Evaluasi Performa CNN Dan MobileNetV2 Dalam Klasifikasi Citra Sampah Organik Dan Anorganik

NUR AFNI, Permasalahan pengelolaan sampah di Indonesia masih menghadapi kendala pada proses pemilahan sampah organik dan anorganik yang umumnya dilakukan secara manual sehingga kurang efisien dan rentan terhadap kesalahan klasifikasi. Penelitian ini bertujuan untuk mengevaluasi performa model Convolutional Neural Network (CNN) yang dibangun dari awal (baseline) dan MobileNetV2 berbasis transfer learning dalam klasifikasi citra sampah organik dan anorganik pada kondisi terbatas. Metode penelitian menggunakan pendekatan eksperimen komputasi dengan dataset sebanyak 507 citra yang terdiri dari dua kelas, yaitu organik dan anorganik. Tahapan penelitian meliputi pra-pemrosesan data, augmentasi citra dinamis menggunakan ImageDataGenerator, pelatihan model dengan optimizer AdamW berskedul Cosine Decay, serta evaluasi menggunakan metrik confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CNN memperoleh akurasi sebesar 79,49?ngan nilai precision 80%, recall 79%, dan F1-score 0,79. Sementara itu, model MobileNetV2 menunjukkan performa yang jauh lebih unggul dengan akurasi sebesar 96,15%, precision 96%, recall 96%, dan F1-score 0,96. Berdasarkan hasil tersebut, MobileNetV2 terbukti lebih optimal dan memiliki kemampuan generalisasi yang lebih baik dibandingkan CNN pada dataset terbatas.