ide dasar SVM adalah memaksimalkan batas hyperplane (maximal margin

hyperplane) seperti yang diilustrasikan pada gambar 2.10(diatas). Konsep

klasifikasi dengan SVM dapat dijelaskan secara sederhana sebagai usaha untuk

mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas data

pada ruang input. Hyperplane (batas keputusan) pemisah terbaik antara kedua

kelas dapat ditemukan dengan mengukur margin hyperplane tersebut dan mencari

titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan data

terdekat dari masing-masing kelas. Data yang paling dekat ini disebut support

vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari proses

pelatihan pada SVM(Prasetyo, 2012).

24


2.12.1 SVM Linear

Kasus data yang terpisah secara linear adalah kasus yang termudah.

Misalnya kita memiliki data yang terdiri dari kelas orang yang membeli komputer

dan yang tidak membeli komputer (Xi,Yi), (X2,Y2), ..., (X|D|,Y|D|). Data tersebut

kita beri notasi X dan kelasnya adalah y dimana yi hanya memiliki dua

kemungkinan yakni +1 atau -1. (Widodo, et al., 2013)

SVM memecahkan masalah klasifikasi dengan mencari hyperplane

marjinal maksimum dimana ada jumlah tak terbatas hyperplanes yang harus dicari

mana yang terbaik. Secara intuitif, hyperplane dengan margin yang lebih besar

lebih akurat dalam mengklasifikasikan data dibanding margin yang lebih kecil.

Inilah sebabnya mengapa (selama pembelajaran), SVM mencari hyperplane

dengan margin terbesar, dikenal dengan istilah Maximum Marginal Hyperplane

(MMH). Untuk definisi margin, kita dapat mengatakan bahwa jarak terpendek

dari hyperplane ke satu sisi margin adalah sama dengan jarak terpendek dari

hyperplane yang ke sisi lain dari margin, dimana “sisi” dari margin sejajar dengan

hyperplane tersebut. (Widodo, et al., 2013)

Sebuah hyperplane dapat ditulis sebagai

𝑊.𝑋+𝑏=0 (2.10)

Di mana W adalah vektor bobot, yaitu, W = {w1, w2, ..., wn}, n adalah jumlah

atribut, dan b adalah skalar yang sering disebut sebagai bias. Jika b sebagai bobot

tambahan, w0, kita dapat menulis ulang hyperplane pemisah sebagai

𝑤0+𝑤1𝑥1+𝑤2𝑥2=0 (2.11)

Dengan demikian, setiap titik yang terletak di atas hyperplane pemisah

memenuhi:

𝑤0+𝑤1𝑥1+𝑤2𝑥2>0 (2.12)

Demikian pula, setiap titik yang terletak di bawah hyperplane pemisah memenuhi:

𝑤0+𝑤1𝑥1+𝑤2𝑥2<0 (2.13)

Bobot dapat disesuaikan sehingga hyperplanes dapat mendefinisikan “sisi” dari

margin yang ditulis sebagai:

25


𝐻1:𝑤0+𝑤1𝑥1+𝑤2𝑥2≥1 untuk yi = +1 (2.14)

𝐻1:𝑤0+𝑤1𝑥1+𝑤2𝑥2≤1 untuk yi = -1 (2.15)

Artinya, setiap tupel yang jatuh pada atau di atas H1 milik kelas +1, dan

setiap tuple yang jatuh pada atau di bawah H2 milik kelas -1. (Widodo, et al.,

2013)

2.12.2 SVM Non Linear

Menurut (Prasetyo, 2012) untuk data yang distribusi kelasnya tidak linear

biasanya digunakan pendekatan kernel pada fitur data awal set data. Kernel dapat

didefinisikan sebagai suatu fungsi yang memetakan fitur data dari dimensi awal

(rendah) ke fitur lain yang berdimensi lebih tinggi (bahkan jauh lebih tinggi).

Pendekatan ini berbeda dengan metode klasifikasi pada umumnya yang justru

mengurangi dimensi awal untuk menyederhanakan proses komputasi dan

memberikan akurasi prediksi yang lebih baik.

Algoritma pemetaan kernel ditunjukkan sebagai berikut :

Φ merupakan fungsi kernel yang digunakan untuk pemetaan, D

merupakan data latih, q merupakan set fitur dalam satu data yang lama, dan r

merupakan set fitur yang baru sebagai hasil pemetaan untuk setiap data latih.

Sementara x merupakan data latih, dimana x1, x2, ..., xn ϵ Dq merupakan fitur-

fitur yang akan dipetakan ke fitur berdimensi tinggi r, jadi untuk set data yang

digunakan sebagai pelatihan dengan algoritma yang ada dari dimensi fitur yang

lama D ke dimensi baru r. (Prasetyo, 2012)

Untuk pilihan fungsi kernel yang banyak digunakan dalam aplikasi, dapat

dilihat pada tabel 2.1. x dan y adalah pasangan dua data dari semua bagian data

latih. Parameter 𝜎, c, d > 0, merupakan konstanta. (Prasetyo, 2012)

26


2.12.3 SVM Multiclass

SVM pada dasarnya didesain untuk klasifikasi biner (dua kelas). Namun,

penelitian lebih lanjut untuk mengembangkan SVM sehingga bisa mengklasifikasi

data yang memiliki lebih dari dua kelas, terus dilakukan. Ada dua pilihan untuk

mengimplementasikan multiclass SVM yaitu dengan menggabungkan beberapa

SVM biner atau menggabungkan semua data yang terdiri dari beberapa kelas ke

dalam sebuah bentuk permasalahan optimasi. Namun, pada pendekatan yang

kedua permasalahan optimasi yang harus diselesaikan jauh lebih rumit.

2.12.4 Karakteristik SVM

Menurut Prasetyo (2012), karakteristik klasifikasi SVM dapat diringkas

menjadi seperti berikut:

1. SVM merupakan teknik klasifikasi yang semi-eager leaner karena

selain memerlukan proses pelatihan, SVM juga menyimpan

sebagian kecil data latih untuk digunakan kembali pada saat proses

prediksi.

2. Untuk parameter yang sama yang digunakan dalam klasifikasi,

SVM memberikan model klasifikasi yang solusinya adalah global

optima, tidak seperti Artificial Neural Network (ANN) yang

solusinya sering masuk pada wilayah lokal optima. Hal ini berarti

SVM selalu memberikan model yang sama dan solusi dengan

margin maksimal, sedangkan ANN memberikan model dengan

nilai yang berbeda dengan margin yang tidak selalu sama.

3. Proses pelatihan yang dilakukan oleh SVM tidak sebanyak ANN,

tetapi sering kali memberikan kinerja yang lebih baik daripada

ANN.

4. Tidak membutuhkan pemilihan parameter-parameter seperti pada

ANN. SVM hanya menentukan fungsi kernel yang harus

digunakan (untuk kasus data yang distribusi kelasnya tidak dapat

dipisahkan secara linear).

27


5. SVM membutuhkan komputasi pelatihan dan prediksi yang rumit

karena dimensi data yang digunakan dalam proses pelatihan dan

prediksi lebih besar daripada dimensi yang sesungguhnya.

6. Untuk set data berjumlah besar, SVM membutuhkan memori yang

sangat besar untuk alokasi matriks kernel yang digunakan.

7. Penggunaan matriks kernel mempunyai keuntungan lain, yaitu

kinerja set data dengan dimensi besar tetapi jumlah datanya sedikit

akan lebih cepat karena ukuran data pada dimensi baru berkurang

banyak.

2.13 Pengertian Mikrokomputer Raspberry Pi

2.13.1 Mikrokomputer

Saat ini perkembangan teknologi semakin pesat berkat adanya teknologi

mikrokomputer, sehingga rangkaian kendali atau rangkaian kontrol semakin

banyak dibutuhkan untuk mengendalikan berbagai peralatan yang digunakan

manusia dalam kehidupan sehari-hari. Dari rangkaian kendali inilah akan

terciptanya suatu alat yang dapat mengendalikan sesuatu. Rangkaian kendali atau

rangkaian kontrol adalah rangkaian yang dirancang sedemikian rupa sehingga

dapat melakukan fungsi–fungsi kontrol tertentu sesuai dengan kebutuhan.

Bermula dari dibuatnya Integrated Circuit (IC). Selain IC, alat yang dapat

berfungsi sebagai kendali adalah chip sama halnya dengan IC. Chip merupakan

perkembangan dari IC, dimana chip berisikan rangkaian elektronika yang dibuat

dari artikel silicon yang mampu melakukan proses logika. Chip berfungsi sebagai

media penyimpan program dan data, karena pada sebuah chip tersedia RAM

dimana data dan program ini digunakan oleh logic chip dalam menjalankan

prosesnya. Chip lebih di identikkan dengan dengan kata mikroprosesor(Ii &

Pustaka, n.d.).

28


Mikroprosesor adalah bagian dari Central Processing Unit (CPU) yang

terdapat pada komputer tanpa adanya memori, I/O yang dibutuhkan oleh sebuah

sistem yang lengkap. Selain mikroprosesor ada sebuah chip lagi yang dikenal

dengan nama mikrokomputer. Berbeda dengan mikroprosesor, pada

mikrokomputer ini telah tersedia I/O dan memori. Dengan kemajuan teknologi

dan dengan perkembangan chip yang pesat sehingga saat ini didalam sekeping

chip terdapat CPU memori dan kontrol I/O. Chip jenis ini sering disebut

mikrokontroller. Mikrokontroller merupakan sebuah sistem komputer di mana

seluruh atau sebagian besar elemennya dikemas dalam satu chip IC (Integrated

Circuit), sehingga sering disebut single chip microcomputer. Mikrokomputer juga

merupakan sebuah sistem komputer yang memiliki satu atau beberapa tugas yang

spesifik, berbeda dengan PC yang memiliki beragam fungsi. Perbedaan yang lain

adalah perbandingan RAM dan ROM yang sangat besar antara mikrokontroller

dengan komputer. Dalam mikrokontroller ROM jauh lebih besar dibanding RAM,

sedangkan dalam komputer atau PC RAM jauh lebih besar dibanding ROM.

Mikrokomputer memiliki kemampuan untuk mengolah serta memproses data

sekaligus juga dapat digunakan sebagai unit kendali, maka dengan sekeping chip

yaitu mikrokomputer kita dapat mengendalikan suatu alat.

Mikrokontroller mempunyai perbedaan dengan mikroprosesor dan

mikrokomputer. Suatu mikroprosesor merupakan bagian dari CPU tanpa memori

dan I/O pendukung dari sebuah komputer, sedangkan mikrokontroller umumnya

terdiri atas CPU, memory, I/O tertentu dan unit – unit pendukung lainnya. Pada

dasarnya terdapat perbedaan sangat mencolok antara mikrokontroler dan

mikroprosesor serta mikrokomputer yaitu pada aplikasinya, karena

mikrokontroller hanya dapat digunakan pada aplikasi tertentu saja. Kelebihan

lainnya yaitu terletak pada perbandingan Random Access Memory (RAM) dan

Read Only Memory (ROM). Sehingga ukuran board mikrokontroller menjadi

sangat ringkas atau kecil, dari kelebihan yang ada terdapat keuntungan pemakaian

mikrokontroller dengan mikroprosesor yaitu pada mikrokontroller sudah terdapat

RAM dan peralatan I/O pendukung sehingga tidak perlu menambahnya lagi. Pada

29


dasarnya struktur dari mikroprocesor memiliki kemiripan dengan mikrokomputer.

Mikrokomputer biasanya dikelompokkan dalam satu keluarga, masing-masing

mikrokomputer memiliki spesifikasi tersendiri namun cocok dalam

pemrogramannya (Ii & Pustaka, n.d.).misalnya:

• Altair 8800

• Tandy TRS-80

• IBM PC/kompatibel (Desktop)

• IBM PC/kompatibel (Laptop)

• Apple I

• Apple II

• Apple Lisa

• Apple Macintosh

• Apple iMac

• Apple MacMini

• Apple PowerMac

• Apple PowerBook

• Apple iBook

• Apple MacBook

2.13.2 Raspberry Pi

Raspberry Pi adalah sebuah komputer papan tunggal (single-board

computer) atau SBC berukuran kartu kredit. Raspberry Pi telah dilengkapi dengan

semua fungsi layaknya sebuah komputer lengkap, menggunakan SoC (System-on-

a-chip) ARM yang dikemas dan diintegrasikan diatas PCB. Perangkat ini

menggunakan kartu SD untuk booting dan penyimpanan jangka panjang.

(Bambang, dkk., 2015).

30


Saat ini terdapat lima model dari keluarga Raspberri Pi, yakni : Raspberry

Pi Model A +, Raspberry Pi Model B +, Raspberry Pi 2, Raspberry Pi 3, dan

Raspberry Pi Zero. Yang pada dasarnya merupakan pengembangan dari dua

model Raspberry Pi, yaitu model A dan model B.

