Implementasi Algoritma Convolutional Neural Network pada Media Pembelajaran Interaktif Pengenalan Jenis Sampah untuk Anak Sekolah Dasar Berbasis Android
Keywords:
Convolutional Neural Network, MobileNetV2, TensorFlow Lite, Media Pembelajaran Interaktif, Klasifikasi SampahAbstract
Rendahnya edukasi pengelolaan sampah sejak dini di Indonesia turut memicu meningkatnya permasalahan sampah. Metode konvensional di Sekolah Dasar (SD), seperti ceramah dan poster statis, kurang efektif memperkenalkan jenis sampah organik, anorganik, dan bahan berbahaya serta beracun (B3) kepada siswa. Penelitian ini mengembangkan EcoLens, aplikasi edukasi berbasis Android yang memanfaatkan Computer Vision untuk mendeteksi jenis sampah secara real time. Aplikasi dibangun dengan metode Software Development Life Cycle (SDLC) model waterfall, sementara model klasifikasinya menggunakan Convolutional Neural Network (CNN) berarsitektur MobileNetV2 yang dikonversi ke TensorFlow Lite agar dapat berjalan di perangkat seluler. Model dilatih pada 9.954 citra sampah dari tiga kelas, lalu dibandingkan dengan VGG16 dan CNN from scratch. MobileNetV2 mencatat akurasi 97,69%, mengungguli VGG16 (95,88%) dan CNN from scratch (92,57%), dengan rata-rata precision, recall, dan F1-score sebesar 98%. Kombinasi MobileNetV2 dan TensorFlow Lite terbukti efektif sebagai media pembelajaran pengenalan jenis sampah bagi siswa SD.
Downloads
References
[1] “SIPSN - Sistem Informasi Pengelolaan Sampah Nasional.” Accessed: Apr. 04, 2026. [Online]. Available: https://sipsn.kemenlh.go.id/sipsn/public/data/timbulan
[2] H. Gutama and F. M. Iresha, “Evaluation of solid waste management effectiveness in Indonesia from 2019-2021: a geographic information system analysis,” IOP Conf. Ser. Earth Environ. Sci., vol. 1263, no. 1, 2023, doi: 10.1088/1755-1315/1263/1/012067.
[3] R. Bangun, A. Katalog, D. A. N. Klasifikasi, M. Surakarta, and J. A. Yani, “Sampah Rumah Tangga Berbasis Android Menggunakan Kotlin Dan Mobile Net,” Prosiding Kolokium Riset Mahasiswa, vol. 1, no. 2025: Prosiding Kolokium Riset Mahasiswa, pp. 1–25, Oct. 2025, doi: https://proceedings.ums.ac.id/korma/article/view/6702.
[4] A. P. Alphita and P. O. N. Saian, “Pengembangan Aplikasi Edukasi Pengelolaan Sampah Untuk Anak Sekolah Dasar Berbasis Mobile Dengan Teknologi Machine Learning Ardian,” IT-Explore: Jurnal Penerapan Teknologi Informasi dan Komunikasi, vol. 2, no. 1, pp. 1–17, 2023.
[5] Y. Chen, Z. Zhu, Z. Lin, and Y. Zhou, “Building Surface Crack Detection Using Deep Learning Technology,” Buildings, vol. 13, no. 7, 2023, doi: 10.3390/buildings13071814.
[6] M. Muslihati, S. Sahibu, and I. Taufik, “Implementasi Algoritma Convolutional Neural Network untuk Klasifikasi Jenis Sampah Organik dan Non Organik,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 3, pp. 840–852, 2024, doi: 10.57152/malcom.v4i3.1346.
[7] L. Yong, L. Ma, D. Sun, and L. Du, “Application of MobileNetV2 to waste classification,” PLoS One, vol. 18, no. 3 March, pp. 1–16, 2023, doi: 10.1371/journal.pone.0282336.
[8] A. Purnaningtyas, Harsono, D. Fuadi, and A. Muhibbin, “The Waste Sorting Education Media: An Innovation with Android-based Game,” Jurnal Penelitian dan Pengembangan Pendidikan, vol. 7, no. 3, pp. 381–389, 2023, doi: 10.23887/jppp.v7i3.67226.
[9] M. Faizal Triasa, A. Fathurrahman, N. Faadhilah Anas, and S. Supriyatna, “Perancangan Aplikasi Klasifikasi Sampah Organik dan Anorganik Berbasis Mobile Dengan Metode Rapid Application Development (RAD),” Jurnal Ilmiah Multidisiplin, vol. 2, no. 1, pp. 75–91, 2026, [Online]. Available: https://publikasi.ahlalkamal.com/index.php/sinergi
[10] R. Albana and H. Siregar, “Rancang Bangun Aplikasi Edukasi Pemilahan Sampah ‘Pilahin’ Berbasis Android Menggunakan Kotlin,” Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), vol. 4, no. 3, pp. 2038–2048, 2026, doi: 10.62712/juktisi.v4i3.792.
[11] A. Arsyad, “Manfaat Media Pembelajaran. Media Pembelajaran,” Raja Grafindo Persada, vol. 1, p. 25, 2013.
[12] Android Developers, “Get started with camera and media on Android | Android media | Android Developers.” Accessed: Jan. 10, 2026. [Online]. Available: https://developer.android.com/media/guides
[13] F. Fotovvatikhah, I. Ahmedy, R. M. Noor, and M. U. Munir, “A Systematic Review of AI-Based Techniques for Automated Waste Classification,” Sensors, vol. 25, no. 10, 2025, doi: 10.3390/s25103181.
[14] J. C. Arbeláez-estrada et al., “Automatic Separation Systems,” MDPI, vol. 8, pp. 1–25, Nov. 2023, doi: .https://doi.org/10.3390/recycling8060086.
[15] “LiteRT: High-Performance On-Device Machine Learning Framework | Google AI Edge | Google AI for Developers.” Accessed: Apr. 04, 2026. [Online]. Available: https://ai.google.dev/edge/litert
[16] B. Prasetio and N. Pratiwi, “Deteksi Sampah Organik dan Anorganik Menggunakan Model YOLOv8,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 1, pp. 494–506, 2025, doi: 10.29100/jipi.v10i1.5965.
[17] N. Abidin and A. F. Haq, “Aplikasi Media Pembelajaran Anak Usia Dini Menggunakan Teknologi Augmented Reality Berbasis Android,” Jurnal Nasional Komputasi dan Teknologi Informasi, vol. 6, no. 1, 2023.
[18] S. A. Booton, A. Hodgkiss, and V. A. Murphy, “The impact of mobile application features on children’s language and literacy learning: a systematic review,” 2023, Routledge. doi: 10.1080/09588221.2021.1930057.
[19] S. Pargaonkar, “A Comprehensive Research Analysis of Software Development Life Cycle (SDLC) Agile & Waterfall Model Advantages, Disadvantages, and Application Suitability in Software Quality Engineering.”
