Sampah adalah masalah yang sangat dekat dengan kehidupan kita. Setiap hari, sampah muncul dari rumah, kampus, kantin, kos, ruang kelas, sampai area publik. Sayangnya, banyak sampah masih berakhir di Tempat Pembuangan Akhir tanpa pemilahan yang baik sejak awal.

Akibatnya, sampah organik, plastik, dan kertas sering bercampur. Padahal, jika sampah sudah dipisahkan dari sumbernya, proses daur ulang bisa berjalan lebih mudah, cepat, dan hemat biaya. Material yang masih bernilai juga punya peluang lebih besar untuk digunakan kembali.

Dari persoalan inilah ide Eco-Sort : Tempat Sampah Pemilah Otomatis lahir. Melalui Program Kreativitas Mahasiswa, tim kami mencoba menghadirkan solusi yang relevan dengan masalah lingkungan sehari-hari. Sebagai mahasiswa Teknik Informatika, kami melihat bahwa teknologi tidak seharusnya berhenti di ruang kelas atau praktikum.

Eco-Sort dirancang sebagai purwarupa tempat sampah pintar yang mampu memilah sampah secara otomatis. Sistem ini memanfaatkan pembelajaran mesin, kamera, sensor, mikrokontroler, aktuator, dan dasbor web untuk mendukung pengelolaan limbah yang lebih rapi.

Mengapa Eco-Sort Dibutuhkan?

Salah satu masalah utama dalam pengelolaan sampah di Indonesia adalah pemilahan sampah yang belum konsisten. Banyak orang tahu bahwa sampah perlu dipilah. Namun, praktiknya tidak selalu berjalan. Ada yang merasa repot, tidak tahu jenis sampahnya, atau berpikir bahwa semua sampah pada akhirnya tetap bercampur.

Ketika sampah organik, plastik, dan kertas tercampur, proses pengolahan menjadi lebih sulit. Sampah plastik dapat terkontaminasi sisa makanan. Kertas bisa rusak karena basah. Sampah organik juga tidak bisa langsung diolah secara optimal karena bercampur dengan material lain. Kondisi ini membuat proses daur ulang membutuhkan biaya lebih besar dan waktu lebih lama (Chandrappa & Das, 2012).

Eco-Sort masuk pada titik paling awal dari rantai masalah tersebut, yaitu tempat sampah itu sendiri. Jika pemilahan bisa dilakukan otomatis saat sampah pertama kali dibuang, pengelolaan limbah bisa menjadi lebih efisien. Dengan kata lain, Eco-Sort membantu manusia mengambil keputusan sederhana tetapi penting, yaitu menentukan ke mana sampah harus masuk.

Cara Kerja Eco-Sort

Secara tampilan, Eco-Sort mungkin terlihat seperti tempat sampah modern pada umumnya. Namun, di dalamnya terdapat sistem yang membaca, mengenali, dan memilah sampah.

Eco-Sort bekerja melalui tiga tahap utama. Pertama, sistem mengambil data visual melalui kamera dan sensor. Kedua, sistem mengolah data tersebut menggunakan algoritma machine learning. Ketiga, sistem menggerakkan aktuator agar sampah jatuh ke ruang penampungan yang tepat.

Ekstraksi Fitur Visual melalui Kamera dan Sensor

Tahap pertama dimulai ketika pengguna memasukkan sampah ke mulut tempat sampah. Pada tempat sampah biasa, objek akan langsung jatuh ke dalam penampungan. Namun, pada Eco-Sort, objek tertahan sejenak di atas papan mekanik transparan.

Bagian ini penting karena sistem membutuhkan waktu singkat untuk membaca karakteristik objek. Kamera terintegrasi mengambil citra visual dari sampah yang masuk. Sensor optik membantu menangkap informasi terkait bentuk, tampilan, dan material objek.

Data visual ini menjadi bahan utama untuk proses berikutnya. Sistem perlu membedakan apakah objek yang masuk adalah botol plastik, kertas, atau jenis sampah lain dengan membaca pola visual yang lebih detail.

Di dunia nyata, bentuk sampah tidak selalu rapi. Botol plastik bisa utuh, penyok, atau remuk. Kertas bisa kering, kusut, atau basah. Karena itu, ekstraksi fitur diperlukan agar sistem tetap bisa mengenali sampah dalam berbagai kondisi.