Secara keseluruhan, perbedaan antar masing-masing model terletak pada

kekuatan prosesor, jumlah port USB, ada atau tidaknya port jaringan, bluetooth,

wireless, dan lain sebagainya, meskipun untuk desain tidak begitu berbeda

(Wiley, 2016). Untuk penyimpanan data didisain tidak menggunakan hard disk

atau solid-state drive, melainkan mengandalkan kartu SD (SD memory card)

untuk booting dan penyimpanan jangka panjang. Hardware Raspberry Pi tidak

memiliki real-time clock, sehingga OS harus memanfaatkan timer jaringan server

sebagai pengganti. Namun komputer yang mudah dikembangkan ini dapat

ditambahkan dengan fungsi real-time (seperti DS1307) dan banyak lainnya,

melalui saluran GPIO (General-purpose input/output) via antarmuka I²C (Inter-

Integrated Circuit). Raspberry Pi bersifat open source (berbasis Linux),

Raspberry Pi bisa dimodifikasi sesuai kebutuhan penggunanya. Sistem operasi

utama Raspberry Pi menggunakan Debian GNU/Linux dan bahasa pemrograman

Python. Salah satu pengembang OS untuk Raspberry Pi telah meluncurkan sistem

operasi yang dinamai Raspbian, Raspbian diklaim mampu memaksimalkan

perangkat Raspberry Pi. Sistem operasi tersebut dibuat berbasis Debian yang

merupakan salah satu distribusi Linux OS (Gay, 2014).

2.14 Metode Pengumpulan Data

Metode pengumpulan data adalah teknik atau cara-cara yang dapat

digunakan oleh peneliti untuk mengumpulkan data. (Sudaryono, 2011)

2.14.1 Studi Pustaka

Studi pustaka adalah menganalisis secara kritis pustaka penelitian yang

ada saat ini. Studi pustaka tersebut perlu dilakukan secara ketat dan harus

mengandung keseimbangan antara uraian deskriptif dan analisis. Identifikasi

kekuatan dan kelemahan pustaka tersebut dengan menelaah hasil atau temuan

31


penelitian tersebut, metodologi yang digunakan, serta bagaimana hasil temuan

tersebut dibandingkan penelitian atau publikasi lainnya. (Sudaryono, 2011)

2.14.2 Observasi

Observasi adalah melakukan pengamatan secara langsung ke obyek

penelitian untuk melihat dari dekat kegiatan yang dilakukan. Obyek dari

penelitian adalah perilaku, tindakan manusia, fenomena, dan proses kerja.

(Sudaryono, 2011).

Menurut Cartwright, CA & Cartwright, GP, dalam bukunya Developing

Observation Skill. Mendefinisikan observasi sebagai suatu proses melihat,

mengamati dan mencermati serta merekam perilaku secara sistematis untuk suatu

tujuan tertentu. Sedangkan tujuan dari observasi adalah untuk mendeskripsikan

perilaku objek serta memahaminya atau bisa juga hanya ingin mengetahui

frekuensi suatu kejadian. Dari sini bisa difahami bahwa inti dari observasi adalah

adanya perilaku yang tampak dan adanya tujuan yang ingin dicapai. Perilaku

yang tampak dapat berupa perilaku yang dapat dilihat langsung oleh mata, dapat

didengar, dapat dihitung, dan dapat diukur.

2.14.3 Kuesioner

Kuesioner merupakan teknik pengumpulan data yang dilakukan dengan

cara memberi seperangkat pertanyaan atau pertanyaan tertulis kepada responden

untuk dijawabnya, Metode ini diyakini mampu mendapatkan data yang lebih

akurat dan objektif terhadap permasalahan yang didapat langsung dari responden

(Sudaryono, 2011)

2.14.4 Wawancara

Johnson & Christensen (2004) wawancara adalah metode pengumpul data

atau alat pengumpul data yang menunjukkan peneliti sebagai pewawancara

mengajukan sejumlah pertanyaan pada partisipan sebagai subjek yang

diwawancarai. Mcleod (2003) wawancara adalah cara yang feksibel untuk

mengumpulkan data penelitian yang rinci dan pribadi. Kehadiran wawancara

32


memungkinkan terus-menerus pemantauan mengenai informasi yang

dikumpulkan, dan peneliti memeriksa apa yang dikatakan oleh partisipan.

2.15 Metode Prototipe

Menurut Houde dan Hill dalam bukunya “What do Prototypes

Prototypes?” terbitan USA: Apple Computer.Inc Prototyping merupakan salah

satu metode pengembangan perangkat lunak yang banyak digunakan. Dengan

metode Prototyping ini pengembang dan pelanggan dapat saling berinteraksi

selama proses pembuatan sistem. Sering terjadi seorang pelanggan hanya

mendefiinisikan secara umum apa yang dikehendakinya tanpa menyebutkan

secara detail output apa saja yang dibutuhkan, pemrosesan dan data-data apa saja

yang dibutuhkan.

Untuk mengatasi ketidaksesuaian antara pelanggan dan pengembang,

maka dibutuhkan kerjasama yang baik diantara keduanya sehingga pengembang

akan mengetahui dengan benar apa yang diinginkan pelanggan dengan tidak

mengesampingkan segi-segi teknis dan pelanggan akan mengetahui proses-proses

dalam menyelesaikan sistem yang diinginkan. Dengan demikian akan

menghasilkan sistem yang sesuai dengan jadwal waktu penyelesaian yang telah

ditentukan.

Prototyping merupakan pendekatan iteratif dalam pengembangan sistem

yang dibuat. Secara umum tujuan pengembangan sistem informasi adalah untuk

memberikan kemudahan dalam penyimpanan informasi, mengurangi biaya dan

menghemat waktu, meningkatkan pengedalian, mendorong pertumbuhan,

meningkatkan produktifitas serta profitabilitas organisasi. Dalam beberapa tahun

terakhir ini, peningkatan produktifitas organisasi ini dibantu dengan

berkembangnya teknologi komputer baik hardware maupun software-nya.

Istilah prototyping dalam hubungannya dengan pengembangan software

sistem informasi lebih merupakan suatu proses bukan prototipe sebagai suatu

produk (Pressman, 2010)

33


Gambar 2.8 Paradigma Prototyping

(Sumber : Pressman, 2010)

2.15.1 Karakteristik Metode Prototyping

Lima langkah yang menjadi karakteristik metode prototyping masih

menurut Houde dan Hill dalam bukunya “What do Prototypes Prototypes?”

terbitan USA : Apple Computer,Inc yaitu :

1. Pengumpulan kebutuhan.

2. Pemilahan Fungsi untuk merencanakan percobaan harus mengacu pada fungsi

yang ditampilkan oleh prototyping. Pemilahan dilakukan berdasarkan pada

tugas-tugas yang relevan yang sesuai dengan contoh kasus yang akan

diperagakan.

3. Pembangunan Prototipe bertujuan untuk memenuhi tersedianya prototipe.

4. Evaluasi Prototipe.

5. Penggunaan Selanjutnya

2.15.2 Jenis-Jenis Prototyping

Berikut adalah jenis-jenis dari Prototyping (Houde dan Hill, 2004) :

4 Feasibility prototyping – digunakan untuk menguji kelayakan dari teknologi

yang akan digunakan untuk sistem informasi yang akan disusun.

4 Requirement prototyping – digunakan untuk mengetahui kebutuhan aktivitas

bisnis user.

34


4 Desain prototyping – digunakan untuk mendorong perancangan sistem

informasi yang akan digunakan.

4 Evaluation prototyping – digunakan untuk mengevaluasi hasil jadi dari suatu

prototipe.

4 Implementation prototyping – merupakan lanjutan dari rancangan sistem,

dimana prototipe ini langsung disusun sebagai suatu sistem informasi yang

akan digunakan.

2.15.3 Keunggulan dan Kelemahan Metode Prototyping

Segala sesuatu memiliki keunggulandan kelemahan, begitu pula dengan

metode prototyping yang memiliki keunggulan dan kelemahan, berikut

penjelasannya (Houde & Hill, 2004).

A. Keunggulan

1. End user dapat berpartisipasi aktif.

2. Penentuan kebutuhan lebih mudah diwujudkan.

3. Mempersingkat waktu pengembangan sistem informasi.

B. Kelemahan

1. Proses analisis dan perancangan terlalu singkat.

2. Mengesampingkan alternatif pemecahan masalah.

3. Kurang fleksible dalam menghadapi perubahan.

4. Prototipe yang dihasilkan tidak selamanya mudah dirubah.

2.16 Black-Box Testing

Pengujian black-box, juga disebut pengujian perilaku atau behavioral

testing, berfokus pada persyaratan fungsional perangkat lunak. Pengujian black-

box berusaha untuk menemukan kesalahan pada beberapa kategori berikut: (1)

fungsi-fungsi yang salah atau hilang, (2) kesalahan interface, (3) kesalahan dalam

struktur data atau akses database eksternal, (4) kesalahan pada performa atau

behavior, dan (5) kesalahan pada inisialisasi dan terminasi. (Pressman, 2010).

Berikut perbandingan metode testing:

35


Tabel 2.1 Perbandingan Metode Testing

Metode Kelebihan Kekurangan

White Box Testing Mampu menemukan

kesalahan logika dan

pengetikan pada kode

program(Mustaqbal,

2015)

Metode yang dianggap

boros karena membutuhkan

banyak sumber daya untuk

menjalankannya(Mustaqbal,

2015)

Black Box Testing Dapat menemukan

kesalahan fungsi,

kesalahan output, dan

kesalahan performa

inisiasi

program(Mustaqbal,

2015)

Hanya fokus pada fungsi

dari perangkat lunak.(

Mustaqbal, 2015)

2.17 Flowchart

Flowchart merupakan penggambaran secara grafik dari langkah-langkah

dan urutan prosedur suatu program. Biasanya mempermudah penyelesaian

masalah yang khususnya perlu dipelajari dan dievaluasi lebih lanjut. (Indrajani,

2011).

2.17.1Cara Membuat Flowchart

Berikut ini beberapa petunjuk dalam pembuatan Flowchart Menurut

Sulindawati dan M. Fathoni (2010):

1. Flowchart digambarkan dari halaman atas ke bawah dan kiri ke kanan.

2. Aktifitas yang digambarkan harus didefinisikan secara hati-hati dan definisi

ini harus dapat dimengerti oleh pembacanya.

3. Kapan aktifitas dimulai dan berakhir harus ditentukan secara jelas.

36


4. Setiap langkah dari aktivitas harus diuraikan dengan menggunakan deskripsi

kata kerja.

5. Setiap langkah dari aktifitas harus berada pada urutan yang benar.

6. Lingkup dan range dari aktifitas yang sedang digambarkan harus ditelusuri

dengan hati-hati.

7. Gunakan simbol-simbol flowchart yang standar.

2.17.2 Jenis-Jenis Flowchart

Menurut Sulindawati (2010), Flowchart terbagi atas lima jenis, yaitu:

a. Bagan Alir Sistem (Systems Flowchart)

Flowchart Sistem merupakan bagan yang menunjukan alur kerja atau

apa yang sedang dikerjakan di dalam sistem secara keseluruhan dan

menjelaskan urutan dari prosedur-prosedur yang ada di dalam sistem. Dengan

kata lain, flowchart ini merupakan deskripsi secara grafik dari urutan

prosedur-prosedur yang terkombinasi yang membentuk sistem. Flowchart

sistem terdiri dari tiga data yang mengalir melalui sistem dan proses yang

mentransformasikan data itu. Data dan proses dalam flowchart sistem dapat

digambarkan secara online (dihubungkan langsung dengan komputer) atau

offline (tidak dihubungkan langsung dengan komputer, misalnya mesin tik,

cash register atau kalkulator)

b. Bagan Alir Dokumen (Document Flowchart)

Flowchart Paperwork menelusuri alur dari data yang ditulis melalui

sistem. Flowchart Paperwork sering disebut juga dengan Flowchart

Dokumen. Kegunaan utamanya adalah untuk menelusuri alur form dan laporan

sistem dari satu bagian ke bagian lain baik bagaimana alur form dan laporan

diproses, dicatat atau disimpan.

c. Bagan Alir Skematik (Schematic Flocwchart)

Flowchart Skematik mirip dengan Flowchart Sistem yang

menggambarkan suatu sistem atau prosedur. Flowchart Skematik ini bukan

hanya menggunakan simbol-simbol flowchart standart, tetapi juga

menggunakan gambar-gambar komputer, peripeheral, form-form atau

37


peralatan lain yang digunakan dalam sistem. Flowchart Skemantik digunakan

sebagai alat komunikasi antara analis sistem dengan seseorang yang tidak

familiar dengan simbol-simbol flowchart yang konvensional. Pemakaian

gambar sebagai ganti dari simbol-simbol flowchart akan menghemat waktu

yang dibutuhkan oleh seseorang untuk mempelajari simbol abstrak sebelum

dapat mengerti flowchart.

d. Bagan Alir Program (Program Flowchart)

Flowchart Program dihasilkan dari Flowchart Sistem. Flowchart

Program merupakan keterangan yang lebih rinci tentang bagaimana setiap

langkah program atau prosedur sesungguhnya dilaksanakan. Flowchart ini

menunjukan setiap langkah program atau prosedur dalam urutan yang tepat

saat terjadi. Programmer menggunakan Flowchart Program untuk

menggambarkan urutan instruksi dari program komputer. Analisa sistem

menggunakan flowchart program untuk menggambarkan urutan tugas-tugas

pekerjaan dalam suatu prosedur atau operasi.

e. Bagan Alir Proses (Process Flowchart)

Flowchart Proses merupakan teknik menggambarkan rekayasa

industrial yang memecah dan menganalisis langkah-langkah selanjutnya

dalam suatu prosedur atau sistem. Flowchart Proses memiliki lima simbol

khusus. Flowchart Proses digunakan oleh perekayasa industrial dalam

mempelajari dan mengembangkan proses-proses manufacturing. Dalam

analisis sistem, Flowchart ini digunakan secara efektif untuk menelusuri alur

suatu laporan.

