Transformasi Pengelolaan Limbah Domestik: Mengintegrasikan Deep Learning pada Tempat Sampah Cerdas untuk Validasi Kelayakan Daur Ulang Mandiri

1. Pendahuluan

Masalah pengelolaan sampah domestik merupakan tantangan lingkungan yang tidak ada habisnya di Indonesia. Seiring meningkatnya populasi dan urbanisasi, volume timbulan sampah terus meroket hingga puluhan juta ton per tahun, dengan sisa makanan (39,66%) dan plastik (19,2%) sebagai komposisi terbesar. Sayangnya, pola penanganan yang ada saat ini sebagian besar masih menerapkan pendekatan linear konvensional, yaitu take-make-use-dispose, yang hanya bertumpu pada pembuangan akhir di TPA. Jika dibiarkan, kapasitas TPA akan lumpuh dan memicu krisis lingkungan yang parah. Sebagai solusi keberlanjutan, transisi menuju Ekonomi Sirkular (Circular Economy) sangat mendesak untuk diterapkan.

Hambatan terbesar dari implementasi ekonomi sirkular ini adalah buruknya proses pemilahan sampah di tingkat hulu atau rumah tangga. Masyarakat sering kali mencampur seluruh jenis limbah ke dalam satu wadah yang sama. Fenomena ini menyebabkan kontaminasi silang, seperti sampah plastik yang terlapisi minyak atau kertas yang membusuk akibat limbah organik. Akibatnya, material anorganik tersebut mengalami degradasi kualitas visual dan fisik, sehingga kehilangan nilai ekonominya untuk diserap oleh industri daur ulang. Di sisi lain, metode pemilahan manual di pusat pemrosesan membutuhkan biaya operasional yang tinggi dan rentan terhadap kesalahan manusia.

Teknologi visi komputer (computer vision) dan kecerdasan buatan (artificial intelligence) menawarkan solusi taktis untuk mengotomatisasi proses ini secara real-time. Melalui algoritma Deep Learning seperti Convolutional Neural Network (CNN), sistem dapat dilatih untuk mengenali ciri visual objek sampah seperti bentuk dan tekstur dengan akurasi tinggi. Agar teknologi ini dapat diterapkan pada perangkat ujung (edge device) yang ramah biaya dan memiliki keterbatasan memori (VRAM), penggunaan arsitektur jaringan saraf yang ringan (lightweight) seperti MobileNetV2 menjadi pilihan yang sangat efisien. Struktur inverted residual pada model ini terbukti mampu memproses data citra dengan cepat di sisi CPU tanpa membebani performa perangkat keras.

Melalui artikel publikasi ini, diangkat sebuah gagasan modifikasi berupa teknologi pemilahan sampah otomatis yang tidak hanya membedakan jenis material secara generik, melainkan mampu memvalidasi kelayakan daur ulang dari objek tersebut secara visual. Dengan memanfaatkan inferensi MobileNetV2, sistem cerdas ini akan memisahkan material anorganik yang bersih dan bernilai jual tinggi dari material yang sudah terkontaminasi residu organik parah. Data statistik hasil pemilahan tersebut kemudian diintegrasikan ke dalam sebuah dashboard web interaktif. Rekayasa teknologi komputasi ini diharapkan mampu mengoptimalkan rantai pasok daur ulang nasional, mereduksi volume residu di TPA, serta menumbuhkan budaya pilah sampah yang cerdas di tengah masyarakat.

2. METODOLOGI DAN ALUR KERJA TEKNOLOGI

2.1 Akuisisi Dataset dan Pra-pemrosesan Citra

Langkah awal dalam perancangan sistem pemilahan otomatis ini adalah pengumpulan dataset citra sampah domestik yang representatif. Mengingat objek sampah di lapangan sering kali ditemukan dalam kondisi tidak ideal—seperti penyok, robek, atau kotor—dataset yang digunakan harus mencakup variasi kondisi visual tersebut agar model AI memiliki kemampuan generalisasi yang kuat saat diuji. Pembagian subset data dilakukan secara proporsional ke dalam tiga bagian: training set untuk melatih jaringan saraf, validation set untuk melakukan penyetelan parameter model, dan test set untuk mengevaluasi performa akhir klasifikasi.

