Claim Missing Document
Check
Articles

Found 1 Documents
Search

Penerapan Transfer Learning Menggunakan Arsitektur Deep CNN ResNet-50 untuk Klasifikasi Jenis Sampah Adi saputra Marbun; Budi Sudrajat; Hasta Herlan Asymar
Jurnal Ilmu Teknik dan Komputer Vol. 10 No. 1 (2026)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/jitkom.v10i1.009

Abstract

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