<![CDATA[Permasalahan sampah yang semakin kompleks menuntut solusi inovatif dalam proses pemilahan dan pengelolaan. Penelitian ini bertujuan untuk merancang dan mengembangkan model Convolutional Neural Network (CNN) berbasis arsitektur ResNet-50 dalam klasifikasi jenis sampah daur ulang secara otomatis. Model dilatih menggunakan dataset publik Garbage Classification dari Kaggle yang terdiri dari 15.150 citra dengan 12 kategori sampah seperti paper, cardboard, plastic, metal, glass, clothes, dan lainnya. Proses pelatihan dilakukan menggunakan pendekatan transfer learning dan fine-tuning untuk meningkatkan akurasi dan efisiensi. Hasil pengujian menunjukkan bahwa model mampu mencapai tingkat akurasi sebesar 99% dengan nilai weighted average F1-Score sebesar 0,99, menandakan performa klasifikasi yang sangat andal di seluruh kelas. Model yang dihasilkan kemudian diintegrasikan ke dalam aplikasi web interaktif klasifikasi sampah menggunakan Framework Next.js, yang memungkinkan pengguna mengunggah gambar sampah untuk diklasifikasikan secara real-time sekaligus memperoleh rekomendasi upcycling berbasis AI. Hasil penelitian ini menunjukkan bahwa penerapan CNN dengan ResNet-50 mampu memberikan kontribusi signifikan terhadap peningkatan efisiensi pemilahan sampah, serta mendukung pengelolaan lingkungan yang cerdas dan berkelanjutan.]]>
Copyrights © 2026
