Smart AI Chatbot Deteksi Saluran Air Tercemar di Mayarakat
DOI:
https://doi.org/10.59945/jpnm.v4i1.977Keywords:
Kecerdasan buatan; Computer vision; IndoBERT; Pencemaran saluran air; Lingkungan perkotaanAbstract
Pencemaran saluran air di lingkungan perkotaan merupakan permasalahan serius yang berdampak pada kesehatan masyarakat, risiko banjir, serta penurunan kualitas lingkungan. Proses pemantauan yang masih didominasi metode manual dinilai kurang efisien, tidak konsisten, dan sulit diterapkan pada wilayah yang luas. Penelitian ini bertujuan mengembangkan sistem identifikasi saluran air tercemar berbasis kecerdasan buatan melalui integrasi model computer vision dan pemrosesan bahasa alami IndoBERT. Metode penelitian yang digunakan adalah penelitian pengembangan (research and development) dengan pendekatan eksperimental. Data penelitian berupa citra saluran air perkotaan yang diklasifikasikan ke dalam beberapa tingkat pencemaran, dilengkapi dengan deskripsi teks sebagai data pendukung. Model vision digunakan untuk mendeteksi dan mengklasifikasikan kondisi visual saluran air, sedangkan IndoBERT dimanfaatkan untuk menghasilkan interpretasi deskriptif dan respons chatbot berbasis bahasa Indonesia. Hasil penelitian menunjukkan bahwa sistem mampu mengidentifikasi tingkat pencemaran saluran air dengan akurasi yang tinggi serta memberikan penjelasan tekstual yang informatif dan mudah dipahami. Integrasi model citra dan NLP terbukti meningkatkan efektivitas pemantauan lingkungan dibandingkan metode konvensional. Penelitian ini diharapkan dapat menjadi solusi inovatif dalam mendukung pengelolaan saluran air dan pengembangan sistem smart city berkelanjutan.
References
Andi, R., & Putra, Y. (2020). Klasifikasi Kualitas Air Sungai Berbasis CNN. Penerbit Andi.
Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848.
Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (4th ed.). Pearson.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Hidayat, T., & Nabila, S. (2023). Urban Ecological Approaches to Water Pollution Detection Using AI Integration. Springer.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778.
Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). ImageNet classification with deep convolutional neural networks. ACM.
Kusnadi, A., Pratama, R., & Dewi, L. (2022). Sistem Monitoring Kualitas Air Berbasis IoT dan Analisis Citra. Universitas Indonesia Press.
Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440.
O’Mahony, N., Campbell, S., Carvalho, A., Harapanahalli, S., Hernandez, G. V, & Krpalkova, L. (2019). Deep learning for visual object detection. Elsevier.
Putra, D. (2010). Pengolahan Citra Digital. Andi Offset.
Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement.
Rosebrock, A. (2019). Deep Learning for Computer Vision with Python. PyImageSearch.
Russell, S., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach. Pearson Education.
Suroyo, H. (2019). Penerapan Machine Learning dengan Aplikasi Orange Data Mining Untuk Menentukan Jenis Buah Mangga. Semin. Nas. Teknol. Komput. Sains, 1(1), 343–347.
Szeliski, R. (2022). Computer Vision: Algorithms and Applications. Springer.
Wijaya, B., & Santoso, R. (2021). Deteksi Sampah Organik di Sungai Perkotaan Menggunakan Model Deep Learning. Gramedia.
Zhang, Y., Wu, L., & Wang, S. (2020). Water pollution monitoring using deep learning and image processing techniques. Environmental Monitoring and Assessment, 192(5), 1–12.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 JPNM Jurnal Pustaka Nusantara Multidisiplin
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
