Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pradipto, Arya
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Penggunaan DenseNet201 dan YOLOv8 Pada Pengembangan Sistem Klasifikasi Sampah pada Raspberry Pi 4 Menggunakan Kamera Penglihatan Malam Pradipto, Arya; Regasari Mardi Putri, Rekyan; Setia Budi, Agung
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 3 (2025): Maret 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penanganan sampah yang tidak efisien dapat menyebabkan dampak negatif bagi lingkungan. Maka dari itu diperlukan teknologi otomatisasi untuk membantu identifikasi dan klasifikasi sampah. Penelitian ini mengembangkan penelitian terlebih dahulu dan membandingkan penggunaan DenseNet201 dan YOLOv8 untuk deteksi dan klasifikasi sampah menggunakan Raspberry Pi 4 dan Kamera OV5647 pada kondisi pencahayaan dinamis. Fokus utama penelitian adalah penentuan epoch terbaik, perbandingan confusion matrix terhadap accuracy, precision, recall, dan f1-score, pengujian akurasi dalam empat kondisi pencahayaan, serta analisis performa meliputi CPU usage, latensi inferensi, dan penggunaan daya. Hasil penelitian menunjukkan bahwa DenseNet201 mencapai performa terbaik pada epoch 10, sedangkan YOLOv8 pada epoch 33. DenseNet201 memiliki confusion matrix terbaik dengan accuracy 97.3%, precision 97.5%, recall 97.1%, dan f1-score 97.3%. Di sisi lain, YOLOv8 unggul dalam lima kategori akurasi, termasuk akurasi keseluruhan 91.87%, akurasi 100% pada sampah anorganik, dan akurasi terbaik pada sampah residu serta pencahayaan 2 dan 4 (95%). Dalam hal efisiensi, YOLOv8 menunjukkan CPU usage rata-rata 9.83%, latensi inferensi 2265.714 ms, dan penggunaan daya 6.7W. Berdasarkan hasil perbandingan tersebut, model YOLOv8 lebih unggul untuk klasifikasi sampah pada Raspberry Pi 4 dalam kondisi pencahayaan yang bervariasi, berkat efisiensi dan performa yang lebih baik secara keseluruhan.
Co-Authors Regasari Mardi Putri, Rekyan Setia Budi, Agung