METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
KLASIFIKASI JENIS SAMPAH BERBASIS CONVOLUTIONAL NEURAL NETWORK
DENGAN OPTIMASI HYPERPARAMETER TUNING ARSITEKTUR MOBILENET
Dimas Febri Kuncoro*.
Anggit Wirasto.
Deny Nugroho Triwibowo Universitas Harapan Bangsa.
Purwokerto.
Indonesia Email: dimasfebry9@gmail.
DOI: https://doi.
org/10.
46880/jmika.
Vol9No1.
ABSTRACT
Waste management in Indonesia faces significant challenges with an increasing volume reaching approximately 175,000 tons per day.
Public awareness of the dangers associated with improper waste disposal remains low, as many continue to litter indiscriminately.
Waste sorting is the most effective method, involving separation based on waste types.
Manual waste sorting is nonetheless inefficient, as it requires large spaces, substantial labor, and is prone to errors.
This study aims to develop a waste classification model based on Convolutional Neural Network (CNN) with hyperparameter tuning optimization for the MobileNet architecture.
The research adopts the CrossIndustry Standard Process for Data Mining (CRISP-DM) methodology and utilizes datasets from three waste categories organic, inorganic, and hazardous and toxic materials (B.
sourced from open Kaggle datasets.
Model training was conducted using the MobileNet architecture with hyperparameter tuning optimization and resulting in optimal parameters Adam optimizer, learning rate of 0.
01, batch size of 32, and 256 neurons.
The results show that the model achieved 96% accuracy before optimization which increased by 2% to 98% after optimization.
The model demonstrated high computational efficiency with the number of floating-point operations per second 146 GFLOPS.
Keyword: Convolutional Neural Network (CNN).
Computational Efficiency.
Hyperparameter Tuning.
MobileNet.
Waste Management.
ABSTRAK
Pengelolaan sampah di Indonesia menghadapi tantangan besar dengan jumlah yang terus meningkat mencapai 000 ton per hari.
Kesadaran masyarakat terhadap bahaya terkait dengan sampah masih rendah dengan membuang sampah sembarangan.
Metode pemilahan sampah merupakan metode paling efektif dengan memisahkan sampah berdasarkan jenisnya.
Pemilahan sampah secara manual tidak efektif karena membutuhkan ruang yang luas, tenaga kerja yang banyak, dan rentan terjadi kesalahan.
Penelitian ini bertujuan membangun model klasifikasi jenis sampah berbasis Convolutional Neural Network dengan optimasi hyperparameter tuning arsitektur MobileNet.
Penelitian dikembangkan dengan metode Cross-Industry Standard Process for Data Mining (CRISP-DM) serta menggunakan dataset terdiri dari tiga kategori sampah yaitu organik, anorganik, dan B3 yang bersumber dari dataset terbuka Kaggle.
Pelatihan model dilakukan menggunakan arsitektur MobileNet dengan optimasi hyperparameter tuning dan memperoleh parameter optimal berupa optimizer Adam, learning rate 0.
batch size 32, dan jumlah neuron 256.
Hasil penelitian menunjukkan model berhasil mencapai akurasi sebesar 96% sebelum optimasi dan mengalami peningkatan 2% menjadi 98% sesudah optimasi.
Biaya komputasi model menunjukkan nilai efisiensi tinggi dengan jumlah operasi floating point yang dapat dijalankan oleh model dalam satu detik adalah 1.
146 GFLOPS.
Kata Kunci: Convolutional Neural Network (CNN).
Efisiensi Komputasi.
Hyperparameter Tuning.
MobileNet.
Pengelolaan Sampah.
PENDAHULUAN
Tantangan dan solusi dalam pengelolaan sampah di Indonesia semakin mendesak seiring dengan pesatnya pertumbuhan populasi dan perkembangan urbanisasi yang terus meningkat (Julia Lingga et al.
Indonesia adalah salah satu negara berkembang dengan populasi terbesar keempat di dunia.
Kondisi ini menjadi salah satu faktor mengapa Indonesia menjadi negara penghasil dan penyumbang sampah terbesar kedua di dunia (Sulistio & Syahruddin, 2.
Kementerian Lingkungan Hidup dan Kehutanan (KLHK) mengungkapkan bahwa volume sampah yang menumpuk di Indonesia mengalami peningkatan signifikan, mencapai sekitar 175.
000 ton per hari.
Jika Halaman 130 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
diakumulasi jumlah ini setara dengan 64 juta ton sampah per tahun.
Peningkatan jumlah sampah ini mencerminkan tantangan besar dalam pengelolaan sampah di seluruh wilayah Indonesia, terutama di tengah pertumbuhan populasi dan urbanisasi yang terus meningkat (Noer & Wistara, 2.
Menurut World Health Organization (WHO) sampah adalah barang yang tidak digunakan, tidak dipakai, tidak disukai, atau dibuang yang berasal dari aktivitas manusia dan tidak muncul secara alami (Fiqih et al.
, 2.
Sampah yang tidak dikelola dengan baik dapat merusak kebersihan lingkungan, menimbulkan bau, serta menyebabkan berbagai penyakit.
Kesadaran masyarakat terhadap bahaya ini masih tergolong rendah, dibuktikan dengan banyak yang membuang sampah sembarangan ke aliran sungai, dalam jumlah kecil maupun besar (Mustaghfiroh et al.
, 2.
Pengelolaan sampah yang tidak optimal dapat mengancam kesehatan masyarakat karena dapat memicu peningkatan populasi hewan pembawa penyakit seperti lalat dan tikus sehingga meningkatkan risiko pembawa penyakit menular (Komarudin et al.
Dampak buruknya juga meluas ke aspek lingkungan, sosial, dan ekonomi mencakup pencemaran tanah dan udara, berkurangnya kelestarian alam, lingkungan kotor dan tidak nyaman, serta meningkatnya biaya akibat pencemaran (Fitri Agustin et al.
, 2.
Pengelolaan sampah yang berkelanjutan diperlukan untuk mengatasi permasalahan sampah agar tidak berdampak negatif pada lingkungan.
Konsep dasar pengelolaan sampah bertujuan untuk mengurangi jumlah sampah, meminimalkan dampak negatif terhadap lingkungan, dan memanfaatkan sampah secara efektif (Wijayanti et al.
, 2.
