KOMPARASI RESNET50, MOBILENETV2 DAN CUSTOM CNN DALAM KLASIFIKASI SAMPAH ORGANIK DAN ANORGANIK

Abstract

Peningkatan jumlah sampah akibat aktivitas manusia mendorong adanya sistem pengelolaan yang lebih efektif dan berbasis teknologi. Permasalahan utama terletak pada proses pemilahan sampah yang masih dilakukan secara manual sehingga kurang efisien, tidak konsisten, serta rentan terhadap kesalahan. Selain itu, belum banyak penelitian yang membandingkan beberapa arsitektur Convolutional Neural Network (CNN) dalam satu kerangka eksperimen yang seragam. Penelitian ini bertujuan untuk membandingkan performa ResNet50, MobileNetV2, dan Custom CNN dalam mengklasifikasikan sampah organik dan anorganik. Metode yang digunakan meliputi pengumpulan dataset berjumlah 29.589 citra, preprocessing melalui normalisasi dan augmentasi, pembangunan model berbasis deep learning, serta evaluasi menggunakan akurasi dan loss. Hasil pengujian menunjukkan Custom CNN memperoleh akurasi tertinggi sebesar 90,41% dengan waktu pelatihan paling efisien, diikuti MobileNetV2 sebesar 89,57%, dan ResNet50 sebesar 80,70%. Pengujian lanjutan menggunakan data baru menunjukkan bahwa Custom CNN unggul pada kelas organik dengan akurasi 100%, sementara ResNet50 lebih baik pada kelas anorganik dengan akurasi 90%, dan MobileNetV2 cenderung stabil pada kedua kelas. Temuan ini menunjukkan bahwa setiap arsitektur memiliki keunggulan berbeda, serta performa pada data uji tidak selalu mencerminkan kemampuan generalisasi model di kondisi nyata