SISTEM DETEKSI DAN MONITORING AKSI BUANG SAMPAH MENGGUNAKAN MULTI-KAMERA BERBASIS CONVOLUTIONAL NEURAL NETWORK - LONG SHORT TERM MEMORY (CNN-LSTM)

Pratama, Marcella (2026) SISTEM DETEKSI DAN MONITORING AKSI BUANG SAMPAH MENGGUNAKAN MULTI-KAMERA BERBASIS CONVOLUTIONAL NEURAL NETWORK - LONG SHORT TERM MEMORY (CNN-LSTM). Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (608kB)
Preview	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (213kB) | Preview
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (230kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (781kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text (BAB V KESIMPULAN DAN SARAN) BAB V.pdf - Published Version Restricted to Repository staff only Download (183kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (163kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Permasalahan pembuangan sampah pada saluran irigasi dan sungai dapat menghambat aliran air serta meningkatkan risiko banjir dan pencemaran lingkungan. Proses pemantauan yang masih dilakukan secara manual memiliki keterbatasan dalam mengawasi aktivitas secara berkelanjutan sehingga diperlukan sistem monitoring yang mampu mendeteksi aksi buang sampah secara otomatis. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi dan monitoring aksi buang sampah menggunakan multi - kamera berbasis Convolutional Neural Network - Long Short Term Memory (CNN - LSTM). Sistem menggunakan dua kamera CCTV sebagai sumber input video, sedangkan YOLO digunakan pada tahap praproses untuk mendeteksi dan melakukan cropping area manusia sebelum proses klasifikasi aktivitas oleh model CNN - LSTM. Hasil deteksi ditampilkan melalui dashboard monitoring secara real-time yang menyajikan status kamera, tampilan video langsung, label aktivitas, nilai confidence, snapshot kejadian, riwayat deteksi, dan log sistem. Hasil pengujian menggunakan 175 data testing menunjukkan bahwa model CNN - LSTM memperoleh nilai accuracy sebesar 90,86%. Pada kelas Normal, model menghasilkan precision sebesar 0,9595, recall sebesar 0,8452, dan F1-score sebesar 0,8987. Sementara itu, pada kelas Buang Sampah, model memperoleh precision sebesar 0,8713, recall sebesar 0,9670, dan F1-score sebesar 0,9167. Nilai recall yang tinggi pada kelas Buang Sampah menunjukkan bahwa model mampu mengenali sebagian besar aktivitas yang menjadi fokus penelitian. Selain itu, sistem berhasil diimplementasikan pada dua kamera CCTV dan mampu menampilkan hasil deteksi secara real-time melalui dashboard monitoring. Dengan demikian, sistem yang dikembangkan mampu mendeteksi dan memantau aktivitas buang sampah secara otomatis serta berpotensi mendukung proses pengawasan kawasan saluran irigasi secara lebih efektif dan berkelanjutan.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	CNN-LSTM, deteksi aktivitas, monitoring, multi-kamera, buang sampah
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	10 Aug 2026 01:49
Last Modified:	10 Aug 2026 01:49
URI:	http://eprints.polsri.ac.id/id/eprint/24376

Actions (login required)

View Item