Pengumpulan, pemilahan, dan pengelolaan sampah adalah beberapa metode dalam penanganan Saat ini metode yang paling efektif adalah memisahkan sampah berdasarkan jenisnya seperti sampah organik, anorganik, serta bahan berbahaya dan beracun (B.
karena setiap jenis memerlukan penanganan yang spesifik (Lumban Tobing et al.
Pemilahan sampah secara manual yang dilakukan secara langsung oleh manusia membutuhkan ruang yang luas dan tenaga kerja yang banyak agar proses pemilahan menjadi lebih cepat dan mudah, di mana seluruh sampah di pilah dan di bongkar sepenuhnya menggunakan tenaga manusia dari awal hingga akhir.
Kesalahan dalam pengklasifikasian sampah secara manual juga kerap terjadi, hal ini disebabkan karena pekerja kehilangan fokus akibat terlalu banyak pekerjaan, seperti volume sampah yang ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
besar dan beragam jenis sampah yang harus diselesaikan (Kartiko et al.
, 2.
Perkembangan penerapan klasifikasi gambar melalui pengenalan pola pada citra yang diinputkan dengan memanfaatkan kecerdasan buatan.
Kecerdasan buatan memungkinkan sistem dapat mengidentifikasi dan mengenali pola-pola dalam gambar secara otomatis yang kemudian digunakan untuk mengklasifikasikan objek atau elemen di dalamnya (Bustamin et al.
, 2.
Salah satu bidang penting dalam kecerdasan buatan adalah machine learning yang menekankan pada pengembangan sistem yang mampu belajar secara otomatis dan efektif dari data yang tersedia.
Sistem ini dirancang untuk meningkatkan kinerjanya seiring dengan bertambahnya data yang diproses, sehingga menjadi lebih akurat tanpa intervensi manusia.
Ruang lingkup machine learning memiliki sub-bidang yang disebut deep learning yang menggunakan algoritma yang terinspirasi oleh cara kerja otak manusia khususnya jaringan saraf untuk memproses data dengan lebih mendalam dan Deep learning memungkinkan pemodelan data yang lebih canggih terutama dalam tugas-tugas yang melibatkan pengenalan pola dan pemrosesan informasi visual (Halim, 2.
Convolutional Neural Network (CNN) adalah salah satu algoritma deep learning yang menerima input berupa gambar dan mengidentifikasi aspek atau objek dalam gambar yang dapat digunakan oleh mesin untuk belajar mengenali serta membedakan antara satu gambar dengan gambar lainnya (Dewi et al.
, 2.
Beberapa kelemahan utama dalam model pembelajaran mendalam meliputi keterbatasan dataset, gambar yang terdistorsi dan kabur, overfitting pada model, serta daya komputasi yang terbatas (Krizhevsky et al.
, 2.
Terutama daya komputasi yang terbatas menjadi kendala signifikan dalam mengoptimalkan performa model, karena model memerlukan sumber daya yang besar untuk memproses dan melatih data secara efektif (Lin & Wu, 2.
Penerapan model pembelajaran mendalam seringkali memerlukan intensitas komputasi dan sumber daya yang besar, sehingga biayanya bisa menjadi tinggi dalam berbagai konteks penggunaan.
Perangkat dengan keterbatasan sumber daya seperti perangkat mobile atau perangkat berbasis IoT memerlukan model yang lebih ringkas dan ringan secara komputasi.
Permintaan akan pemrosesan real-time menuntut model yang dapat bekerja cepat dengan latensi rendah terutama pada perangkat yang memiliki kapasitas terbatas.
Model dengan efisiensi tinggi menjadi sangat penting karena dapat mengurangi konsumsi energi dan menekan biaya operasional dalam Halaman 131 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
penerapannya di lapangan.
Model dengan komputasi rendah seperti MobileNet dirancang khusus untuk aplikasi di perangkat mobile dan sistem tertanam dengan fokus utama pada pengurangan kompleksitas komputasi dan kebutuhan sumber daya tanpa mengorbankan akurasi (Mutasodirin & Falakh, 2.
Berdasarkan pemaparan diatas, penelitian ini berfokus pada pengembangan model klasifikasi sampah menggunakan CNN dengan optimasi hyperparameter tuning arsitektur MobileNet untuk memastikan efisiensi komputasi dan akurasi yang Penggunaan CNN dengan optimasi MobileNet diharapkan dapat mengatasi tantangan dalam pemilahan sampah secara manual, sehingga dapat diterapkan dalam sistem pengelolaan sampah yang lebih efektif dan efisien.
TINJAUAN PUSTAKA
Penelitian dengan judul AuSistem Klasifikasi Limbah Menggunakan Metode Convolutional Neural Network (CNN) Pada Web Service Berbasis Framework FlaskAy yang dilakukan oleh Dacipta .
digunakan algoritma CNN dengan arsitektur VGGNet untuk melakukan klasifikasi sampah ke dalam sembilan kategori dengan 8371 gambar.
Hasil penelitian ini menunjukkan nilai akurasi 69.
77% dan nilai loss 0.
Kelemahan dari penelitian ini adalah akurasi rendah yang tercermin dari hasil akurasi tertinggi Akurasi ini masih tergolong rendah untuk aplikasi klasifikasi citra, terutama dalam konteks pengelolaan limbah di mana tingkat keakuratan yang lebih tinggi sangat penting untuk memastikan bahwa limbah dapat diklasifikasikan dengan benar dan efisien.
Rendahnya akurasi model ini dapat mengakibatkan kesalahan dalam pemilahan limbah yang berdampak negatif terhadap proses daur ulang dan pengelolaan lingkungan secara keseluruhan.
Penelitian yang dilakukan oleh Ibnul Rasidi .
dengan judul AuKlasifikasi Sampah Organik dan Non-Organik Menggunakan Convolutional Neural NetworkAy digunakan algoritma CNN untuk melakukan klasifikasi sampah ke dalam dua kategori yaitu organik dan anorganik dengan 25.
077 gambar.
Pembagian data dilakukan dengan perbandingan 90% digunakan untuk data pelatihan dan 10% untuk data pengujian.
Hasil penelitian ini menunjukkan akurasi pelatihan adalah 90% dan akurasi validasi adalah 88%.
Sedangkan nilai loss pada data training adalah 0.
298 dan pada data testing adalah 0.
Beberapa kelemahan muncul dalam proses klasifikasi sampah organik, dengan tingkat akurasi yang hanya mencapai 62%.