Machine Learning sebagai Otak Sistem

Setelah data citra ditangkap, informasi tersebut diteruskan ke mikrokontroler internal. Pada tahap inilah Eco-Sort menjalankan proses klasifikasi. Bagian ini menjadi inti dari Eco-Sort : Tempat Sampah Pemilah Otomatis.

Sistem menggunakan algoritma machine learning untuk mengenali jenis sampah berdasarkan data visual yang masuk. Dalam rancangan ini, Support Vector Machine menjadi salah satu pilihan algoritma yang solid. Namun, model Random Forest menunjukkan performa yang tangguh untuk mengklasifikasikan berbagai bentuk dan tekstur sampah, terutama ketika objek mengalami perubahan bentuk (Breiman, 2001).

Hal ini masuk akal karena sampah yang dibuang jarang berada dalam kondisi ideal. Botol plastik bisa remuk. Kertas bisa terlipat atau basah. Material lain juga bisa memiliki bentuk yang tidak seragam. Random Forest membantu sistem mengambil keputusan berdasarkan banyak pola dari data yang sudah dilatih sebelumnya.

Secara sederhana, algoritma membandingkan data visual dari objek yang baru masuk dengan ribuan dataset sampah yang telah digunakan dalam proses pelatihan. Dari proses itu, sistem menghasilkan prediksi jenis material. Misalnya, sistem dapat mendeteksi tingkat keyakinan 95% bahwa suatu objek adalah botol plastik PET.

Keputusan ini menjadi dasar bagi mekanisme pemilah untuk menentukan arah jatuhnya sampah. Proses komputasi dilakukan secara lokal, sehingga alat tidak harus bergantung sepenuhnya pada cloud. Ini penting karena proses pemilahan harus berjalan cepat dan tidak terganggu latensi jaringan.

Dengan komputasi lokal, Eco-Sort dapat merespons dalam waktu singkat setelah objek dimasukkan. Sistem menjadi lebih praktis, terutama untuk digunakan di kampus, gedung, atau ruang publik yang memiliki aktivitas tinggi.

Eksekusi Mekanik melalui Aktuator

Setelah sistem menentukan jenis sampah, mikrokontroler mengirimkan sinyal ke aktuator. Bagian ini bertugas menggerakkan mekanisme pemilah agar sampah jatuh ke ruang penampungan yang sesuai.

Pada Eco-Sort, motor servo besar berkualitas industri terhubung dengan papan pemisah. Ketika sistem mengenali sampah sebagai plastik, motor servo menggerakkan papan pemisah ke arah kompartemen plastik. Setelah itu, objek jatuh ke ruang penampungan yang sudah ditentukan.

Proses ini terlihat sederhana dari luar, tetapi membutuhkan koordinasi yang presisi. Kamera harus membaca objek, algoritma harus membuat klasifikasi, mikrokontroler harus mengirim sinyal, dan motor servo harus bergerak sesuai perintah.

Jika semua bagian bekerja dengan baik, pemilahan dapat berlangsung otomatis tanpa pengguna perlu memilih lubang tempat sampah secara manual. Inilah yang membuat Eco-Sort berbeda dari tempat sampah biasa.

Integrasi Internet of Things dan Pemantauan Web

Eco-Sort tidak dirancang hanya sebagai alat pemilah yang berdiri sendiri. Sistem ini juga mendukung pengolahan limbah terpadu melalui integrasi Internet of Things. Dalam konteks smart city, IoT banyak digunakan untuk memantau level sampah secara real-time, mengirim data ke sistem pusat, dan membantu pengelola mengambil keputusan pengangkutan dengan lebih efisien (I. Shah et al., 2021).

Setiap unit Eco-Sort dilengkapi modul Wi-Fi. Modul ini mengirimkan data operasional dan status kapasitas tempat sampah secara real-time melalui protokol internet. Status kapasitas diukur menggunakan sensor ultrasonik pada setiap kompartemen. Dengan sensor ini, sistem dapat mengetahui ruang penampungan yang mulai penuh.

Data tersebut dikirim ke dasbor web tersentralisasi. Melalui dasbor ini, petugas atau pengelola dapat memantau kondisi beberapa unit Eco-Sort dari satu tempat. Mereka bisa melihat unit mana yang hampir penuh, kategori sampah apa yang paling banyak terkumpul, serta kapan waktu pengangkutan perlu dilakukan.

Dalam proses perancangannya, alur informasi Eco-Sort dipetakan menggunakan Data Flow Diagram atau DFD, mulai dari Level Context hingga Level 2. Entity Relationship Diagram atau ERD juga dirancang untuk merapikan data unit tempat sampah, titik lokasi, volume sampah per kategori, dan waktu pengangkutan.

