Klasifikasi Sampah Organik dan Anorganik Menggunakan Transfer Learning MobileNetV2 pada Citra Digital
DOI:
https://doi.org/10.47701/wabtd264Abstract
Permasalahan sampah masih menjadi isu serius di berbagai kota besars, terutama akibat kurangnya pemilahan antara sampah organik dan anorganik sejak dari sumbernya. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis sampah berbasis citra digital menggunakan pendekatan transfer learning dengan arsitektur MobileNetV2. Dataset yang digunakan terdiri dari gambar sampah organik seperti daun kering dan sisa makanan, serta sampah anorganik seperti plastik dan botol bekas, yang dikumpulkan dari lingkungan nyata. Proses pelatihan dilakukan di Google Colab dengan teknik augmentasi dan normalisasi data. Model dilatih selama 15 epoch dan mencapai akurasi validasi sebesar 93%. Evaluasi terhadap 20 citra uji baru menunjukkan akurasi klasifikasi sebesar 100%, dengan nilai confidence score yang tinggi pada sebagian besar gambar. Hasil ini menunjukkan bahwa MobileNetV2 memberikan hasil yang sesuai dalam mengenali jenis sampah, bahkan dengan keterbatasan data dan sumber daya komputasi. Kendati demikian, model mengalami sedikit penurunan kepercayaan pada citra dengan karakteristik visual ambigu. Penelitian ini menunjukkan potensi penggunaan deep learning dalam pengelolaan sampah berbasis teknologi, dan dapat menjadi dasar pengembangan sistem pemilah sampah otomatis berbasis kamera.
References
[1] Z. I. Nugraha, Arnita, S. K. S, A. Setiawan, R. Maharani, and F. Zaharani, “IMPLEMENTASI ALGORITMA CNN DALAM PENGEMBANGAN WEBSITE UNTUK KLASIFIKASI SAMPAH ORGANIK, DAN NON-ORGANIK,” J. Manaj. Inform. Sist. Inf., vol. 8, no. 1, pp. 90–101, 2025, doi: 10.36595/misi.v5i2.
[2] M. Muslihati, S. Sahibu, and I. Taufik, “Implementasi Algoritma Convolutional Neural Network untuk Klasifikasi Jenis Sampah Organik dan Non Organik,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 3, pp. 840–852, 2024, doi: 10.57152/malcom.v4i3.1346.
[3] Ryandy Fermat Silolongan, “Analisis Faktor Penghambat
Efektivitas Pengelolaan Sampah di Kabupaten Mimika,” J. Krit., vol. 3, no. 2, pp. 17–39, 2019.
[4] W. F. Akbar, N. C. Wibowo, and D. S. Y. Kartika, “Implementasi Transfer Learning Model DenseNet169 Untuk Klasifikasi Citra Jenis Sampah,” J. Tek. Inform. dan Sist. Inf., vol. 11, no. 4, pp. 495– 506, 2024.
[5] G. A. Bahagia and M. Akbar, “KLASIFIKASI SAMPAH ORGANIK DAN ANORGANIK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK ( CNN ),” vol. 8, no. 5, pp. 10349–10355, 2024.
[6] F. R. Hendri and F. Utaminingrum, “Rancang Bangun Sistem Pengklasifikasi Jenis Sampah Organik dan Anorganik menggunakan metode You Only Look Once versi 3 berbasis Raspberry Pi,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 7, pp. 3509–3514, 2022, [Online]. Available: https://j- ptiik.ub.ac.id/index.php/j-ptiik/article/view/11381
[7] A. R. Fahcruroji, “IMPLEMENTASI ALGORITMA CNN MOBILENET UNTUK KLASIFIKASI GAMBAR SAMPAH DI
BANK SAMPAH,” Universitas Islam Negeri Syarif Hidayatullah Jakarta, 2024.
[8] I. Z. Nisa, S. N. Endah, P. S. Sasongko, R. Kusumaningrum, K. Khadijah, and R. Rismiyati, “Klasifikasi Citra Sampah Menggunakan Support Vector Machine dengan Ekstraksi Fitur Gray Level Co-Occurrence Matrix dan Color Moments,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 5, pp. 921–930, 2022, doi: 10.25126/jtiik.2022954868.
[9] I. Nesta Suandana, A. Asriyanik, and W. Apriandari, “Pemanfaatan Cnn (Convolution Neural Network) Dan Mobilenet V2 Dalam Klasifikasi Rempah-Rempah Lokal Di Indonesia,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 10109–10116, 2024, doi: 10.36040/jati.v8i5.10873.
[10] Sulistiawati, E. Cipta, and E. Muchlis, “Analisis Bibliometrik Perkembangan Penelitian R&D Model ADDIE Pada Pembelajaran Matematika Dengan Vosviewer Tahun 2017-2022,” J. Pendidik. Mat. Sigma Didakt., vol. 10, no. 2, pp. 96–119, 2022, [Online]. Available: https://ejournal.upi.edu/index.php/SIGMADIDAKTIKA/article/vie w/52509
