Optimasi Algoritma Convolutional Neural Network dengan Arsitektur Efficientnet-B0 dan Resnet-50 untuk Klasifikasi Jenis Sampah: Optimization of Convolutional Neural Network Algorithm with Efficientnet-B0 and Resnet-50 Architecture for Waste Type Classification

Abstrak

Penelitian ini mengembangkan sistem klasifikasi sampah otomatis menggunakan deep learning untuk membedakan sampah organik dan dapat didaur ulang. Penelitian dilakukan menggunakan dataset dari Kaggle yang terdiri dari 25.077 gambar sampah dengan dua kategori utama: organik (O) dan dapat didaur ulang (R). Metodologi penelitian berfokus pada perbandingan transfer learning menggunakan arsitektur EfficientNet-B0 dan ResNet-50. Teknik data augmentation modern (rotasi, zoom, flip) diterapkan untuk meningkatkan generalisasi model, dan Keras Tuner digunakan untuk optimasi hyperparameter secara sistematis. Hasil penelitian menunjukkan bahwa model EfficientNet-B0, setelah optimasi hyperparameter, mencapai performa terbaik dengan akurasi pengujian 97.25%. Arsitektur ini secara signifikan mengungguli ResNet-50 (akurasi 93.39%) dalam skenario perbandingan. Laporan klasifikasi detail untuk model terbaik menunjukkan kinerja yang sangat baik dan seimbang dalam mengklasifikasi sampah organik (presisi: 0.93, recall: 0.98) dan sampah dapat didaur ulang (presisi: 0.97, recall: 0.91). Waktu evaluasi yang cepat mengindikasikan potensi implementasi sistem secara real-time. Penelitian ini membuktikan efektivitas transfer learning dengan arsitektur modern yang dikombinasikan dengan optimasi hyperparameter untuk menciptakan solusi klasifikasi sampah otomatis yang sangat akurat dan efisien.