ANALISIS PERBANDINGAN CUSTOM CNN DAN MOBILENETV2 UNTUK KLASIFIKASI ENAM JENIS SAMPAH ANORGANIK

Peningkatan jumlah sampah anorganik menjadi salah satu permasalahan lingkungan yang memerlukan penanganan secara efektif, salah satunya melalui penerapan teknologi klasifikasi citra berbasis Deep Learning. Penelitian ini bertujuan untuk membandingkan kinerja model Custom Convolutional Neural Network (Custom CNN) dan MobileNetV2 berbasis Transfer Learning dalam mengklasifikasikan enam kategori sampah anorganik, yaitu aluminium, botol kaca, botol plastik, foam box, gelas plastik, dan kardus. Dataset yang digunakan berasal dari platform Kaggle dan dilengkapi dengan citra hasil dokumentasi peneliti. Tahapan penelitian meliputi pengumpulan data, preprocessing citra berupa image resizing menjadi 224 × 224 piksel, normalisasi nilai piksel, data augmentation, pembagian dataset menjadi data pelatihan (70%), data validasi (15%), dan data pengujian (15%), perancangan arsitektur model, proses pelatihan, serta evaluasi performa model. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, Confusion Matrix, dan Classification Report. Model Custom CNN dibangun dari awal (from scratch), sedangkan model MobileNetV2 memanfaatkan bobot awal dari ImageNet melalui metode Transfer Learning yang dilanjutkan dengan proses Fine Tuning. Hasil penelitian menunjukkan bahwa model MobileNetV2 memberikan performa yang lebih unggul dibandingkan model Custom CNN. MobileNetV2 memperoleh nilai Accuracy sebesar 89,45%, Precision 91,18%, Recall 89,94%, dan F1-Score 89,65%, sedangkan Custom CNN memperoleh Accuracy sebesar 57,27%, Precision 53,86%, Recall 55,78%, dan F1-Score 51,28%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan metode Transfer Learning pada arsitektur MobileNetV2 mampu meningkatkan kinerja klasifikasi citra sampah anorganik dibandingkan model Custom CNN. Dengan demikian, MobileNetV2 dapat dijadikan sebagai alternatif model yang lebih efektif dalam pengembangan sistem klasifikasi sampah anorganik berbasis Deep Learning.