<![CDATA[Penelitian ini mengkaji pemanfaatan arsitektur ResNet50 dalam klasifikasi sampah organik dan anorganik untuk meningkatkan efisiensi pemilahan sampah secara otomatis. Dataset yang digunakan terdiri dari 12.565 gambar sampah organik dan 9.999 gambar sampah anorganik, mencakup berbagai variasi kondisi lingkungan, seperti pencahayaan, ukuran, dan bentuk. Tahapan penelitian meliputi preprocessing data, yang mencakup augmentasi gambar untuk menambah variasi, pembagian dataset menjadi data pelatihan dan validasi, serta penyesuaian bobot kelas untuk menangani ketidakseimbangan dataset. Model dilatih selama lima epoch dengan akurasi validasi tertinggi sebesar 80,15% pada epoch terakhir. Hasil evaluasi menggunakan metrik precision, recall, dan f1-score menunjukkan performa yang baik, dengan kategori sampah organik mencapai recall 91% dan f1-score 84%. Namun, kategori sampah anorganik memiliki precision sebesar 85% dengan recall yang lebih rendah, yaitu 67%. Analisis Confusion matrixmengungkapkan bahwa model mampu mengklasifikasikan sebagian besar sampel dengan benar, meskipun masih terdapat beberapa kesalahan pada kategori anorganik. Secara keseluruhan, penelitian ini membuktikan efektivitas ResNet50 dalam meningkatkan akurasi klasifikasi sampah, mendukung pengelolaan sampah yang berkelanjutan. Dengan optimisasi lebih lanjut, seperti penyesuaian hyperparameter atau augmentasi tambahan, model ini memiliki potensi untuk mencapai performa yang lebih tinggi dalam aplikasi praktis.]]>