38


2.17.3 Simbol-Simbol Flowchart

Berikut ini merupakan beberapa simbol yang digunakan dalam

menggambar suatu flowchart:

Gambar 2.9 Simbol Flowchart

(Sumber: https://4.bp.blogspot.com/-

BcvNWmUVNHQ/VpM1W0V_LRI/AAAAAAAAAEM/k89lijfJpSc/s1600/Simbol%2B

Flowchart.jpg)

39

BAB III

METODOLOGI PENELITIAN

Pada Bab 3 ini akan dibahas mengenai pengumpulan data dan informasi

sebagai bahan yang mendukung kebenaran materi pembahasan. Selain

penyelesaikan masalah yang ada dalam sebuah perancangan sistem, maka

diperlukan beberapa tahap yang harus dilakukan. Dalam bab ini akan dijelaskan

mengenai metodologi penelitian yang digunakan serta tahapan yang penulis

lakukan dalam melakukan penelitian.

3.1 Metode Pengumpulan Data

Pengumpulan data dimaksudkan untuk mencari dan mengumpulkan

data yang terkait dengan penelitian seperti dasar teori, metodologi penulisan,

metodologi proses, dan acuan penelitian sejenis. Dalam penelitian ini, metode

pengumpulan data yang dilakukan adalah observasi, wawancara, kuesioner, studi

pustaka, dan studi literatur.

3.1.1 Data Primer

3.1.1.1 Studi Lapangan

a. Observasi

Pada proses observasi penulis mendatangi 2 tempat yaitu; pusat

perbelanjaan di Aeon Mall BSD dan gedung FST lt.2. Penulis mengamati

bagaimana tempat sampah yang tersedia sudah membagi jenis sampah organik

dan non organik. Dapat dilakukan analisis bagaimana proses orang membuang

sampah sesuai jenisnya.

40


Hal ini sangat dibutuhkan agar dapat dilakukan analisis untuk membuat

suatu alat pemilah otomatis yang sesuai dengan kebutuhan masyarakat

terhadap kesesuaian dalam membuang sampah sesuai jenisnya. Adapun

pelaksanaan observasi dilakukan pada tanggal 8 Maret 2019 di Aeon Mall

BSD.

b. Wawancara

Dilakukan wawancara secara langsung dengan ketua bank sampah wilayah

Pamulang yang sangat berpengalaman dan memahami permasalahan

mengenai sampah, terkait aktivitas masyarakat dalam pembuangan sampah

terutama kendala dalam penempatan sampah sesuai jenisnya. Ibu Indah selaku

yang diwawancarai merupakan salah satu ketua bank sampah dan anggota

Dinas Lingkungan Hidup(DLH) wilayah Tangerang Selatan. Wawancara

dilakukan untuk mengetahui permasalahan yang dihadapi dan kesesuaian alat

yang akan dibuat. Secara detail, hasil wawancara dapat dilihat pada lampiran.

c. Kuesioner

Kuesioner dilakukan untuk mengetahui tanggapan masyarakat yang

membuang sampah secara lebih objektif untuk menarik generalisasi

kesimpulan mengenai aktivitasnya dalam membuang sampah, terutama dalam

hal kendala untuk penyesuaian pembuangan sampah sesuai jenis serta

mengetahui seberapa tinggi tingkat kebutuhan akan alat pemilah sampah

otomatis. Kuesioner ditujukan untuk masyarakat di kota-kota besar, adapun

penyebaran kuesioner dilakukan secara online selama 3 hari dari tanggal 23 –

26 Maret 2019, kuesioner dapat diakses https://forms.gle/rKJ3ckaFq9oFKxsr8

d. Studi Literatur

Dalam melakukan penelitian, digunakan perbandingan skripsi dan

beberapa produk. Berikut adalah hasil dari perbandingan beberapa literatur

tersebut:

41


Table 3.1 Tabel Studi Literatur

No. Nama

Peneliti/Tahun Judul Penelitian Kekurangan Kelebihan

1. Deni

Almanda/2018

Perancangan Prototype

Pemilah Sampah

Organik dan

Anorganik

Menggunakan Solar

Panel 100 WP Sebagai

Sumber Energi Listrik

Terbarukan.

Masih

menggunakan

arduino Atmega 16

yang merupakan

versi lama,

pemilahan dengan

sensor warna

masih belum

menunjukan

keakuratan yang

optimal, dan

dengan adanya

solar panel

membuat alat

masih terlalu besar.

Daya yang

dihasilkan sudah

ramah lingkungan

dengan

menggunakan solar

panel.

2. Feisal

Ramadhan

Maulana /2017

Design and

Development of Smart

Trash Bin Prototype

for Municipal Solid

Waste Management

Respon untuk

komunikasi

terbilang lambat,

pemrosesan data

masih terlalu

sedikit, dan tingkat

keakuratan

pendeteksiaan

objek masih

kurang optimal.

Cangkupan sistem

yang luas

melingkupi satu

kota, memiliki

penjadwalan

pengambilan sampah

dan memanajemen

serta menganalisis

data sampah.

42


3. Abdur

Rohman/2017

Rancang Bangun

Smart Cleaner Robot

Sebagai Robot

Pengambil dan

Pemilah Sampah

Intensitas cahaya

diluar

mempengaruhi

proses pemilahan,

dan hanya

menggunakan

sensor warna

membuat tingkat

keakuratan kurang

optimal

Robot dapat

mendeteksi kondisi

sampah berada dan

langsung

mengangkutnya

sendiri dengan

menggunakan

gripper dan arm.

3.1.2 Data Sekunder

3.1.2.1 Studi Pustaka dan Literatur

Pada tahapan pengumpulan data dengan cara studi pustaka, dicara

referensi yang sesuai dengan objek yang ingin diteliti. Pencarian referensi

dilakukan di perpustakaan, toko buku, maupun secara online melalui internet.

Setelah mendapatkan referensi yang sesuai, kemudian dipilih berbagai informasi

yang dibutuhkan dalam penelitian ini. Adapun informasi yang didapat digunakan

dalam penyususan landasan teori, metodologi penelitian serta pengembangan

sistem secara langsung. Referensi yang dijadikan acuan dapat dilihat di daftar

pustaka yang terdiri dari 25 referensi.

Studi literatur sejenis merupakan kegiatan mencari literatur yang

mempunyai kesamaan atau berhubungan dengan penelitian yang sedang

dilakukan. Literatur sejenis yang didapatkan berupa jurnal, penulisan skripsi, dan

juga suatu produk, yang kemudian dipahami dan dibuat perbandingan sehingga

penelitian ini dapat menjadi pelengkap atau penyempurnaan dari penelitian-

penelitian yang sudah dilakukan sebelumnya.

43


3.2 Metode Pengembangan Sistem

Dalam pengembangan sistem ini, digunakan metodologi pengembangan

sistem dengan metode Prototyping. Ada 5 tahapan prototyping yang digunakan

dalam metode prototyping (Houde dan Hill, 2004) yaitu:

1) Tahap Pengumpulan Kebutuhan

2) Tahap Perencanaan Percobaan

3) Tahap Membangun Sistem

4) Tahap Evaluasi Sistem

5) Tahap Penggunaan Sistem Selanjutnya

3.2.1 Tahap Pengumpulan Kebutuhan

Paradigma prototyping dimulai dengan adanya komunikasi antara aktor

yang akan menggunakan sistem tersebut untuk menentukan sasaran hasil

keseluruhan dari perangkat lunak/sistem, mengidentifikasi kebutuhan dan

lingkungan dimana sistem tersebut akan digunakan.

Pada tahapan ini pengumpulan kebutuhan yang dilakukan adalah dengan

mencari informasi terkait, melalui referensi buku dan jurnal tentang pemilahan

jenis-jenis sampah organik dan non organik, kemudian mendiskusikannya dengan

pakar atau ahli dibidang penelitian penulis (diskusi dilakukan dengan ahli

dibidang pengolahan sampah) untuk menganalisis masalah lebih lanjut dan

menyimpulkan sebuah solusi yang telah teruji serta manfaat penelitian

kedepannya.

3.2.2 Tahap Perencaan Percobaan

Prototyping selanjutnya perencaan percobaan dengan pengumpulan

persyaratan perancangan seperti bertemu masyarakat daerah perkotaan untuk

menentukan tujuan keseluruhan dari sistem dan alat, mengidentifikasi persyaratan

apapun yang diketahui serta menetukan area garis besar yang mana definisi lebih

lanjut itu diharuskan. Desain berfokus pada representasi dari aspek-aspek

perangkat lunak yang akan dilihat oleh masyarakat selaku pengguna (misalnya,

pendekatan input dan format output) (Presman, 2010).

44


Pada tahapan perencanaan percobaan ini, dilakukan pengumpulan data

dengan cara observasi, wawancara, kuesioner terhadap pihak terkait, studi pustaka

dan literatur. Dari hasil pengumpulan data tersebut, penulis mendapatkan data

mengenai kebiasaan dan kendala masyarakat perkotaan, komponen, tools, teori

yang akan digunakan, data mengenai desain dan proses pembuatan alat dan

sistem. Tahap perencanaan percobaan ini akan terus berjalan selama masih

membangun prototype sampai tahap pengujian alatnya.

3.2.3 Tahap Membangun Sistem

Dalam tahap membangun Sistem ini, difokuskan kepada pembuatan

flowchart untuk system pemilah sampah otomatis dengan machine learning

secara keselurahan, yang kemudian flowchart dibagi lebih spesifik lagi terhadap

fungsi-fungsi yang dapat digunakan dalam sistem, secara garis besar dimulai dari

Raspberry Pi cam mengontrol kamera dan motor servo yang dapat diakses

menggunakan apps arduino IDE yang terhubung melalui jaringan internet, untuk

selanjutnya dapat mengatur pi cam dalam hal pemilahan dan mengendalikan

sistem robot. Dalam tahap ini juga dibuat blok diagram kerja sistem dengan

penjelasan masing-masing tahapannya.

3.2.4 Tahap Evaluasi Sistem

Pada tahap ini, dibuat kode program di pi cam model B menggunakan

bahasa pemrograman python. Selain itu, juga dilakukan pemograman dengan

memanfaatkan server yang merupakan database dibuat untuk menyimpan data

sementara dan mengontrol GPIO melalui jaringan internet, akses internet dapat

dilakukan dengan mudah. Untuk akses webcam digunakan dua toolsyang tersedia

pada pi cam, yaitu tensorflow dan keras dengan cara menginstal pada raspberry pi,

dua tools tersebut berfungsi unutk manangkap gambar berupa foto.

Selanjutnya tahap pembuatan interface, tahap ini menggunakan web

dengan bahasa PHP,kemudian web ditarik kedalam arduino IDE agar dapat

terkoneksi dengan robot. Aplikasi tersebut dapat mengatur dan mengendalikan

sistem pemilahan sampah.

45


3.2.5 Tahap Penggunaan Sistem

Pada tahap ini dilakukan penggunaan dengan metode black box testing

yang bertujuan untuk mengetahui fungsionalitas sistem ataupun alat, dilakukan

pengujian masing-masing modul berikut integrasi keseluruhan unit program guna

mengetahui apakah modul-modul tersebut bekerja sesuai dengan tugasnya.

Selanjutnya tahap menggunakan alat, ini merupakan tahap pembuktian atau

implementasi langsung di wilayah tertutup yang digunakan masyarakat, guna

mengetahui tercapainya tujuan utama pembuatan sistem.

46


3.3 Kerangka Berpikir

Pengembangan robot pemilah sampah organik dan non organik dengan

machine learning berbasis arduino disusun melalui beberapa tahapan yang harus

dilakukan dengan tujuan mempermudah proses penelitian. Adapun alur atau

kerangka penelitian yang dilakukan, dapat dilihat pada gambar 3.1 di bawah ini.

Gambar 3.1 Kerangka Berpikir

47

BAB IV

ANALISIS,PERANCANGAN SISTEM, IMPLEMENTASI DAN

PENGUJIAN SISTEM

Dalam penelitian ini, digunakan metode prototyping yang terdiri dari 5

tahapan (Houde dan Hill, 2004) yaitu: 1) Tahap Pengumpulan Kebutuhan, 2)

Tahap Perencanaan Percobaan, 3) Tahap Membangun Sistem, 4) Tahap Evaluasi

Sistem, 5) Tahap Penggunaan Sistem.

4.1 Tahap Pengumpulan Kebutuhan

Pada tahap pengumpulan kebutuhan ini, dilakukan diskusi langsung

dengan narasumber ahli dibidang pengolahan sampah untuk mengetahui

gambaran sistem yang diperlukan, untuk selanjutnya dijadikan bahan

pertimbangan dalam membangun sistem yang dibutuhkan. Selain itu dilakukan

juga pencarian literatur yang akan dijadikan acuan dalam membangun sistem serta

bahan diskusi dan tahapan dalam menyelesaikan penelitian.