Sebelum dimasukkan ke dalam arsitektur pembelajaran mendalam (deep learning), seluruh data gambar melalui tahap pra-pemrosesan data (data preprocessing). Dimensi gambar diubah ukurannya (resizing) menjadi format standar (misalnya $224 \times 224$ piksel atau $192 \times 192$ piksel) guna menyesuaikan spesifikasi masukan default model sekaligus menghemat penggunaan memori video RAM (VRAM). Nilai piksel gambar juga dinormalisasi ke dalam rentang [0,1] untuk mempercepat proses konvergensi selama pelatihan. Untuk meminimalkan risiko overfitting akibat keterbatasan jumlah data, teknik augmentasi data seperti rotasi acak, pergeseran lebar/tinggi (shifting), zoom, dan pembalikan horizontal (horizontal flip) diterapkan secara agresif untuk memperkaya variasi visual material sampah.

2.2 Integrasi Arsitektur AI dan Sistem Inferensi Ujung (Edge Inferences)

Otak komputasi dari sistem pemilahan otonom ini bertumpu pada arsitektur jaringan saraf konvolusional (Convolutional Neural Network) yang ringan, yaitu MobileNetV2. Keunggulan MobileNetV2 terletak pada efisiensi komputasinya yang memanfaatkan depthwise separable convolution dikombinasikan dengan blok inverted residual dan linear bottlenecks. Struktur rekayasa ini memangkas jumlah parameter pelatihan secara drastis tanpa mengorbankan tingkat akurasi model. Jaringan saraf ini dilatih menggunakan pendekatan Transfer Learning untuk melakukan klasifikasi dua tahap (Two-Stage Inference). Tahap pertama berfungsi membedakan jenis material secara struktural, sedangkan tahap kedua bertugas mengevaluasi integritas dan kebersihan objek untuk menentukan kelayakan daur ulangnya.

Secara mekanis, ketika citra objek sampah ditangkap oleh modul kamera di ruang pemindaian, model AI yang tertanam di perangkat ujung langsung melakukan inferensi otonom dalam hitungan milidetik. Hasil prediksi berupa data JSON output yang memuat informasi kelas dan tingkat kepercayaan (confidence score) dikirimkan ke mikrokontroler pengontrol (seperti ESP32). Mikrokontroler tersebut kemudian menerjemahkan data menjadi sinyal PWM (Pulse Width Modulation) untuk menggerakkan aktuator servo motor. Komponen servo mekanik inilah yang secara fisik mengarahkan platform pemilah agar menjatuhkan objek tepat ke wadah spesifiknya: bilik daur ulang berkualitas tinggi untuk material bersih, atau bilik residu untuk material yang terkontaminasi.

2.3 Pengiriman Data IoT dan Dashboard Monitoring Terpusat

Selain pemilahan fisik di hulu, efektivitas teknologi ini disempurnakan melalui integrasi ekosistem Internet of Things (IoT) berbasis komputasi awan (cloud computing). Setiap bilik kompartemen dilengkapi dengan sensor jarak ultrasonik yang bertugas mengukur level ketinggian tumpukan sampah secara berkala untuk memantau kapasitas internal tangki penampung. Data volumetrik dari sensor ini, bersama dengan log data statistik mengenai jumlah item yang berhasil dipilah berdasarkan parameter kelayakan daur ulangnya, ditransmisikan menuju cloud server menggunakan protokol jaringan ringan seperti MQTT atau HTTP POST].

Data mentah yang terkumpul di server kemudian diproses oleh backend engine berbasis pola arsitektur Model-View-Controller (MVC) untuk disajikan ke dalam antarmuka dashboard web interaktif secara real-time. Melalui dashboard terpusat ini, operator kebersihan lingkungan atau pihak pengelola gedung dapat menganalisis grafik tren produksi sampah mingguan, memantau efisiensi pemilahan material layak jual, serta menerima notifikasi otomatis jika salah satu kompartemen unit telah mencapai ambang batas penuh (misalnya 85%). Pendekatan berbasis data (data-centric approach) ini memangkas rantai birokrasi inspeksi manual di lapangan dan memastikan logistik pengangkutan sampah berjalan secara presisi serta terjadwal.

3. Hasil Dan Pembahasan

3.1 Analisis Hasil Performa Komputasi Model

Berdasarkan uji coba eksperimental yang mengacu pada riset komparasi model deep learning, implementasi arsitektur MobileNetV2 terbukti menghasilkan performa yang sangat superior untuk klasifikasi objek pada perangkat berkapasitas komputasi terbatas. Dalam pengujian menggunakan dataset gambar sampah yang bervariasi, model MobileNetV2 mampu mencatat tingkat akurasi yang stabil di atas 82% hingga 87%. Karakteristik struktur inverted residual dan lapisan linear bottleneck pada arsitektur ini terbukti efektif dalam meminimalkan hilangnya informasi visual penting selama ekstraksi fitur citra dilakukan.

