Sistem Pemilah Sampah Berbasis Deep Learning dengan Algoritma SSD-MobileNet v2

W, Muhammad Valdi Pramudika
Pangaribuan, Porman
Barri, Muhammad Hablul

eProceedings of Engineering
Vol. 11 No. 1 (2024): Februari 2024

Penelitian ini mengusulkan sebuah sistem inovatif untuk mengatasi permasalahan penumpukan sampah di sungai. Dengan berbasis pada teknologi deep learning dan integrasi antara Raspberry Pi dan Arduino Uno, penelitian ini mengembangkan sebuah sistem pemilah sampah yang mampu mendeteksi dan memilah sampah plastik dan logam secara efisien. Metode ini menggabungkan penggunaan model deteksi objek menggunakan algoritma SSD-MobileNet v2 pada Raspberry Pi untuk mendeteksi objek secara real-time dan pengendalian aktuator motor DC gearbox melalui Arduino Uno untuk melakukan pemilahan berdasarkan hasil deteksi. Hasil uji coba menunjukkan bahwa sistem ini mampu bekerja dengan baik, meskipun dengan beberapa keterbatasan. Responsivitas yang tinggi, potensi aplikasi yang luas, dan keberhasilan dalam mengatasi permasalahan sampah sungai menjadi poin utama dalam penelitian ini. Namun, untuk mengoptimalkan kinerja dan menghadapi tantangan masa depan, pengembangan lebih lanjut masih diperlukan. Kata Kunci — Raspberry Pi, TensorFlow, Arduino Uno, Object Detection, Serial Communication, Integration, Real-time Detection. Abstract — This research proposes an innovative system to address the issue of waste accumulation in rivers. Leveraging deep learning technology and the integration of Raspberry Pi and Arduino Uno, the study develops a waste sorting system capable of efficiently detecting and sorting plastic and metal waste. The approach combines object detection using the SSD-MobileNet v2 algorithm on Raspberry Pi for real-time object detection and control of DC gearbox actuators through Arduino Uno for sorting based on detection results. The results of the experiments demonstrate the system's successful performance, albeit with some limitations. High responsiveness, broad application potential, and success in addressing river waste challenges are the key highlights of this study. However, further development is needed to optimize performance and address future challenges. Keywords — Raspberry Pi, TensorFlow, Arduino Uno, Object Detection, Serial Communication, Integration, Object Detection.