Article Per Year (5 Year)
p-Index From 2021 - 2026
1.953
P-Index
This Author published in this journals
All Journal Epsilon: Jurnal Matematika Murni dan Terapan ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika bit-Tech Almufi Jurnal Pengabdian kepada Masyarakat eProceedings of Engineering
KHAERUDIN SALEH
Telkom University
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Transportation Other

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Implementasi Model Machine Learning pada Aplikasi TOXMAP untuk Klasifikasi Sampah B3 Berbasis Gambar Aritonang , Josua Kevin Sumandoro; Purnamasar, Rita; Saleh, Khaerudin
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sampah Bahan Berbahaya dan Beracun (B3) mengandung zat berpotensi mencemari lingkungan dan membahayakan kesehatan manusia, sehingga proses identifikasi yang cepat, tepat, dan efisien sangat dibutuhkan. Penelitian ini mengusulkan metode klasifikasi citra sampah B3 berbasis machine learning dengan memanfaatkan kombinasi arsitektur MobileNetV2 sebagai ekstraktor fitur dan algoritma Support Vector Machine (SVM) sebagai klasifikator. Dataset yang digunakan terdiri atas enam kelas citra sampah rumah tangga, antara lain Non-Toxic, Aerosol, Baterai, Kabel, Lampu LED, dan Pembersih Lantai. Seluruh data telah melalui tahap preprocessing serta augmentation berupa flip, rotation, dan penyesuaian tingkat kecerahan maupun saturasi untuk meningkatkan keragaman dan ketahanan model terhadap kondisi nyata. MobileNetV2 memproses citra berukuran 224×224 piksel, menghasilkan vektor fitur berdimensi 1×1280 yang kemudian diklasifikasikan menggunakan SVM dengan kernel Radial Basis Function (RBF). Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, serta F1-score, disertai pengujian ketahanan terhadap variasi pencahayaan, jarak, dan latar belakang. Hasil penelitian menunjukkan akurasi mencapai 90% dengan performa yang relatif stabil di berbagai kondisi visual. Temuan ini membuktikan bahwa pemisahan tahap ekstraksi fitur dan klasifikasi mampu meningkatkan efisiensi komputasi sekaligus mempertahankan akurasi tinggi. Dengan demikian, kombinasi MobileNetV2 dan SVM berpotensi menjadi solusi efektif untuk mendukung sistem identifikasi sampah B3 berbasis citra digital yang praktis dan dapat diimplementasikan pada perangkat dengan keterbatasan sumber daya. Kata kunci— MobileNetV2, Support Vector Machine, Klasifikasi Citra, Sampah B3, Machine Learning
YOLOv8n untuk Deteksi Sampah secara Real-Time pada Aplikasi Bank Sampah Antanita, Yulintyandra Puja; Ardana, Arfio; Alfin, Khoerunnisa; Pratama, Yugo; Purnamasari, Rita; Saleh, Khaerudin
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengelolaan sampah merupakan tantangan lingkungan yang signifikan di Indonesia, terutama di kawasan perkotaan dengan tingkat kesadaran pemilahan sampah yang masih rendah. Program bank sampah yang diatur dalam Peraturan Menteri Negara Lingkungan Hidup Republik Indonesia Nomor 13 Tahun 2012 bertujuan untuk mendorong partisipasi masyarakat dalam pengelolaan sampah berbasis komunitas, namun pelaksanaannya masih belum optimal akibat keterbatasan teknologi dan proses administrasi yang masih manual. Penelitian ini mengusulkan pengembangan aplikasi bank sampah berbasis mobile yang mengintegrasikan model YOLOv8n untuk deteksi jenis sampah secara real-time. Dataset terdiri dari sembilan kategori sampah dengan total 4.500 gambar, yang dianotasi dan dibagi menjadi data latih, validasi, dan uji dengan rasio 80:10:10. Model YOLOv8n dilatih menggunakan konfigurasi 70 epoch, learning rate 0,001, dan optimizer AdamW, menghasilkan performa mAP@0.5 sebesar 0,995 dan mAP@0.5:0.95 sebesar 0,785. Pengujian lanjutan menunjukkan kemampuan generalisasi yang baik terhadap variasi bentuk, latar belakang, jarak, dan skenario multi-objek, meskipun performa menurun pada bentuk dan warna yang jarang muncul dalam dataset serta pada deteksi jarak jauh. Hasil penelitian membuktikan bahwa YOLOv8n memiliki potensi tinggi untuk diimplementasikan dalam sistem bank sampah berbasis mobile guna meningkatkan efisiensi pemilahan dan partisipasi masyarakat.. Keywords— Objek Deteksi, YOLOv8n, Computer Vision, Machine learning
Co-Authors Adhi Irianto Mastur, Adhi Irianto Alfin, Khoerunnisa Antanita, Yulintyandra Puja Ardana, Arfio Aritonang , Josua Kevin Sumandoro Dimarta, Rafli Caesario Dita Puspitasari Gelar Budiman HANAFI, FANIESA SAUFANA Iqbal Afriadi LESTARY, GITA AYU Lubis, Gading Aurelia Nabila M Darfyma Putra Mahanani, Edo Lutfi Muthia Syafika Haq, Muthia Syafika Nasywan Azrial Fariqin Nor Kumalasari Caecar Pratiwi Nur Ibrahim Parameswara, Prastama Agung Yusuf Purnamasar, Rita Ratri Dwi Atmaja Rifa’i, Irfan Rita Purnamasari Rustam Tito Waluyo Purboyo Yugo Pratama Yulinda Eliskar