Rendahnya ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
akurasi ini disebabkan oleh kompleksitas sampah organik yang memiliki variasi bentuk dan warna lebih beragam dibandingkan sampah anorganik.
Arsitektur CNN yang diterapkan belum sepenuhnya optimal dalam menangani variasi data tersebut sehingga diperlukan peningkatan akurasi.
Penelitian oleh Nuariputri .
dengan judul AuKlasifikasi Jenis Sampah Menggunakan Base ResNet50Ay digunakan arsitektur ResNet50 sebagai base model untuk melakukan klasifikasi sampah ke dalam tujuh kategori dengan 2.
751 gambar dengan menggunakan parameter uji seperti epoch, batch size, optimizer, dan learning rate.
Hasil penelitian ini menunjukkan akurasi pelatihan 98%, kesalahan pelatihan 0.
045, akurasi validasi 98%, dan kesalahan validasi 0.
Arsitektur ResNet-50 merupakan model yang dalam dan kompleks sehingga dapat menyebabkan waktu pelatihan lebih lama serta kebutuhan sumber daya komputasi yang lebih tinggi dibandingkan model yang lebih ringan.
Kondisi ini menjadikan kendala dalam implementasi di lingkungan dengan sumber daya terbatas.
Model yang terlalu kompleks juga berisiko mengalami overfitting terutama jika dataset yang digunakan tidak cukup banyak dan beragam.
Penelitian lain yang dilakukan oleh Eva Sari Nainggolan .
dengan judul AuPerbandingan Klasifikasi Jenis Sampah Menggunakan Convolutional Neural Network Dengan Arsitektur ResNet18 dan ResNet50Ay dilakukan perbandingan antara arsitektur ResNet18 dan ResNet50 untuk mengetahui performa terbaik dari kedua arsitektur dengan 2.
527 gambar dari enam kategori.
Hasil penelitian ini menunjukkan akurasi Resnet18 sebesar 98.
69% dan ResNet50 sebesar Penggunaan arsitektur ResNet18 dan ResNet50 memiliki kompleksitas yang tinggi.
Kedua arsitektur ini memerlukan sumber daya komputasi yang signifikan, waktu pelatihan yang lama, dan penggunaan memori yang besar sehingga menjadi kendala dalam aplikasi real-time.
Banyaknya parameter yang digunakan juga meningkatkan risiko model mengalami overfitting terutama jika dataset yang digunakan tidak cukup besar atau beragam.
Penelitian dengan judul AuImplementasi Algoritma CNN MobileNet untuk Klasifikasi Gambar Sampah di Bank SampahAy yang dilakukan oleh Reza Fahcruroji .
menggunakan arsitektur MobileNet sebagai base model untuk melakukan klasifikasi sampah ke dalam enam kategori dengan 2.
773 gambar, hasil penelitian ini menunjukkan akurasi pelatihan 65%, kesalahan pelatihan 33.
86%, akurasi validasi 84%, dan kesalahan validasi 32.
Dari enam kategori sampah masih terdapat tiga kategori dengan Halaman 132 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
hasil akurasi rendah dan menunjukkan ketimpangan yang cukup signifikan antar kategori.
Tingkat kesalahan model juga cukup tinggi pada data pelatihan dan data validasi yang mengindikasikan kesulitan model dalam membedakan objek antar kategori.
Optimasi diperlukan untuk mengatasi masalah tersebut agar dapat meningkatkan akurasi dan mengurangi kesalahan prediksi sehingga model dapat lebih efektif dalam membedakan objek antar kategori.
METODE PENELITIAN
Penelitian ini dilakukan dengan menerapkan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM).
CRISP-DM merupakan sebuah penambangan data .
ata minin.
dan pengembangan machine learning (Fattah et al.
, 2.
Pada tahun 2020 di Indonesia CRISP-DM menjadi acuan Standar Kompetensi Kerja Nasional berdasarkan Keputusan Menteri Ketenagakerjaan No.
299 tahun 2020 (Yudiana et al.
, 2.
Terdapat 5 tahapan dalam metode CRISPDM Business Understanding.
Data Understanding.
Data Preparation.
Modelling, dan Evaluation.
Gambar 1.
Alur Penelitian Business Understanding Tahap business understanding dilakukan untuk pengelolaan sampah yang kurang efektif dan berakibat pada penanganan yang tidak tepat.
Tujuan utama dari penelitian ini adalah mengembangkan model klasifikasi sampah yang mampu membedakan antara sampah organik, anorganik, dan B3.
Model penelitian ini menjadi landasan bagi pengembangan sistem pengelolaan sampah yang lebih efektif dan efisien di masa depan.
Data Understanding Tahap data understanding dilakukan untuk mengeksplorasi dan menganalisis dataset yang akan digunakan dalam pelatihan model.
Dataset ini mencakup DatasetWaste1 untuk kategori sampah anorganik dengan jumlah data 2.
Waste Classification Dataset untuk kategori sampah organik ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
dengan jumlah data 1.
401, dan E Waste Image Dataset untuk kategori sampah B3 dengan jumlah data 3.
Data Ae data tersebut kemudian diseleksi untuk memastikan kualitas serta relevansinya terhadap kondisi sampah di lingkungan yang menjadi fokus Dataset diseleksi untuk memastikan kualitas dan relevansi dengan cara menghilangkan data yang memiliki resolusi gambar rendah dan data yang tidak sesuai dengan kategori sampah.
Melalui proses seleksi ini, dataset yang digunakan memiliki standar kualitas yang lebih tinggi sehingga dapat meningkatkan akurasi dan keandalan model dalam mengenali serta mengklasifikasikan sampah secara optimal.
Data Preparation Tahap data preparation dilakukan untuk memastikan data siap digunakan dalam proses Ukuran awal gambar sebelum dinormalisasi berada dalam rentang di atas 224 x 224 piksel dan kurang dari 1000 x 1000 piksel dengan dimensi yang Gambar dalam dataset dinormalisasi ke ukuran 224 x 224 piksel sesuai dengan kebutuhan arsitektur model yang digunakan.
Class balancing undersampling untuk menangani ketidakseimbangan jumlah gambar disetiap kategori untuk memastikan model tidak bias terhadap kelas yang lebih dominan.
Dataset kemudian dibagi menjadi tiga bagian utama yaitu data latih 70%, data validasi 20%, dan data uji 10% dengan tujuan untuk melatih, memvalidasi, dan mengevaluasi performa model dengan lebih akurat.
