<![CDATA[Pengelolaan sampah yang kurang optimal, ditambah lambatnya proses pemilahan manual, masih menjadi tantangan dalam menjaga kebersihan lingkungan sehingga dibutuhkan sistem klasifikasi otomatis berbasis citra digital. Penelitian ini bertujuan mengukur sejauh mana algoritma Support Vector Machine (SVM) dapat meningkatkan akurasi klasifikasi sampah ke dalam kategori organik, anorganik, dan bahan berbahaya beracun (B3), serta menguji ketahanannya terhadap variasi kondisi pencahayaan, latar belakang, dan sudut pengambilan citra. Penelitian menggunakan 1.500 citra sampah (hasil augmentasi dari 900 citra asli) yang dibagi secara stratifikasi menjadi data latih, validasi, dan uji. Citra melalui tahap pra-pemrosesan berupa penyeragaman ukuran, normalisasi, dan reduksi derau, kemudian diekstraksi menggunakan Histogram of Oriented Gradient (HOG), Local Binary Pattern (LBP), dan Color Histogram. Delapan skenario studi ablasi digunakan untuk menguji kontribusi tiap komponen terhadap performa model SVM dengan kernel Linear, Polynomial, dan Radial Basis Function (RBF). Hasil penelitian menunjukkan bahwa kombinasi pra-pemrosesan, augmentasi data, fitur HOG dan Color Histogram, serta kernel RBF menghasilkan performa terbaik dengan akurasi, presisi, recall, dan F1-score masing-masing sebesar 98,4%, meningkat 1,9 poin persentase dari baseline sebesar 96,5%, dengan waktu inferensi rata-rata 19,4 milidetik per citra. Model juga tetap stabil dengan akurasi di atas 96,5% pada berbagai kondisi pencahayaan, latar belakang, dan sudut pengambilan citra. Dapat disimpulkan bahwa algoritma SVM efektif dan efisien digunakan sebagai metode klasifikasi sampah berbasis citra digital.]]>
Copyrights © 2026
