PENGGUNAAN METODE DEEP LEARNING EFFICIENTNETB1 UNTUK MENGENALI SAMPAH ORGANIK DAN SAMPAH ANORGANIK

ABSTRAK Indonesia selalu muncul masalah lingkungan yang berkaitan dengan sampah. Pada tahun 2020 jumlah sampah di Indonesia mencapai 67,8 juta ton. Salah satu metode pengelolaan sampah yaitu metode Organic Solid Waste. OSW memiliki kekurangan diantaranya adalah efisiensi yang buruk, biaya yang tinggi, dan memiliki potensi terhadap ancaman kesehatan manusia yang melakukan pemilahan sampah. Untuk membantu hal tersebut perlu dibangun sebuah model yang bisa melakukan klasifikasi jenis sampah secara cepat, dan efisien, salah satu metode yang bisa digunakan yaitu Convolutional Neural Network (CNN). CNN memiliki arsitektur yang menjadi state-of-the-art yaitu EfficientNet-B1 merupakan metode yang memiliki efisiensi, dan kinerja yang lebih baik dengan meningkatkan model menggunakan tuning hyperparameter. Tunning hyperparameter yang digunakan yaitu learning rate, optimizer, dan fungsi aktivasi. Akurasi tertinggi pada eksperimen 5 dengan tuning hyperparameter, menggunakan split data 90:10, fungsi aktivasi Rectified Linear Unit, optimizer Adam, dan learning rate 0.01 menghasilkan nilai F1-Score 99,68%. Pengujian aplikasi web terhadap model terbaik yang telah di-deployment berhasil melakukan prediksi terhadap data yang berbeda. Kata Kunci : Convolutional, EfficientNet-B1, F1-Score, Hyperparameter Tuning, Sampah Organi