Untuk meningkatkan variasi dalam dataset dan mencegah overfitting, dilakukan augmentasi gambar seperti rotation, flip, zoom, dan brightness yang diterapkan secara acak pada data latih untuk mensimulasikan berbagai kondisi visual yang berbeda.
Modelling Tahap modelling dilakukan untuk melatih model dalam tugas klasifikasi.
Pada tahap ini model dikembangkan menggunakan algoritma CNN dengan arsitektur MobileNet yang terkenal dengan efisiensi komputasi dan kinerjanya yang baik pada perangkat dengan keterbatasan sumber daya.
MobileNet menggunakan pendekatan depthwise separable convolution yang memisahkan konvolusi menjadi dua langkah yaitu depthwise convolution untuk memproses setiap saluran input secara terpisah dan pointwise convolution untuk menggabungkan hasil dari depthwise convolution.
Optimasi hyperparameter tuning adalah proses yang bertujuan untuk mencari Halaman 133 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
nilai optimal dari hyperparameter dalam model machine learning (Andini et al.
, 2.
Teknik sequential hyperparameter tuning digunakan dalam optimasi untuk menentukan nilai terbaik dari Teknik ini dilakukan secara bertahap dengan menyesuaikan parameter dalam suatu urutan Pemilihan hyperparameter yang tepat sangat penting karena dapat mempengaruhi kinerja, kecepatan pelatihan, dan kemampuan generalisasi model.
Optimasi hyperparameter tuning diterapkan dengan pemilihan parameter seperti optimizer (Adam.
RMSprop, dan SGD), learning rate .
01, 0.
001, dan 0.
, batch size .
, 32, dan .
, dan jumlah neuron .
, 128, dan .
Rangkaian proses data preparation, modelling, dan evaluation dijalankan menggunakan Google Colaboratory.
Penggunaan Google Colaboratory dipilih karena mendukung berbagai library selama proses pelatihan yang terhubung dengan google drive secara gratis tanpa beban komputasi yang Google Colaboratory yang digunakan selama proses pelatihan menggunakan spesifikasi yaitu GPU T4.
RAM sistem 12.
7 GB.
RAM GPU 15 GB, dan kapasitas penyimpanan disk 112.
6 GB.
Evaluation Tahap evaluation dilakukan untuk menilai kinerja model yang telah melalui proses modelling.
Model diuji untuk mengukur matrix seperti accuracy, precission, recall, f1-score serta menggunakan confusion matrix untuk melihat hasil klasifikasi.
Evaluasi mencakup ukuran model, biaya komputasi.
FLOPS, analisis data training dan data testing, dan perbandingan dengan penelitian sebelumnya.
HASIL DAN PEMBAHASAN
Business Understanding Pengelolaan sampah menjadi salah satu permasalahan utama di Indonesia dengan tingginya volume sampah yang dihasilkan setiap hari disebabkan oleh peningkatan populasi dan urbanisasi penduduk.
Sampah tersebut membutuhkan penanganan yang efektif untuk mengurangi dampak terhadap lingkungan dan kesehatan.
Berdasarkan data Sistem Informasi Pengelolaan Sampah Nasional tahun 2023 jumlah total sampah yang dihasilkan adalah 38.
345 ton / tahun dari 366 kabupaten / kota di seluruh Indonesia.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Gambar 2.
Jumlah Sampah di Indonesia Sumber penghasil sampah di Indonesia berasal dari berbagai sektor yaitu rumah tangga, perkantoran, perniagaan, pasar, fasilitas publik, kawasan, dan Gambar 3.
Sumber Penghasil Sampah Capaian kinerja pengelolaan sampah tahun 2023 secara keseluruhan adalah 18.
801 ton / tahun dari 366 kabupaten / kota di seluruh Indonesia.
Berdasarkan data tersebut diperoleh data capaian kinerja pengelolaan sampah 18.
801 ton / tahun dari total sampah yang dihasilkan 38.
345 ton / tahun.
Capaian ini menunjukkan tingkat pengelolaan sampah 09% dan tergolong rendah dalam sebuah penanganan sampah yang kompleks sehingga perlu adanya sebuah peningkatan dalam pengelolaan sampah Gambar 4.
Capaian Kinerja Pengelolaan Sampah di Indonesia Pengelolaan sampah secara manual dengan menggunakan tenaga kerja manusia dalam pemilahan sampah berdasarkan jenisnya tanpa dukungan teknologi rentan terhadap kesalahan klasifikasi karena pekerja kehilangan fokus akibat tingginya volume dan keragaman jenis sampah.
Kesalahan pemilahan secara manual ini dapat mempengaruhi efektivitas pengelolaan sampah dan proses daur ulang.
Halaman 134 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Berdasarkan kondisi yang telah diuraikan tujuan penelitian ini adalah mengembangkan model klasifikasi sampah berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNet untuk mengoptimalkan proses pemilahan sampah secara Penulis melakukan optimasi hyperparameter tuning pada arsitektur MobileNet dengan parameter optimizer, learning rate, batch size, dan jumlah neuron untuk memperoleh nilai kombinasi terbaik dari parameter tersebut.
Model dalam penelitian ini mampu mengenali jenis sampah organik, anorganik, dan B3 mempertahankan efisiensi komputasi sehingga dapat diimplementasikan pada perangkat dengan kapasitas Data Understanding Dataset yang digunakan merupakan kombinasi dari beberapa sumber dataset kaggle yang dipilih berdasarkan kesesuaian kategori sampah untuk mencakup variasi yang relevan dengan kondisi nyata.
Dataset yang digunakan dalam penelitian ini adalah sebagai berikut:
DatasetWaste1 Dataset ini berisi kategori sampah anorganik dengan jumlah total 2.
417 gambar.
Kategori ini mencakup berbagai jenis sampah anorganik yang terdiri dari plastik, logam, kaca, kertas, dan karton .
ttps://w.
com/datasets/talithaalda/datas Waste Classification Dataset Dataset ini berisi kategori sampah organik dengan 401 gambar.
Kategori ini mencakup berbagai jenis sampah organik yang terdiri dari sisa makanan, sayur, buah, dedaunan, dan bahan alami .
ttps://w.
com/datasets/shubhamdivakar /waste-classification-datase.
E Waste Image Dataset Dataset ini berisi kategori sampah B3 dengan total 000 gambar.
