IMPLEMENTASI DEEP LEARNING MENGGUNAKAN MOBILENETV2 UNTUK KLASIFIKASI JENIS SAMPAH

Abstrak

Klasifikasi sampah berbasis deep learning merupakan salah satu solusi computer vision yang dapat membantu pengguna mengenali jenis sampah secara cepat dan efisien. Penelitian ini mengimplementasikan aplikasi klasifikasi sampah menggunakan arsitektur MobileNetV2, di mana model yang telah dilatih diintegrasikan langsung ke dalam aplikasi Android sehingga dapat digunakan secara praktis. Aplikasi ini dirancang untuk mengenali tiga kategori utama sampah: organik, anorganik, dan B3. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 96% pada tahap pelatihan dan 90% pada pengujian aplikasi. Selain itu, metrik precision, recall, dan F1-score juga konsisten tinggi (≥0,95 pada model dan ≥ 0,90 pada aplikasi). Tingkat kesalahan relatif rendah, dengan rata-rata False Positive Rate (FPR) sebesar 1,8% dan False Negative Rate (FNR) sebesar 3,7% pada model, serta FPR 5% dan FNR 10% pada aplikasi. Temuan ini membuktikan bahwa aplikasi klasifikasi sampah berbasis MobileNetV2 mampu memberikan performa andal dalam mendukung identifikasi jenis sampah. Dengan peningkatan kualitas dataset dan optimasi model, akurasi aplikasi berpotensi ditingkatkan lebih lanjut sehingga siap dimanfaatkan dalam edukasi, penelitian, maupun implementasi praktis di lapangan.