Efisiensi Pemilahan Sampah Daur Ulang Menggunakan Model CNN SSD-MobileNet V2
Article Sidebar
Main Article Content
Abstract
Kurangnya kesadaran masyarakat dalam memilah sampah merupakan salah satu kendala utama dalam pengelolaan sampah yang berkelanjutan. Sampah yang seharusnya dapat didaur ulang sering kali tercampur di Tempat Pembuangan Akhir (TPA), sehingga mengurangi nilai ekonomis dan memperburuk pencemaran lingkungan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi sampah otomatis berbasis teknologi deteksi objek menggunakan arsitektur SSD-MobileNet V2 yang efisien dan ringan, sehingga dapat berjalan optimal pada perangkat Android. Model dilatih menggunakan 2.536 gambar sampah daur ulang yang telah dianotasi serta diperkuat melalui teknik augmentasi data. Evaluasi dilakukan dengan menggunakan metrik mean Average Precision (mAP) dan akurasi per kategori. Hasil pelatihan menunjukkan bahwa sistem mampu mengenali berbagai jenis sampah daur ulang dengan akurasi tertinggi sebesar 99% pada tutup botol plastik, dan akurasi terendah sebesar 86% pada kaleng logam. Nilai mAP keseluruhan yang dicapai adalah 87,62%. Model ini juga telah dioptimalkan dalam format TensorFlow Lite untuk mendukung deteksi real-time pada aplikasi Android. Hasil ini menunjukkan bahwa pendekatan yang diusulkan berpotensi menjadi solusi praktis dalam mendukung proses pemilahan sampah secara cerdas dan berkelanjutan.
Article Details
References
[2] A. R. Fahcruroji, M. Y. Wijaya, and I. Fauziah, "Implementasi Algoritma CNN MobileNet untuk Klasifikasi Gambar Sampah di Bank Sampah," PROSISKO: Jurnal Pengembangan Riset Dan Observasi Sistem Komputer, vol. 11, no. 1, pp. 45–51, 2024. https://doi.org/10.30656/prosisko.v11i1.8101
[3] I. Astuti, W. W. Ariestya, and B. Solehudin, "Deteksi Objek Daun Semanggi Secara Real Time Menggunakan CNN-Single Shot Multibox Detector (SSD)," Jurnal Ilmiah FIFO, vol. 14, no. 1, pp. 47, 2022. https://doi.org/10.22441/fifo.2022.v14i1.005
[4] R. Holiyanti, S. Wati, I. Fahmi, and C. Rozikin, "Pendeteksi Sampah Metal untuk Daur Ulang Menggunakan Metode Convolutional Neural Network," Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 1, 2022. https://doi.org/10.28932/jutisi.v8i1.4492
[5] Z. I. Nugraha, A. Arnita, S. Kana Saputra, A. Setiawan, R. Maharani, and F. Zaharani, "Implementasi Algoritma CNN dalam Pengembangan Website untuk Klasifikasi Sampah Organik, dan Non-Organik," Jurnal Manajemen Informatika dan Sistem Informasi, vol. 8, no. 1, pp. 90–101, 2025. https://doi.org/10.36595/misi.v8i1.1355
[6] M. I. B. Ahmed, R. B. Alotaibi, R. A. Al-Qahtani, R. S. Al-Qahtani, S. S. Al-Hetela, K. A. Al-Matar, N. K. Al-Saqer, A. Rahman, L. Saraireh, M. Youldash, and G. Krishnasamy, "Deep Learning Approach to Recyclable Products Classification: Towards Sustainable Waste Management," Sustainability, vol. 15, no. 14, pp. 11138, 2023. https://doi.org/10.3390/su151411138
[7] Alzubaidi, L., Bai, J., Al-Sabaawi, A., Santamaría, J., Albahri, A. S., Al-dabbagh, B. S. N., Fadhel, M. A., Manoufali, M., Zhang, J., Al-Timemy, A. H., Duan, Y., Abdullah, A., Farhan, L., Lu, Y., Gupta, A., Albu, F., Abbosh, A., & Gu, Y., "A survey on deep learning tools dealing with data scarcity: Definitions, challenges, solutions, tips, and applications," Journal of Big Data, vol. 10, no. 1, pp. 46, 2023. https://doi.org/10.1186/s40537-023-00727-2
[8] M. R. D. Ulhaq, M. A. Zaidan, and D. Firdaus, "Pengenalan Ekspresi Wajah Secara Real-Time Menggunakan Metode SSD Mobilenet Berbasis Android," Journal of Technology and Informatics (JoTI), vol. 5, no. 1, pp. 48–52, 2023. https://doi.org/10.37802/joti.v5i1.387
[9] Paper, D., 2021, State-of-the-Art Deep Learning Models in TensorFlow: Modern Machine Learning in the Google Colab Ecosystem, Apress, New York.
[10]L. S. Riva and J. Jayanta, "Deteksi Penyakit Tanaman Cabai Menggunakan Algoritma YOLOv5 Dengan Variasi Pembagian Data," Jurnal Informatika: Jurnal Pengembangan IT, vol. 8, no. 3, pp. 248–254, 2023. https://doi.org/10.30591/jpit.v8i3.5679
[11] Mohammed, S. A. K., Razak, M. Z. A., Rahman, A. H. A., & Bakar, M. A., "An Efficient Intersection Over Union Algorithm for 3D Object Detection," IEEE Access, vol. 12, pp. 169768–169786, 2024. https://doi.org/10.1109/ACCESS.2024.3495761
[12] Qusnur Aulia, S. N., "Image Classification untuk Telur Ayam Menggunakan Smartphone Android dengan Convolutional Neural Networks (CNN)," BERNAS: Jurnal Pengabdian Kepada Masyarakat, vol. 5, no. 2, pp. 1278–1285, 2024. https://doi.org/10.31949/jb.v5i2.8187
[13] Suharjito, Elwirehardja, G. N., & Prayoga, J. S., "Oil palm fresh fruit bunch ripeness classification on mobile devices using deep learning approaches," Computers and Electronics in Agriculture, vol. 188, pp. 106359, 2021. https://doi.org/10.1016/j.compag.2021.106359
[14] A. A. Khan, "Balanced Split: A New Train-Test Data Splitting Strategy for Imbalanced Datasets (Version 1)," arXiv, 2022. https://doi.org/10.48550/ARXIV.2212.11116
[15] Y. Rayhan and A. P. Rifai, "Multi-class Waste Classification Using Convolutional Neural Network," Applied Environmental Research, 2024. https://doi.org/10.35762/AER.2024021
[16] W. A. Firmansyach, U. Hayati, and Y. A. Wijaya, "Analisa Terjadinya Overfitting dan Underfitting pada Algoritma Naive Bayes dan Decision Tree dengan Teknik Cross Validation," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, pp. 262–269, 2023. https://doi.org/10.36040/jati.v7i1.6329