MODEL HYBRID CNN–LSTM MENGGUNAKAN HYPERPARAMETER TUNING UNTUK KLASIFIKASI CITRA SAMPAH

Permasalahan pengelolaan sampah yang terus meningkat memerlukan proses pemilahan yang efektif dan akurat untuk mendukung pengolahan sampah. Salah satu pendekatan yang dapat digunakan adalah klasifikasi citra berbasis Deep Learning. Namun, performa model klasifikasi dipengaruhi oleh pemilihan hyperparameter sehingga perlu dilakukan proses optimasi dan evaluasi untuk mengetahui kemampuan model dalam mengklasifikasikan citra sampah. Oleh karena itu, penelitian ini bertujuan mengoptimasi model Hybrid Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) menggunakan Hyperparameter Tuning untuk memperoleh konfigurasi parameter terbaik serta mengevaluasi performa model berdasarkan nilai accuracy, precision, recall, dan F1-score. Penelitian ini menggunakan dataset Waste Classification Data yang diperoleh dari Kaggle dengan total 25.077 citra yang terdiri atas dua kelas, yaitu Organic dan Recyclable. Proses Hyperparameter Tuning dilakukan dengan menguji kombinasi learning rate sebesar 0,001 dan 0,0001, jumlah unit LSTM sebanyak 64 dan 128, serta batch size sebesar 16 dan 32. Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada learning rate 0,0001, jumlah unit LSTM 128, dan batch size 32. Model baseline memperoleh accuracy sebesar 88%, sedangkan model hasil optimasi memperoleh accuracy sebesar 91%. Hasil tersebut menunjukkan bahwa penerapan Hyperparameter Tuning mampu meningkatkan performa model Hybrid CNN-LSTM dalam mengklasifikasikan citra sampah ke dalam kategori Organic dan Recyclable.