Dari beberapa literatur yang didapat, dapat diketahui bahwa penggunaan

mikrokomputer sudah layak dan cocok, salah satunya pemanfaatan dalam

aktivitas pemilahan jenis-jenis sampah. Tabel 4.1 menjelaskan hasil studi litelatur

yang digunakan dalam penelitian ini.

Table 4.1Hasil studi literatur

Judul Penelitian penelitian Metode/Tools Variabel

A Smart Waste

Management with

Self-Describing

Objects

Yann Glouche,

Paul

Couderc(2013)

RFID, NFC, QR

code, and

Smartphone.

Plastik, Kaca,

dan Kertas.

Automated Municipal

Solid Waste Sorting

for Recycling Using

Sathish

Gundupalli

Paulraj, Atul

Mobile

Manipulator,

sensor metal,

Plastik dan

Alumunium.

48


A Mobile

Manipulator

Thakur, Subrata

Hait.(2016)

sensor 3D, sensor

infrared, dan

conveyor belt.

Vision-based Robotic

Cell Design for

Automated Waste

Manipulation

C Lapusan, C

Rad, O Hancu

and C

Brisan(2018)

RV 2AJ robot,

conveyor belt,

sensor kamera, dan

Matlab.

Benda

padat(hewan,

alumunium,

kayu, dan

besi).

Berdasarkan tabel 4.1 diatas yang berkaitan dengan sistem dalam

membantu pemilahan sampah, yang mana masing-masing literatur menggunakan

mikrokomputer berbeda. Dalam penelitian ini juga digunakan raspberry pi sebagai

mikrokomputer atau komputer mini yang berfungsi sebagai otak pemrosesan

perintah. Jika dibandingkan dengan literatur diatas, penggunaan raspberry pi lebih

praktis dan menyeluruh, baik dalam segi pemograman, ataupun fleksibilitas dalam

menghubungkan ke hardware lainnya. Selain itu raspberry pi 3 model B yang

digunakan dalam penelitian ini, merupakan versi terbaru yang telah dilengkapi

dengan Wi-Fi 802.11n, sehingga tidak perlu lagi menambahkan modul atau

menggunakan slot RJ45 untuk dapat terhubung dengan jaringan internet.

4.2 Tahap Perencanaan Prototipe

Pada tahap ini, dijelaskan apa saja yang menjadi rencana dari sistem, yang

meliputi mendefinisikan ruang lingkup, analisis kebutuhan software maupun

hardware, dan juga analisis sistem berjalan dan usulan.

4.2.1 Mendefinisikan Ruang Lingkup

Ruang lingkup dalam penelitian ini adalah masyarakat umum yang biasa

membuang sampah namun masih memiliki kendala dalam penempatan

sampahnya. Sistem yang dibangun dapat membantu mendeteksi jenis sampah dan

langsung memilah sendiri secara otomatis sampah yang ada tanpa harus

menentukan sendiri.

49


Selain itu dideskripsikan juga sistem pemilahan sampah agar masyarakat

sudah tidak kesulitan lagi dalam membuang sampah dengan sesuai jenisnya.

Pengembangan dilakukan berdasarkan pada hasil kuesioner dan wawancara yang

telah dikumpulkan, dengan melibatkan narasumber dan orang-orang yang masih

kesulitan dalam membuang sampah sesuai jenis sampahnya.

4.2.2 Analisis Kebutuhan Hardware

Dalam pembuatan robot pemilah sampah otomatis ini, dibutuhkan

beberapa perangkat keras atau hardware baik berupa mikrokomputer dan

komponen elektronik lainnya. Pemilihan spesifikasi hardware menjadi sangat

penting agar sistem dapat berjalan dengan baik sesuai dengan kebutuhan

pengguna. Tabel 4.2 menerangkan daftar komponen yang dibutuhkan:

Table 4.2Analisis Kebutuhan Hardware

No. Komponen Jumlah Kegunaan

1. Raspberry Pi 3 Model B 1 Sebagai otak dari sistem yang dapat

mengolah data dan melakukan

seluruh proses pada sistem.

2. Camera USB 1 Menangkap gambar.

3. Motor Servo 1 Penggerak katup pemilahan

sampah.

4. Micro SD 16 GB Class

10

1 Tempat penyimpanan data pada

Raspberry Pi.

5. WiFi Router 1 Memungkinkan Raspberry Pi untuk

dapat terkoneksi dengan server dan

internet.

6. Power Bank Micro USB

5 V 2.4 A

1 Memberikan power untuk Raspbery

Pi untuk dapat menyala.

50


4.2.3 Analisa Kebutuhan Sofware dan Tools

Selain Hardware yang sudah disebutkan sebelumnya, dibutuhkan juga

Software dan Tools untuk mendukung hardware agar berjalan sesuai dengan yang

diharapkan. Berikut software yang dibutuhkan dalam pembuatan robot pemilah

sampah organik dan non organik dengan machine leaarning berbasis arduino ini

agar dapat berjalan sesuai dengan yang diharapkan.

Table 4.3 Analisis Kebutuhan Software dan Tools

No. Nama

Software/Tools

Kegunaan

1.

Pemrograman Bash

Shell

Untuk memberikan instruksi-instruksi kepada

Raspberry Pi.

2.

Pemrograman

Python

Untuk menjalankan script yang dikirim ke

raspberry Pi.

3. Bahasa

Pemrograman JSON

Untuk media pendukung bahasa python agar data

gambar tidak rusak.

4. Usbcam Bertugas melakukan capture foto pada Raspberry

Pi.

5. Protobuf Bertugas melakukan pertukaran data kepada

Raspberry Pi.

6. OpenCV Merupakan tools untuk membantu proses

pemrosesan gambar agar terbaca mikrokomputer.

7. TensorFlow Memungkinkan penulis membuat framework

untuk machine learning.

8. Film morago Memungkinkan penulis untuk melakukan desain

pembuatan video.

51


4.2.4 Analisa Sistem Berjalan

Berdasarkan hasil observasi, wawancara dan kuesioner yang dilakukan,

dapat diketahui bahwa kebanyakan sistem yang berjalan saat ini masih

menggunakan gambar pembeda jenis sampah dalam hal mengedukasi masyarakat

untuk menempatkan sampah berdasar jenisnya. Sistem ini merupakan sistem yang

sebenarnya membantu keefektifan karena masih banyak masyarakat yang tidak

memahami fungsi tong sampah terpisah berdasar jenisnya, Berikut adalah skema

alur dari analisis sistem berjalan.

Gambar 4.1Skema Alur 1 Analisis Sistem yang Berjalan

4.2.5 Analisa Sistem Usulan

Sistem usulan yang diajukan pada tahap ini berdasarkan hasil dari

identifikasi kebutuhan dan analisis sistem berjalan. Digunakan beberapa skema

alur dari analisis sistem usulan berupa sistem pemilahan sampah secara otomatis.

52


Dibawah ini gambaran secara garis besar bagaimana sistem usulan

berjalan dan melakukan Sistem Pemilahan Sampah Organik dan Non Organik

dengan Machine Learning dengan menggunakan Raspberry Pi dan Hardware

pendukung lainnya.

Gambar 4.2 Skema Alur 2 Sistem Usulan

Gambar 4.2 menjelaskan tentang usulan sistem robot pemilah sampah

otomatis. Sistem dapat mendeteksi sekaligus memilah jenis sampah dengan

menggunakan usbcam dan motor servo, untuk selanjutnya dikontrol pada

raspberry pi seperti dalam perintah pengambilan gambar atau video, juga perintah

pemilahan sampah secara otomatis. Pengendalian sistem dapat dilakukan secara

otomatis dengan menggunakan koneksi internet, guna memberikan kemudahan

kepada pengguna alat agar dapat lebih mudah dalam hal pembuangan sampah

53


tanpa harus menentukan sendiri jenis sampah yang sedang dibawa.

Gambar 4.3 Cara Kerja Sistem Usulan

Berikut penjelasan fungsi dari komponen sistem usulan:

1. Motor Servo berfungsi sebagai katup yang akan bergerak kekiri atau

kekanan sesuai dengan proses gambar untuk jenis sampah yang akan

dipilah, alat akan bekerja secara otomatis.

2. Usbcam berfungsi sebagai penangkap gambar objek sampah untuk

selanjutnya diidentifikasi, untuk dapat memberikan informasi berupa

foto atau video.

3. Raspberry Pi berfungsi sebagai otak utama unit pengolahan data dan

sebagai penyimpanan program untuk mengendalikan komponen yang

terhubung.

4. WiFi Router berfungsi sebagai unit koneksi antara Raspberry Pi dan

jaringan internet.

54


5. OpenCV berfungsi untuk mentransfer data atau berkas sesuai dengan

gambar yang akan diolah berada pada jaringan internet.

Dengan menggunakan motor servo yang terhubung dengan usbcam

perintah dapat dikirim melalui jaringan internet yang selanjutnya masuk ke

Raspberry Pi untuk dieksekusi.

Berikut adalah penjelasan dan gambaran secara detil berdasarkan

gambaran secara garis besar di atas:

A. Proses pada Usbcam

1. Usb Camera akan menangkap gambar jika perintah dijalankan,

kemudian data dari gambar akan dikirimkan ke Raspberry Pi melalui

USB port.

2. Hasil tangkapan gambar dari usbcam akan diproses oleh Raspberry Pi

menjadi image capture. Proses ini dilakukan dengan usbcam yang

sebelumnya dilakukan instalasi terlebih dahulu pada Raspberry Pi.

Gambar 4.4 adalah proses yang dilakukan oleh Raspberry Pi dengan

fungsi usbcam.

55


Gambar 4.4 Proses Motion Pada Raspberry Pi

Proses yang berlangsung adalah capture image, dalam hal ini

dijalankan fungsi usbcam dengan kode pada server.

• Kode tensorflow yang terdapat pada server berfungsi untuk

mendeteksi objek, dengan inisialisasi:

"cd tensorflow1/models/research/Object

_detection/"

• Kode usbcam yang terdapat pada server berfungsi untuk

menangkap gambar, dengan inisialisasi:

"python3 Object_detection_picamera.py --usbcam"

Berikut adalah skema alur proses yang lebih spesifik dari setiap proses

yang berjalan pada usbcam dan tensorflow:

Gambar 4.5Proses pada Raspberry Pi dengan Usbcam dan Tensorflow

1. USB Camera akan menangkap gambar yang merupakan gambar yang

mempunyai sinyal analog. Saat ditangkap, gambar dengan sinyal

56


analog diproses usbcam sehingga menjadi sinyal digital dan kemudian

dikirim ke Raspberry Pi melalui USB port.

2. Di dalam Raspberry Pi, gambar dikirim ke prosesor dan kemudian

diolah dengan usbcam dan tensorflow yang telah diinstal sebelumnya

dan tersimpan pada micro sd. Setelah diproses oleh kedua tools diatas,

gambar akan ditampilkan kembali berupa sinyal digital, dalam proses

ini juga melibatkan RAM yang merupakan tempat penyimpanan

sementara. Hasil tangkapan gambar oleh usbcam akan diproses dan

dikirim ke server dengan FTP (File Transfer Protocol) yang

selanjutnya gambar berupa foto atau video tersebut dapat menentukan

secara otomatis jenis sampah yang sesuai dengan tempatnya.

B. Proses pada Motor Servo

1. Motor Servo akan menggerakan katup jika perintah dijalankan,

kemudian sampah akan bergerak kekiri atau kekanan sesuai dengan

hasil pemrosesan dari raspberry pi.

2. Gerakan motor servo merupakan perintah yang diproses oleh

Raspberry Pi dengan program yang sudah ditanamkan pada raspberry

57


pi tersebut. Proses ini dipengaruhi oleh program yang berada pada

kode motorservo1.py yang sudah disimpan pada raspberry pi. Gambar

4.4 adalah proses yang dilakukan oleh Raspberry Pi dengan fungsi

usbcam dan tensorflow.

3. Untuk menghubungkan Pengendali Sistem Pemilahan Sampah dengan

machine learning maka diperlukan sebuah data training, data training

berfungsi sebagai pembelajaran kepada sistem agar bisa membaca

jenis objek yang diidentifikasi dan raspberry pi dalam jaringan

internet, selain itu juga sebagai penyimpanan data. Berikut ini data

yang terdapat pada server raspberry pi (motorservo1.py) untuk

menjalankan Motor Servo:

• Kode utama untuk menggerakan motor sesuai penjadwalan yang

ditentukan, inisialisasinya sebagi berikut:

import RPi.GPIO as GPIO

import time

servoPIN = 17

GPIO.setmode(GPIO.BCM)

GPIO.setup(servoPIN, GPIO.OUT)

p = GPIO.PWM(servoPIN, 50) # GPIO 17 for PWM with

50Hz

p.start(2.5) # Initialization

try:

while True:

p.ChangeDutyCycle(5)

time.sleep(0.5)

p.ChangeDutyCycle(7.5)

time.sleep(0.5)


time.sleep(0.5)

p.ChangeDutyCycle(12.5)

58


time.sleep(0.5)


time.sleep(0.5)

except KeyboardInterrupt:

p.stop()

GPIO.cleanup();

• Kode untuk menggerakan motor yang terdapat pada server.c

dengan inisialisasi sebagai berikut:

"sudo /usr/bin/python3 motorservo1.py"

Berikut adalah skema rangkaian yang lebih spesifik dari setiap proses yang

berjalan pada motor servo:

Gambar 4.6 Rangkaian pada Raspberry Pi untuk Menggerakan Motor Servo

1. Motor Servo akan bergerak sesuai dengan arus yang masuk dari driver.

Arus keluaran dari Raspberry Pi (mikrokomputer) tidak dapat

59


menggerakkan motor servo. Maka diperlukan driver untuk mencatu

arus motor servo.

