Implementasi Convolutional Neural Network (CNN) Dengan Arsitektur DenseNet201 Untuk Klasifikasi Sampah Anorganik

Sampah anorganik berasal dari benda mati dan cenderung menjadi sampah kering yang sulit diuraikan (nondegradable). Pengolahan sampah efektif dapat dilakukan melalui daur ulang dengan memilah sampah berdasarkan jenis materialnya guna mencegah dampak buruknya bagi ekosistem. Masifnya jumlah sampah di Indonesia akan sangat berat manusia mengklasifikasikan sampah dengan efektif dan efisien, salah satu cara untuk klasifikasi adalah memanfaatkan kekuatan komputer dengan mengimplementasikan Algoritma Convolutional Neural Network. Convolutional Neural Network dengan arsitektur DenseNet201 digunakan untuk klasifikasi sampah anorganik berdasarkan material. Densely Convolutional Network merupakan arsitektur Deep Learning yang menghubungkan setiap layer beserta feature-maps ke seluruh layer berikutnya. Layer berikutnya akan menerima input feature-maps dari seluruh layer sebelumnya. DenseNet memiliki beberapa keunggulan menarik yaitu meringankan masalah gradien-gradien, memperkuat penyebaran fitur, mendorong penggunaan kembali fitur, dan secara substansial mengurangi jumlah parameter. Dalam menangani masalah imbalanced class dalam data sampah anorganik, metode class weight diterapkan untuk memberikan bobot lebih tinggi pada sampel dari kelas minoritas. Sehingga model lebih fokus dan sensitif terhadap kelas yang kurang terwakili, meningkatkan akurasi klasifikasi. Pada penelitian ini, arsitektur DenseNet201 dengan learning rate 0.0001 dan 100 epoch serta penggunaaan metode class weight menghasilkan kinerja model terbaik dengan nilai akurasi 91,77%, precision 91,89%, recall 91,82%, dan f1score 91,84%.