Kategori ini mencakup berbagai jenis sampah B3 yang terdiri dari baterai, komponen komputer, dan perangkat elektronik .
ttps://w.
com/datasets/akshat103/ewaste-image-datase.
Proses seleksi dilakukan untuk memastikan kualitas serta relevansi data sehingga sesuai dengan kebutuhan klasifikasi sampah dalam penelitian ini.
Seleksi dilakukan dengan memilih data yang berkualitas dan sesuai dengan kebutuhan.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Data Preparation Data preparation pada penelitian ini mencakup normalisasi ukuran gambar, class balancing, pembagian dataset, dan augmentasi gambar.
Normalisasi Ukuran Gambar Tahap normalisasi ukuran gambar dilakukan dengan mengubah ukuran gambar menjadi 224 x 224 piksel yang merupakan standar input arsitektur MobileNet yang akan digunakan.
Ukuran awal gambar sebelum dinormalisasi berada dalam rentang di atas 224 x 224 piksel dan kurang dari 1000 x 1000 piksel dengan dimensi yang beragam.
Teknik normalisasi yang digunakan adalah kombinasi center cropping dan resizing, dimana gambar dipotong dari bagian tengah untuk menjaga fokus pada area utama gambar dan kemudian dirubah ukurannya menjadi 224 x 224 piksel.
Normalisasi ukuran dilakukan dengan tujuan untuk menjaga konsistensi data dan memastikan bahwa model dapat mengolah semua gambar dengan resolusi yang seragam serta dapat membantu mempercepat proses pelatihan serta meningkatkan efisiensi dalam penggunaan sumber daya Gambar 5.
Normalisasi Ukuran Gambar Class Balancing Tahap class balancing dilakukan dengan menerapkan teknik random undersampling untuk mengurangi jumlah data pada kategori dominan agar proporsi jumlah gambar setiap kategori menjadi seimbang.
Teknik random undersampling dilakukan dengan memilih sampel secara acak dari kategori yang memiliki jumlah data lebih banyak hingga mencapai jumlah yang seimbang dengan kategori lainnya.
Class balancing dilakukan dengan tujuan untuk memastikan bahwa model tidak memiliki bias terhadap kategori tertentu dan dapat mengenali setiap kategori dengan akurasi yang lebih baik.
Halaman 135 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Gambar 6.
Distribusi Gambar sebelum Class Balancing Hasil class balancing menunjukkan bahwa jumlah data pada setiap kategori sampah telah berhasil disamakan dengan masing-masing 1.
000 data.
Keseimbangan ini menjadikan data lebih representatif untuk pelatihan model.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Augmentasi Gambar Tahap augmentasi gambar dilakukan dengan menerapkan teknik rotation, flip, zoom, dan Augmentasi gambar dilakukan dengan tujuan untuk meningkatkan variasi dalam dataset dan mencegah masalah overfitting dengan mensimulasikan berbagai kondisi visual yang mungkin ditemui di lapangan.
Proses augmentasi diterapkan pada data pelatihan menggunakan ImageDataGenerator karena mampu melakukan augmentasi secara real time selama proses pelatihan tanpa memerlukan penyimpanan tambahan untuk data hasil augmentasi.
Augmentasi dilakukan secara on the fly selama proses pelatihan secara dinamis pada setiap batch data yang diproses oleh Hasil dari augmentasi tidak menghasilkan data baru secara fisik melainkan hanya memodifikasi gambar secara langsung saat proses pelatihan berlangsung.
Gambar 7.
Distribusi Gambar setelah Class Balancing Pembagian Dataset Tahap pembagian dataset dilakukan dengan membagi data menjadi tiga komponen utama yaitu data latih .
%), data validasi .
%), dan data uji .
%) (Bitra & Dewi, 2.
Pembagian dataset dilakukan dengan tujuan untuk menyediakan data yang cukup pada setiap tahap pelatihan, validasi, dan pengujian sehingga model dapat dilatih dengan baik, divalidasi secara berkala untuk mencegah overfitting, serta diuji secara objektif pada data yang tidak pernah dilihat sebelumnya untuk mengukur performa akhir model.
Gambar 8.
Distribusi Gambar berdasarkan Pembagian Gambar 9.
Augmentasi Gambar Modelling Modelling dalam penelitian ini dibangun menggunakan algoritma CNN dengan arsitektur MobileNet.
Arsitektur MobileNet dirancang untuk melakukan ekstraksi fitur secara efisien melalui teknik depthwise separable convolution yang memungkinkan model untuk tetap ringan namun tetap akurat dalam melakukan klasifikasi pada dataset sampah yang Optimasi hyperparameter tuning dilakukan untuk memperoleh performa terbaik dari model.
Proses ini bertujuan menemukan kombinasi parameter optimal untuk mencapai hasil klasifikasi maksimal.
Parameter yang dioptimasi antara lain optimizer (Adam.
RMSprop, dan SGD), learning rate .
01, 0.
001, dan 0.
, batch size .
, 32, dan .
, dan jumlah neuron .
, 128, dan .
Optimasi dilakukan menggunakan teknik sequential hyperparameter tuning untuk mengeksplorasi kombinasi nilai yang memberikan performa terbaik.
Teknik optimasi ini terinspirasi dari penelitian sebelumnya yang menggunakan pendekatan Halaman 136 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
serupa dan diterapkan kembali untuk melihat efektivitasnya dalam penelitian ini.
Perangkat keras yang digunakan dalam penelitian ini yaitu laptop dengan spesifikasi OS (Windows 11 Home Single Languag.
CPU (Intel Pentium Silver N6000 @1.
10GHz 1.
11 GH.
RAM .
GB).
Storage .
GB).
Optimasi hyperparameter tuning dilakukan dengan langkah Ae langkah sebagai berikut:
Skenario Uji MobileNet Penelitian ini melakukan pengujian pada arsitektur MobileNet tanpa adanya pengaturan atau perubahan pada parameter.
Hasil pengujian ini memberikan gambaran mengenai performa awal model dalam mengklasifikasikan sampah berdasarkan kategori yang ditentukan serta menjadi acuan untuk mengukur efektivitas optimasi hyperparameter tuning yang dilakukan pada tahap berikutnya.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
proses pembelajaran yang baik dalam data yang Skenario Uji Parameter Optimizer Penelitian ini melakukan pengujian terhadap Parameter merupakan salah satu parameter yang berperan penting dalam pelatihan model yang digunakan untuk memperbarui bobot pada model agar bisa belajar dari data yang diberikan.
