Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah

Waste is goods / materials that have no value in the scope of production, where in some cases the waste is disposed of carelessly and can damage the environment. The Indonesian government in 2019 recorded waste reaching 66-67 million tons, which is higher than the previous year, which was 64 million tons. Waste is differentiated based on its type, namely organic and anorganic waste. In the field of computer science, the process of sensing the type waste can be done using a camera and the Convolutional Neural Networks (CNN) method, which is a type of neural network that works by receiving input in the form of images. The input will be trained using CNN architecture so that it will produce output that can recognize the object being inputted. This study optimizes the use of the CNN method to obtain accurate results in identifying types of waste. Optimization is done by adding several hyperparameters to the CNN architecture. By adding hyperparameters, the accuracy value is 91.2%. Meanwhile, if the hyperparameter is not used, the accuracy value is only 67.6%. There are three hyperparameters used to increase the accuracy value of the model. They are dropout, padding, and stride. 20% increase in dropout to increase training overfit. Whereas padding and stride are used to speed up the model training process.Sampah merupakan barang/bahan yang tidak memiliki nilai dalam lingkup produksi, dimana dalam beberapa kasus sampah dibuang sembarangan dan dapat merusak lingkungan. Pemerintah Indonesia tahun 2019 mencatat sampah mencapai 66-67 juta ton, dimana lebih tinggi dibandingkan tahun sebelumnya yaitu 64 juta ton. Sampah dibedakan berdasarkan jenisnya yaitu sampah organik dan anorganik. Pada bidang ilmu komputer, proses penginderaan jenis dan bentuk sampah dapat dilakukan menggunakan kamera dan metode Convolutional Neural Networks (CNN) yang merupakan jenis neural network yang bekerja dengan cara menerima masukan berupa citra. Masukan tersebut akan di training menggunakan arsitekur CNN sehingga akan menghasilkan output yang dapat mengenali objek yang diinputkan. Pada penelitian ini dilakukan optimasi penggunaan metode CNN untuk mendapatkan hasil yang akurat dalam mengidentifikasi jenis sampah. Optimasi dilakukan dengan menambah beberapa hyperparameter pada arsitektur CNN. Dengan menambahkan hyperparameter diperoleh nilai akurasi yang tinggi yaitu 91,2%. Sedangkan apabila tidak menggunakan hyperparameter nilai akurasi hanya sebesar 67,6%. Terdapat tiga hyperparameter yang digunakan untuk menaikan nilai akurasi model yaitu dropout, padding, dan stride. Penambahan dropout sebesar 20% untuk meningkatkatkan overfitting saat pelatihan. Sedangkan padding dan stride digunakan untuk mempercepat proses pelatihan model