<![CDATA[Seiring meningkatnya konsumsi perangkat elektronik, volume limbah elektronik (e-waste) di Indonesia terus bertambah hingga mencapai 1,9 juta ton pada tahun 2022, namun tingkat daur ulangnya masih sangat rendah. Proses pemilahan yang umumnya masih manual menjadi salah satu kendala utama karena tidak efisien dan berisiko bagi kesehatan pekerja. Penelitian ini bertujuan merancang dan membangun sebuah prototipe sistem pemilahan e-waste otomatis untuk meningkatkan efisiensi dan keamanan. Sistem ini memanfaatkan Raspberry Pi 4 sebagai unit pemrosesan utama dan menerapkan algoritma deep learning MobileNetV3-Small untuk mengklasifikasikan empat jenis e-waste umum: baterai, kabel, papan sirkuit (PCB), dan lampu. Model dilatih menggunakan teknik transfer learning pada dataset yang disiapkan melalui platform Roboflow dan diimplementasikan menggunakan ONNX Runtime untuk inferensi yang cepat pada perangkat edge. Hasil pengujian menunjukkan prototipe mampu bekerja secara efektif. Tingkat akurasi klasifikasi fungsional sistem mencapai 92,5%. Waktu komputasi rata-rata yang dibutuhkan model untuk melakukan inferensi adalah 0,050 detik, dengan total waktu siklus pemilahan rata-rata 8,60 detik. Hasil ini membuktikan bahwa prototipe yang dikembangkan merupakan solusi yang cepat, akurat, dan layak untuk otomatisasi tahap awal pengelolaan e-waste.]]>
Copyrights © 2025
