KLASIFIKASI OTOMATIS SAMPAH KERING MENGGUNAKAN HSV COLOR SPACE, SEGMENTASI MORFOLOGI, DAN EXTREME LEARNING MACHINE

Abstract

Pengelolaan sampah di Indonesia masih bergantung pada pemilahan manual, sehingga menimbulkan inefisiensi dan tingginya kesalahan klasifikasi. Untuk mengatasi masalah ini, penelitian ini bertujuan mengembangkan sistem klasifikasi sampah kering berbasis citra digital secara otomatis. Metode yang digunakan merupakan gabungan dari ekstraksi ciri berbasis ruang warna HSV, segmentasi morfologi (dilatasi dan erosi), serta Extreme Learning Machine (ELM) untuk klasifikasi objek. Dataset terdiri dari 30 citra data latih dan 12 citra uji yang dibagi jadi tiga kelas sampah, botol kaleng, kertas, dan botol plastik. Proses diawali dengan konversi citra ke HSV, segmentasi objek melalui thresholding kanal Value, dan ekstraksi 5 fitur geometri (seperti luas dan keliling). Model ELM dengan arsitektur 5-10-3 (input-hidden-output) dilatih menggunakan fungsi aktivasi sigmoid. Hasilnya, sistem mencapai akurasi 100% pada data latih dan 91,66% pada data uji, dengan satu kesalahan klasifikasi pada kelas botol plastik. Hasil penelitian menunjukkan bahwa gabungan HSV, morfologi, dan ELM efektif untuk dataset kecil, meskipun perlu adanyan peningkatan pada variasi sampel untuk hasil yang lebih baik. Temuan ini membuka peluang penerapan otomatisasi pengelolaan sampah dengan biaya komputasi rendah.