Klasifikasi Sampah Styrofoam Menggunakan Efficientnet Berbasis Deep Learning Dengan Pendekatan Transfer Learning

Abstract

Abstrak.

Tujuan : Permasalahan penumpukan sampah styrofoam yang sulit terurai secara alami menuntut adanya inovasi dalam sistem pengelolaan sampah yang cepat, akurat, dan otomatis. Teknologi computer vision berbasis deep learning menawarkan solusi yang adaptif dalam proses pemilahan visual, namun implementasinya sering kali terhambat oleh keterbatasan ukuran dataset dan kapasitas komputasi perangkat.

Metode/Design/Pendekatan: Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi kinerja arsitektur EfficientNet-B0 menggunakan pendekatan transfer learning untuk mengklasifikasikan sampah secara biner (Styrofoam dan Non-Styrofoam). Dataset penelitian yang digunakan terdiri dari 876 citra yang dioptimasi melalui teknik augmentasi data spasial tanpa melibatkan manipulasi vertical flip guna mempertahankan representasi orientasi fisik objek di dunia nyata. Untuk membuktikan efisiensi arsitektur, dilakukan eksperimen komparatif dengan perluasan skala jaringan (network scaling) pada varian EfficientNet-B1 dan EfficientNet-B2.

Hasil/Temuan: Hasil pengujian independen menunjukkan bahwa EfficientNet-B0 berhasil meraih performa terbaik dengan tingkat akurasi mencapai 94,70% dan nilai loss 0,2199. Sebaliknya, varian yang lebih kompleks justru mengalami penurunan performa, yaitu EfficientNet-B1 (92,42%) dan EfficientNet-B2 (93,94%).

Kebaharuan/Originalitas/Nilai: Berdasarkan hasil empiris tersebut, disimpulkan bahwa arsitektur dasar EfficientNet-B0 merupakan model yang paling optimal, ringan (lightweight), dan stabil untuk dataset biner berskala menengah. Temuan ini memberikan justifikasi kuat bahwa model EfficientNet-B0 sangat siap dan potensial untuk diintegrasikan pada sistem Smart Waste Management berbasis edge computing.