KLASIFIKASI SAMPAH ORGANIK DAN NON ORGANIK MENGGUNAKAN TRANSFER LEARNING

Abstract

Pengelolaan sampah di Indonesia menghadapi tantangan serius dengan 7,2 juta ton sampah belum terkelola dengan baik dari 202 kabupaten/kota, mencemari lingkungan dan menghambat daur ulang berkelanjutan. Pemilahan sampah organik dan anorganik yang masih dilakukan secara manual rentan terhadap kesalahan manusia dan tidak efisien. Penelitian ini mengembangkan model klasifikasi sampah organik dan anorganik menggunakan metode transfer learning dengan tiga arsitektur CNN: VGG16, MobileNetV2, dan ResNet50V2. Dataset diambil dari kaggle Waste Classification Data yang telah melalui proses preprocessing. Hasil eksperimen menunjukkan bahwa MobileNetV2 unggul dengan akurasi 90,13%, presisi 96,25%, dan F1-Score 87,88%, waktu inferensi 127,76 ms. Arsitektur ini memberikan keseimbangan optimal antara performa tinggi dan efisiensi komputasi, sehingga ideal diterapkan pada perangkat pintar seperti ponsel dan sistem IoT dalam konteks manajemen sampah perkotaan. Penelitian ini menegaskan efektivitas transfer learning dalam membangun sistem klasifikasi sampah yang cerdas dan efisien untuk mendukung program pemilahan sampah di tingkat rumah tangga dan institusi.