2. Di dalam Raspberry Pi program untuk menggerakan motor servo

sudah tertanam, seperti pengaturan pin GPIO yang akan digunakan

sebagai keluaran pada raspberry pi juga sebagai Ground atau Volt yang

terhubung dengan driver, pemilihan pin GPIO disesuaikan dengan

fungsinya. Dalam prosesnya raspberry pi akan mengeluarkan sinyal

pulsa yang kemudian sinyal pulsa akan ditangkap dan diolah oleh

driver menjadi sebuah arus yang dapat menggerakan motor servo.

4.3 Tahap Membangun Sistem

4.3.1 Pembuatan Flowchart

Merancang atau mendesain suatu sistem bisa didefinisikan sebagai tugas

yang fokus pada detail spesifikasi dari solusi otomatisasi. Digunakan sebuah

flowchart atau alur kerja dari rancang bangun robot pemilah sampah organik dan

non organik dengan machine learning untuk mempermudah dalam

mengimplementasikan teori, dan tahapan yang dilakukan. Berikut ini gambar

flowchart halaman pengendali dari rancang bangun pemilah sampah organik dan

non organik dengan machine learning.

60


Gambar 4.7Flowchart halaman pengendali

4.3.1.1 Flowchart Machine Learning

Berikut ini merupakan flowchart dari tombol perintah untuk proses

machine learning mengidentifikasi gambar (foto atau video) dengan menggunakan

usbcam yang terhubung pada port USB raspberry pi.

61


Gambar 4.8 Flowchart Machine Learning

Keterangan Gambar:

Alur yang terjadi pada Gambar 4.5 adalah proses machine learning:

1. USB Camera akan menangkap gambar yang kemudian data dari gambar akan

dikirimkan ke Raspberry Pi melalui USB port.

2. Hasil tangkapan gambar dari webcam akan diproses oleh Raspberry Pi

menjadi image capture atau video capture dan tersimpan pada micro sd.

Semua proses ini dilakukan dengan tools tensorflow yang sebelumnya

dilakukan instalasi terlebih dahulu pada Raspberry Pi.

62


3. Gambar kemudian akan dikirim ke Server dengan FTP (File Transfer

Protocol) agar dapat diakses secara online.

4. Gambar berupa foto atau video yang sudah tersimpan pada server selanjutnya

secara langsung diarahkan ke motor servo untuk dieksekusi.

4.3.1.2 Flowchart Pemilahan Sampah pada Motor Servo

Berikut ini merupakan flowchart dari tombol perintah untuk menggerakan

motor servo, dimana motor servo akan bergerak kekiri atau kekanan sesuai

dengan jenis sampah yang diidentifikasi.

Gambar 4.9 Flowchart Pemilahan Sampah pada Motor Servo

63


Keterangan Gambar:

Alur yang terjadi pada Gambar 4.9 adalah proses motor servo dalam memilah

sampah organik dan non organik:

1. Ketika sampah masuk kedalam kotak akan terjadi proses pembacaan oleh

kamera yang akan diidentifikasi terlebih dulu.

2. Sampah dianalisis dan akan mendapat hasil.Setelah hasil objek diketahui,

selanjutnya akan diteruskan Raspberry Pi kepada motor servo.

3. Raspberry Pi memeriksa hasil yang masuk untuk mengetahui perintah kepada

motor servo. Perintah terkonfirmasi untuk selanjutnya dijalankan oleh fungsi

motor yang sudah di hubungkan dengan raspberry pi.

4.3.2 Tahap input data

Dalam penelitian ini data sampel citra yang digunakan sebanyak 4 buah

objek, terdiri dari 2 objek organik dan 2 objek non organik. Masing-masing

jenis objek diambil 10 buah citra berukuran 150 x 150 piksel untuk skenario 1,

dan ukuran 100 x 100 piksel untuk skenario 2. Sehingga total sampel yang

digunakan sebanyak 40 buah.

No Nama

objek

Gambar objek

1 jeruk 1

64


2 jeruk 2

3 jeruk 3

4 jeruk 4

5 jeruk 5

6 Besi 1

65


7 Besi 2

8 Besi 3

9 Besi 4

10 Besi 5

11 Botol 1

66


12 Botol 2

13 Botol 3

14 Botol 4

15 Botol 5

16 Pisang

1

67


4.3.3 Perhitungan manual

A. Ekstraksi warna

Diasumsikan koordinat-koordinat R, G, B [0,1] adalah

berurutan merah, hijau, biru dalam ruang warna RGB, dengan

max adalah nilai maksimum dari nilai red, green, blue, dan min

adalah nilai minimum dari nilai red, green, blue. Untuk

memperoleh sudut hue [0,360] yang tepat untuk ruang warna

HSV.

Rumus pada persamaan menghasilkan nilai value dan

saturation dalam jangkauan RGB [0,1].

17 Pisang

2

18 Pisang

3

19 Pisang

4

20 Pisang

5

68


Kalikan dahulu dengan 255 untuk memperoleh nilai dengan

jangkauan RGB [0,255].

Misalnya ingin ditransformasikan RGB (65, 27, 234) ke dalam

bentuk HSV, maka langkahnya adalah sebagai berikut:

Setiap nilai RGB (65, 27, 234) diubah dalam jangkauan [0,1]

dengan

membagi setiap nilai dengan 255 :

(65

255,

27

255,234

255) = (0.255,0.106,0.918)

RGB(0.255, 0.106, 0.918) ini yang akan ditransformasikan ke

bentuk HSV.

Max = nilai B (blue) = 0.918,

Min = nilai G (green) = 0.106,

Max- min = 0.918 – 0.106 = 0.812

Untuk menghitung nilai hue;

Untuk menghitung pattern

Pattern = max

= 0.918

Untuk menghitung texture

Texture

Sehingga nilai RGB(65,27,234) ditransformasikan menjadi (251,0.885, 0.918)

dengan jangkauan RGB [0,1].

diasumsikan matriksnya adalah:

8 10 0 0

8 4 2 6

69


8 8 6 8

6 6 8 6

Selanjutnya perhitungan pertama

8 10 0 0

8 4 2 6

8 8 6 8

6 6 8 6

Cara menghitung matriks tersebut gunakan persamaan 2.10

dan 2.11, dimana setiap nilai piksel dibandingkan dengan

piksel tengah. Apabila nilai piksel ≥ piksel tengah maka

bernilai biner 1, apabila nilai piksel < piksel tengah maka

bernilai 0. Lalu masing-masing dihitung, seperti pada

perhitungan di bawah ini.

4 : 11001111 = 1(20) + 1(2

1) + 0(2

2) + 0(2

3) + 1(2

4) + 1(2

5) + 1(2

6)

+ 1(27)

= 1 + 2 + 0 + 0 + 16 + 32 + 64 + 128

= 243

Angka 11001111 ini diperoleh dari hasil membandingkan setiap nilai piksel

dengan piksel tengah, dan diurutkan sesuai dengan arah jarum jam. Lalu angka

11001111 tersebut dihitung. Sehingga menghasilkan nilai LBP sebesar 243.

70


- Perhitungan kedua

2 : 10011111 = 1(20) + 0(2

1) + 0(2

2) + 1(2

3) + 1(2

4)+ 1(2

5) + 1(2

6)

+ 1(27)

= 1 + 0 + 0 + 8 + 16 + 32 + 64 + 128

= 249

Perhitungan ketiga

8 10 0 0

8 4 2 6

8 8 6 8

6 6 8 6

8 : 10001001 = 1(20) + 0(2

1) + 0(2

2) + 0(2

3) + 1(2

4) + 0(2

5) + 0(2

6)

+ 1(27)

= 1 + 0 + 0 + 0 + 16 + 0 + 0 + 128

= 145

8 10 0 0

8 4 2 6

8 8 6 8

6 6 8 6

71


Setelah mendapatkan nilai citra asli yang telah ditransformasi maka

selanjutnya untuk dapat nilai statistika orde pertama meliputi 3 parameter

penilaian.

B. Klasifikasi SVM(Support Vector Machine)

Untuk melakukan klasifikasi citra objek sampah, penulis menggunakan

metode SVM. Metode SVM yang digunakan adalah One-Against-All.

Klasifikasi dengan metode One-Against-All dilakukan berdasarkan

banyaknya jumlah kelas (grup), yakni akan terdapat 3 kali klasifikasi.

Saat data uji diinputkan, SVM akan membandingkan data uji dengan

semua grup dari data latih hingga data uji tersebut masuk ke dalam suatu

grup yang spesifik. Klasifikasi ini menentukan jenis sampah dari inputan

yang dimasukkan, antara botol plastik, sendok besi, kulit pisang, dan

jeruk. Adapun langkah-langkahnya sebagai berikut :

1. Buat inisialisasi permasalahan SVM sebagai AxB,

dimana A = k dan B = {k+1,k+2,...,n} dan k=1, k adalah

banyak kelas. Dan untuk tes vektor adalah T. Lalu kelas

= klasifikasi (SVM(A,B),T).

2. Input : x = {x1, x2,...,xn}

Data citra sampah sebanyak 40 buah citra dengan

masukan 3 parameter sebagai atribut. Jumlah kelas k = 4

terdiri atas :

kelas 1 = botol plastik ; kelas 2 = sendok besi ; kelas 3 =

kulit pisang ; kelas 4 = jeruk

3. Apabila x1 = 1, maka x1 merupakan jenis klasifikasi A,

dimana nilai A merupakan k=1.

4. Apabila x1 = -1, maka x1 akan diuji dengan B, dimana

nilai B merupakan {k+1, k+2,....,n}

72


5. Proses klasifikasi akan berhenti saat x menemukan kelas

aktual yang sesuai dengan nilai T. Sebaliknya, apabila x

belum menemukan kelas yang sesuai maka akan kembali ke

langkah 4.

Citra Hue Pattern Texture

1 Nilai Nilai Nilai

2 Nilai Nilai Nilai

........... .......... ...........

39 Nilai Nilai Nilai

40 Nilai Nilai Nilai

Total sampel citra

40

Pada perhitungan untuk Support Vector Machine One Againts All

prinsipnya metode ini membandingkan satu kelas dengan kelas lainnya. Untuk

mengklasifikasi data kedalam k kelas maka sejumlah model svm biner harus

dibangun. Setiap model kelas svm dilatih dengan menggunakan keseluruhan data

latih. Untuk mengklasifikasikan 4 kelas butuh 4 buah svm biner.

𝑥 =k(k−1)

2 diketahui klasifikasi untuk 4 kelas

4(4−1)

2 = 6

4.3.4 Perancangan Robot

Pada tahap ini dilakukan perancangan robot pemilah sampah. Terdiri dari

pemasangan perangkat satu sama lain dan packaging tempat sedemikian rupa agar

tampak baik.

73


Gambar 4.10Rancangan tampilan robot

Gambar 4.10 adalah rancangan tampilan robot secara keseluruhan dari

robot pemilah sampah organik dan non organik dengan machine learning yang

tujuannya untuk memilah sampah secara otomatis sehingga pengguna tidak perlu

secara manual lagi dalam menaruh sampah sesuai jenisnya.

4.4 Tahap Evaluasi Sistem

Tahapan selanjutnya adalah tahap evaluasi sistem, yang merupakan tahap

evaluasi dari keseluruhan desain sistem menjadi sebuah bahasa pemograman.

Mengacu kepada analisis sistem usulan, yang menggunakan beberapa fungsi

hardware yang harus diprogram agar bisa berjalan sebagaimana fungsinya.

Diantaranya yaitu usbcam dan motor servo. Berikut ini adalah langkah-langkah

pada pemograman alat.

74


4.4.1 Pengkodean Kamera

Tahapan pertama yang perlu dilakukan adalah melakukan pengkodean

kamera pada Raspberry Pi yang fungsinya akan digunakan. Dalam penelitian ini

ada dua fungsi tools yang akan digunakan, yaitu webcam dan tensorflow.

a. Pengkodean Open cv

OpenCV adalah fungsi untuk mengambil gambar berupa foto atau

video pada raspberry pi dengan memanfaatkan camera yang terhubung,

baik pada port USB atau pada port camera sendiri. Berikut ini perintah

yang perlu dilakukan untuk instalasi:

sudo apt-get install OpenCV

Gambar 4.11 Pengkodean OpenCV Pada Raspberry Pi

b. Pengkodean Object Detection

Berikut merupakan pengkodean untuk object detection:

75


Gambar 4.12Pengkodean Object Detection Pada Raspberry Pi

4.4.2 Pengkodean Sistem

Berdasarkan pada proses-proses yang akan dijalankan oleh sistem, yang

sudah digambarkan pada Gambar 4.13, maka penjabaran beberapa kode atau

perintah yang dijalankan adalah sebagai berikut:

a. Pembuatan proses Object Detection dan koneksi

Proses pertama adalah membuat data training serta objek digabungkan

kedalam Raspberry Pi. Nantinya mengatur fungsi kerja sistem dalam

jaringan internet.

