Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :

Sampah plastik merupakan suatu permasalahan yang harus diperhatikan. Hal ini disebabkan oleh sifat yang dimilikinya yaitu sulit untuk diuraikan sehingga dapat mencemari lingkungan sekitar jika tidak segera diatasi. Oleh karena itu, diperlukan suatu sistem yang bersifat user friendly untuk membantu proses evaluasi pada produk kemasan plastik secara menyeluruh dengan menggunakan pendekatan Life Cycle Assessment (LCA) untuk mempermudah kerja pengguna serta meningkatkan kesadaran terkait dampak lingkungan yang ditimbulkan dari produk kemasan plastik. Untuk memperoleh sistem tersebut, perlu melalui beberapa tahapan dimulai dari studi literatur, pengumpulan data produk, pembuatan dataset, perumusan standar LCA, hingga pembuatan algoritma dari program pembelajaran mesin berbasis deep learning. Pembuatan dataset dilakukan menggunakan fitur random number yang terdapat pada software Microsoft excel. Sedangkan, untuk pengumpulan data produk serta perumusan standar LCA dilakukan berdasarkan database ecoinvent 3.7.1 yang disediakan oleh software openLCA. Metode deep learning digunakan untuk meningkatkan efisiensi di dalam melakukan pengolahan data. Di dalam proses pembuatan algoritma deep learning, dilakukan optimasi parameter yang terlibat seperti test size, random state, jumlah layer dan dense, learning rate, batch size, serta epochs agar dapat memperoleh akurasi yang optimum. Dari penelitian yang telah dilakukan, diperoleh hasil akhir berupa program prediksi skor LCA untuk produk kemasan botol plastik dengan menggunakan metode pembelajaran mesin berbasis deep learning dengan tingkat akurasi sebesar 92%.

---

Plastic waste is a matter of concern. This is due to the nature it possesses i.e. it is difficult to decipher so it can pollute the surrounding environment if it is not addressed immediately. Therefore, it is necessary to have a user-friendly system to assist the evaluation process on plastic packaging products thoroughly by using the Life Cycle Assessment (LCA) approach to facilitate user to work as well as to raise awareness related to the environmental impact caused from plastic packaging products. To obtain such systems, it is necessary to go through several stages, start from literature studies, product data collection, dataset creation, formulation of LCA standards, until algorithm creation from deep learning-based machine learning programs. The dataset creation is performed using the random number features contained on Microsoft excel software. Whereas, for product data collection and formulation the LCA standards are performed based on the 3.7.1 ecoinvent database provided by the openLCA software. Deep learning methods are used to improve efficiency inside performing data processing. Inside the process of creating deep learning algorithms, involved parameter optimizations such as test size, random state, number of layers and denses, learning rate, batch size, as well as epochs are performed to obtain optimum accuracy. From the research already conducted, the final result was obtained in the form of an LCA score prediction program for plastic bottle packaging products using a deep learning-based machine learning method with an accuracy rate of 92%.

Abstrak :
Data dari Asosiasi Industri Plastik Indonesia (INAPLAS) dan Badan Pusat Statistik (BPS), sampah plastik di Indonesia mencapai 64 juta ton per tahun. Dampak lingkungan yang ditimbulkan dari limbah kemasan plastik sangatlah signifikan dalam satu siklus hidup kemasan plastik. Sejauh ini, upaya untuk meningkatkan kesadaran masyarakat terhadap dampak lingkungan sampah plastik menggunakan suatu metode asesmen secara komprehensif belum banyak dilakukan. Salah satu metode yang dapat dilakukan adalah life cycle assessment (LCA). LCA adalah metode sistematis untuk menganalisis secara kuantitatif dampak lingkungan suatu produk pada seluruh siklus hidup produk. Kendala dalam melakukan LCA salah satunya adalah proses yang kompleks untuk mengidentifikasi produk pada keseluruhan siklus hidupnya sehingga dibutuhkan metode asesmen LCA yang user-friendly dan mempermudah dalam melakukan LCA. Salah satu solusi yang dapat digunakan untuk mengatasi keterbatasan itu adalah dengan membangun model deep learning untuk memprediksi skor LCA pada produk kemasan plastik detergen cair yang dapat mempersingkat waktu serta meningkatkan efisiensi dalam melakukan asesmen LCA. Hasil penelitian berupa program prediksi skor LCA untuk produk kemasan plastik detergen cair menggunakan metode eco-indicator 99 dengan menggunakan jumlah dataset 240 terdiri dari 8% data real, 75% data dummy, 17% data hybrid. Parameter model lainnya antara lain test size 0,2, random state 6, batch size 64, dengan 3 hidden layer dan dense 64,32,16, epoch 1000 dan learning rate 0,01. Program menghasilkan akurasi optimum sebesar 99,39% yang dihasilkan dari regression metrics menggunakan R2 score. ......Data from the Indonesian Plastic Industry Association (INAPLAS) and Badan Pusat Statistik (BPS), plastic waste in Indonesia reaches 64 million tons per year. The environmental impact of plastic packaging waste is very significant in a plastic packaging life cycle. So far, efforts to increase public awareness of the environmental impact of plastic waste have used a comprehensive assessment methods have not been widely carried out. One method that can be used is life cycle assessment (LCA). LCA is a systematic method for quantitatively analyzing the environmental impact of a product over the entire product life cycle. One of the obstacles in conducting LCA is the complex process of identifying products throughout their life cycle, so a user-friendly and easier LCA assessment method is needed. One solution that can be used to overcome these limitations is to build a deep learning model to predict LCA scores on liquid detergent plastic packaging products which can shorten time and increase efficiency in conducting LCA assessments. The result of the research is an LCA score prediction program for liquid detergent plastic packaging products using the eco-indicator 99 method using a total of 240 datasets consisting of 8% real data, 75% dummy data, 17% hybrid data. Other model parameters include test size 0.2, random state 6, batch size 64, with 3 hidden layers and dense 64,32,16, epoch 1000 and learning rate 0.01. The program produces an optimum accuracy of 99.39% resulting from regression metrics using the R2 score.