Optimizer yang diuji dalam penelitian ini adalah Adam.
RMSprop, dan SGD.
Gambar 12.
Skenario Uji Parameter Optimizer Gambar 10.
Grafik Akurasi Pelatihan MobileNet Berdasarkan gambar di atas grafik akurasi pelatihan mengalami peningkatan dalam setiap epoch selama 15 epoch mulai dari 0.
5687 hingga 0.
9544 yang menunjukkan arsitektur MobileNet melakukan proses pembelajaran yang baik dalam data yang Berdasarkan gambar di atas hasil perbandingan dari optimizer Adam.
RMSprop, dan SGD menunjukkan bahwa optimizer Adam memberikan performa terbaik dalam proses pelatihan model dengan mencerminkan kemampuan unggul dalam memperbarui bobot model secara efisien untuk mencapai generalisasi yang baik.
Optimizer Adam dipilih sebagai optimizer terbaik dan akan digunakan dalam pengujian parameter berikutnya.
Skenario Uji Parameter Learning Rate Penelitian ini melakukan pengujian terhadap parameter learning rate.
Parameter learning rate merupakan salah satu parameter yang berperan penting dalam pelatihan model yang digunakan untuk seberapa besar perubahan yang dilakukan model disetiap tahapan pembelajaran.
Learning rate yang diuji dalam penelitian ini adalah 0.
001, dan 0.
Gambar 11.
Grafik Kesalahan Pelatihan MobileNet Berdasarkan gambar di atas grafik kesalahan pelatihan mengalami penurunan dalam setiap epoch selama 15 epoch mulai dari 0.
9572 hingga 0.
yang menunjukkan arsitektur MobileNet melakukan Gambar 13.
Skenario Uji Parameter Learning Rate Halaman 137 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Berdasarkan gambar di atas hasil perbandingan dari learning rate 0.
01, 0.
001, dan 0.
0001 menunjukkan bahwa learning rate 0.
01 memberikan performa terbaik dalam proses pelatihan model dengan mencerminkan efektivitas dalam memperbarui bobot model secara optimal tanpa mengorbankan stabilitas pembelajaran.
Learning rate 0.
01 dipilih sebagai learning rate terbaik dan akan digunakan dalam pengujian parameter berikutnya.
Skenario Uji Parameter Batch Size Penelitian ini melakukan pengujian terhadap parameter batch size.
Parameter batch size merupakan salah satu parameter yang berperan penting dalam pelatihan model yang digunakan untuk jumlah data yang diproses sekaligus dalam satu proses pelatihan.
Batch size yang diuji dalam penelitian ini adalah 16, 32, dan 64.
Gambar 14.
Skenario Uji Parameter Batch Size Berdasarkan gambar di atas hasil perbandingan dari batch size 16, 32, dan 64 menunjukkan bahwa batch size 32 memberikan performa terbaik dalam proses pelatihan model dengan akurasi validasi sebesar 33% yang mencerminkan efisiensi dalam memanfaatkan data untuk pembaruan bobot model.
Batch size 32 dipilih sebagai batch size terbaik dan akan digunakan dalam pengujian parameter Skenario Uji Parameter Jumlah Neuron Penelitian ini melakukan pengujian terhadap parameter jumlah neuron.
Parameter jumlah neuron merupakan salah satu parameter yang berperan penting dalam pelatihan model yang digunakan untuk kapasitas model untuk mempelajari pola Ae pola data.
Jumlah neuron yang diuji dalam penelitian ini adalah 64, 128, dan 256.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Gambar 15.
Skenario Uji Jumlah Neuron Berdasarkan gambar di atas hasil perbandingan dari jumlah neuron 64, 128, dan 256 menunjukkan bahwa jumlah neuron 256 memberikan performa terbaik dalam proses pelatihan model dengan mempelajari pola dalam data secara efektif.
Jumlah neuron 256 dipilih sebagai jumlah neuron terbaik dan akan digunakan dalam pengujian parameter Skenario Uji Mobilenet Optimasi Penelitian ini melakukan pengujian pada arsitektur MobileNet dengan kombinasi hyperparameter tuning terbaik yang telah diperoleh dari proses pengujian sebelumnya yaitu parameter optimizer (Ada.
, learning rate .
, batch size .
, dan jumlah neuron .
Kombinasi dari nilai parameter tersebut diuji untuk mengevaluasi kinerja arsitektur MobileNet dalam klasifikasi sampah setelah dilakukan optimasi.
Gambar 16.
Grafik Akurasi Pelatihan MobileNet Optimasi Berdasarkan gambar di atas grafik akurasi pelatihan mengalami peningkatan dalam setiap epoch selama 15 epoch mulai dari 0.
5951 hingga 0.
9810 yang menunjukkan arsitektur MobileNet dengan optimasi pembelajaran yang baik dalam data yang diberikan.
Halaman 138 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Tabel 1.
Evaluasi Confusion Matrix Sebelum Optimasi Kategori Precission Recall F1-Score Anorganik Organik Akurasi: 96% Gambar 17.
Grafik Kesalahan Pelatihan MobileNet Optimasi Berdasarkan gambar di atas grafik kesalahan pelatihan mengalami penurunan dalam setiap epoch selama 15 epoch mulai dari 4.
9212 hingga 0.
yang menunjukkan arsitektur MobileNet dengan optimasi hyperparameter tuning melakukan proses pembelajaran yang baik dalam data yang diberikan.
Proses ekstraksi fitur pada arsitektur MobileNet dapat diilustrasikan melalui feature maps yang menunjukkan bagaimana gambar input diproses dari tahap awal hingga menghasilkan output klasifikasi.
Optimasi hyperparameter tuning diterapkan pada arsitektur MobileNet untuk memperoleh kombinasi parameter terbaik yang dapat meningkatkan akurasi model dengan tetap mempertahankan biaya komputasi yang rendah.
Gambar 20.
Confusion Matrix Sesudah Optimasi Gambar 18.
Feature Maps Input sampai Output Klasifikasi Tabel 2.
Evaluasi Confusion Matrix Sesudah Optimasi Kategori Precission Recall F1-Score Anorganik Organik Akurasi: 98% Evaluation Evaluation pada penelitian ini dilakukan untuk mengklasifikasikan sampah berdasarkan kategori yang telah ditentukan.
