Pendekatan Pengurangan Overfitting pada MobileNet untuk Klasifikasi Citra Sampah

Abstrak

Tantangan yang dihadapi dalam pengelolaan sampah, khususnya dalam klasifikasi citra sampah, adalah rendahnya akurasi model yang dapat menyebabkan kesalahan dalam pemilahan jenis sampah, sehingga mengurangi efektivitas proses daur ulang. Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra sampah yang lebih akurat dengan menggunakan pendekatan MobileNet, yang disempurnakan dengan teknik reduksi overfitting seperti augmentasi data, dropout, dan regularisasi L2. Metodologi yang digunakan adalah penelitian eksperimental. Model pertama dibangun tanpa teknik pengurangan overfitting, sementara model kedua menerapkan teknik augmentasi, dropout, dan regularisasi L2. Hasil pelatihan model pertama menunjukkan akurasi pelatihan yang tinggi hingga 99,95%, namun terjadi penurunan akurasi validasi hingga 80%, mengindikasikan overfitting. Sebaliknya, model kedua berhasil mempertahankan akurasi validasi yang lebih stabil dan lebih tinggi, dengan akurasi validasi mencapai 91,24% pada akhir epoch, yang menunjukkan peningkatan kemampuan generalisasi model terhadap data yang tidak terlihat. Temuan ini memberikan kontribusi dalam meningkatkan akurasi dan efisiensi pemilahan sampah, yang mendukung sistem pengelolaan sampah dan daur ulang yang lebih baik, serta pengembangan model pembelajaran mesin dalam pengelolaan sampah dan lingkungan.