<![CDATA[Abstract. The issue of waste management has become increasingly complex along with the growth of population and human activities. In Indonesia, the high volume of waste and the low recycling rate indicate the need for a more effective waste management system, particularly at the waste sorting stage. Manual sorting of organic, inorganic, and hazardous (B3) waste still faces various obstacles, including low public awareness and limited efficiency. Therefore, this study aims to design and implement an image-based waste classification system using the Convolutional Neural Network (CNN) method as an automated solution for the waste sorting process. The results show that the CNN model achieves an accuracy of 82% for the inorganic class, 85% for the hazardous (B3) class, and 94% for the organic class. Model evaluation indicates good performance in classifying organic and inorganic waste, with F1-scores of 85% and 86%, respectively, while the classification of hazardous (B3) waste shows lower performance with an F1-score of 64%. These results indicate that the model is overall fairly effective, but still faces challenges in distinguishing the visual characteristics of hazardous (B3) waste. Abstrak. Permasalahan pengelolaan sampah saat ini menjadi isu yang semakin kompleks seiring dengan meningkatnya jumlah penduduk dan aktivitas manusia. Di Indonesia, volume sampah yang tinggi serta rendahnya tingkat daur ulang menunjukkan perlunya sistem pengelolaan sampah yang lebih efektif, khususnya pada tahap pemilahan sampah. Pemilahan sampah organik, anorganik dan B3 secara manual masih menghadapi berbagai kendala, antara lain masih rendahnya kesadaran masyarakat dan keterbatasan efisiensi. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem klasifikasi sampah berbasis citra menggunakan metode Convolutional Neural Network (CNN) sebagai solusi otomatis dalam proses pemilahan sampah. Hasil penelitian menunjukkan bahwa model CNN mampu mencapai nilai akurasi sebesar 82% pada kelas anorganik, 85% pada kelas B3, dan 94% pada kelas organik. Evaluasi model menunjukkan performa yang baik dalam mengklasifikasikan sampah organik dan anorganik, dengan nilai F1-Score masing-masing sebesar 85% dan 86%, sedangkan klasifikasi sampah B3 masih memiliki performa yang lebih rendah dengan F1-Score sebesar 64%. Hasil ini menunjukkan bahwa model cukup efektif secara keseluruhan, namun masih menghadapi tantangan dalam membedakan karakteristik visual sampah B3.]]>