Berikut adalah kode yang digunakan:

import argparse import time import os

from_future_import print_function

import cv2 if_name_== ‘_main_’;

import sys print(_doc_)

76


try: param = sys.argv[1] except indexError: param = “” if “—build” == param; print{cv2.getBuildInformation()} elif “—help” == param; print{“\t—build\n\t\tprint complete build info”} print{“\t—help\n\t\tprint this help”} else: print {welcome to OpenCV”} if sys.platform != "win32": haystackPaths = [p.replace("\\", "") for p in haystackPaths] needlePaths = [p.replace("\\", "") for p in needlePaths]

BASE_PATHS = set([p.split(os.path.sep)[-2] for p in needlePaths]) haystack = {} start = time.time() for p in haystackPaths:

image = cv2.imread(p)

if image is None: continue image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) imageHash = dhash(image)

b. Pembuatan program fungsi kerja alat Motor Servo

Berikut ini merupakan kode-kode perintah untuk menjalankan fungsi

alat pada raspberry pi, yang terhubung dengan motor servo sebagai

pengendalinya. Berikut ini kode yang dibuat yang disimpan pada

file/folder:

77


Dalam pengaturan kode diatas terdapat script untuk menjalankan

fungsi motor servo dan webcam, yang mana dapat diketahui untuk

memanggil fungsi motor servo terdapat pada source code motorservo1.py,

dan pada kode tersebut diberi nilai 2, 5, dan 10 yang merupakan nilai

pulsa yang akan dikirim ke motor servo. Selanjutnya terdapat fungsi

OpenCV yang merupakan fungsi untuk mengambil gambar berupa video

dari webcam yang terhubung pada raspberry pi, terdapat nilai 10 pada

script yang artinya pengambilan dan penayangan video akan berjalan

selama 10 detik. Terakhir webcam, yang merupakan fungsi pengambilan

gambar berupa foto pada raspberry pi, pada script tersebut terdapat nilai

1280x720 yang merupakan resolusi foto yang diambil dengan ekstensi

.jpg. Selain itu, terdapat juga fungsi idektifikasi objek yang selanjutnya

akan dilanjutkan motor servo sebagai pemilah objeknya, berikut ini

programnya:

78


Fungsi motor servo dapat bekerja karena terhubung dengan raspberry

pi melalui Pin GPIO, berikut ini cuplikan source code motorservo1.py:

Dari cuplikan kode diatas dapat diketahui bahwa pin GPIO pada

raspberry pi yang digunakan adalah pin nomor 1,3, dan 17, yang mana

pin-pin tersebut akan terhubung ke driver motor servo yang selanjutnya

motor servo akan bergerak sesuai dengan perintah yang diberikan dari

raspberry pi melalui pin-pin tersebut.

79


4.5 Tahap Penggunaan Sistem

4.5.1 Pengujian Mandiri (Black Box Testing)

4.5.1.1 Skenario Pengujian

Pengujian ini dilakukan secara alpha. Metode yang digunakan dalam

pengujian alpha adalah metode Black Box Testing. Metoda ini yang berfokus pada

fungsionalitas sistem terutama hasil inputan dan keluaran yang dilakukan oleh

pengguna. Pengujian dikatakan berhasil jika output sesuai dengan kendali input

yang dimasukkan pada tiap perintah.

4.5.1.1.1 Hasil Pengujian

Berdasarkan hasil dari pengujian blackbox yang telah dilakukan, menunjukan

bahwa secara fungsional sistem yang telah dibangun sudah dapat menghasilkan

keluaran yang diharapkan,

Table 4.4 Pengujian Mandiri

No Modul Prasyarat Hasil yang

Diharapkan Hasil

1 Terhubung online

dengan internet

Adanya koneksi

internet

Efektif dan efisien OK

2 Jarak kamera dengan

letak objek yang

diidentifikasi

Adanya koneksi

internet

Sistem dapat

membaca jenis

objeknya

OK

3 Kamera dapat

menangkap gambar

berupa foto atau

video

Kamera terpasang

pada Raspberry Pi

dan terkoneksi

motor servo

Menampilkan foto

atau video

OK

4 Motor dapat

bergerak kekiri atau

kekanan

Motor terpasang

pada Raspberry Pi

dan terkoneksi

Sampah dapat dipilah

dengan baik

OK

5 Semua perintah Adanya koneksi Alat berfungsi OK

80


dapat bekerja sesuai

dengan pengaturan

internet, raspberry

pi dan motor servo

terkoneksi

dengan baik

Proses kerja keseluruhan sistem berjalan dengan baik selama koneksi internet

juga baik. Karena proses kerja sistem membutuhkan kestabilan konektivitas

berupa internet bandwith. Setiap perintah diatur sesuai dengan keinginan

pengguna, dalam sistem ini ada dua perintah utama yang disajikan. Perintah

pertama adalah ambil foto atau ambil video untuk mengetahui jenis sampah untuk

diidentifikasi. Perintah kedua adalah gerakan servo dalam menentukan kekiri atau

kekanan berdasar jenis sampah yang diidentifikasi secara otomatis.

4.5.2 Pengujian Terhadap Pengguna

Setelah sistem ini berhasil melalui tahapan pengujian mandiri, sistem siap

untuk diimplementasikan pada masyarakat selaku pengguna tempat sampah.

4.5.2.1 Skenario Pengujian

Pengujian dilakukan ditempat tertutup yang cukup cahaya didalam rumah

seorang teman bernama Mahfud. Robot pemilah sampah akan dijalankan dengan

objek yang dipersiapkan berjumlah 4, dimana 2 objek berjenis organik dan 2

objek jenis non organik. Dalam proses pengujiannya objek akan dibuang secara

acak jenisnya satu persatu untuk melihat hasil proses yang dijalankan robot.

Selanjutnya perintah yang dilakukan pengguna pada sistem dicatat, begitupun

kerja alat dan reaksi ketepatan objek yang diidektifikasi kamera terhadap alat

tersebut.

4.5.2.1.1 Hasil Pengujian

Setelah pengujian dilakukan, didapatkan data sebagai informasi berkaitan

dengan alat, objek sampah dan pemilahan jenis sampah secara benar. Table

berikut ini menjelaskan kerja sistem secara otomatis.

Table 4.5Kerja sistem secara otomatis

81


Organik Non Organik

Jumlah identifikasi objek yang

disiapkan 2 objek 2 objek

Jarak kamera dengan objek

untuk diidentifikasi 10-15 cm 10-15 cm

Waktu yang dibutuhkan untuk

proses pemilahan sampah 5-10 detik 5-10 detik

Kesesuaian jenis sampah yang

masuk kedalam tempatnya 60-95% 60-95%

Dari table diatas dapat diketahui bahwa jenis sampah yang disiapkan ada 4

objek dimana setiap objek akan diidentifikasi oleh kamera. Untuk objek sendiri

ditaruh secara acak tujuannya agar mendapatkan hasil kesesuai objek sampah

yang diproses dengan baik. Ketepatan objek yang akan dipilah juga dipengaruhi

dari jarak peletakan kamera yang tidak boleh terlalu dekat dengan objek. Hal ini

dikarenakan objek terkadang memiliki bentuk yang cukup besar dan jika letak

kamera tidak disesuaikan maka akan membuat objek tidak terbaca dengan baik.

Dalam proses idektifikasi objek juga dibutuhkan waktu yang cukup agar bisa

diolah lebih dulu data objek yang masuk keperintah motor servo supaya bisa

bergerak sesuai jenis objeknya.Dari pengujian tersebut dapat diketahui bahwa alat

tersebut akan lebih efektif ketika digunakan secara perlahan untuk sampah yang

ingin dibuang karena jika objek yang dideteksi dalam jumlah yang banyak dan

bersamaan akan membuat motor servo kebingugan menentukan penempatan jenis

objek sampah yang ada.

Pengambilan gambar dapat berfungsi dalam berbagai kondisi yang sudah

disesuaikan terlebih dahulu. Namun perlu diketahui juga karena robot ini

menggunakan sensor kamera biasa maka perlu juga memikirkan soal pencahayaan

yang baik agar prosesnya berjalan baik.

82


Pada dasarnya fungsi kendali dan alat dapat berjalan selama tersambung

dengan jaringan internet, namun ketika jaringan internet tidak tersedia maka

fungsi kendali dan alat tidak dapat bekerja.

83

BAB V

HASIL DAN PEMBAHASAN

5.1. Hasil

5.1.1 Sistem Pemilahan

Berdasarkan materi yang disampaikan di Bab II tentang robot pemilahan

sampah organik dan non organik,yang mana pemilahan merupakan suatu proses

pemisahan jenis objek yang sudah disesuaikan. Pemilahan merupakan upaya

untuk memisahkan sekumpulan dari sesuatu yang sifatnya heterogen menurut

jenis atau kelompoknya sehingga menjadi beberapa golongan yang sifatnya

homogen. Pemilahan sampah ini bertujuan untuk mempermudah kerja dari

petugas sampah serta mengurangi resiko pencemaran lebih jauh lagi. Karena jenis

sampah organik cenderung mengalami pembusukan yang cukup cepat dan apabila

dicampur dengan sampah non organik akan menyebabkan bau yang tidak sedap

pula. Sistem pemilahan ini berhubungan dengan objek sampah yang akan diproses

sesuai jenisnya dengan menggunakan teknologi raspberry pi yang terhubung

dengan jaringan internet.

Penggunaan internet merupakan salah satu perkembangan teknologi yang

menarik yang bisa diterapkan dalam berbagai segi kegiatan manusia. Berdasarkan

kebutuhan dari penelitian yang dilakukan, yaitu tentang pemilahan sampah

organik dan non organik yang berfokus dengan dilakukannya observasi,

wawancara dan kuesioner kepada masyarakat umum, pada akhirnya dapat

diketahui dan disimpulkan bahwa sistem berhasil mengakomodir kebutuhan dari

masyarakat umum untuk membantu kemudahan dalam pemilahan sampah tanpa

harus susah payah menentukan sendiri jenis sampah yang biasanya masih

menimbulkan kendala kesalahan tempat dalam menaruh sampah. Berikut adalah

penjelasan dari poin - poin yang berhasil penulis akomodir:

84


5.1.1.1. Menangkap Gambar berupa Foto atau Video

Menangkap Gambar berupa Foto atau Video digunakan USB Camera

sebagai input dari sistem monitoring yang mana akan di proses menggunakan

teknologi picam yang sudah terinstall pada Raspberry pi, dan sebagai keluaran

atau output digunakan memori eksternal yang berfungsi sebagai peyimpanan

data dan bisa menampilkan hasil penangkapan gambar baik foto atau video.

Hal ini menjelaskan bahwa Robot Pemilah Sampah yang diterapkan telah

sesuai dengan kebutuhan dari masyarakat umum yang ingin adanya

kemudahan dalam pembuangan sampah namun tetap memudahkan petugas

pengangkut sampah.

5.1.1.2. Jalankan motor servo dengan machine learning

Robot Pemilah Sampah yang dibuat tentu membutuhkan sebuah fungsi

dimana kerja robot dapat akurat dalam membedakan jenis objeknya, perintah

yang bisa dilakukan oleh raspberry pi melalui Pin GPIO yang terhubung

dengan hardware lainnya bisa meliputi banyak aspek, salah satunya motor

servo. Pada sistem ini, terdapat dua perintah untuk menggerakan motor servo

sebagai penentu arah sampah akan dibuang. Perintah ini meliputi pemutaran

motor secara langsung ketika kamera sudah mengidentifikasi objek. Dan

dengan bantuan kamera objek diproses menggunakan data latih dimana

machine learning yang digunakan dalam prosesnya.

5.1.2 pengujian data

1. Tampilan input gambar

Tampilan hasil input, terdapat sebuah folder yang berisi

data citra jenis sampah yang ada.

85


2. Ekstraksi warna RGB

Ekstraksi warna dilakukan untuk membaca warna jelas dari benda yang akan

diproses.

86


3. Klasifikasi SVM

Pada tahap ini objek diklasifikasikan menggunakan algoritma SVM untuk

proses hasil akhir.

4. Data uji objek

No Nama

objek

Gambar objek

1 Organik

1

87


2 Organik

2

3 Organik

3

4 Organik

4

5 Organik

5

6 Non

Organik

1

88


7 Non

Organik

2

8 Non

Organik

3

9 Non

Organik

4

10 Non

Organik

5

11 Non

Organik

6

89


12 Non

Organik

7

13 Non

Organik

8

14 Non

Organik

9

15 Non

Organik

10

16 Organik

6

90


5.1.3 Pengujian pencahayaan

Jenis

Objek

Pencahayaan Persentase

(%)

Hasil gambar

Organik Redup 72

17 Organik

7

18 Organik

8

19 Organik

9

20 Organik

10

91


Non

organik

Redup 80

Organik Terang 85

Non

organik

Terang 85

Pada pengujian pencahayaan ini peneliti menggunakan skenario cahaya

yang dibuat redup dan cahaya yang dibuat begitu terang. Dan dapat dilihat bahwa

cahaya untuk tangkapan kamera sangat berpengaruh terhadap keakuratan gambar

yang diidentifikasi. Peneliti juga melampirkan hasil gambarnya pada bagian

lampiran.

