<![CDATA[Masalah pengelolaan sampah menjadi tantangan lingkungan yang tidak ada habisnya di kalangan masyarakat. Pemilahan jenis sampah yang benar dapat mendukung upaya daur ulang dan pengelolaan limbah serta mengatasi masalah sampah tersebut. Karena itu, penelitian ini bertujuan untuk mengembangkan sistem yang memanfaatkan teknologi transfer learning CNN (Convolutional Neural Network) untuk membantu pengidentifikasian jenis sampah. Sistem ini diharapkan dapat membantu masyarakat dalam memilah, mengelola dan mendaur ulang sampah. Ada dua arsitektur model yang digunakan dalam penelitian ini, yaitu MobileNetV2 dan EfficientNetB0. Dengan kedua model pre-trained tersebut, penelitian ini juga bertujuan untuk membandingkan performa masing-masing model dalam mengidentifikasi sampah. Dataset yang digunakan untuk melatih kedua model ini diambil dari platform Kaggle dan data yang diambil secara mandiri, dengan total data berjumlah 2527 gambar. Proses penelitian mencakup pencarian data, pembersihan data (pre-processing), augmentasi, pelathan model, serta evaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan MobileNetV2 mencapai akurasi 87,31%, sementara EfficientNetB0 memperoleh akurasi 82,21%. Analisis lebih lanjut menunjukkan bahwa MobileNetV2 unggul dari segi akurasi, presisi, recall, serta efisiensi waktu pelatihan disbanding EfficientNetB0. Meskipun hasil pelatihan menunjukkan performa yang cukup baik, nilai loss pada kedua model masih relatif tinggi. Hal ini kemungkinan disebabkan oleh kurangnya jumlah data yang digunakan untuk melatih model. Penelitian ini diharapkan dapat menjadi langkah awal dalam penerapan teknologi transfer learning untuk mendukung pengelolaan sampah secara efektif, sekaligus menjadi acuan untuk pengembangan sistem dengan dataset yang lebih besar di masa depan.]]>
