DETEKSI UKURAN BOTOL KEMASAN DENGAN METODE HAAR CASCADE DAN SHAPE AREA FEATURE
DOI:
https://doi.org/10.36815/semastek.v2i1.150Keywords:
sampah, haar cascade, share area feature, bank sampah, deteksiAbstract
Sampah plastik merupakan salah satu faktor permasalahan yang menyebabkan pencemaran lingkungan. Upaya untuk mengurangi sampah botol plastik salah satunya dengan daur ulang. Pengembangan teknologi daur ulang yang efisien menjadi solusi untuk mengatasi limbah botol plastik. dengan cara mendeteksi ukuran botol kemasan dengan teknologi. Pendekatan menggunakan metode Haar Cascade dan Shape Area Feature di bank sampah. Jumlah data yang diambil sebanyak 300 data citra botol melalui kamera smartphone dengan ukuran yang berbeda diantaranya,botol milku ukuran 220 ml, botol aqua ukuran 600 ml dan 1500 ml, botol Le minerale ukuran 330 dan 600 ml. Perancangan sistem menggunkan Metode Haar Cascade sebagai tahap awal dalam proses deteksi, dimanfaatkan untuk mengidentifikasi pola dan ciri botol kemasan. Proses pelatihan cascade dilakukan dengan semua data yang telah dikumpulkan. Sehingga menghasilkan deteksi ukuran botol kemasan yang menjadi input. Shape Area Feature digunakan untuk melakukan verifikasi dan akurasi pada deteksi ukuran botol kemasan. Proses ini dilakukan untuk mengenali bentuk objek yang terdeteksi, dan perbedaan luas area botol untuk menentukan perkiraan ukuran botol. Dengan sistem ini dapat memberikan estimasi yang lebih akurat. Dengan membuat range untuk mengetahui botol sesuai ukuran aslinya. Hasil presentase dari pengujian sistem ini memiliki tingkat keberhasilan 88%. Sehingga menghasilkan tingkat keakuratan deteksi cukup tinggi.
References
Rima Dias Ramadhani, A. Nur Aziz Thohari, C. Kartiko, A. Junaidi, T. Ginanjar Laksana, and N. Alim Setya Nugraha, “Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 312–318, 2021, doi: 10.29207/resti.v5i2.2754.
A. S. Nugroho, R. Umar, and A. Fadlil, “Klasifikasi Botol Plastik Menggunakan Multiclass Support Vector Machine,” J. Khatulistiwa Inform., vol. 9, no. 2, pp. 79–85, 2021, doi: 10.31294/jki.v9i2.11058.
R. Kusumawardani and P. D. Karningsih, “Detection and Classification of Canned Packaging Defects Using Convolutional Neural Network,” PROZIMA (Productivity, Optim. Manuf. Syst. Eng., vol. 4, no. 1, pp. 1–11, 2021, doi: 10.21070/prozima.v4i1.1280.
A. B. Pulungan and Z. Nafis, “Rancangan Alat Pendeteksi Benda dengan Berdasarkan Warna, Bentuk, dan Ukuran dengan Webcam,” JTEIN J. Tek. Elektro Indones., vol. 2, no. 1, pp. 49–54, 2021, doi: 10.24036/jtein.v2i1.111.
C. Figri and I. Susilawati, “Identifikasi Jenis Tanaman Vinca Berdasarkan Ekstraksi Ciri Citra Bunga Dan Jaringan Syaraf Tiruan,” Semin. Nas. Multimed. Artif. Intell. SMAI, vol. 3, pp. 54–60, 2020.
Y. D. Rosita and Sugianto, “Pemanfaatan Matlab (Matrix Laboratory) Untuk Deteksi Jalan Aspal Berlubang,” p. 90, 2018, [Online]. Available: https://qiaramedia.com/publications/370826/pemanfaatan-matlab-matrix-laboratory-untuk-deteksi-jalan-aspal-berlubang
D. Nurnaningsih, D. Alamsyah, A. Herdiansah, and A. A. J. Sinlae, “Identifikasi Citra Tanaman Obat Jenis Rimpang dengan Euclidean Distance Berdasarkan Ciri Bentuk dan Tekstur,” Build. Informatics, Technol. Sci., vol. 3, no. 3, pp. 171–178, 2021, doi: 10.47065/bits.v3i3.1019.
P. Rosyani, “Ekstraksi Fitur Wajah Menggunakan Metode Viola Jones dengan Tools Cascade Detector,” vol. 10, no. 2, pp. 633–639, 2023, doi: 10.30865/jurikom.v10i2.6062.
S. Abidin, “Deteksi Wajah Menggunakan Metode Haar Cascade Classifier Berbasis Webcam Pada Matlab,” J. Teknol. Elekterika, vol. 2, no. 1, p. 21, 2018, doi: 10.31963/elekterika.v2i1.2102.
W. K. Sandy, A. W. Widodo, and Y. A. Sari, “Penentuan Keaslian Tanda Tangan Menggunakan Shape Feature Extraction Techniques Dengan Metode Klasifikasi K Nearest Neighbor dan Mean Average Precision,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 3, pp. 1083–1091, 2018, [Online]. Available: http://j-ptiik.ub.ac.id