5.1.4 Pengujian ketepatan motor servo

Jenis objek Arah servo Keterangan

Jeruk busuk Kekiri Arahnya tepat sesuai box

Kulit pisang Kekiri Arahnya tepat sesuai box

Sendok besi Kekanan Arahnya tepat sesuai box

Botol platik Kekanan Arahnya tepat sesuai box

92


Pada pengujian objek yang dilihat dari gerak motor servo didapatkan hasil

bahwa objek yang diuji sudah terbaca dengan baik sehingga servo bisa

memproses dengan benar arah jatuhnya objek tersebut.

5.1.5 Pengujian frame per second(FPS)

Sumber daya hasil FPS

(frame per

second)

Gambar FPS

Power bank 0,42-0,46

detik

Terminal stop

kontak

0,50-0,60

detik

Hasil besaran FPS(frame per second) juga dipengaruhi dari jenis kamera

yang dipakai dan tambahan hardware yang saling tersambung. Dalam kasus

ini dengan tambahan motor servo juga mangakibatkan penurunan jumlah FPS.

Karena daya dari sumber energi terbagi yang menyebabkan penurunan jumlah

FPSnya. Selama percobaan peneliti juga pernah mencapai nilai FPS sebesar

1,26 yang merupakan nilai paling maksimal yang didapat.

5.1.6 Pengujian persentase akurasi objek

Jenis Objek Persentase

akurasi (%)

Gambar Objek

Jeruk

busuk(organik)

69-87

93


Kulit

pisang(organik)

69-93

Sendok besi

bekas(non

organik)

75-85

Botol plastik

bekas(non

organik)

60-85

Jumlah objek yang diuji berjumlah 4 yang masing-masing terdiri dari 2

jenis sampah organik dan sisanya non organik. Pengujian dilakukan secara

acak dan berulang dengan mendapatkan hasil yang hampir serupa. Hasil yang

berbeda-beda didapatkan karena posisi objek yang juga dibuat acak. Hal ini

menyesuaikan kemungkinan pengguna robot pemilah sampah yang

membuang sampahnya tidak selalu diposisi yang sama.

5.2 Pembahasan Pengumpulan Data

Setelah dikembangkan sistem sesuai dengan metode yang telah dijelaskan

pada Bab III, digunakan metode pengumpulan data dengan jenis data primer dan

sekunder. Data primer didapatkan melalui studi lapangan dan data sekunder

didapatkan melalui studi pustaka. Studi pustaka melalui literatur sejenis, buku,

dan e-book. Studi lapangan dilakukan dengan metode observasi, wawancara dan

kuesioner. Berikut adalah pembahasan dari metode-metode tersebut.

94


5.2.1 Data Primer

5.2.1.1 Studi Lapangan

Pada tahapan pengumpulan data, penulis melakukan studi lapangan berupa

observasi, wawancara dan kuesioner.

5.2.1.1.1 Observasi

Proses observasi ini dilakukan pada 2 tempat berbeda. Pada lokasi pertama

penulis mendatangi pusat perbelanjaan AEON Mall BSD ditanggal 8 Maret

2019 serta pada tanggal 8-10 April 2019 di Fakultas Sains dan

Teknologi(FST) lt.2 depan Musholla FST. Observasi berfokus pada kegiatan

pengguna dalam membuang sampah dimana pada lokasi tersebut sudah

disediakan 2 wadah tempat sampah berwarna kuning(organik) dan warna

biru(non organik).

Pengguna yang membuang sampah cukup banyak intensitasnya, yang

mana pengguna membuang sampahnya belum sesuai jenis yang sudah

disediakan. Hal tersebut bisa menjadi masalah karena jenis sampah organik

yang mudah membusuk menimbulkan bau yang lebih menyengat dan perlu

untuk dipisahkan dengan sampah non organik. Hal ini membuat ketersediaan

dua wadah sampah yang ada belum dipergunakan sebagaimana mestinya.

Tentunya petugas kebersihan yang mengambil sampah pada sore hari

mengalami kendala dalam hal bau dan pemanfaatan kembali sampah non

organik untuk di daur ulang jadi sulit dilakukan.

Dari hasil observasi dengan pengguna yang lewat serta membuang

sampah, diketahui bahwa tidak efektifnya tempat sampah yang disediakan

karena masih banyak pengguna yang belum memahami jenis sampah yang

mereka buang dan mereka terburu-buru membuang sampah jadi memilih yang

paling dekat jangkauannya. Pembuangan sampah yang masih terbilang kurang

sesuai pada tempatnya menyebabkan pengolahan sampah jadi tidak berjalan

dengan baik. Kekhawatiran terhadap pembuangan sampah yang tidak tepat

95


inilah yang membuat perlunya ada robot pemilah sampah organik dan non

organik diciptakan, agar mempermudah petugas kebersihan dan sampah yang

dibuang tidak bercampur sehingga menimbulkan bau yang tidak sedap.

5.2.1.2 Wawancara

Wawancara dilakukan secara langsung dengan Ibu Indah selaku Anggota

Dinas Lingkungan Hidup (DLH) Tangerang Selatan yang sudah sangat

berpengalaman dan mempunyai andil terhadap permasalahan sampah

diwilayah tersebut, terkait aktivitas dalam pengolahan sampah terutama

kendala dalam pemilahan jenis sampahnya. Ibu Indah selaku yang

diwawancarai merupakan salah satu ketuan Bank Sampah untuk wilayah

Pamulang Kota Tangerang Selatan dan juga anggota dari DLH Tangerang

Selatan. Wawancara dilakukan untuk mengetahui kelengkapan dalam

pembuatan alat ini. Detail hasil wawancara dapat dilihat pada lampiran.

Secara garis besar dapat diketahui bahwa kendala yang dialami oleh Ibu

Indah dalam pengolahan sampah di wilayahnya yaitu karena masyarakat

sekitar belum paham memilah sampah yang baik serta kesadaran membuang

sampah pada tempatnya pun masih kurang. Untuk mengatasi hal tersebut

ditanyakan pula perlu tidaknya pembuatan suatu sistem yang dapat membantu

memilah sampah berdasarkan jenisnya secara otomatis dengan machine

learning.

5.2.1.3 Kuesioner

Kuesioner dilakukan untuk mengetahui tanggapan masyarakat luas yang

terbiasa membuang sampah secara lebih objektif untuk menarik generalisasi

kesimpulan mengenai aktivitasnya dalam pembuangan sampah, terutama

dalam hal kendala untuk penempatan jenis sampahnya serta mengetahui

seberapa tinggi tingkat kebutuhan masyarakat terhadap alat yang bisa menjadi

solusi permasalahan. Kuesioner ditujukan untuk masyarakat umum di kota-

kota besar, adapun penyebaran kuesioner dilakukan secara online selama 3

96


hari dari tanggal 23-26 Maret 2019, kuesioner ini dapat diakses di

https://forms.gle/rKJ3ckaFq9oFKxsr8.

Kesimpulan dari hasil observasi, wawancara dan kuesioner yang telah

dilakukan, dapat diketahui bahwa masalah utama dalam pembuangan sampah

adalah kurang pemahaman pada pengguna soal jenis sampah yang mereka ingin

buang dan ketersediaan fasilitas kurang memadai untuk pemilahan jenis sampah.

Maka dapat disimpulkan bahwa rancang bangun robot pemilah sampah organik

dan non organik dengan machine learning merupakan solusi pengguna tempat

sampah dalam membuang sampahnya secara benar tanpa harus memikirnya jenis

sampah yang dibuang. Selain itu juga dapat meringankan kerja petugas kebersihan

dalam pengolahan sampah di TPS.

5.2.2 Data Sekunder

5.2.2.1 Studi Pustaka

Penulis menggunakan beberapa sumber studi pustaka, yaitu buku, e-book

dan studi literatur.

5.2.2.1.1 Buku

Buku cetak yang penulis gunakan adalah Dasar Raspberry Pi oleh

Abdul Kadir (2017), Physical Computing dengan Raspberry Pi oleh Andi

Dinata (2017), dan Machine learning tingkat lanjut oleh suyanto(2018).

5.2.2.1.2 E-book

Terdapat sedikit kesulitan dalam mencari buku elektronik atau e-

book mengenai topik Raspberry Pi karena teknologi ini masih cukup baru

dan berkembang. Oleh karena itu, lebih banyak menggunakan e-book yang

dibuat oleh penulis luar negeri. E-book yang digunakan meliputi.

Raspberry Pi Hardware Reference oleh Warren Gay (2014),Python

Programming for Teens oleh Kenneth A. Lambert(2015), dan Raspberry

Pi User Guide oleh JohnWiley(2016). Untuk daftar lengkap e-book yang

digunakan dapat dilihat pada daftar pustaka.

97


5.2.2.1.3 Studi Literatur

Dalam melakukan penelitian, digunakan perbandingan skripsi.

Berikut adalah hasil dari perbandingan studi literatur tersebut:

Table 5.1 Hasil Sudi Literatur

No. Nama

Peneliti/Tahun Judul Penelitian Kekurangan Kelebihan

1. Deni

Almanda/2018

Perancangan Prototype

Pemilah Sampah

Organik dan

Anorganik

Menggunakan Solar

Panel 100 WP Sebagai

Sumber Energi Listrik

Terbarukan.

Masih

menggunakan

arduino Atmega 16

yang merupakan

versi lama,

pemilahan dengan

sensor warna

masih belum

menunjukan

keakuratan yang

optimal, dan

dengan adanya

solar panel

membuat alat

masih terlalu besar.

Daya yang

dihasilkan sudah

ramah lingkungan

dengan

menggunakan solar

panel.

2. Feisal

Ramadhan

Maulana /2017

Design and

Development of Smart

Trash Bin Prototype

for Municipal Solid

Waste Management

Respon untuk

komunikasi

terbilang lambat,

pemrosesan data

masih terlalu

sedikit, dan tingkat

keakuratan

pendeteksiaan

Cangkupan sistem

yang luas

melingkupi satu

kota, memiliki

penjadwalan

pengambilan sampah

dan memanajemen

serta menganalisis

98


objek masih

kurang optimal.

data sampah.

3. Abdur

Rohman/2017

Rancang Bangun

Smart Cleaner Robot

Sebagai Robot

Pengambil dan

Pemilah Sampah

Intensitas cahaya

diluar

mempengaruhi

proses pemilahan,

dan hanya

menggunakan

sensor warna

membuat tingkat

keakuratan kurang

optimal

Robot dapat

mendeteksi kondisi

sampah berada dan

langsung

mengangkutnya

sendiri dengan

menggunakan

gripper dan arm.

99

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan pembahasan yang sudah diuraikan, maka dapat ditarik

kesimpulan sebagai berikut:

1. Rancang bangun robot pemilah sampah organik dan non organik

dengan machine learning terdiri dari beberapa hardware seperti

usbcam dan motor servo yang terhubung pada raspberry pi sebagai

otak utama. Selanjutnya raspberry pi terkoneksi dengan jaringan

internet, sehingga proses dapat berjalan baik. Pemilah sampah

dilakukan secara langsung(real time) dan pemilahan dilakukan dengan

mengakses internet untuk selanjutnya dibaca kamera dan digerakan

oleh motor servo.

2. Robot pemilah sampah menggunakan fungsi usbcam dan tensorflow

yang telah terinstal pada raspberry pi untuk mengambil gambar berupa

foto atau video melalui usbcam. Selanjutnya motor servo berfungsi

sebagai pemilah dengan bergerak kekiri atau kekanan sesuai hasil

identifikasi objek melalui program yang sudah ditanam pada raspberry

pi, yang juga terdapat pengaturan untuk pin GPIO. Masing-masing

fungsi dapat bekerja karena terhubung dengan jaringan internet.

3. Rancang bangun robot pemilah sampah organik dan non organik dapat

di gunakan dengan tingkat keakuratan yang tinggi melalui bantuan

machine learning sebagai pengolahan sistem. Dan data yang sudah

dilatih agar tingkat keakuratan jenis objek dapat sesuai harapan.

100


6.2 Saran

Setelah dilakukan pengembangan Rancang bangun robot pemilah sampah

organik dan non organik ini, terdapat beberapa saran untuk pembaca dan

pengembang selanjutnya. Berikut adalah saran dari penulis, yaitu:

1. Dalam pengembangan selanjutnya untuk melengkapi robot pemilah

sampah ini bisa diperbanyak data latihnya agar semakin variatif objek

yang dapat terdeteksi.

2. Untuk pengembangan selanjutnya robot pemilah sampah bisa

menggunakan kamera yang resolusi nya lebih tinggi sehingga hasil

gambar yang didapat bisa lebih baik dan jelas. Selain itu, gunakan juga

motor servo yang lebih besar sehingga putaran yang bekerja bisa lebih

maksimal.

3. Untuk pengembangan selanjutnya disarankan untuk membuat sebuah

aplikasi mobile yang dapat memberi info kepada pengguna maupun

petugas kebersihan mengenai volume sampah jika sudah penuh.

4. Untuk pengembangan selanjutnya diharapkan agar jenis sampah yang

dipilah juga lebih banyak, tidak hanya organik dan non organik saja.

5. Kedepannya diharapkan bisa dilakukan hak paten terhadap alat yang

dibuat.

101

DAFTAR PUSTAKA

Abdul rohman, ayub subandi. (2016). Rancang bangun pemilihan jenis sampah

skala kecil berbasis mikrokontroler secara otomatis 1,2, 1–6.

