Perbandingan Strategi Implementasi Model MobileNetV2 untuk Pengenalan Jenis Sampah Otomatis dari Citra Digital

Abstract

Pengelolaan sampah yang belum terpilah dari sumbernya merupakan tantangan lingkungan global yang menghambat pencapaian target Sustainable Development Goals (SDGs) serta efektivitas ekonomi sirkular. Inefisiensi dan risiko pada proses pemilahan manual mendorong pengembangan solusi otomatis, sehingga penelitian ini menyajikan analisis komparatif mendalam untuk mengevaluasi dampak strategi penanganan data terhadap kinerja model deep learning MobileNetV2 dalam klasifikasi citra sampah. Dua pendekatan utama diinvestigasi secara sistematis. Pendekatan pertama berfungsi sebagai baseline, menerapkan transfer learning pada dataset asli yang distribusinya tidak seimbang. Sementara itu, pendekatan kedua dirancang sebagai strategi teroptimasi yang secara aktif mengintegrasikan augmentasi data (mencakup rotasi, flipping, dan penyesuaian kecerahan) untuk meningkatkan variasi, serta penyeimbangan kelas melalui metode oversampling untuk mengatasi bias. Proses pelatihan pada kedua model dioptimalkan menggunakan callbacks penting seperti early stopping untuk mencegah overfitting dan reduksi learning rate otomatis. Hasil evaluasi menunjukkan perbedaan performa yang signifikan. Model baseline mencapai akurasi uji 95,23%, namun dengan kinerja yang tidak stabil dan bias terhadap kelas mayoritas. Sebaliknya, model teroptimasi menunjukkan superioritas jelas dengan raihan akurasi uji 97,92%, didukung oleh kemampuan generalisasi yang kuat dan performa yang adil serta merata di semua kategori sampah. Dengan demikian, disimpulkan bahwa penerapan augmentasi dan penyeimbangan kelas adalah faktor fundamental yang secara signifikan meningkatkan keandalan dan akurasi model MobileNetV2, menjadikannya kandidat yang jauh lebih kuat untuk diimplementasikan pada sistem manajemen sampah cerdas.