Berdasarkan nilai confusion matrix sebelum dan sesudah dioptimasi terdapat peningkatan nilai yang kemampuan model dalam melakukan klasifikasi jenis Confusion Matrix Confusion matrix adalah alat penting dalam evaluasi performa model klasifikasi yang menghitung jumlah prediksi benar dan salah pada setiap kategori.
Tabel 3.
Selisih Nilai Optimasi MobileNet MobileNet Selisih Hyperparameter Tuning Berdasarkan tabel di atas menunjukkan bahwa penerapan hyperparameter tuning pada arsitektur MobileNet menghasilkan peningkatan akurasi sebesar 2% dari 96% menjadi 98%.
Hal tersebut menunjukkan bahwa optimasi hyperparameter tuning mampu meningkatkan performa model dalam mengenali dan mengklasifikasikan jenis sampah dengan lebih baik.
Gambar 19.
Confusion Matrix Sebelum Optimasi Halaman 139 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Berdasarkan evaluasi confusion matrix, kategori sampah anorganik memiliki tingkat kesalahan prediksi tertinggi dengan nilai recall terendah .
yang menunjukkan kesulitan model dalam mendeteksi semua sampel dengan benar.
Kesalahan ini disebabkan oleh kemiripan visual dengan kategori lain terutama organik serta efek augmentasi brightness yang dapat mengaburkan perbedaan warna antar kategori.
Ukuran Model Ukuran model adalah kapasitas memori yang diperlukan untuk menyimpan model setelah dilatih.
Tabel 4.
Evaluasi Ukuran Model
Kondisi Model
Ukuran Model
Sebelum Optimasi
57 MB
Sesudah Optimasi
32 MB
Berdasarkan tabel di atas menunjukkan bahwa ukuran model sebelum dan sesudah optimasi memiliki nilai yang berbeda yaitu 12.
57 MB sebelum dilakukan optimasi dan 13.
32 MB setelah dilakukan optimasi.
Hal tersebut menunjukkan bahwa optimasi hyperparameter tuning berhasil meningkatkan performa model meskipun disertai dengan peningkatan ukuran model 75 MB.
Biaya Komputasi Biaya komputasi adalah jumlah sumber daya yang dibutuhkan untuk melatih dan menjalankan Tabel 5.
Evaluasi Biaya Komputasi
Kondisi
Waktu Waktu CPU
Model
Pelatihan Inferensi
GPU
Sebelum Optimasi Sesudah Optimasi 9 Menit Detik 9 Menit Detik Berdasarkan tabel di atas menunjukkan bahwa biaya komputasi sebelum dan sesudah optimasi memiliki nilai yang berbeda.
Waktu pelatihan berkurang dari 9 menit 53.
58 detik menjadi 9 menit 89 detik yang menunjukkan peningkatan efisiensi selama proses pelatihan.
Waktu inferensi per gambar berkurang dari 1699.
68 ms menjadi 1055.
73 ms yang menunjukkan proses klasifikasi menjadi lebih cepat dan efisien.
Penggunaan CPU berkurang dari 4.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
0% menunjukkan penurunan yang relatif signifikan, namun penggunaan GPU mengalami peningkatan meskipun relatif kecil dari 8.
16 MB
17 MB.
FLOPS
Flops adalah jumlah operasi floating point yang dapat dijalankan oleh model dalam satu detik yang menunjukkan efisiensi komputasi model.
Tabel 6.
Evaluasi FLOPS
Kondisi Model
FLOPS
Sebelum Optimasi
146 GFLOPS
Sesudah Optimasi
146 GFLOPS
Berdasarkan tabel di atas menunjukkan bahwa nilai FLOPS sebelum dan sesudah optimasi memiliki nilai yang sama yaitu 1.
146 GFLOPS.
Hal tersebut menunjukkan bahwa operasi floating point yang dieksekusi oleh model tetap konstan dan tidak mempengaruhi kompleksitas komputasi model, sehingga dapat disimpulkan bahwa optimasi hyperparameter tuning berhasil meningkatkan performa model tanpa menambah beban operasi komputasi yang harus dijalankan dan menjadikan model dapat diimplementasikan dengan optimal pada perangkat dengan keterbatasan sumber daya Data Training dan Data Testing Perbandingan antara data training dan data testing adalah proses untuk mengevaluasi kemampuan model dalam menggeneralisasi data baru.
Tabel 7.
Evaluasi Data Training dan Data Testing Kondisi Matrix Data Data Model Training Testing Accuracy Sebelum Optimasi Loss Accuracy Sesudah Optimasi Loss Berdasarkan tabel di atas menunjukkan bahwa performa model sebelum dan sesudah optimasi mengalami peningkatan baik pada data training maupun data testing.
Sebelum optimasi nilai accuracy pada data training adalah 96.
81% dan pada data testing 96% dengan nilai loss pada data training 0.
1100 dan pada data testing 0.
Setelah dilakukan optimasi performa model mengalami peningkatan signifikan dengan nilai accuracy pada data training adalah 29% dan pada data testing 98% dengan nilai loss Halaman 140 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
pada data training 0.
0483 dan pada data testing 0.
Perbedaan nilai yang kecil pada accuracy dan loss antara data training dan testing menunjukkan bahwa model berhasil menghindari overfitting.
Hasil penelitian ini dapat digeneralisasi ke dalam dataset sampah lain yaitu dengan menggunakan data yang diambil secara langsung .
ata prime.
untuk mencoba performa model yang dihasilkan dan memperoleh hasil klasifikasi yang maksimal.
nilai loss pada data pelatihan 25 dan 0.
30 pada data Perbandingan Penelitian Terdahulu Perbandingan dengan penelitian terdahulu adalah evaluasi untuk menilai apakah model yang dikembangkan dalam penelitian ini mampu mencapai hasil yang lebih baik dibandingkan dengan hasil penelitian sebelumnya pada bidang dan algoritma yang Tabel 8.
Evaluasi Penelitian Terdahulu Judul.
Nama.
Evaluasi Matrix dan Tahun Klasifikasi Jenis Hasil evaluasi dari penggunaan Sampah arsitektur ResNet-50 adalah Menggunakan Base ResNet-50 70% dengan melakukan (Nuariputri et al.
, modifikasi pada base model dengan menambah layer dan melakukan fine tuning.
Perbandingan Hasil evaluasi dari penggunaan Klasifikasi Jenis arsitektur ResNet-50 Sampah ResNet-18 adalah tingkat Menggunakan akurasi mencapai 99.
