B3 Waste Image - Based Classification Using the VGG16 Convolutional Neural Network Model
Klasifikasi Limbah B3 Berbasis Citra Menggunakan Model Convolutional Neural Network VGG16
DOI:
https://doi.org/10.21070/ups.11923Keywords:
B3 Waste, Image classifications, Convolution Neural Network, VGG16, Transfer LearningAbstract
Limbah Bahan Berbahaya dan Beracun (B3) memiliki karakteristik yang dapat membahayakan kesehatan manusia dan lingkungan apabila tidak diidentifikasi dan dikelola dengan tepat. Klasifikasi secara manual memiliki keterbatasan karena bergantung pada kemampuan manusia dan berpotensi menimbulkan kesalahan dalam membedakan objek yang memiliki kemiripan visual. Penelitian ini bertujuan menerapkan Convolutional Neural Network (CNN) dengan arsitektur VGG16 menggunakan pendekatan transfer learning untuk mengklasifikasikan citra limbah B3. Dataset diperoleh secara mandiri melalui Roboflow dan terdiri atas tujuh kelas, yaitu aki, baterai, bola lampu, botol minyak dan thinner, kaleng semprot aerosol, limbah elektronik, dan logam. Citra diubah menjadi ukuran 224×224 piksel, kemudian dilakukan normalisasi dan augmentasi. Model menggunakan bobot ImageNet dengan lapisan dasar dibekukan. Pelatihan menggunakan optimizer Adam, learning rate 0,001, dan categorical crossentropy. Hasil pengujian terhadap 880 citra memperoleh accuracy 77% dan rata-rata F1-score 0,77. Performa terbaik terdapat pada kelas botol minyak dan thinner, sedangkan terendah pada kaleng semprot aerosol.
Downloads
References
S. Aji and D. H. Wardhani, “Pengolahan Limbah Bahan Berbahaya dan Beracun ( B3 ) dengan Teknologi Insinerasi pada Fasilitas Pengelolaan Limbah Terpadu ( FPLT ) Kawasan Medan,” vol. 2, no. 1, pp. 17–25, 2024.
I. Cetak, I. Online, and J. Sampah, “DECODE : Jurnal Pendidikan Teknologi Informasi,” vol. 3, no. 2, pp. 407–419, 2023.
I. B. Al-mashhadani, “Waste material classi fi cation using performance evaluation of deep learning models,” 2023.
J. Pardede, “Implementation of Transfer Learning Using VGG16 on Fruit Ripeness Detection,” no. April, pp. 52–61, 2021, doi: 10.5815/ijisa.2021.02.04.
M. Hossen et al., “A Reliable and Robust Deep Learning Model for Effective Recyclable Waste Classification,” no. January, pp. 13809–13821, 2024.
J. Choi, B. Lim, and Y. Yoo, “applied sciences Advancing Plastic Waste Classification and Recycling Efficiency : Integrating Image Sensors and Deep Learning Algorithms,” 2023.
J. Qi, M. Nguyen, and W. Q. Yan, “Waste Classification from Digital Images Using ConvNeXt.”
M. M. Hossen et al., “A reliable and robust deep learning model for effective recyclable waste classification,” IEEE Access, vol. 12, pp. 13809–13821, 2024.
J. Qi, M. Nguyen, and W. Q. Yan, “Waste classification from digital images using ConvNeXt,” in Pacific-Rim Symposium on Image and Video Technology, 2022, pp. 1–13.
T. Yoo, S. Lee, and T. Kim, “Dual image-based cnn ensemble model for waste classification in reverse vending machine,” Appl. Sci., vol. 11, no. 22, p. 11051, 2021.
J. Choi, B. Lim, and Y. Yoo, “Advancing plastic waste classification and recycling efficiency: Integrating image sensors and deep learning algorithms,” Appl. Sci., vol. 13, no. 18, p. 10224, 2023.
S. Majchrowska et al., “Deep learning-based waste detection in natural and urban environments,” Waste Manag., vol. 138, pp. 274–284, 2022.
Downloads
Additional Files
Posted
License
Copyright (c) 2026 UMSIDA Preprints Server
This work is licensed under a Creative Commons Attribution 4.0 International License.
