Analisis Kinerja Convolutional Neural Network dalam Mengklasifikasikan Sampah Rumah Tangga

Abstract

Peningkatan jumlah dan karakteristik sampah rumah tangga yang dipengaruhi oleh pertumbuhan penduduk dan perubahan pola konsumsi menuntut adanya sistem pengelolaan sampah yang lebih efektif, khususnya pada tahap pemilahan. Penelitian ini bertujuan untuk mengklasifikasikan citra sampah rumah tangga ke dalam dua kategori, yaitu sampah organik dan anorganik, menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning berbasis arsitektur MobileNet. Dataset yang digunakan merupakan gabungan data primer hasil pengambilan citra langsung serta data sekunder yang bersumber dari Kaggle dengan total 10.359 citra. Seluruh citra dipraproses dengan penyeragaman ukuran menjadi 224 × 224 piksel dan dibagi ke dalam data pelatihan, validasi, dan pengujian. Proses pelatihan model dilakukan dengan jumlah maksimum 15 epoch, serta menerapkan mekanisme Early Stopping dan ReduceLROnPlateau untuk meningkatkan stabilitas dan mencegah overfitting. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 97%, dengan nilai precision, recall, dan f1-score yang seimbang pada kedua kelas. Hasil tersebut menunjukkan bahwa model CNN berbasis MobileNet memiliki kinerja yang sangat baik dan berpotensi diterapkan sebagai solusi otomatis dalam mendukung pemilahan sampah rumah tangga secara efektif dan efisien.

GS Cited Analysis