KLASIFIKASI SAMPAH BIODEGRADABLE DAN NON-BIODEGRADABLE MENGGUNAKAN ARSITEKTUR MOBILENET DAN XGBOOST

Abstract

Pengelolaan sampah merupakan tantangan utama dalam menjaga kelestarian lingkungan hidup secara global. Seiring meningkatnya volume sampah yang dihasilkan setiap tahun, proses pemilihan sampah secara manual menjadi kurang efisien dan rentan akan human error, maka dari itu klasifikasi sampah yang tepat, khususnya dalam membedakan antara sampah biodegradable dan non-biodegradable, sangat penting untuk mendukung proses daur ulang dan mengurangi dampak lingkungan. Penelitian ini bertujuan mengembangkan sistem klasifikasi sampah yang efisien dan akurat dengan menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan MobileNetV3-Large sebagai ekstraksi fitur serta XGBoost untuk klasifikasi gambar, yang dibandingkan akan performa MobileNetV2, hybrid MobileNetV2 + XGBoost, dan MobileNetV3-Large. Metode penelitian meliputi pelatihan, validasi dan pengujian terhdapat dataset BDWaste dengan pembagian data yang sesuai untuk mengoptimalkan performa. Evaluasi performa dilakukan menggunakan accuracy, precision, recall, dan F1-score untuk memastikan kemampuan model dalam membedakan kedua kategori secara konsisten. Hasil pengujian menunjukkan bahwa model hybrid memberikan performa yang paling unggul dengan tingkat akurasi sebesar 94,69% dengan komputasi yang ringan yaitu dengan ukuran model sebesar 150 KB dengan waktu pelatihan 127 detik.