ELECTRONIC WASTE BANK SYSTEM USING DEEP LEARNING - Dalam bentuk buku karya ilmiah
ALDO NITEHE LASE

Informasi Umum

Kode

25.04.3994

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Deep Learning

Dilihat

27 kali

Informasi Lainnya

Abstraksi

Peningkatan volume sampah elektronik (<em>e-waste</em>) di Indonesia menimbulkan risiko lingkungan serius akibat pengelolaan yang belum optimal dan kesadaran publik yang rendah. Untuk mengatasi masalah ini, dirancang sebuah sistem bank sampah elektronik terintegrasi berbasis aplikasi <em>mobile</em> dan web yang bertujuan memfasilitasi proses pengelolaan <em>e-waste</em> secara efisien, transparan, dan mudah diakses.<br /> Inti sistem ini adalah penerapan <em>deep learning</em> untuk automasi identifikasi dan penilaian <em>e-waste</em> melalui aplikasi <em>mobile</em>. Sistem menggunakan model deteksi objek YOLO11 yang dilatih pada 38 kategori <em>e-waste</em> dan diperkuat dengan Gemini AI LLM untuk validasi serta edukasi penanganan sampah. Pengujian ekstensif menunjukkan model deteksi objek ini mencapai performa optimal dengan mAP@50-95 sebesar 0.849 pada konfigurasi terbaik. Setelah deteksi, sebuah model regresi memberikan estimasi harga, meskipun kinerjanya terbatas (R-squared 0.48) akibat dataset yang hanya memiliki satu atribut, yaitu nama barang.<br /> Sebagai kesimpulan, proyek ini berhasil mengembangkan sistem bank sampah elektronik fungsional yang menjadikan model deteksi objek YOLO11 sebagai landasan identifikasi <em>e-waste</em> yang efektif dan akurat. Walaupun model regresi harga masih terbatas, sistem ini telah dilengkapi fitur pembuatan dataset pada <em>dashboard</em> admin sebagai solusi fundamental untuk peningkatan model di masa depan. Secara keseluruhan, sistem ini menunjukkan potensi besar sebagai solusi nyata dan dapat diskalakan untuk membantu mengatasi permasalahan <em>e-waste</em> di Indonesia.

• AZK4CAA4 - Tugas Akhir

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook