KLASIFIKASI MULTIKELAS SAMPAH MENGGUNAKAN CNN DENGAN ARSITEKTUR MOBILENETV2

Abstract

Pengelolaan sampah memerlukan proses pemilahan berdasarkan jenis material secara tepat dan efisien. Pemilahan secara manual membutuhkan waktu dan berpotensi menimbulkan kesalahan. Penelitian ini bertujuan mengembangkan sistem klasifikasi multikelas sampah berbasis citra menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 melalui pendekatan transfer learning. Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas 15.515 citra dalam 12 kategori sampah. Tahapan penelitian meliputi preprocessing dengan mengubah ukuran citra menjadi 224×224 piksel, normalisasi, augmentasi, serta pembagian dataset menjadi data latih, validasi, dan uji dengan perbandingan 70:15:15. Model MobileNetV2 digunakan sebagai ekstraktor fitur dan dilatih melalui dua tahap, yaitu feature extraction dan fine-tuning. Hasil pengujian pada data uji menunjukkan bahwa model memperoleh akurasi sebesar 94,97%, precision macro sebesar 93,37%, recall macro sebesar 92,53%, dan F1-score macro sebesar 92,85%. Model selanjutnya diimplementasikan pada aplikasi web GarbageAI menggunakan FastAPI dan Bootstrap 5 untuk melakukan klasifikasi citra sampah. Hasil penelitian menunjukkan bahwa CNN dengan arsitektur MobileNetV2 mampu melakukan klasifikasi multikelas sampah dengan kinerja yang baik dan dapat digunakan sebagai pendukung proses identifikasi jenis sampah berbasis citra