<![CDATA[Permasalahan pengelolaan sampah di kawasan perkotaan maupun pendidikan masih banyak bergantung pada proses pemilahan manual yang tidak efisien dan rentan terhadap pencampuran antarjenis sampah. Penelitian ini mengusulkan sistem klasifikasi sampah otomatis secara real-time berbasis algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 yang diimplementasikan pada perangkat edge computing Raspberry Pi 4 Model B 8GB. Model dilatih menggunakan metode transfer learning pada dataset citra sampah yang terdiri atas lima kategori, yaitu glass, metal, organic, paper, dan plastic, kemudian dikonversi ke format TensorFlow Lite agar dapat berjalan secara efisien pada perangkat dengan sumber daya terbatas. Sistem perangkat keras dirancang dengan arsitektur Master-Slave yang memisahkan Raspberry Pi 4 sebagai unit pemrosesan citra dan kecerdasan buatan dengan Arduino Uno sebagai pengendali aktuator servo. Hasil klasifikasi dikirimkan secara nirkabel ke server pemantauan menggunakan protokol MQTT melalui broker HiveMQ Cloud berenkripsi TLS dan ditampilkan pada dashboard web berbasis Flask. Hasil pengujian menunjukkan model mencapai akurasi keseluruhan sebesar 86% dengan rata-rata waktu inferensi 44,05 ms (±12,86 FPS), penggunaan CPU rata-rata 28,99%, serta keandalan transmisi data dengan packet loss 0% dan rata-rata delay end-to-end 207,46 ms. Hasil ini menunjukkan bahwa sistem yang dirancang layak diterapkan untuk pemilahan sampah cerdas berbasis IoT secara real-time. Kata Kunci— Convolutional Neural Network, MobileNetV2, Raspberry Pi 4, klasifikasi sampah, MQTT, TensorFlow Lite. ]]>
