@thesis{thesis,
		author={Octadiani  Devaldi Caliesta},
		title ={Klasifikasi Sampah Organik Dan Anorganik Dengan Metode Convolutional Neural Network (CNN)},
		year={2023},
		url={http://eprints.uad.ac.id/80554/},
		abstract={Sampah merupakan limbah yang dihasilkan dari produk atau barang yang tidak 
digunakan untuk waktu yang lama dan tidak memiliki nilai fungsional. Volume 
sampah yang terus meningkat, keselamatan dan kesehatan petugas pemilah 
sampah, sampah dibuang sembarangan dan dapat merusak lingkungan.
Meminamalisir dampak yang disebabkan oleh karena itu diperlukannya sistem 
otomasi pemilahan citra jenis sampah organik dan anorganik menggunakan CNN. 
Penelitian ini mengoptimalkan penggunaan metode CNN dengan menambahkan 
lapisan dan hypermeter ke dalam arsitektur CNN yang digunakan (InceptionV3, 
ResNet152, dan MobileNetV3) guna klasifikasi jenis sampah dengan akurat. 
Proses penelitian ini melibatkan beberapa tahapan, yang meliputi pengumpulan 
data gambar dari dataset Waste Images Dataset (WID) dan Waste Classification 
data (WCD), Split data menjadi data Train dan data Test, tahapan selanjutnya 
Augmentasi data, Model Tuning dan Training model menggunakan arsitektur 
CNN (InceptionV3, ResNet152, dan MobileNetV3), Serta evaluasi model
menggunakan akurasi pada Classification Report.
Hasil pengujian menggunakan dataset WID menunjukkan bahwa model 
InceptionV3 mencapai Accuracy sebesar 0.9546, Precision 0.8906, Recall 0.8897, 
dan F1-Score 0.8901. Temuan ini mengindikasikan bahwa model InceptionV3
menghasilkan performa terbaik dalam dataset tersebut, meskipun terdapat 9 kelas 
yang diuji. Selanjutnya, pengujian dilakukan menggunakan dataset WCD dan 
hasilnya menunjukkan bahwa model InceptionV3 merupakan model terbaik dalam 
dataset tersebut dengan mencapai Accuracy 0.9351, Precision 0.9636, Recall
0.9234, dan F1-Score 0.9430. Temuan ini menunjukkan bahwa model 
InceptionV3 menghasilkan performa terbaik dalam dataset tersebut yang terdiri 
dari 2 kelas.}
		}