Klasifikasi Botol Plastik dan Kaleng Minuman Menggunakan Metode Support Vector Machine

Ayunisa Yasmin; Hidayanthi Dwi Puja; Erizka Nia Ramadhani; Caerur Rozikin

doi:10.31004/riggs.v5i2.10343

Authors

Ayunisa Yasmin Universitas Singaperbangsa Karawang
Hidayanthi Dwi Puja Universitas Singaperbangsa Karawang
Erizka Nia Ramadhani Universitas Singaperbangsa Karawang
Caerur Rozikin Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.31004/riggs.v5i2.10343

Keywords:

Bottles and Cans, Ekstraksi Fitur, GLCM, Pengolahan Citra, Support Vector Machine

Abstract

Pengelolaan sampah anorganik, khususnya material botol plastik dan kaleng minuman, merupakan tantangan lingkungan yang membutuhkan solusi otomasi pemilahan cerdas berbasis pengolahan citra digital. Pemilahan manual yang selama ini diterapkan dinilai kurang efisien. Penelitian ini mengusulkan sistem klasifikasi citra sampah menggunakan algoritma Support Vector Machine (SVM) dengan pendekatan ekstraksi fitur gabungan (feature fusion). Untuk mengatasi bias model akibat ketidakseimbangan data (data imbalance), dataset Bottles and Cans diseimbangkan secara proporsional. Pipeline sistem mencakup prapemrosesan menggunakan filter Gaussian Blur untuk mereduksi noise, serta segmentasi Otsu Thresholding untuk memisahkan objek dari latar belakang. Fitur yang diekstraksi meliputi morfologi, statistik warna HSV, serta tekstur Gray-Level Co-occurrence Matrix (GLCM) yang menghasilkan 96 dimensi representasi objek. Optimasi hyperparameter model dilakukan melalui GridSearchCV dengan skema 5-fold Cross-Validation. Hasil pengujian pada data uji menunjukkan bahwa model SVM dengan kernel RBF (C=10, Gamma='scale') mencapai akurasi sebesar 93,33%, dengan F1-Score 93,41% dan ROC-AUC 0,981. Temuan ini mengonfirmasi bahwa kombinasi handcrafted features yang dioptimasi mampu memberikan performa klasifikasi yang tangguh dan efisien untuk diimplementasikan pada sistem pemilahan sampah otomatis skala menengah.

Downloads

Download data is not yet available.

References

[1] Anand, R., et al. (2022). GLCM feature-based texture image classification using support vector machine. 3rd EAI International Conference. https://doi.org/10.1007/978-3-030-78750-9_10

[2] Kementerian Koordinator PMK. (2023). 7,2 juta ton sampah di Indonesia belum terkelola dengan baik. https://www.kemenkopmk.go.id/72-juta-ton-sampah-di-indonesia-belum-terkelola-dengan-baik

[3] Lei, Y., & Zhang, J. (2022). OTSU multi-threshold image segmentation based on improved particle swarm algorithm. Applied Sciences, 12(22), 11514. https://doi.org/10.3390/app122211514

[4] Moezabid. (2022). Bottles and cans [Dataset]. Kaggle. https://www.kaggle.com/datasets/moezabid/bottles-and-cans

[5] Nisa, I. Z., et al. (2022). Klasifikasi Citra Sampah Menggunakan SVM dengan Ekstraksi Fitur GLCM dan Color Moments. JTIIK, 9(5), 921-930. https://doi.org/10.25126/jtiik.2022954868

[6] Nurhidayat, I., & Pimpunchat, B. (2022). Comparison of machine learning approach for waste bottle classification. Emerging Science Journal, 6(5). https://doi.org/10.28991/ESJ-2022-06-05-012

[7] Qiao, Z. (2024). Advancing recycling efficiency: A comparative analysis of deep learning models in waste classification. arXiv. https://arxiv.org/abs/2411.02779

[8] Rafi, P., & Perkasa, M. N. (2023). Dampak kerusakan lingkungan akibat sampah plastik. Jurnal Multidisiplin Indonesia, 2(7).

[9] Rahmi, A. N., et al. (2022). Implementation and integration of image processing blocks in a real-time bottle classification system. Scientific Reports, 12, 4961. https://doi.org/10.1038/s41598-022-08777-x

[10] Rasidi, A. I., et al. (2022). Klasifikasi Sampah Organik dan Non-Organik Menggunakan Convolutional Neural Network. Jurnal Teknik Informatika dan Sistem Informasi, 8(1). https://doi.org/10.28991/jutisi.v8i1.4314

[11] Wong, J. (2022). Aplikasi Klasifikasi Sampah Organik dan Non Organik dengan Metode GLCM Dan LS-SVM. Bulletin of Computer Science Research, 3(1), 83-89. https://doi.org/10.47065/bulletincsr.v3i1.198

[12] Wulansari, A., et al. (2022). Systematic Literature Review of Waste Classification Using Machine Learning. JITE, 5(2), 405-413. https://doi.org/10.31289/jite.v5i2.6211

[13] Xiao, J., et al. (2022). A serial attention frame for multi-label waste bottle classification. Applied Sciences, 12(3), 1742. https://doi.org/10.3390/app12031742

[14] Xie, Z., et al. (2024). Advancing image segmentation with DBO-Otsu: Addressing rubber tree diseases through enhanced threshold techniques. PLOS ONE, 19(3). https://doi.org/10.1371/journal.pone.0297284

[15] Zhang, H., et al. (2023). Hybrid deep learning model for accurate classification of solid waste in the society. Waste Management, 109, 107274. https://doi.org/10.1016/j.wasman.2023.107274