PARAMADINAPARAMADINA

Jurnal Informatika & Teknologi CerdasJurnal Informatika & Teknologi Cerdas

Peningkatan volume sampah yang terus terjadi menuntut pengembangan teknologi pemilahan otomatis yang akurat dan efisien guna mendukung pengelolaan sampah berkelanjutan. Dalam beberapa tahun terakhir, Convolutional Neural Network (CNN) menjadi pendekatan dominan dalam klasifikasi citra karena kemampuannya mempelajari fitur secara otomatis. Namun, efektivitas CNN pada kondisi dataset terbatas belum sepenuhnya dipahami. Penelitian ini bertujuan untuk mengevaluasi kinerja CNN dibandingkan dengan algoritma machine learning klasik, yaitu Support Vector Machine (SVM), Random Forest (RF), dan Decision Tree (DT), pada tugas klasifikasi sampah berbasis citra.

Penelitian ini membandingkan kinerja CNN, SVM, Random Forest, dan Decision Tree pada klasifikasi sampah berbasis citra, dimana SVM mencapai akurasi tertinggi (67,15%) diikuti oleh Random Forest (65,70%), sementara CNN hanya 23,67%.Hasil menunjukkan bahwa metode machine learning klasik dengan fitur HOG dapat memberikan performa lebih baik dibandingkan CNN pada dataset terbatas.Evaluasi komparatif ini menjadi referensi bagi peneliti dan praktisi dalam memilih teknik klasifikasi yang sesuai dengan karakteristik data dan sumber daya komputasi.

Penelitian selanjutnya dapat menguji dampak penggunaan transfer learning dengan arsitektur CNN ringan yang telah dilatih sebelumnya, seperti MobileNetV2, terhadap akurasi klasifikasi sampah pada kondisi data terbatas; selanjutnya, penelitian dapat mengeksplorasi teknik augmentasi data lanjutan, termasuk penggunaan gambar sintetis yang dihasilkan oleh Generative Adversarial Networks (GAN), untuk memperluas dataset dan meningkatkan kemampuan generalisasi model; terakhir, studi dapat menilai model hibrida yang menggabungkan ekstraksi fitur HOG dengan klasifikasi berbasis deep learning, misalnya integrasi HOG ke dalam jaringan CNN atau penerapan kombinasi HOG‑CNN, untuk menentukan apakah integrasi fitur buatan tangan dan fitur yang dipelajari secara otomatis dapat meningkatkan performa klasifikasi dibandingkan pendekatan tunggal.

Read online
File size484.27 KB
Pages8
DMCAReport

Related /

ads-block-test