KLASIFIKASI SAMPAH NON-ORGANIK MENGGUNAKAN ARSITEKTUR VGG-16, RESNET50 DAN DENSENET121

Anak Agung Candra Widyaningsih, Ni Wayan Yulya Wiani, I Nyoman Saputra Wahyu Wijaya

Abstract


Pertumbuhan populasi global memicu lonjakan produksi sampah padat, termasuk di Indonesia di mana sebagian besar sampah berakhir di Tempat Pembuangan Akhir (TPA) tanpa melalui proses pemilahan yang memadai. Kurangnya pemahaman dan kesadaran masyarakat terkait klasifikasi sampah, khususnya sampah non-organik, mengakibatkan pengelolaan yang tidak optimal serta memicu dampak negatif terhadap lingkungan dan kesehatan masyarakat. Seiring dengan kemajuan teknologi kecerdasan buatan, penelitian ini mengusulkan solusi klasifikasi sampah otomatis melalui sistem deteksi cerdas berantarmuka visual berbasis Deep Learning. Penelitian ini membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu VGG-16, ResNet50, dan DenseNet121, dengan mengimplementasikan teknik fine-tuning guna menghasilkan model klasifikasi sampah non-organik yang paling optimal. Hasil penelitian menunjukkan bahwa arsitektur DenseNet121 merupakan model yang paling unggul dengan tingkat akurasi validasi mencapai 93%. Keterbatasan kuantitas dan variasi dataset teridentifikasi sebagai faktor yang membuat arsitektur lainnya menjadi kurang optimal. Implementasi sistem ini diharapkan dapat diaplikasikan pada tempat sampah umum maupun fasilitas industri guna meningkatkan akurasi pemilahan sampah, menekan biaya operasional, serta mendukung pembangunan berkelanjutan.


Full Text:

PDF

References


AL-DAILAMI, A. ET AL. (2025) ‘Sustainable solid waste management in Yemen: environmental, social aspects, and challenges’, Biomass Conversion and Biorefinery [Preprint]. Available at: https://doi.org/https://doi.org/10.1007/s13399-022-02871-w.

CALICIOGLU, O. ET AL. (2019) ‘The future challenges of food and agriculture: An integrated analysis of trends and solutions’, Sustainability (Switzerland), 11(1). Available at: https://doi.org/10.3390/su11010222.

ELÍ, E. ET AL. (2025) ‘Stratified Sampling Algorithms for Machine Learning Methods in Solving Two-scale Partial Differential Equations’, Journal of Scientific Computing, 104(3), pp. 1–40. Available at: https://doi.org/10.1007/s10915-025-03024-7.

GRANDINI, M., BAGLI, E. AND VISANI, G. (2008) ‘Metrics For Multi-Class Classification: An Overview’. Available at: https://doi.org/10.48550.

RISMIYATI, R. AND LUTHFIARTA, A. (2021) ‘VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification’, Telematika, 18(1), p. 37. Available at: https://doi.org/10.31315/telematika.v18i1.4025.

SISTEM INFORMASI KINERJA PENGELOLAAN SAMPAH NASIONAL (2026). Available at: https://sampahnasional.kemenlh.go.id/.

SONI, A. ET AL. (2022) ‘Challenges and opportunities of utilizing municipal solid waste as alternative building materials for sustainable development goals: A review’, Sustainable Chemistry and Pharmacy, 27. Available at: https://doi.org/https://doi.org/10.1016/j.scp.2022.100706.

SUSANTI, L.A., SOLEH, A.M. AND SARTONO, B. (2023) ‘Deep Learning Image Classification Rontgen Dada pada Kasus Covid-19 Menggunakan Algoritma Convolutional Neural Network’, Jurnal Teknologi Informasi dan Ilmu Komputer, 10(5), pp. 973–982. Available at: https://doi.org/10.25126/jtiik.20231057142.

WANG, A. ET AL. (2024) ‘The key to sustainability: In-depth investigation of environmental quality in G20 countries through the lens of renewable energy, economic complexity and geopolitical risk resilience’, Journal of Environmental Management, Volume 352(120045). Available at: https://doi.org/https://doi.org/10.1016/j.jenvman.2024.120045.

YANG, M. AND THUNG, G. (2016) ‘Classification of Trash for Recyclability Status’, pp. 1–6.

YANN, L. AND YOSHUA, B. (1995) ‘Convolutional Networks for Images, Speech, and Time-Series’, The handbook of brain theory and neural networks, pp. 255–258. Available at: https://www.researchgate.net/profile/Yann_Lecun/publication/2453996_Convolutional_Networks_for_Images_Speech_and_TimeSeries/links/0deec519dfa2325502000000.pdf%0Ahttps://www.researchgate.net/profile/Yann_Lecun/publication/2453996_Convolutional_Networks_fo.

ZAHRA, A.L. ET AL. (2025) ‘Implementasi Arsitektur CNN DenseNet-121 untuk Identifikasi Autoimun Kulit dengan Augmentasi Data’, 5.




DOI: https://doi.org/10.37637/komteks.v5i1.3000

Refbacks

  • There are currently no refbacks.


Published By:

PRODI TEKNOLOGI INFORMASI
FAKULTAS TEKNIK
UNIVERSITAS PANJI SAKTI

Creative Commons License

Komteks is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.