KLASIFIKASI SAMPAH MENGGUNAKAN CNN DENGAN ARSITEKTUR MOBILENETV4 DAN TRANSFER LEARNING

Abstract

Pengelolaan sampah yang efektif menjadi tantangan utama di Indonesia, mengingat volume timbulan sampah nasional terus meningkat setiap tahunnya. Proses pemilahan sampah yang masih dilakukan secara manual dinilai kurang efisien dan rentan terhadap kesalahan klasifikasi. Penelitian ini bertujuan mengembangkan sistem klasifikasi sampah otomatis berbasis citra digital yang efisien dan akurat menggunakan arsitektur MobileNetV4 dengan pendekatan Transfer Learning. Model dievaluasi menggunakan tiga varian arsitektur, yaitu Small, Medium, dan Large. Dataset publik dari Kaggle yang terdiri dari 10 kategori dan 20.218 citra diproses melalui pra-pemrosesan, augmentasi data, serta penerapan class weighting untuk menangani ketidakseimbangan data antar kelas. Kinerja model diukur menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa varian MobileNetV4-Small dan Medium berhasil mencapai tingkat akurasi tertinggi yang setara, yaitu 81%, sedangkan varian Large mengalami penurunan performa menjadi 74% akibat overfitting. Berdasarkan hasil tersebut, MobileNetV4-Small disimpulkan sebagai model paling optimal karena mampu mempertahankan performa klasifikasi yang baik dengan kapasitas parameter yang lebih sedikit, sehingga sangat efisien untuk diterapkan pada sistem sortasi sampah bersumber daya komputasi terbatas.