VISUAL EXPLANATIONS PADA MOBILENETV2 UNTUK KLASIFIKASI SAMPAH ANORGANIK MENGGUNAKAN GRAD - CAM

Aktivitas manusia secara tidak langsung menghasilkan beragam jenis sampah,
seperti sampah anorganik yang berpotensi mencemari lingkungan. Sampah anorganik
memerlukan perhatian khusus pada pengelolaannya karena sifatnya yang sulit terurai
secara alami. Oleh karena itu, dibutuhkan metode klasifikasi untuk mendukung proses
pengelolaan sampah anorganik secara lebih efektif. Penelitian ini bertujuan untuk
mengklasifikasikan sampah anorganik dan mengevaluasi performa modelnya, serta
menghasilkan penjelasan visual terhadap keputusan model melalui metode Grad – CAM.
Arsitektur yang digunakan adalah MobileNetV2. Dataset yang digunakan terdiri dari
enam kelas sampah anorganik, yaitu botol plastik, botol kaca, kertas, kardus, kaleng, dan
styrofoam. Hasil evaluasi menunjukkan bahwa model mencapai akurasi pelatihan sebesar
0.93 dengan nilai loss sebesar 0.17 dan konvergensi pada epoch ke–34. Visualisasi
menggunakan Grad – CAM mengindikasikan bahwa model mengenali karakteristik
visual utama dari setiap kelas. Namun, kemiripan fitur visual antar objek pada beberapa
kelas menyebabkan terjadinya kesalahan prediksi. Dengan demikian, penelitian ini tidak
hanya menghasilkan model klasifikasi sampah anorganik yang efektif, tetapi juga
memberikan pemahaman visual terhadap area – area penting yang memengaruhi proses
pengambilan keputusan oleh model.
Kata kunci: deep learning, klasifikasi, sampah anorganik, MobileNetV2, Grad – CAM