AI pemilah sampah buatan dosen UNM mencatat akurasi 98,79 persen

JAKARTA — AI pemilah sampah yang dikembangkan dosen Universitas Nusa Mandiri (UNM), Sri Hadianti, mencatat akurasi validasi 98,79 persen dalam pengujian untuk membedakan sampah organik dan anorganik. Capaian itu berpotensi mendukung pemilahan otomatis, tetapi modelnya belum diuji dalam kondisi nyata yang dapat mengubah hasil pengenalan.

Tim peneliti mengembangkan model yang mengenali jenis sampah dari gambar. Jika teknologi ini nantinya terhubung dengan kamera dan alat pemilah, proses yang selama ini dilakukan manual dapat dibantu sistem otomatis.

AI pemilah sampah diuji lewat gambar

Model penelitian menggunakan Convolutional Neural Network (CNN), metode yang membantu komputer mengenali pola visual, dengan arsitektur DenseNet121. Tim melatihnya untuk membedakan karakteristik gambar sampah organik dan anorganik.

Sebelum pelatihan khusus, tim menggunakan transfer learning. Artinya, model memanfaatkan pengetahuan awal dari basis data gambar ImageNet, lalu menyesuaikannya untuk mengenali sampah.

Tim juga mengubah gambar dalam data latihan dengan cara memutar, memperbesar, menggeser, dan membaliknya secara horizontal. Variasi ini membantu model mempelajari objek dari sudut pandang berbeda, bukan hanya mengandalkan tampilan gambar yang seragam.

Data penelitian dibagi menjadi 80 persen untuk pelatihan dan 20 persen untuk validasi. Tim mengoptimalkan model dengan algoritma AdamW sebelum mengukur kinerjanya pada data validasi.

Nilai pengenalan sampah organik dan anorganik

Akurasi validasi model mencapai 98,79 persen. Untuk sampah anorganik, nilai precision, recall, dan F1-score masing-masing 0,99. Pada sampah organik, precision dan F1-score tercatat 0,99, sedangkan recall mencapai 0,98.

Precision menunjukkan ketepatan prediksi model, sementara recall menggambarkan kemampuannya menemukan objek yang memang termasuk kategori tertentu. F1-score merangkum kedua ukuran itu. Angka-angka tersebut menggambarkan hasil pada data pengujian yang digunakan dalam penelitian, bukan jaminan kinerja yang sama di setiap tempat.

Batas pengujian itu penting bagi pengelola sampah. Pencahayaan di lokasi pemilahan dapat berubah, sementara sampah bisa kotor atau berubah bentuk. Kondisi seperti ini berpotensi menyulitkan kamera dan model membaca ciri visual yang sebelumnya dikenali saat pengujian.

Dari hasil uji menuju pemilahan otomatis

Tim melihat peluang untuk menghubungkan model dengan kamera pemindai dan sistem pemilahan otomatis di tempat pengolahan sampah. Dalam skenario yang dirancang, kamera mengambil gambar sampah yang bergerak di atas ban berjalan. Model lalu mengenali kategorinya sebelum mekanisme mengarahkannya ke wadah yang sesuai.

Bagi pekerja dan pengelola fasilitas, penerapan seperti itu berpotensi membantu pekerjaan memilah sampah secara manual. Namun, hasil uji akurasi belum menunjukkan bahwa sistem tersebut sudah diterapkan atau mampu bekerja konsisten di lapangan. Pengujian pada kondisi nyata masih diperlukan.

Tim juga berencana memperluas kategori yang bisa dikenali. Target pengembangan mencakup kertas, kaca, logam, plastik, hingga sampah bahan berbahaya dan beracun atau B3. Kategori yang lebih rinci dapat mendukung pemisahan material, tetapi tetap bergantung pada kemampuan model membaca sampah dalam kondisi sebenarnya.

Teknologi tersebut juga tidak menggantikan kebiasaan memilah dari rumah. Pemilahan di tingkat sumber tetap dibutuhkan agar sampah yang sampai ke tempat pengolahan lebih mudah ditangani. Tim peneliti menegaskan, “pengembangan teknologi tetap perlu berjalan bersama dengan kebiasaan masyarakat dalam mengurangi dan memilah sampah sejak dari sumbernya.”