| Name | NRP |
|---|---|
| Rumaisha Afrina | 5025221146 |
| Helsa Sriprameswari Putri | 5025221154 |
| Aurelia Natasya Putri | 5025221237 |
Masalah sampah di lautan telah menjadi tantangan global yang semakin mendesak seiring meningkatnya aktivitas manusia dan pertumbuhan populasi. Sampah laut, terutama sampah yang mengapung di permukaan air, tidak hanya mencemari lingkungan tetapi juga mengancam ekosistem laut, kehidupan laut, dan kesehatan manusia. Data dari berbagai penelitian menunjukkan bahwa jumlah sampah di lautan terus meningkat, dengan plastik menjadi salah satu komponen utama. Oleh karena itu, deteksi dan pemantauan sampah di permukaan air menjadi krusial untuk upaya pembersihan dan pengelolaan sampah.
Teknologi pengenalan objek berbasis kecerdasan buatan, khususnya model You Only Look Once (YOLO), menawarkan solusi yang efisien untuk mendeteksi dan mengklasifikasikan objek dalam waktu nyata. Dengan kemampuan untuk memproses gambar secara cepat dan akurat, YOLO dapat digunakan untuk mengidentifikasi berbagai jenis sampah yang mengapung di permukaan laut. Implementasi YOLO dalam deteksi sampah di permukaan air tidak hanya memungkinkan pemantauan yang lebih baik tetapi juga memberikan data yang diperlukan untuk merancang strategi pengelolaan yang efektif.
Penelitian ini bertujuan untuk mengeksplorasi penerapan algoritma YOLO dalam mendeteksi sampah laut yang mengapung, serta untuk menganalisis efektivitas metode ini dalam meningkatkan upaya pembersihan lingkungan laut. Dengan pendekatan yang inovatif ini, diharapkan dapat memberikan kontribusi positif dalam melindungi ekosistem laut dan menciptakan kesadaran akan pentingnya menjaga kebersihan lautan.
Proses ini dimulai dengan pemanfaatan kamera pengawas, seperti kamera drone atau kamera yang dipasang di kapal, untuk merekam gambar atau video dari permukaan air. Penting untuk memperhatikan kondisi pencatatan, seperti waktu, cuaca, dan variasi lingkungan, guna memastikan kualitas gambar yang diambil. Jika dataset yang relevan sudah tersedia, tim dapat memanfaatkannya; jika tidak, mereka perlu membangun dataset baru dengan merekam gambar secara manual dan memberi label pada setiap gambar. Seluruh pengambilan data harus didokumentasikan dengan baik, mencakup informasi seperti lokasi, waktu, dan kondisi lingkungan, untuk mendukung analisis lebih lanjut.
Sebelum model YOLO diterapkan, data yang dikumpulkan perlu diproses terlebih dahulu untuk memastikan kualitasnya sesuai dengan kebutuhan model, atau sebuah proses yang disebut dengan preprocessing.
Preprocessing seperti labelling, split data, auto-orient, resize, dan augmentation yang dimana berguna untuk pengembangan dataset akhir. Dengan mengubah data mentah menjadi data yang siap untuk dilatih. Dalam konteks ini, preprocessing data menjadi langkah yang penting, yang melibatkan serangkaian teknik dan metode untuk membersihkan, mengubah, dan memformat data agar dapat diproses oleh algoritma Machine Learning atau analisis data.
Algoritma You Only Look Once (YOLO) dikenal sebagai metode yang cepat dan akurat dalam deteksi objek, membuatnya sangat sesuai untuk aplikasi yang memerlukan analisis real-time (Amwin, 2021). YOLO melakukan analisis gambar secara keseluruhan dalam satu tahap. Pendekatan ini memungkinkan deteksi objek dalam waktu yang singkat, menjadikannya pilihan ideal untuk proyek deteksi sampah di permukaan air. Sebagai algoritma yang relatif baru, YOLO menawarkan berbagai keunggulan dibandingkan metode sebelumnya, termasuk kemampuan untuk mendeteksi berbagai jenis objek secara bersamaan.
Proses implementasi YOLO dilakukan menggunakan Google Collaboratory, yang menyediakan lingkungan yang mudah digunakan untuk pengembangan model machine learning. Langkah pertama adalah penyiapan model YOLO versi 5, yang dikenal dengan efisiensinya yang tinggi. Setelah itu, dataset diambil dari Roboflow atau Kaggle, platform yang menawarkan berbagai dataset terstruktur untuk pelatihan model. Dataset yang tepat dan berkualitas tinggi sangat penting dalam proses ini, karena dapat mempengaruhi kinerja model dalam mendeteksi sampah dengan akurat. Pelatihan model melibatkan teknik augmentasi data, yang meningkatkan variasi dalam dataset untuk memastikan bahwa model dapat mengenali objek dalam berbagai kondisi pencahayaan dan sudut pandang.
Untuk mengclone repository YOLOv5 dapat dilakukan dengan memasukkan command berikut di CLI :
git clone https://github.com/ultralytics/yolov5.git
Masuk ke directory yolov5 dan install dependencies yang diperlukan :
pip install -r requirements.txt
Dataset yang digunakan dibuat atau ditrain menggunakan google collab
https://universe.roboflow.com/rsbpproject/waste_classification-koank
Untuk database ini, terdapat 3 class : plastic-bag, plastic-bottle, plastic-glass
https://universe.roboflow.com/pfefloatingdebris/floating-marine-litter-detection/dataset/10
Untuk database ini, terdapat banyak class seperti bottle cap, juice box, plastic, plastic bag, plastic bottle, dll.
Untuk training dataset, kami menggunakan Collab Notebook dari link berikut ini : https://colab.research.google.com/drive/1gIR5oFGLqKckQIKoJs6wyOh4dlmdziQx
Setelah memasukkan dataset yang telah kami gunakan ke dalam Notebook, training dataset pun dimulai. Traiing dataset diinisiasi dengan menggunakan command berikut ini :
!python train.py --img 640 --batch 64 --epochs 10 --data data/data.yaml --weights yolov5n.pt --cache --optimizer Adam --project plastikver2 --name yolov5n10e
- img: define input image size
- batch: determine batch size
- epochs: define the number of training epochs. (Note: often, 3000+ are common here!)
- data: Our dataset locaiton is saved in the dataset.location
- weights: specify a path to weights to start transfer learning from. Here we choose the generic COCO pretrained checkpoint.
- cache: cache images for faster training
Apabila training sudah selesai dilakukan, akan muncul file baru bernama best.pt. File ini akan di download lalu akan dimasukkan ke folder yolov5 yang telah di clone dari github. Di dalam folder yolov5 ini, run detect.py untuk memulai programnya.