<![CDATA[Pertumbuhan populasi global memicu lonjakan produksi sampah padat, termasuk di Indonesia di mana sebagian besar sampah berakhir di Tempat Pembuangan Akhir (TPA) tanpa melalui proses pemilahan yang memadai. Kurangnya pemahaman dan kesadaran masyarakat terkait klasifikasi sampah, khususnya sampah non-organik, mengakibatkan pengelolaan yang tidak optimal serta memicu dampak negatif terhadap lingkungan dan kesehatan masyarakat. Seiring dengan kemajuan teknologi kecerdasan buatan, penelitian ini mengusulkan solusi klasifikasi sampah otomatis melalui sistem deteksi cerdas berantarmuka visual berbasis Deep Learning. Penelitian ini membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu VGG-16, ResNet50, dan DenseNet121, dengan mengimplementasikan teknik fine-tuning guna menghasilkan model klasifikasi sampah non-organik yang paling optimal. Hasil penelitian menunjukkan bahwa arsitektur DenseNet121 merupakan model yang paling unggul dengan tingkat akurasi validasi mencapai 93%. Keterbatasan kuantitas dan variasi dataset teridentifikasi sebagai faktor yang membuat arsitektur lainnya menjadi kurang optimal. Implementasi sistem ini diharapkan dapat diaplikasikan pada tempat sampah umum maupun fasilitas industri guna meningkatkan akurasi pemilahan sampah, menekan biaya operasional, serta mendukung pembangunan berkelanjutan.]]>
Copyrights © 2026
