Klasifikasi Jenis Sampah Menggunakan Convolutional Neural Network untuk Mendukung Pengelolaan Limbah
DOI:
https://doi.org/10.59395/exaxyj37Keywords:
Convolutional Neural Network, Klasifikasi Sampah, Deep Learning, Pengelolaan Limbah, Daur UlangAbstract
Pengelolaan sampah merupakan salah satu permasalahan lingkungan yang dihadapi oleh banyak negara, termasuk Indonesia. Pemilahan sampah secara manual dinilai kurang efisien dan rentan terhadap kesalahan manusia. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis sampah secara otomatis menggunakan metode Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 10.704 gambar sampah yang terbagi dalam enam kelas, yaitu kaca, kardus, kertas, logam, plastik, dan residu. Model CNN dibangun dengan arsitektur tiga layer konvolusi dilengkapi teknik data augmentation untuk meningkatkan kemampuan generalisasi. Hasil eksperimen menunjukkan bahwa model mampu mencapai akurasi validasi sebesar 88,51% dengan nilai precision rata-rata 0,86 dan recall rata-rata 0,83. Kelas kaca memperoleh performa terbaik dengan F1-score 0,94, sedangkan kelas residu memperoleh F1-score terendah sebesar 0,69. Selain klasifikasi, sistem ini juga dilengkapi fitur rekomendasi daur ulang otomatis untuk setiap jenis sampah yang terdeteksi.
Downloads
References
[1] L. J. Lingga, M. Yuana, N. A. Sari, H. Nur Syahida, and C. Sitorus, “Sampah di Indonesia: Tantangan dan Solusi Menuju Perubahan Positif,” Innov. J. Soc. Sci. Res., vol. 4, no. 4, pp. 12235–12247, 2024, doi: https://doi.org/10.31004/innovative.v4i4.14542.
[2] E. Fitriahadi et al., “Sosialisasi sampah organik dan anorganik menjadi eco enzym di dusun siyono Kulon Gunung Kidul,” Has. Karya ’Aisyiyah untuk Indones., vol. 3, no. 2, pp. 106–114, 2024, doi: 10.31101/hayina.3383.
[3] M. Muslihati, S. Sahibu, and I. Taufik, “Implementasi Algoritma Convolutional Neural Network untuk Klasifikasi Jenis Sampah Organik dan Non Organik,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 3, pp. 840–852, 2024, doi: 10.57152/malcom.v4i3.1346.
[4] E. Oktayaessofa, C. A. Sari, E. H. Rachmawanto, and N. M. Yaacob, “Classification of Organic and Non-Organic Waste With Cnn-Mobilenet-V2,” J. Tek. Inform., vol. 5, no. 4, pp. 1173–1180, Jul. 2024, doi: 10.52436/1.jutif.2024.5.4.2165.
[5] S. R. Sausan Claudia and Y. P. Astuti, “Penerapan Algoritma Deep Learning CNN untuk Klasifikasi Pemilahan Sampah,” JTERA (Jurnal Teknol. Rekayasa), vol. 8, no. 2, p. 183, 2024, doi: 10.31544/jtera.v8.i2.2023.183-190.
[6] Ety Sutanty, Maukar, Dina Kusuma Astuti, and Handayani, “Penerapan Model Arsitektur VGG16 Untuk Klasifikasi Jenis Sampah,” Decod. J. Pendidik. Teknol. Inf., vol. 3, no. 2, pp. 407–419, 2023, doi: 10.51454/decode.v3i2.331.
[7] A. A. Fathurrahman and F. Akbar, “Perancangan Sistem Identifikasi Jenis Sampah Menggunakan Tensorflow Object Detection Dan Transfer Learning,” J. Nas. Teknol. dan Sist. Inf., vol. 10, no. 1, pp. 64–71, 2024, doi: 10.25077/teknosi.v10i1.2024.64-71.
[8] A. N. Sihananto, M. M. Al Haromainy, and A. P. Sari, “Pemilahan Jenis Sampah Menggunakan Algoritma Cnn,” Scan J. Teknol. Inf. dan Komun., vol. 17, no. 3, Jan. 2023, doi: 10.33005/scan.v17i3.3523.
[9] L. Alzubaidi et al., Review of deep learning: concepts, CNN architectures, challenges, applications, future directions, vol. 8, no. 1. Springer International Publishing, 2021. doi: 10.1186/s40537-021-00444-8.
[10] C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, 2019, doi: 10.1186/s40537-019-0197-0.
[11] R. Permana, H. Saldu, and D. I. Maulana, “Optimasi Image Classification Pada Jenis Sampah Dengan Data Augmentation Dan Convolutional Neural Network,” J. Sist. Inf. dan Inform., vol. 5, no. 2, pp. 111–120, Aug. 2022, doi: 10.47080/simika.v5i2.1913.
[12] G. Thung and M. Yang, “Classification of Trash for Recyclability Status,” CS229 Proj. Rep., Stanford Univ., 2016.
[13] Sunardi, A. Yudhana, and M. Fahmi, “Improving Waste Classification Using Convolutional Neural Networks: An Application of Machine Learning for Effective Environmental Management,” Rev. d’Intelligence Artif., vol. 37, no. 4, pp. 845–855, 2023, doi: 10.18280/ria.370404.
[14] R. A. Kumala, C. A. Sari, and E. H. Rachmawanto, “A Comparison of MobileNetV2 and VGG16 Architectures with Transfer Learning for Multi-Class Image-Based Waste Classification,” J. Appl. Informatics Comput., vol. 9, no. 4, pp. 1610–1624, 2025, doi: 10.30871/jaic.v9i4.9958.
[15] M. Malik et al., “Waste Classification for Sustainable Development Using Image Recognition with Deep Learning Neural Network Models,” Sustain., vol. 14, no. 12, pp. 1–18, 2022, doi: 10.3390/su14127222.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Laras Rahmawati
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.