41% dan Convolutional 69% pada perbandingan Neural Network kedua Dengan Arsitektur dengan waktu pelatihan 34 ResNet18 dan menit 44 detik dan 22 menit 19 ResNet50 (Eva Sari Nainggolan et al.
Implementasi Hasil evaluasi dari penggunaan Algoritma CNN arsitektur MobileNet adalah MobileNet untuk tingkat Klasifikasi 65% pada data pelatihan dan Gambar Sampah 89.
84% pada data validasi, di Bank Sampah kemudian nilai loss pada data (Reza Fahcruroji pelatihan adalah 33.
86% dan et al.
, 2.
93% pada data validasi.
Implementasi Hasil evaluasi dari penggunaan Algoritma arsitektur MobileNet adalah Convolution tingkat akurasi mencapai 91% Neural Network pada data pelatihan dan 89% pada Klasifikasi pada data validasi, kemudian Limbah dengan Arsitektur MobileNet (Oktafiandi, 2.
Pemanfaatan Machine Learning Optimalisasi Limbah dengan Model MobileNetV2 pada Aplikasi Android (Rismayadi et al.
Hasil Penelitian Hasil evaluasi dari penggunaan arsitektur MobileNetV2 adalah 45% pada data pelatihan dan 83% pada data validasi.
Hasil dari penelitian ini berdasarkan evaluasi dari MobileNet adalah tingkat akurasi mencapai 96%.
Optimasi tuning menghasilkan nilai (Ada.
, learning rate .
batch size .
, dan jumlah .
Optimasi hyperparameter tuning pada MobileNet menghasilkan nilai akurasi meningkatkan nilai akurasi dengan selisih 2%.
Waktu pelatihan model adalah 9 menit 53.
58 detik dan waktu prediksi adalah 68 ms dengan ukuran 57 MB.
Setelah hyperparameter tuning waktu pelatihan model adalah 9 89 detik dan waktu prediksi adalah 1055.
73 ms dengan ukuran model 13.
MB.
Nilai FLOPS model dalam penelitian ini adalah 146 GFLOPS.
Berdasarkan tabel perbandingan di atas menunjukkan bahwa penelitian yang telah dilakukan menggunakan arsitektur MobileNet dengan optimasi Halaman 141 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
hyperparameter tuning telah memperoleh hasil akurasi dengan nilai 98% menggunakan parameter terbaik yaitu optimizer Adam, learning rate 0.
01, batch size 32, dan jumlah neuron 256.
Hasil penelitian ini telah berhasil mendekati hasil atau setara dengan penggunaan arsitektur ResNet yang mencapai akurasi hingga 98 Ae 99%, dan jika dibandingkan dengan penggunaan arsitektur MobileNet menunjukkan adanya peningkatan akurasi yang signifikan.
Penelitian ini juga menunjukkan bahwa arsitektur MobileNet memiliki kompleksitas yang rendah sehingga dapat digunakan dalam perangkat dengan keterbatasan sumber daya tanpa mengorbankan tingkat akurasi dengan nilai FLOPS 1.
146 GFLOPS.
Kebaharuan dalam penelitian ini terletak pada penerapan optimasi hyperparameter tuning pada arsitektur MobileNet yang berhasil meningkatkan akurasi model secara signifikan dibandingkan penelitian sebelumnya yang menggunakan arsitektur Penelitian terdahulu dengan arsitektur MobileNet umumnya mencapai akurasi sekitar 87% 91%, sementara penelitian ini menunjukkan bahwa optimasi hyperparameter tuning yang tepat akurasi model dapat ditingkatkan dengan akurasi mencapai KESIMPULAN Berdasarkan hasil penelitian yang telah dilakukan menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNet dalam penelitian ini menunjukkan kemampuan untuk mengklasifikasikan jenis sampah dengan tingkat Penerapan hyperparameter tuning pada arsitektur MobileNet dengan teknik sequential yang digunakan dalam penelitian ini menunjukkan tingkat akurasi yang lebih tinggi dalam mengklasifikasikan jenis sampah.
Parameter yang digunakan dalam optimasi hyperparameter tuning yaitu optimizer, learning rate, batch size, dan jumlah neuron.
Optimasi hyperparameter tuning menghasilkan nilai terbaik dari setiap parameter yaitu optimizer (Ada.
, learning rate .
, batch size .
, dan jumlah neuron .
yang dikombinasikan untuk meningkatkan akurasi model.
Hasil evaluasi model menunjukkan tingkat akurasi sebesar 98% dan mengalami peningkatan 2% dibandingkan dengan tingkat akurasi sebelum diterapkan optimasi hyperparameter tuning.
Penelitian ini berhasil melakukan klasifikasi jenis sampah dengan tingkat akurasi yang tinggi melalui optimasi hyperparameter tuning dan tetap mempertahankan ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
biaya komputasi rendah dengan menggunakan arsitektur MobileNet.
Penelitian ini memiliki kelebihan yaitu model yang dikembangkan memiliki efisiensi komputasi tinggi berkat arsitektur MobileNet.
Optimasi hyperparameter tuning berhasil mencapai akurasi 98% menunjukkan performa klasifikasi yang baik.
Model ini juga berpotensi diterapkan dalam sistem pemilahan sampah otomatis.
Penelitian ini memiliki kekurangan yaitu penggunaan dataset sekunder yang mungkin tidak sepenuhnya mencerminkan kondisi nyata, klasifikasi yang masih terbatas pada tiga kategori utama, dan waktu pelatihan yang lama saat menggunakan cross validation yang menunjukkan bahwa model belum sepenuhnya robust dalam menangani variasi data.
Berdasarkan hasil penelitian ini, pengembangan lebih lanjut dapat difokuskan pada penggunaan dataset dengan jumlah lebih besar dan proses pengambilan data secara langsung dari kondisi lingkungan nyata untuk Perbandingan performa dengan arsitektur CNN lain yang memiliki biaya komputasi rendah juga diperlukan guna menentukan arsitektur terbaik.
Pengembangan model ini ke dalam sebuah sistem berbasis aplikasi mobile atau berbasis IoT juga diharapkan mampu meningkatkan manfaat praktis penelitian terutama dalam penerapannya di lingkungan masyarakat.
Peningkatan robust model juga diperlukan agar lebih stabil dan efisien dalam proses pelatihan serta lebih adaptif terhadap variasi data.
DAFTAR PUSTAKA