Dari aspek efisiensi waktu komputasi, model MobileNetV2 menunjukkan kecepatan pelatihan dan inferensi yang jauh lebih singkat jika dibandingkan dengan model arsitektur berat lainnya seperti EfficientNetB0 atau CNN kustom. Model ini hanya membutuhkan waktu sekitar 406 detik untuk menyelesaikan fase pelatihan stabil, serta mampu mengeksekusi proses prediksi citra (inference speed) dalam hitungan milidetik per gambar langsung di sisi peladen web perangkat. Kecepatan inferensi yang instan ini menjadi faktor krusial yang memastikan alur kerja mekanik servo pemilah di lapangan dapat bergerak responsif tanpa menimbulkan antrean penumpukan objek sampah di ruang pemindaian hulu.

3.2 Dampak Ekonomi Sirkular dan Sosial

Integrasi antara kecerdasan buatan berbasis visi komputer dengan mekanisme pemilahan berbasis kelayakan daur ulang ini membawa dampak transformatif pada dua sektor utama: ekonomi dan tata kelola lingkungan. Dari perspektif industri daur ulang, keberadaan teknologi ini memangkas biaya operasional secara masif karena material daur ulang yang terkumpul di hulu sudah terkualifikasi dengan baik dan terbebas dari noda kontaminasi silang residu organik. Pabrik pengolahan limbah tidak perlu lagi mengalokasikan investasi besar untuk proses pembersihan intensif skala besar, sehingga mata rantai pasok pasca-konsumsi (post-consumer supply chain) berjalan lebih cepat dan memiliki nilai ekonomi serapan yang tinggi.

Dari dimensi sosial, kehadiran stasiun pemilahan otonom di area publik atau fasilitas komunal bertindak sebagai sarana edukasi ekologis yang interaktif bagi masyarakat. Visualisasi data statistik real-time yang disajikan melalui dashboard web memberikan transparansi informasi mengenai volume sampah yang berhasil diselamatkan dari TPA kota. Akumulasi data ini juga dapat dikonversikan oleh pihak pengelola menjadi sistem poin penghargaan (reward system) bagi warga atau mahasiswa yang aktif berkontribusi melakukan pembuangan material layak guna, mengubah aktivitas membuang sampah yang membosankan menjadi sebuah kebiasaan modern yang kompetitif dan menyenangkan.

4. Kesimpulan

Rekayasa teknologi pemilahan sampah otomatis menggunakan pendekatan Artificial Intelligence berbasis Computer Vision terbukti menjadi solusi mutakhir yang aplikatif untuk mengatasi krisis manajemen limbah domestik perkotaan. Penggunaan model arsitektur jaringan saraf ringan MobileNetV2 berhasil menjawab tantangan kebutuhan sistem yang hemat energi, ramah biaya, namun tetap memiliki akurasi dan kecepatan generalisasi tinggi pada perangkat ujung. Dengan memperluas kapabilitas inferensi AI ke arah validasi kelayakan fisik material daur ulang, kebuntuan proses pemilahan di tingkat hulu dapat diselesaikan secara otonom tanpa bergantung pada intervensi manual manusia. Kombinasi teknologi visi komputer, otomasi mekanik, dan sistem pelacakan IoT dashboard terpusat ini diharapkan mampu menjadi pilar infrastruktur pintar yang mempercepat realisasi kota berkelanjutan dan kemandirian ekosistem ekonomi sirkular nasional di masa depan.

Penulis:

Nama: Dani Andi Hendriansyah
NIM: 10123207
Kelas: IF-5
Program Studi: Sistem Informasi / Teknik Informatika
Fakultas: Teknik dan Ilmu Komputer
Universitas: Universitas Komputer Indonesia (UNIKOM)

Referensi

Wijaya, G. M. K., & Ammar, D. K. (2026). Pengklasifikasian Jenis Sampah Berbasis Visi Komputer Dan Kecerdasan Buatan. Jurnal Ilmu Komputer dan Teknologi Informasi, 3(1), 1-10.

Thio, S. E., & Susilo, J. (2025). Identifikasi Pemilahan Sampah Berbasis Algoritma Transfer Learning CNN Menggunakan MobileNetV2 dan EfficientNetB0. Bit-Tech (Binary Digital – Technology), 8(1), 25-32.

Mohammed, M. A., et al. (2022). Automated waste-sorting and recycling classification using artificial neural network and features fusion: a digital-enabled circular economy vision for smart cities. Multimedia Tools and Applications, 1-21.

Yong, L., Ma, L., Sun, D., & Du, L. (2023). Application of MobileNetV2 to waste classification. PLOS ONE, 18(3), e0282336.