PENERAPAN TRANSFER LEARNING MENGGUNAKAN ARSITEKTUR DEEP CNN RESNET-50 UNTUK KLASIFIKASI JENIS SAMPAH

PENERAPAN TRANSFER LEARNING MENGGUNAKAN ARSITEKTUR DEEP CNN RESNET-50 UNTUK KLASIFIKASI JENIS SAMPAH

• By Adisaputra Marbun;
• Skripsi
• 101
• 1-59

Pengelolaan sampah masih menjadi tantangan besar di Indonesia akibat tingginya timbulan sampah dan rendahnya tingkat daur ulang. Salah satu solusi inovatif yang dapat diterapkan adalah sistem klasifikasi sampah otomatis berbasis citra. Penelitian ini bertujuan membangun model klasifikasi jenis sampah menggunakan arsitektur Deep Convolutional Neural Network ResNet-50 dengan pendekatan transfer learning. Dataset yang digunakan berasal dari Kaggle dan mencakup lima kelas: cardboard, glass, metal, paper, dan plastic. Data telah melalui tahap pra-pemrosesan, augmentasi, dan pembagian secara stratifikasi. Model dilatih selama 50 epoch menggunakan optimizer AdamW dan fungsi kehilangan CrossEntropyLoss. Hasil pelatihan menunjukkan akurasi validasi tertinggi sebesar 85%. Evaluasi dengan confusion matrix dan classification report menunjukkan model mampu melakukan klasifikasi secara akurat dan seimbang pada tiap kelas. Sistem ini juga dilengkapi antarmuka interaktif untuk prediksi gambar tunggal, memperlihatkan potensi penerapan nyata dalam pengelolaan sampah berbasis teknologi. Hasil penelitian membuktikan bahwa transfer learning dengan ResNet-50 efektif untuk klasifikasi citra sampah dan berpotensi mendukung solusi lingkungan berbasis kecerdasan buatan.

• Katakunci transfer learning, resnet-50, klasifikasi sampah
• URL http://publikasi.mercubuana.ac.id/index.php/jitkom/author/saveSubmit/5
• Penerbit Universitas mercubuana Jakarta, Jakarta DKI JAKARTA

