KLASIFIKASI JENIS SAMPAH BERBASIS CITRA DIGITAL MENGGUNAKAN TRANSFER LEARNING DENGAN ARSITEKTUR EFFICIENTNET-B0

Abstract

Permasalahan pengelolaan sampah merupakan salah satu tantangan utama dalam menjaga keberlanjutan lingkungan. Proses pemilahan sampah yang masih dilakukan secara manual sering kali membutuhkan waktu yang lama, tenaga kerja yang besar, serta berpotensi menimbulkan kesalahan klasifikasi. Perkembangan teknologi Artificial Intelligence (AI), khususnya pada bidang Machine Learning dan Pengolahan Citra Digital, memungkinkan proses identifikasi jenis sampah dilakukan secara otomatis menggunakan citra digital dengan tingkat akurasi yang tinggi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi sampah berbasis citra digital menggunakan metode Transfer Learning dengan arsitektur EfficientNet-B0. Dataset yang digunakan terdiri atas beberapa kategori sampah, yaitu cardboard, glass, metal, paper, plastic, dan trash. Tahapan penelitian meliputi pengumpulan dataset, preprocessing citra berupa resize, normalisasi, dan augmentasi data, kemudian dilanjutkan dengan pelatihan model menggunakan TensorFlow. Proses evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, serta confusion matrix untuk mengukur kinerja model secara menyeluruh. EfficientNet-B0 dipilih karena memiliki jumlah parameter yang relatif sedikit, sehingga mampu memberikan performa klasifikasi yang tinggi dengan kebutuhan komputasi yang lebih efisien dibandingkan beberapa arsitektur lain. Hasil penelitian diharapkan mampu menghasilkan sistem klasifikasi sampah yang akurat, cepat, dan efisien sehingga dapat diterapkan pada proses pemilahan sampah otomatis. Selain itu, penelitian ini diharapkan dapat mendukung implementasi konsep smart waste management berbasis kecerdasan buatan guna meningkatkan efektivitas pengelolaan sampah dan kesadaran masyarakat terhadap pentingnya pelestarian lingkungan.

Kata Kunci: Artificial Intelligence, EfficientNet-B0, Transfer Learning, Pengolahan Citra, Klasifikasi Sampah.