EVALUASI KINERJA ARSITEKTUR CNN BERBASIS TRANSFER LEARNING XCEPTION DAN MOBILENETV2 UNTUK KLASIFIKASI CITRA LIMBAH

Pengelolaan sampah merupakan isu lingkungan yang semakin krusial, terutama akibat meningkatnya volume buangan dan ketiadaan sistem pemilahan yang efektif. Ketergantungan pada pemilahan manual dinilai tidak efisien, sulit diskalakan, dan rentan terhadap kesalahan, sehingga diperlukan pendekatan otomatis berbasis kecerdasan visual. Penelitian ini menganalisis performansi dua arsitektur Convolutional Neural Network (CNN) berbasis transfer learning, yaitu Xception dan MobileNetV2, untuk pemilahan citra sampah organik dan anorganik. Dataset Garbage Classification yang terdiri dari 15.515 citra digunakan dengan tahapan preprocessing mencakup normalisasi, augmentasi, penanganan ketidakseimbangan kelas melalui class weight, serta pelatihan menggunakan K-Fold Cross Validation dan hyperparameter tuning. Hasil validasi menunjukkan bahwa MobileNetV2 mencapai akurasi tertinggi sebesar 98,03%, namun performanya menurun pada data uji menjadi 85,50%. Sebaliknya, Xception menunjukkan kemampuan generalisasi lebih baik dengan akurasi uji 92,50%, nilai AUC 0,918, serta kestabilan metrik presisi, recall, dan F1-score. Uji statistik T-Test juga mengonfirmasi perbedaan kinerja kedua model signifikan secara statistik. Xception dinilai lebih layak diterapkan dalam sistem pemilahan citra sampah otomatis pada kondisi operasional. Hasil ini memberikan dasar rekomendasi bagi pengembang dan pemangku kepentingan dalam memperkuat strategi pengelolaan sampah cerdas dan mitigasi dampak lingkungan.