No abstract

Jumlah area Desa Lengkong Kulon adalah 15331 km2. Desa Lengkong Kulon ini merupakan desa berkembang yang pada saat ini wisata yang akan dikembangkan pada desa ini adalah wisata religi, wisata kuliner, wisata air, dan dari segi ekonomi. Namun dari beberapa pengembangan tersebut, desa ini membutuhkan pengelolaan sampah. Sampah merupakan hal krusial bagi kehidupan dan kesehatan masyarakat. Di area yang luas tersebut terdiri dari beberapa RW yang memiliki kebijakan tersendiri untuk pengelolaan sampahnya. Ada yang melakukan pembakaran sampah, ada yang bekerjasama dengan pemerintah daerah untuk pengangkutan sampah, dan ada pula yang membuang sampah pada lahan kosong. Dari segi kesehatan untuk proses pembakaran sampah dan membuang sampah sembarangan memiliki dampak buruk, karena dapat mengakibatkan pencemaran lingkungan bagi masyarakat sekitar. Solusi yang ditawarkan dengan Program Kemitraan Masyarakat ini adalah dengan memberikan penyuluhan terkait pengolahan sampah, peminjaman mesin pencacah sampah organik dan anorganik, dan pengawasan dalam pemanfaatan mesin tersebut. Desa Lengkong Kulon memiliki bank sampah yang akan dikelola oleh pemuda-pemudinya. Bank Sampah ini adalah wadah bagi masyarakat untuk mengubah sampah yang mereka miliki menjadi uang. Dengan adanya mesin pengolah sampah, maka harga jual sampahnya akan lebih tinggi dibandingkan jika penjualan sampah sebelum diolah.

No abstract

Word recognition using deep learning is a simple approach to speech recognition in general. From this word-level recognition, the emotional expression recognition model. The emotion recognition model can be used to describe the important level of action on future planned hardware implementation. This research was conducted using MFCC as the feature extraction method from the audio data and using the CNN-LSTM approach for the emotional expression classifier. The model itself will be implemented into a humanoid robot to become a companion robot for the elderly. The model itself has 67% accuracy for emotion recognition and 97% accuracy for word recognition. However, the model only attained 20% accuracy in real-life testing using the humanoid robot as the model tends to overfitting as a result of the lack of data used in model training.

No abstract