Electronic Theses and Dissertation

Penelitian ini bertujuan untuk mengklasifikasikan jenis sampah di Aceh menggunakan pendekatan computer vision berbasis deep learning dengan arsitektur ResNet50V2. Dataset yang digunakan merupakan kombinasi data dari internet dan hasil pengambilan gambar secara langsung dengan total 8.184 gambar untuk pelatihan dan validasi serta 3.468 gambar sebagai data pengujian. Data diklasifikasikan ke dalam tiga kategori, yaitu sampah organik, anorganik, dan elektronik. Tahap pra-pemrosesan meliputi pembersihan data, penyesuaian ukuran citra menjadi 224×224 piksel, konversi ke format RGB, serta normalisasi menggunakan fungsi preprocess_input. Model dilatih menggunakan pendekatan transfer learning, augmentasi data, serta strategi fine-tuning pada lapisan akhir jaringan untuk meningkatkan performa klasifikasi. Hasil pengujian menunjukkan bahwa model mencapai accuracy sebesar 83,91%, precision sebesar 84,86%, dan recall sebesar 82,73%. Model kemudian diimplementasikan dalam prototipe aplikasi web berbasis Flask yang memungkinkan pengguna mengunggah gambar sampah dan memperoleh hasil klasifikasi secara otomatis. Hasil penelitian ini menunjukkan bahwa pendekatan deep learning menggunakan ResNet50V2 mampu mengklasifikasikan jenis sampah dengan mendukung sistem pengelolaan sampah berbasis teknologi di Aceh.

Kata kunci: computer vision, klasifikasi sampah, ResNet50V2, deep learning.

This study aims to classify waste types in Aceh using a deep learning-based computer vision approach with the ResNet50V2 architecture. The dataset used is a combination of data from the internet and direct image capture results with a total of 8,184 images for training and validation and 3,468 images as testing data. The data is classified into three categories: organic, inorganic, and electronic waste. The pre-processing stage includes data cleaning, adjusting the image size to 224 × 224 pixels, converting to RGB format, and normalization using the preprocess_input function. The model was trained using a transfer learning approach, data augmentation, and a fine-tuning strategy at the final layer of the network to improve classification performance. Test results show that the model achieved an accuracy of 83.91%, a precision of 84.86%, and a recall of 82.73%. The model was then implemented in a Flask-based web application prototype that allows users to upload waste images and obtain classification results automatically. The results of this study demonstrate that a deep learning approach using ResNet50V2 is capable of classifying waste types and supporting a technology-based waste management system in Aceh. Keywords: computer vision, waste classification, ResNet50V2, deep learning.