ANALISIS PERFORMA CAPSULE NETWORK (CAPSNET) DALAM KLASIFIKASI SAMPAH ORGANIK DAN ANORGANIK

Abstract

Pengelolaan sampah memerlukan teknologi pemisahan otomatis yang akurat untuk mendukung proses daur ulang. Namun, algoritme Convolutional Neural Network (CNN) tradisional memiliki keterbatasan dalam memahami hubungan spasial objek akibat rotasi atau kondisi yang tumpang tindih. Penelitian ini bertujuan menerapkan arsitektur Capsule Network (CapsNet) untuk meningkatkan akurasi klasifikasi sampah organik dan anorganik secara dinamis. Metode penelitian menggunakan dataset sekunder sebanyak 5.000 citra dari Kaggle yang diproses dengan mekanisme Dynamic Routing (3 iterasi), fungsi aktivasi Squash, dan optimasi Label Smoothing 0.1. Hasil evaluasi menunjukkan model CapsNet mencapai akurasi 81,20% pada data uji. Secara spesifik, model memiliki responsivitas tinggi pada limbah organik dengan Recall 0,8440 dan Precision 0,8333 pada kategori anorganik. Meskipun terdapat kesalahan klasifikasi sebesar 18,80% akibat ambiguitas tekstur dan noise latar belakang, penelitian ini menyimpulkan bahwa CapsNet efektif dalam mempertahankan informasi hierarki spasial untuk klasifikasi objek limbah yang bervariasi