<![CDATA[Pesatnya perkembangan teknologi kecerdasan buatan, terutama deep learning, menawarkan peluang baru dalam mengidentifikasi sampah di bawah air secara otomatis. Penelitian ini merancang arsitektur Convolutional Neural Network (CNN) kustom yang bertujuan untuk mengklasifikasikan sampah bawah air ke dalam dua kategori, yaitu plastik dan non-plastik. Dataset yang dipergunakan berisi 600 citra bawah air yang diambil langsung dari lingkungan perairan menggunakan kamera GoPro Hero 11. Data ini selanjutnya dibagi menjadi tiga bagian: 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Arsitektur CNN kustom mencakup tiga lapisan konvolusi berturut-turut dengan 32, 64, dan 128 filter berukuran 3×3. Setiap lapisan konvolusi diikuti oleh lapisan max pooling 2×2. Setelah itu, output lapisan konvolusi diflatten menjadi vektor, kemudian melewati dua lapisan dense: lapisan pertama berisi 128 neuron beraktivasi ReLU dan lapisan terakhir (output) terdiri dari 2 neuron beraktivasi Softmax yang menghasilkan klasifikasi dua kelas. Sebagai upaya mencegah overfitting, lapisan dropout dengan rasio 0,5 diterapkan sebelum lapisan output. Model dilatih selama 50 epoch dengan optimizer Adam dan loss function Categorical Cross-Entropy. Implementasi dilakukan menggunakan platform TensorFlow dan Keras di lingkungan Google Colab. Kinerja model dievaluasi dengan berbagai metrik, antara lain akurasi, presisi, recall, F1-score, serta analisis confusion matrix. Hasil pengujian menunjukkan model mencapai akurasi 89%, dengan precision 95% untuk kelas plastik dan 84% untuk kelas non-plastik. Meski kinerjanya cukup baik, model ini masih menghadapi kendala pada kondisi lingkungan bawah air yang dinamis, misalnya perubahan pencahayaan dan kemiripan tekstur antar objek sampah. Penelitian selanjutnya disarankan untuk memperbesar ukuran dataset dan mempertimbangkan arsitektur jaringan yang lebih kompleks atau memanfaatkan teknik transfer learning demi meningkatkan akurasi klasifikasi.]]>