Almanda, D., Isyanto, H., & Samsinar, R. (2018). Perancangan Prototipe Pemilah

Sampah Organik dan Anorganik menggunakan Solar Panel 100 WP sebagai

Sumber Energi Listrik Terbarukan.

Bank, P., Dengan, S., Berbasis, R., & Halim, A. K. (2017). No Title, 4, 45–55.

Cortes, C., & Vapnik, V. (1995). Support-Vector Networks, 297, 273–297.

Ii, B. A. B., & Pustaka, T. (n.d.). No Title, 5–29.

isroi. (2012). No Title. Retrieved from https://isroi.com/jualanku/biang-poc-

pupuk-organik-cair/

Latifah. (2016). masalah pengelolaan sampah nasional. Retrieved from

https://properti.kompas.com/read/2016/01/27/121624921/Indonesia.Darurat.

Sampah.

merriam webster. (2019). merriam webster. Retrieved from www.merriam-

webster.com

nur latifah jamalludin. (2016). Analisis dan Perancangan Sistem Pengelolaan

Sampah Berbasis Android melalui Partisipasi Masyarakat di Kecamatan

Rappocini, (sistem pengolahan sampah), 131.

Parmar, C., Grossmann, P., Bussink, J., Lambin, P., & Aerts, H. J. W. L. (2015).

Machine Learning methods for Quantitative Radiomic Biomarkers. Nature

Publishing Group, 1–11. https://doi.org/10.1038/srep13087

Pollution, M. (n.d.). Key trace minerals greatly strengthen teeth.

Pressman, R. S. (n.d.). Software Engineering.

102


Sampah, H. (2006). Pengelolaan sampah, 86–99.

Suharto, P. D. I. I. (2011). Limbah Kimia Dalam Pencemaran Udara Dan Air. adi

publisher.

suyanto. (2018). Machine Learning tingkat dasar dan lanjut. bandung:

informatika bandung.

Tresna Widiyaman. (2019). pengertian esp. Retrieved from

https://www.warriornux.com/pengertian-modul-wifi-esp8266/

Utami, B. D., Indrasti, N. S., & Dharmawan, A. H. (2008). Pengelolaan Sampah

Rumahtangga Berbasis Komunitas : Teladan dari Dua Komunitas di Sleman

dan Jakarta Selatan, 02(01), 49–68.

Widiana, W. (2017). kenapa kita harus memilah sampah sebelum dibuang?

Bobo.Id.

Chung, Haw dan Chen. 2013. The Study and Application of the IoT in Pet

Systems. Advances in Internet of Things, 2013, 3, 1-8 [Online] Tersedia :

http://dx.doi.org/10.4236/ait.2013.31001

Dinata, Andi. 2017. Physical Computing dengan Raspberry Pi. Jakarta: PT. Elex

Media Komputindo

Federal Trade Commission, 2015. Internet Of Things [Online] Tersedia :

https://www.ftc.gov/system/files/documents/reports/federal-trade

commission-staff-report-november-2013-workshop-entitled-internet-

things-privacy/150127iotrpt.pdf diakses pada 4 Maret 2017

Gay, Warren. 2014. Raspberry Pi Hardware Reference. New York: Apress.

Gnu. Bash Reference Manual. [Online] Tersedia:

https://www.gnu.org/software/bash/manual/bashref.html#What-is-

Bash_003f. diakses pada 23 Maret 2017

http://dx.doi.org/10.4236/ait.2013.31001

https://www.ftc.gov/system/files/documents/reports/federal-trade%20commission-staff-report-november-2013-workshop-entitled-internet-things-privacy/150127iotrpt.pdf



https://www.gnu.org/software/bash/manual/bashref.html#What-is-Bash_003f

https://www.gnu.org/software/bash/manual/bashref.html#What-is-Bash_003f

103


Houde, Stephanie & Hill, Charles. 2004. What do Prototypes Prototypes?. Usa:

Apple Computer,Inc.

Ichwan, M. Winarno Sugeng dan Agus Brata. 2012. Perancangan Dan

Implementasi Prototype Sistem Realtime Monitoring Performa Server.

Jurnal Informatika Vol. 3, No. 2, Mei – Agustus 2012.

Indrajani. 2011. Perancangan Basis Data dalam All in 1. Jakarta: PT. Elex Media

Komputindo.

Irwanto, Djon. 2006. Perancangan Object Oriented Software dengan UML.

Yogyakarta: Andi.

Kadir, Abdul. 2017. Dasar Raspberry Pi. Yogyakarta: Andi.

Lambert, Kenneth A. 2015. Python Programming for Teens. USA: Cengage

Learning PTR.

Mardiani, Gentisya Tri. 2013. Sistem Monitoring Data Aset dan Inventaris PT

TELKOM Cianjur Berbasis Web. Jurnal Ilmiah Komputer dan Informatika

(KOMPUTA) Vol. 2 No. 1.

Newham, Cameron and Rosenblatt, Bill. 2005. Learning the Bash Shell, Third

Edition. USA: O’Reilly Media, Inc.

Pethuru Raj, Anupama C. Raman. 2017. The Internet of things : enabling

technologies, platforms, and use. Boca Raton: Taylor & Francis, CRC

Press.

Pressman, Roger S. 2010. Software Engineering A Practitioner's Approach

seventh Edition. New York : Mc Graw Hill higher Education.

Sudaryono, Margono dan, Rahayu. 2011. Pengembangan Instrumen Penelitian

Pendidikan. Yogyakarta: Graha Ilmu

104


LAMPIRAN

# Import packages

import os

import cv2

import numpy as np

from picamera.array import PiRGBArray

from picamera import PiCamera

import tensorflow as tf

import argparse

import sys

# Set up camera constants

#IM_WIDTH = 1280

#IM_HEIGHT = 720

IM_WIDTH = 640

IM_HEIGHT = 480

# Select camera type (if user enters --usbcam when calling

this script,

# a USB webcam will be used)

camera_type = 'picamera'

parser = argparse.ArgumentParser()

parser.add_argument('--usbcam', help='Use a USB webcam

instead of picamera',

action='store_true')

args = parser.parse_args()

if args.usbcam:

camera_type = 'usb'

# This is needed since the working directory is the

object_detection folder.

sys.path.append('..')

# Import utilites

from utils import label_map_util

from utils import visualization_utils as vis_util

# Name of the directory containing the object detection

module we're using

MODEL_NAME = 'ssdlite_mobilenet_v2_coco_2018_05_09'

# Grab path to current working directory

CWD_PATH = os.getcwd()

# Path to frozen detection graph .pb file, which contains

the model that is used

# for object detection.

105


PATH_TO_CKPT =

os.path.join(CWD_PATH,MODEL_NAME,'frozen_inference_graph.pb'

)

# Path to label map file

PATH_TO_LABELS =

os.path.join(CWD_PATH,'data','mscoco_label_map.pbtxt')

# Number of classes the object detector can identify

NUM_CLASSES = 90

## Load the label map.

# Label maps map indices to category names, so that when the

convolution

# network predicts `5`, we know that this corresponds to

`airplane`.

# Here we use internal utility functions, but anything that

returns a

# dictionary mapping integers to appropriate string labels

would be fine

label_map = label_map_util.load_labelmap(PATH_TO_LABELS)

categories =

label_map_util.convert_label_map_to_categories(label_map,

max_num_classes=NUM_CLASSES, use_display_name=True)

category_index =

label_map_util.create_category_index(categories)

# Load the Tensorflow model into memory.

detection_graph = tf.Graph()

with detection_graph.as_default():

od_graph_def = tf.GraphDef()

with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:

serialized_graph = fid.read()

od_graph_def.ParseFromString(serialized_graph)

tf.import_graph_def(od_graph_def, name='')

sess = tf.Session(graph=detection_graph)

# Define input and output tensors (i.e. data) for the object

detection classifier

# Input tensor is the image

image_tensor =

detection_graph.get_tensor_by_name('image_tensor:0')

# Output tensors are the detection boxes, scores, and

classes

# Each box represents a part of the image where a particular

object was detected

106


detection_boxes =

detection_graph.get_tensor_by_name('detection_boxes:0')

# Each score represents level of confidence for each of the

objects.

# The score is shown on the result image, together with the

class label.

detection_scores =

detection_graph.get_tensor_by_name('detection_scores:0')

detection_classes =

detection_graph.get_tensor_by_name('detection_classes:0')

# Number of objects detected

num_detections =

detection_graph.get_tensor_by_name('num_detections:0')

# Initialize frame rate calculation

frame_rate_calc = 1

freq = cv2.getTickFrequency()

font = cv2.FONT_HERSHEY_SIMPLEX

### Picamera ###

if camera_type == 'picamera':

# Initialize Picamera and grab reference to the raw

capture

camera = PiCamera()

camera.resolution = (IM_WIDTH,IM_HEIGHT)

camera.framerate = 20

rawCapture = PiRGBArray(camera,

size=(IM_WIDTH,IM_HEIGHT))

rawCapture.truncate(0)

for frame1 in camera.capture_continuous(rawCapture,

format="bgr",use_video_port=True):

t1 = cv2.getTickCount()

# Acquire frame and expand frame dimensions to have

shape: [1, None, None, 3]

# i.e. a single-column array, where each item in the

column has the pixel RGB value

frame = np.copy(frame1.array)

frame.setflags(write=1)

frame_expanded = np.expand_dims(frame, axis=0)

# Perform the actual detection by running the model

with the image as input

(boxes, scores, classes, num) = sess.run(

[detection_boxes, detection_scores,

detection_classes, num_detections],

107


feed

_dict={image_tensor: frame_expanded})

# Draw the results of the detection (aka 'visulaize

the results')

vis_util.visualize_boxes_and_labels_on_image_array(

frame,

np.squeeze(boxes),

np.squeeze(classes).astype(np.int32),

np.squeeze(scores),

category_index,

use_normalized_coordinates=True,

line_thickness=8,

min_score_thresh=0.40)

cv2.putText(frame,"FPS:

{0:.2f}".format(frame_rate_calc),(30,50),font,1,(255,255,0),

2,cv2.LINE_AA)

# All the results have been drawn on the frame, so

it's time to display it.

cv2.imshow('Object detector', frame)


time1 = (t2-t1)/freq

frame_rate_calc = 1/time1

# Press 'q' to quit

if cv2.waitKey(1) == ord('q'):

break

rawCapture.truncate(0)

camera.clo

se()

### USB webcam ###

elif camera_type == 'usb':

# Initialize USB webcam feed

camera = cv2.VideoCapture(0)

ret = camera.set(3,IM_WIDTH)

ret = camera.set(4,IM_HEIGHT)

while(True):


# Acquire frame and expand frame dimensions to have

shape: [1, None, None, 3]

108


# i.e. a single-column array, where each item in the

column has the pixel RGB value

ret, frame = camera.read()

frame_expanded = np.expand_dims(frame, axis=0)

# Perform the actual detection by running the model

with the image as input

(boxes, scores, classes, num) = sess.run(

[detection_boxes, detection_scores,

detection_classes, num_detections],

feed_dict={image_tensor: frame_expanded})

# Draw the results of the detection (aka 'visulaize

the results')

vis_util.visualize_boxes_and_labels_on_image_array(

fram

e,

np.squeeze(boxes),

np.squeeze(classes).astype(np.int32),

np.squeeze(scores),

category_index,

use_normalized_coordinates=True,

line_thickness=8,

min_score_thresh=0.85)

cv2.putText(frame,"FPS:

{0:.2f}".format(frame_rate_calc),(30,50),font,1,(255,255,0),

2,cv2.LINE_AA)

# All the results have been drawn on the frame, so

it's time to display it.

cv2.imshow('Object detector', frame)


time1 = (t2-t1)/freq

frame_rate_calc = 1/time1

# Press 'q' to quit

if cv2.waitKey(1) == ord('q'):

break

camera.release()

cv2.destroyAllWindows()

109


Hasil Kuisioner

110


111


112


113


Wawancara ini dbuat untuk mengetahui data kebutuhan robot pemilah

sampah otomatis.

Pertanyaan ditunjukan kepada narasumber dari aggota Dinas Lingkungan

Hidup wilayah Tangerang Selatan dan juga merupakan ketua Bank Sampah

wilayah Pamulang Ibu Indah.

Pertanyaan wawancara :

1. Apakah narasumber pernah mengetahui robot pemilah

sampah ini sebelumnya?

2. Apa kendala yang dialami selama ini dalam pemilahan

sampah?

3. Apakah untuk saat in tempat sampah sudah efektif

dalam memilah jenis sampah organik dan non organik?

4. Apakah perlu dibuatnya robot pemilah sampah?

5. Masukan apa yang diperlukan untuk robot pemilah

sampah ini?

Jawaban:

1. Belum tahu, Sejauh yang saya tau untuk wilayah

Tangerang Selatan baru ada alat pencacah sampah.

2. Masih dengan cara manual dalam memilah sampah jadi

masih perlu butuh banyak orang yang membantu

pemilahan.

3. Masih banyak warga yang belum mengetahui cara kerja

tempat sampah yang dibedakan dengan baik.

4. Sangat perlu, karena dapat memudahkan kinerja Dinas

Lingkungan Hidup dan jadi dapat mengurangi

penumpukan sampah di TPS dan TPU.

5. Cepat diproduksi masal dan dibuat real nya.

114


RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK...

Documents

Transcript of RANCANG BANGUN ROBOT PEMILAH SAMPAH ORGANIK...