<![CDATA[Tingkat kesadaran masyarakat dalam memilah sampah secara mandiri masih rendah walaupun fasilitas tempat sampah terpisah telah tersedia di berbagai ruang publik. Kondisi ini menyebabkan sistem manajemen limbah konvensional menjadi tidak efektif karena sangat bergantung pada kepatuhan pengguna. Penelitian ini bertujuan mengimplementasikan teknologi deep learning pada perangkat IoT berbiaya rendah menggunakan modul ESP32-CAM untuk menciptakan tempat sampah pintar yang mampu memilah sampah organik dan anorganik secara otomatis. Metode yang digunakan adalah kuantitatif eksperimental dengan menerapkan transfer learning berbasis arsitektur MobileNetV2 yang ringan (lightweight), sehingga sesuai dijalankan melalui skema server-side computing berbasis Flask untuk mengatasi keterbatasan sumber daya mikrokontroler. Model dilatih menggunakan dataset gabungan 4.000 citra dari 11 label yang bersumber dari data publik Kaggle dan potret mandiri ESP32-CAM, melalui dua fase pelatihan yaitu feature extraction dan fine-tuning. Hasil penelitian menunjukkan model mencapai akurasi validasi 90% pada fase feature extraction dan meningkat menjadi 91% setelah fine-tuning, dengan weighted average F1-score 0,91. Pengujian klasifikasi real-time menghasilkan tingkat keberhasilan 90% (99 dari 110 sampel), sedangkan pengujian integrasi end-to-end membuktikan bahwa sensor ultrasonik, ESP32-CAM, server Flask, dan motor servo dapat bekerja sama secara kohesif untuk memilah sampah secara otomatis. Penelitian ini menyimpulkan bahwa pendekatan server-side computing berbasis Flask yang dikombinasikan dengan transfer learning MobileNetV2 mampu mentransformasi tempat sampah konvensional menjadi sistem cerdas yang ekonomis bagi area publik dan lingkungan pendidikan.]]>
Copyrights © 2026
