Perbandingan Implementasi Layer CNN Untuk Akurasi Optimal Dalam Klasifikasi Jenis Sampah Organik dan Non Organik

Abstract

Permasalahan pengelolaan sampah menjadi isu penting di berbagai lingkungan, termasuk kampus, karena berdampak langsung terhadap kebersihan, kesehatan, dan kelestarian lingkungan. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis sampah organik dan nonorganik menggunakan pendekatan Convolutional Neural Network (CNN). Dataset diperoleh dari koleksi gambar yang disimpan dalam Google Drive, kemudian dibagi menjadi data latih (90%) dan data validasi (10%). Untuk meningkatkan variasi dan mengurangi risiko overfitting, dilakukan augmentasi data dengan teknik rotasi, horizontal flip, shear, zoom, serta width dan height shift. Arsitektur CNN yang digunakan terdiri atas beberapa lapisan utama: Conv2D dan MaxPooling untuk ekstraksi fitur, Flatten untuk transformasi data, Dense sebagai fully connected layers, Dropout untuk regularisasi, serta Softmax sebagai output layer dengan dua kelas. Model dilatih menggunakan optimizer Adam, fungsi loss categorical crossentropy, metrik akurasi, dengan 25 epoch dan batch size 10. Hasil eksperimen menunjukkan bahwa model mampu mencapai akurasi tinggi, bahkan lebih dari 99% pada data latih, dengan akurasi validasi yang stabil sehingga tidak menunjukkan gejala overfitting signifikan. Model juga berhasil mengklasifikasikan gambar baru dengan probabilitas yang jelas antara kelas organik dan nonorganik. Kesimpulannya, CNN terbukti efektif sebagai metode klasifikasi sampah berbasis citra, dan penelitian ini membuka peluang pengembangan lebih lanjut ke arah sistem deteksi real-time serta integrasi dengan sistem pengelolaan sampah di kampus maupun masyarakat.

GS Cited Analysis