Keywords
EfficientNet
Klasifikasi Sampah
Anorganik
Organik
How to Cite
Abstract
Pengelolaan sampah yang kurang optimal berdampak negatif pada lingkungan, sehingga klasifikasi sampah menjadi penting untuk mendukung daur ulang. Penelitian ini mengembangkan sistem klasifikasi gambar sampah organik dan anorganik menggunakan model deep learning EfficientNetB1. Dataset sebanyak 2.527 gambar dari Kaggle diproses melalui resize, normalisasi, dan augmentasi. Model ini dilatih dan diuji dengan metrik akurasi, presisi, recall, dan F1-Score. Pengujian menghasilkan bahwa model mencapai akurasi rata-rata 92%, presisi 93%, recall 92%, dan F1-Score 92%. Meskipun terdapat variasi pencahayaan dan latar belakang, model mampu mengenali dua jenis sampah dengan baik. Sistem ini berpotensi diimplementasikan dalam aplikasi berbasis web untuk membantu masyarakat memilah sampah secara mandiri dan berkelanjutan.
References
[1] J. Pandu Hidayat et al., “Pemanfaatan sampah organik-anorganik menjadi kompos dan ecobrick paguyuban Batu Ampar RT 17 Balikpapan,” SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan, vol. 8, no. 2, pp. 1283–1296, 2024.
[2] A. Nurdin et al., “Pengaruh Sampah Organik, Anorganik dan Bahan Berbahaya dan Beracun (B3) terhadap Kesehatan pada Pekerja di Tempat Pemrosesan Akhir (TPA) Gampong Jawa Kota Banda Aceh”, [Online]. Available: http://jurnal.abulyatama.ac.id/acehmedika
[3] A. Ibnul Rasidi, Y. A. H. Pasaribu, A. Ziqri, and F. D. Adhinata, “Klasifikasi Sampah Organik dan Non-Organik Menggunakan Convolutional Neural Network,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 1, Apr. 2022, doi: 10.28932/jutisi.v8i1.4314.
[4] R. Batubara, R. Mardiansyah, and A. Sukma, “PENGADAAN TONG SAMPAH ORGANIK DAN ANORGANIK DIKELURAHAN INDRO KECAMATAN KEBOMAS GRESIK,” Journal of Community Service, vol. 4, no. 1, 2022.
[5] A. A. Fathurrahman and F. Akbar, “Perancangan Sistem Identifikasi Jenis Sampah Menggunakan Tensorflow Object Detection Dan Transfer Learning,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 10, no. 1, pp. 64–71, May 2024, doi: 10.25077/teknosi.v10i1.2024.64-71.
[6] H. Abdillah, A. Naufal Syahbana, G. Ishaq, A. Husain, and S. Agustin, “Detektif Sampah : Klasifikasi Jenis Sampah Organik dan Anorganik Menggunakan Metode YOLOv5 Berbasis Website,” 2024.
[7] M. E. Purba, A. Z. Situmorang, G. L. Br Ginting, M. W. P. Lubis, and F. M. Sinaga, “Klasifikasi Sampah Organik dan Anorganik Menggunakan Algoritma CNN,” Jurnal Sifo Mikroskil, vol. 26, no. 1, pp. 37–54, Apr. 2025, doi: 10.55601/jsm.v26i1.1510.
[8] A. A. RAHMAN, S. D. AGUSTIN, N. IBRAHIM, and N. C. KUMALASARI, “Perbandingan Algoritma YOLOv4 dan Scaled YOLOv4 untuk Deteksi Objek pada Citra Termal,” MIND Journal, vol. 7, no. 1, pp. 61–71, Jun. 2022, doi: 10.26760/mindjournal.v7i1.61-71.
[9] K. Umam, “MIND (Multimedia Artificial Intelligent Networking Database Perbandingan Metode ARIMA dan LSTM pada Prediksi Jumlah Pengunjung Perpustakaan,” Journal MIND Journal | ISSN, vol. 8, no. 2, pp. 119–129, 2023, doi: 10.26760/mindjournal.v8i2.119-129.
[10] A. I. Hanifah and A. Hermawan, “Klasifikasi Kematangan Pisang Menggunakan Metode Convolutional Neural Network,” Komputika : Jurnal Sistem Komputer, vol. 12, no. 2, pp. 49–56, Sep. 2023, doi: 10.34010/komputika.v12i2.9999.
[11] M. Tan and Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” May 2019, [Online]. Available: http://arxiv.org/abs/1905.11946
[12] N. A. Choirunisa, T. Karlita, and R. Asmara, “Deteksi Ras Kucing Menggunakan Compound Model Scaling Convolutional Neural Network,” Technomedia Journal, vol. 6, no. 2 Februari, pp. 236–251, 2022.
[13] F. Bimantoro, R. Nisful, L. Hidhayah, and D. Swanjaya, “Komparasi Algoritma MLP+LBP dan CNN Sebagai solusi Inovatif Untuk Deteksi Dini Korosi,” Online, 2024.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Putri Desi Kusuma Sari, Umi Mahdiyah, Resty Wulanningrum