DOI: https://doi.org/10.14710/transmisi.28.3.%25p

Smart Trash Bin Berbasis Pose Detection Menggunakan Algoritma CNN dengan Sistem Target Locking

*Muhammad Rifqy Qomarudin  -  Jurusan Teknik Elektro, Program Studi Teknik Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura, Jl. Raya Telang, PO. Box. 2, Kamal, Bangkalan, Madura, Jawa Timur 69162, Indonesia
Muhammad Fuad orcid  -  Jurusan Teknik Elektro, Program Studi Teknik Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura, Jl. Raya Telang, PO. Box. 2, Kamal, Bangkalan, Madura, Jawa Timur 69162, Indonesia
Hairil Budiarto  -  Jurusan Teknik Elektro, Program Studi Teknik Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura, Jl. Raya Telang, PO. Box. 2, Kamal, Bangkalan, Madura, Jawa Timur 69162, Indonesia
Sri Wahyuni  -  Jurusan Teknik Elektro, Program Studi Teknik Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura, Jl. Raya Telang, PO. Box. 2, Kamal, Bangkalan, Madura, Jawa Timur 69162, Indonesia
Achmad Imam Sudianto  -  Jurusan Teknik Elektro, Program Studi Teknik Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura, Jl. Raya Telang, PO. Box. 2, Kamal, Bangkalan, Madura, Jawa Timur 69162, Indonesia
Luthfi Awwalia  -  Jurusan Teknik Elektro, Program Studi Teknik Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura, Jl. Raya Telang, PO. Box. 2, Kamal, Bangkalan, Madura, Jawa Timur 69162, Indonesia
Dikirim: 15 Dec 2025; Diterbitkan: 24 May 2026.
Akses Terbuka Copyright (c) 2026 Transmisi: Jurnal Ilmiah Teknik Elektro under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Sari
Kebersihan lingkungan merupakan faktor yang sangat penting dalam menciptakan kondisi lingkungan yang sehat dan nyaman. Rendahnya kesadaran masyarakat untuk membuang sampah pada tempatnya mendorong perlunya teknologi cerdas yang mampu mendukung pengelolaan sampah secara interaktif. Penelitian ini mengusulkan sistem smart trash bin berbasis pose detection menggunakan Convolutional Neural Network (CNN) dengan mekanisme target locking untuk memastikan sistem hanya mengikuti pengguna yang benar-benar memberikan pose throwgarbage, serta mampu mengabaikan distraktor yang melintas. Sistem memanfaatkan webcam sebagai sensor visual, MediaPipe Pose Landmarker untuk ekstraksi keypoint, dan model MobileNetV2 yang dilatih untuk mengklasifikasikan dua kelas pose, yaitu throwgarbage dan undefined. Model mencapai akurasi pelatihan 93,85%, akurasi validasi 95,95%, dan akurasi test 96,67%. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi satu maupun lebih objek manusia, mampu mengenali pose, melakukan target locking berbasis deteksi wajah, serta mengarahkan robot untuk mendekati target meskipun terdapat gangguan yang lewat depan target dalam frame. Secara keseluruhan, sistem menunjukkan kinerja yang stabil.
Fulltext Email colleagues
Kata Kunci: Deteksi Pose, MobileNetV2, Target Locking, Smart Trash Bin

Article Metrics:

Article Info
Bagian: Artikel - Sistem Kendali dan Robotik
Bahasa : ID
Most cited articles
RANCANG BANGUN MOTOR INDUKSI SEBAGAI GENERATOR (MISG) PADA PEMBANGKIT LISTRIK TENAGA MIKROHIDRO Tinjauan Perkembangan Kendaraan Listrik Dunia Hingga Sekarang STRATEGI KENDALI KECEPATAN MOTOR INDUKSI MENGGUNAKAN PWM INVERTER BERBASIS JARINGAN SARAF TIRUAN PERANCANGAN PLANT PENCAMPUR AIR MENGGUNAKAN KONTROL PID UNTUK PENGATURAN SUHU CAIRAN BERBASIS ATMEGA16 PERANCANGAN MAXIMUM POWER POINT TRACKING PANEL SURYA MENGGUNAKAN BUCK BOOST CONVERTER DENGAN METODE INCREMENTAL CONDUCTANCE More cited articles
  1. . M. H. Ramadhan, S. Halimatussa’diah, and R. M. Raharja, “Kurangnya Kesadaran Mahasiswa dalam Membuang Sampah Pada Tempatnya di Lingkungan Kampus,” Prosiding Seminar Nasional Ilmu Pendidikan, vol. 1, no. 1, pp. 41–51, May 2024, doi: 10.62951/prosemnasipi.v1i1.6
  2. . S. Sohor, Mardeni, Y. Irawan, and Sugiati, “Rancang Bangun Tempat Sampah Otomatis Menggunakan Mikrokontroler dan Sensor Ultrasonik dengan Notifikasi Telegram,” Jurnal Ilmu Komputer, vol. 9, no. 2, pp. 154–160, Oct. 2020. doi: 10.33060/JIK/2020/Vol9.Iss2.182
  3. . T. Yuniarti, I. Nurhayati, A. P. Putri, and N. Fadhilah, “Pengaruh Pengetahuan Kesehatan Lingkungan terhadap Pembuangan Sampah Sembarangan,” Jurnal Ilmiah Kesehatan, vol. 9, Jul. 2020, pp. 78–82
  4. . E. Safitri, S. Safitria, W. Islami, A. R. Azizah, I. Safitri, M. Maulidar, and M. Utari, “Hubungan Tingkat Pengetahuan tentang PHBS dengan Perilaku Membuang Sampah pada Tempatnya di Siswa SMP Negeri 9 Seunuddon, Aceh Utara,” Jurnal Ilmu Kedokteran dan Kesehatan Indonesia (JIKKI), vol. 5, no. 2, pp. 17–25, Jul. 2025. doi: 10.55606/jikki.v5i2.5998
  5. . Kementerian Lingkungan Hidup dan Kehutanan Republik Indonesia, “Sistem Informasi Pengelolaan Sampah Nasional (SIPSN): Capaian Kinerja Pengelolaan Sampah,” 2024. [Online]. Available: https://sipsn.kemenlh.go.id/sipsn/. [Accessed: 24 -Nov-2025]
  6. . Yuliza, Y. Rahmawati, Lenni, and M. I. Salim, “Purwarupa Pengawas Keamanan Rumah Menggunakan Robot Mobile Beroda Berbasis Sensor Ultrasonik dan PIR,” Transmisi: Jurnal Ilmiah Teknik Elektro, vol. 25, no. 1, pp. 17–24, Jan. 2023, doi: 10.14710/transmisi.25.1.17-24
  7. . M. Syafaat, W. F. Safari, dan S. Wahyu, “Perancangan dan Pembuatan Mobile Robot Smart Trash Bin Berbasis Bluetooth HC-05,” Jurnal Teknik, vol. 9, no. 2, pp. 78–86, Nov. 2020. DOI: 10.31000/jt.v9i2.3623
  8. . A, O. Arowolo, O. Adeleke, and A, J. Oluwafunminiyi, “Development Of An Artificial Intelligence Body Gesture Detection Dustbin With An Autonomous System,” Journal of Digital Innovations & Contemporary Research in Science, Enginner & Technology, vol. 12, no. 4, pp. 1–8, Sep. 2024, doi: 10.22624/AIMS/DIGITAL/V12N4P1
  9. . L. Rohmawati, “Smart Trash Bin System Berbasis Gesture Menggunakan Algoritma Geometri,” Skripsi, Program Studi Teknik Mekatronika, Universitas Trunojoyo Madura, Madura, 2023
  10. . Anhar and R. A. Putra, “Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN),” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 2, pp. 466–478, Apr. 2023, doi: 10.26760/elkomika.v11i2.466
  11. . S. Rahman et al., Convolutional Neural Networks Untuk Visi Komputer: Jaringan Saraf Konvolusional untuk Visi Komputer (Arsitektur Baru, Transfer Learning, Fine Tuning, dan Pruning). Yogyakarta: Deepublish, 2021. ISBN 978-623-02-3539-9
  12. . I. Mudzakir and T. Arifin, “Klasifikasi Penggunaan Masker dengan Convolutional Neural Network Menggunakan Arsitektur MobileNetv2,” EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi, vol. 12, no. 1, pp. 76–81, Jun. 2022, doi: 10.36448/expert.v12i1.2466
  13. . Y. Miftahuddin and F. Zaelani S., “Perbandingan Metode EfficientNet-B3 dan MobileNet-V2 untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun,” Jurnal Ilmiah Teknologi Informasi Terapan, vol. 9, no. 1, pp. 1–10, Dec. 2022, p-ISSN 2686-0333, e-ISSN 2407-3911
  14. . A. R. Hermanto, A. Aziz, and Sudianto, “Perbandingan Arsitektur MobileNetV2 dan RestNet50 untuk Klasifikasi Jenis Buah Kurma,” JUSTIN (Jurnal Sistem dan Teknologi Informasi), vol. 12, no. 4, pp. 630–637, Oct. 2024, doi: 10.26418/justin.v12i4.80358
  15. . P. A. Cahyani, Mardiana, P. B. Wintoro, and M. A. Muhammad, “Sistem Perhitungan Kendaraan Menggunakan Algoritma YOLOv5 dan DeepSORT,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 10, no. 1, pp. 86–97, Apr. 2024, doi: 10.28932/jutisi.v10i1.7519
  16. . M. C. T. Manullang and G. Megiyanto. R., COMPUTER VISION: Panduan Pemula Untuk Penelitian dan Aplikasi Praktis. Pekanbaru: ITERA Press, 2025
  17. . Google AI Edge, “Pose Landmark Detection Guide,”, Mediapipe, 2025. [Online]. Available: https://ai.google.dev/edge/mediapipe/solutions/vision/pose_landmarker. [Accessed: 09-Nov-2025]
  18. . Elbert, E. Setyaningsih, dan L. Widodo, “Comparative Analysis of Haar Cascade Classifier, Dlib, and Mediapipe for Face Recognition,” Electron: Jurnal Ilmiah Teknik Elektro, vol. 6, no. 1, pp. 1–8, May 2025, p-ISSN 2830-523X, e-ISSN 2622-6588
  19. . Google AI Edge, “Face detection guide for Python,” Mediapipe, 2025. [Online]. Available: https://ai.google.dev/edge/mediapipe/solutions/vision/pose_landmarker. [Accessed: 09-Nov-2025]
  20. . M. A. Althoriq, Periyadi, and G. A. Mutiara, “Pelacakan Kerumunan Adaptif: Deteksi Cerdas Berdasarkan Pergerakan Pengunjung di Area Wisata Menggunakan YOLO,” e-Proceeding of Applied Science, vol. 11, no. 4, pp. 923–928, Aug. 2025

Last update:

No citation recorded.

Last update: 2026-05-24 17:42:17

No citation recorded.