SISTEM MONITORING DAN DETEKSI PELANGGARAN BUANG SAMPAH SEMBARANGAN BERBASIS CCTV MENGGUNAKAN ARSITEKTUR R(2+1)D 3D CONVOLUTIONAL NEURAL NETWORK

Rahmatullah, Agustrian (2026) SISTEM MONITORING DAN DETEKSI PELANGGARAN BUANG SAMPAH SEMBARANGAN BERBASIS CCTV MENGGUNAKAN ARSITEKTUR R(2+1)D 3D CONVOLUTIONAL NEURAL NETWORK. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (COVER) COVER.pdf - Published Version Download (431kB) | Preview
Preview	Text (ABSTRAK) Abstrak.pdf - Published Version Download (158kB) | Preview
	Text (BAB 1 PENDAHULUAN) BAB1.pdf - Published Version Restricted to Repository staff only Download (140kB) | Request a copy
	Text (BAB 2 TINJAUAN PUSTAKA) BAB2.pdf - Published Version Restricted to Repository staff only Download (482kB) | Request a copy
	Text (BAB 3 METODOLOGI) BAB3.pdf - Published Version Restricted to Repository staff only Download (951kB) | Request a copy
	Text (BAB 4 HASIL PENELITIAN) BAB4.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text (BAB 5 PENUTUP) BAB5.pdf - Published Version Restricted to Repository staff only Download (102kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (132kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Pembuangan sampah sembarangan merupakan permasalahan lingkungan yang masih sering terjadi dan sulit diawasi secara terus-menerus menggunakan metode konvensional. Penelitian ini bertujuan mengembangkan sistem monitoring berbasis CCTV untuk mendeteksi aktivitas membuang sampah secara otomatis melalui integrasi model deteksi objek YOLOv8 dan model pengenalan aktivitas R(2+1)D 3D Convolutional Neural Network (3D CNN). YOLOv8 digunakan untuk mendeteksi keberadaan manusia pada setiap frame video, sedangkan model R(2+1)D mengklasifikasikan aktivitas menjadi dua kelas, yaitu buang sampah dan normal. Sistem dikembangkan menggunakan Python dan diintegrasikan dengan aplikasi monitoring yang mampu memberikan notifikasi ketika pelanggaran terdeteksi. Dataset yang digunakan terdiri atas 1.688 citra manusia untuk pelatihan YOLOv8 serta dataset video aktivitas untuk pelatihan model R(2+1)D. Evaluasi dilakukan menggunakan confusion matrix dengan parameter accuracy, precision, dan recall. Hasil pelatihan YOLOv8 memperoleh precision sebesar 100% dan recall sebesar 67%. Pengujian sistem pada kondisi siang menghasilkan accuracy 80%, precision 81,82%, dan recall 90%, sedangkan pada malam hari memperoleh accuracy 80%, precision 72,73%, dan recall 100%. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi aktivitas membuang sampah secara efektif pada berbagai kondisi pencahayaan dan berpotensi mendukung pengawasan lingkungan berbasis CCTV secara otomatis.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	YOLOv8, R(2+1)D, 3D Convolutional Neural Network, Deteksi Aktivitas, CCTV, Buang Sampah
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	03 Aug 2026 01:47
Last Modified:	03 Aug 2026 01:47
URI:	http://eprints.polsri.ac.id/id/eprint/24259

Actions (login required)

View Item