REFERENSI

1. Ananto, D. T., Duta Mahardewantoro, D., Mustafa, F., Ardianto, M. G., Rafi, M. M.,
   Zein, R. A., Saputra, O. E., Mujiastuti, R., Rosanti, N., & Adharani, Y. (2023).
   Prosiding Seminar Nasional LPPM UMJ Website:
   http://jurnal.umj.ac.id/index.php/semnaskat E-ISSN: 2714-6286 Edukasi dan
   Pelatihan Pengenalan Machine Learning dan Computer Vision Untuk
   Mengeksplorasi Potensi Visual. http://jurnal.umj.ac.id/index.php/semnaskat
2. Asri Farida Sihaloho. (2020). Sampah dari sudut padang BSN SNI 19-2454-2002.
3. Basha, S. H. S., Dubey, S. R., Pulabaigari, V., & Mukherjee, S. (2020). Impact of
   fully connected layers on performance of convolutional neural networks for
   image classification. Neurocomputing, 378, 112–119.
   https://doi.org/10.1016/j.neucom.2019.10.008
4. BPK (Badan Periksaan Keuangan). (2021). 
5. Bustamin, A., Zaman, B., Khusnul Hakim, F., Teknik Gowa, K., Poros Malino, J. K.,
   Bontomarannu, K., Kharisma Makassar, S., Baji Ateka No, J., Mappakasunggu,
   B., Mamajang, K., & Makassar, K. (2023). SISTEM MULTI KLASIFIKASI
   SAMPAH ANORGANIK DENGAN MENGGUNAKAN TRANSFER LEARNING
   INORGANIC WASTE MULTI CLASSIFICATION SYSTEM USING TRANSFER
   LEARNING (Vol. 8, Issue 1). http://journal.uinalauddin.ac.id/index.php/insypro
6. Demmese, F. A., Shajarian, S., & Khorsandroo, S. (2024). Transfer learning with
   ResNet50 for malicious domains classification using image visualization.
   Discover Artificial Intelligence, 4(1). https://doi.org/10.1007/s44163-024-
   00154-z
7. Fajar Natsir. (2024). Jenis Sampah Organik dan Anorganik Serta Cara
   Pengelolaannya. 2024.
8. Jihan Nuariputri. (2023). Klasifikasi Jenis Sampah Menggunakan Base ResNet-50.
   Jurnal Ilmiah Komputasi, 22(3). https://doi.org/10.32409/jikstik.22.3.3380
9. Li, L., Wang, R., Zou, M., Guo, F., & Ren, Y. (2025). Enhanced ResNet-50 for
   garbage classification: Feature fusion and depth-separable convolutions. PLoS
   ONE, 20(1 January). https://doi.org/10.1371/journal.pone.0317999
10. Li, L., Wang, R., Zou, M., Guo, F., & Ren, Y. (2025). Enhanced ResNet-50 for
    garbage classification: Feature fusion and depth-separable convolutions. PLoS
    ONE, 20(1 January). https://doi.org/10.1371/journal.pone.0317999
11. Malihah, L., Nazairin, A., & Martapura Kalimantan Selatan, D. (2024). YUME :
    Journal of Management Sampah Plastik Sachet Dalam Perspektif Pembangunan
    Berkelanjutan. In YUME : Journal of Management (Vol. 7, Issue 1).
12. Naufal, M., Kasuma, A.-H., Fadhila, A., & Aini, N. (2023). Kepastian Hukum
    Kebijakan Extended Producer Responsibility Bagi Produsen Penghasil Sampah.
    https://sipsn.menlhk.go.id/sipsn/,
13. Nurmia, L. Z., Andriayatno, A., Fitriani, F., & Munandar, R. (2025). Optimalisasi
    Pengelolaan Sampah Dan Daur Ulang Untuk Mengurangi Emisi Gas Rumah
    Kaca Di Perkotaan. Lambda Jurnal Ilmiah Pendidikan MIPA Dan Aplikasinya,
    5(1), 1–8. https://doi.org/10.58218/lambda.v5i1.1104
14. Permana, R., Saldu, H., & Maulana, D. I. (2022). OPTIMASI IMAGE
    CLASSIFICATION PADA JENIS SAMPAH DENGAN DATA
    AUGMENTATION DAN CONVOLUTIONAL NEURAL NETWORK. Jurnal
    Sistem Informasi Dan Informatika (Simika), 5.
15. Purwanti, I., Syariah, J. E., Ekonomi, F., Islam, B., & Pekalongan, I. (2021).AmaNU: Jurnal Manajemen dan Ekonomi KONSEP DAN IMPLEMENTASI
    EKONOMI SIRKULAR DALAM PROGRAM BANK SAMPAH (STUDI KASUS:
    KEBERLANJUTAN BANK SAMPAH TANJUNG) (Vol. 4, Issue 1).
16. Raup, A., Ridwan, W., Khoeriyah, Y., Yuliati Zaqiah, Q., & Islam Negeri Sunan
    Gunung Djati Bandung, U. (2022). Deep Learning dan Penerapannya dalam
    Pembelajaran. http://Jiip.stkipyapisdompu.ac.id
17. Utari, E., Pramudita, W. P., & Pratiwi, Z. (2022). Jurnal Ekologi, Masyarakat dan
    Sains Analisis Hubungan Kebiasaan Konsumsi Dengan Kuantitas Sampah
    Domestik (Studi Pada Mahasiswa Pendidikan Biologi Untirta Angkatan 2020).
    https://doi.org/10.55448/ems
18. Wildan, N. C. D. (2024). 8352-Article Text-26606-1-10-20241213.
19. Wu, F., & Lin, H. (2022). Effect of transfer learning on the performance of VGGNet16 and ResNet-50 for the classification of organic and residual waste. Frontiers
    in Environmental Science, 10. https://doi.org/10.3389/fenvs.2022.1043843
20. Zhao, L., & Zhang, Z. (2024). A improved pooling method for convolutional neural
    networks. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-51258-6