Dasbor web Eco-Sort dibangun menggunakan Laravel berbasis PHP dan basis data SQL. Untuk mendukung stabilitas sistem, backend dikonfigurasi di atas peladen berbasis Ubuntu, terutama saat sistem menerima banyak request dari beberapa unit Eco-Sort.

Pengujian Sistem Eco-Sort

Membangun tempat sampah yang bisa bergerak otomatis memang menarik. Namun, perangkat keras saja tidak cukup. Sistem seperti Eco-Sort juga membutuhkan perangkat lunak yang stabil, akurat, dan tahan terhadap kondisi nyata.

Ada tiga jenis pengujian yang dilakukan. Pertama, pengujian ketahanan model untuk memastikan Random Forest tidak mengalami overfitting. Model harus mampu mengenali sampah baru, bukan hanya menghafal data pelatihan. Model juga perlu diuji dalam pencahayaan rendah, seperti malam hari atau area yang tidak terlalu terang.

Kedua, pengujian integrasi API. Pengujian ini memastikan data payload JSON dari mikrokontroler dapat terkirim ke server Laravel tanpa kehilangan data. Jika data operasional tidak terkirim dengan baik, dasbor web tidak akan menampilkan kondisi yang akurat.

Ketiga, pengujian mekanik. Pengujian ini dilakukan untuk mengukur densitas cacat atau defect per 100 kali buangan. Tujuannya adalah melihat seberapa sering motor servo gagal menjalankan perintah, salah mengarahkan objek, atau mengalami gangguan gerak.

Pengujian ini penting karena Eco-Sort bekerja dalam lingkungan yang tidak selalu ideal. Sampah bisa memiliki ukuran, bentuk, berat, dan kondisi berbeda. Karena itu, sistem harus diuji menyeluruh agar lebih siap digunakan di dunia nyata.

Eco-Sort untuk Kampus dan Lingkungan Akademik

Bagi dosen dan mahasiswa, Eco-Sort bisa menjadi contoh penerapan teknologi yang relevan dengan kebutuhan lingkungan. Proyek ini menggabungkan beberapa bidang sekaligus, mulai dari machine learning, Internet of Things, rekayasa perangkat lunak, basis data, hingga sistem mekanik.

Dari sisi pembelajaran, Eco-Sort dapat menjadi media praktik yang menarik. Mahasiswa tidak hanya belajar teori klasifikasi data, tetapi juga melihat bagaimana algoritma bekerja dalam perangkat nyata. Bagi dosen, proyek ini bisa menjadi bahan diskusi tentang riset terapan yang dekat dengan kehidupan kampus.

Penutup

Eco-Sort : Tempat Sampah Pemilah Otomatis adalah contoh bagaimana teknologi dapat digunakan untuk mendukung pelestarian lingkungan secara langsung. Sistem ini tidak hanya menawarkan alat pemilah sampah, tetapi juga menghadirkan cara yang lebih cerdas dalam pengelolaan limbah.

Dengan menggabungkan machine learning, sensor, aktuator, Internet of Things, dan dasbor web, Eco-Sort membantu proses pemilahan sejak dari sumbernya. Sistem ini juga menyediakan data real-time agar pengelolaan sampah bisa dilakukan lebih terukur.

Eco-Sort memang berawal dari purwarupa dan luaran akademik. Namun, gagasan di baliknya jauh lebih luas. Jika dikembangkan dengan baik, sistem seperti ini dapat menjadi bagian dari infrastruktur smart city yang lebih bersih, efisien, dan ramah lingkungan.

Pada akhirnya, solusi lingkungan tidak selalu harus dimulai dari langkah besar. Kadang, perubahan bisa dimulai dari satu tempat sampah yang dibuat lebih pintar.

M Rizky Raditya | IF9 | 10123359

Referensi

Breiman, L. Random Forests. Machine Learning 45, 5–32 (2001). https://doi.org/10.1023/A:1010933404324

Chandrappa, R., & Das, D. B. (2012). Solid Waste Management: Principles and Practice. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-28681-0

I. Shah, A. A., M. Fauzi, S. S., J. M. Gining, R. A., R. Razak, T., F. Jamaluddin, M. N., & Maskat, R. (2021). A review of IoT-based smart waste level monitoring system for smart cities. Indonesian Journal of Electrical Engineering and Computer Science, 21(1), 450. https://doi.org/10.11591/ijeecs.v21.i1.pp450-456