<![CDATA[Pengelolaan sampah yang belum optimal menjadi tantangan lingkungan yang mendesak, terutama pada tahap pemilahan jenis sampah untuk mendukung proses daur ulang. Penelitian ini membandingkan kinerja algoritma Machine Learning (ML) dan Convolutional Neural Network (CNN) dalam mengklasifikasikan jenis sampah berdasarkan citra. Dengan menggunakan pendekatan kuantitatif komparatif, penelitian ini mengimplementasikan Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Convolutional Neural Network (CNN) pada dataset citra sampah TrashNet yang terdiri dari enam kategori, yaitu kardus, kaca, logam, kertas, plastik, dan sampah umum. Metode penelitian melibatkan pra-pemrosesan citra seperti augmentasi data, ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG) untuk algoritma ML konvensional, serta validasi model menggunakan stratified k-fold cross-validation. Kinerja model dievaluasi berdasarkan akurasi, presisi, recall, F1-score, dan AUC. Hasil menunjukkan bahwa CNN mencapai akurasi tertinggi (0.932), diikuti oleh SVM (0.861), Random Forest (0.842), dan KNN (0.798). Meskipun demikian, SVM menunjukkan nilai AUC tertinggi (0.981), sedikit mengungguli CNN (0.978). Hal ini mengindikasikan bahwa CNN unggul dalam ekstraksi fitur visual secara otomatis, sementara SVM tetap kompetitif untuk klasifikasi citra sampah dengan sumber daya komputasi yang lebih terbatas. Temuan ini menawarkan dasar teknis yang menjanjikan bagi pengembangan sistem penyortiran sampah otomatis untuk mendukung daur ulang yang lebih efisien.]]>
Copyrights © 2023
