Implementasi Model Machine Learning pada Aplikasi TOXMAP untuk Klasifikasi Sampah B3 Berbasis Gambar
Abstract
Sampah Bahan Berbahaya dan Beracun (B3) mengandung zat berpotensi mencemari lingkungan dan membahayakan kesehatan manusia, sehingga proses identifikasi yang cepat, tepat, dan efisien sangat dibutuhkan. Penelitian ini mengusulkan metode klasifikasi citra sampah B3 berbasis machine learning dengan memanfaatkan kombinasi arsitektur MobileNetV2 sebagai ekstraktor fitur dan algoritma Support Vector Machine (SVM) sebagai klasifikator. Dataset yang digunakan terdiri atas enam kelas citra sampah rumah tangga, antara lain Non-Toxic, Aerosol, Baterai, Kabel, Lampu LED, dan Pembersih Lantai. Seluruh data telah melalui tahap preprocessing serta augmentation berupa flip, rotation, dan penyesuaian tingkat kecerahan maupun saturasi untuk meningkatkan keragaman dan ketahanan model terhadap kondisi nyata. MobileNetV2 memproses citra berukuran 224×224 piksel, menghasilkan vektor fitur berdimensi 1×1280 yang kemudian diklasifikasikan menggunakan SVM dengan kernel Radial Basis Function (RBF). Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, serta F1-score, disertai pengujian ketahanan terhadap variasi pencahayaan, jarak, dan latar belakang. Hasil penelitian menunjukkan akurasi mencapai 90% dengan performa yang relatif stabil di berbagai kondisi visual. Temuan ini membuktikan bahwa pemisahan tahap ekstraksi fitur dan klasifikasi mampu meningkatkan efisiensi komputasi sekaligus mempertahankan akurasi tinggi. Dengan demikian, kombinasi MobileNetV2 dan SVM berpotensi menjadi solusi efektif untuk mendukung sistem identifikasi sampah B3 berbasis citra digital yang praktis dan dapat diimplementasikan pada perangkat dengan keterbatasan sumber daya.
Kata kunci— MobileNetV2, Support Vector Machine, Klasifikasi Citra, Sampah B3, Machine Learning
References
Tchobanoglous, G., and F. Kreith, Handbook of Solid Waste Management, 2nd ed. New York, NY, USA: McGraw-Hill, 2002.
R. A. Silva, "Hazardous household waste management: Challenges and strategies," Waste Management, vol. 34, no. 12, pp. 2114–2124, Dec. 2014.
C. C. Aggarwal, Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cham, Switzerland: Springer, 2018.
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
A. G. Howard, M. Sandler, G. Chu, et al., "MobileNetV2: Inverted Residuals and Linear Bottlenecks," in Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), Salt Lake City, UT, USA, 2018, pp. 4510–4520.
N. A. Sari and R. Fadilah, "Evaluasi Aplikasi Mobile Menggunakan Pendekatan Kuesioner Skala Likert," Jurnal Sistem Informasi, vol. 9, no. 1, pp. 45–52, 2021.
C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.
S. Raschka and V. Mirjalili, Python Machine Learning, 3rd ed. Birmingham, UK: Packt Publishing, 2019.
A. G. Howard, M. Sandler, G. Chu, et al., “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” in Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), Salt Lake City, UT, USA, 2018, pp. 4510–4520.
C. Cortes and V. Vapnik, “Support-vector networks,” Machine Learning, vol. 20, no. 3, pp. 273–297, Sep. 1995.
C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.
S. Suthaharan, Machine Learning Models and Algorithms for Big Data Classification. Boston, MA, USA: Springer, 2016.
S. Raschka and V. Mirjalili, Python Machine Learning, 3rd ed. Birmingham, UK: Packt Publishing, 2019.
M. Kuhn and K. Johnson, Applied Predictive Modeling. New York, NY, USA: Springer, 2
