Implementasi Metode Random Forest untuk Klasifikasi Sampah Organik dan Anorganik Berbasis Citra Digital

Abstract

Pengelolaan sampah merupakan salah satu tantangan utama yang dihadapi lingkungan perkotaan modern. Peningkatan volume sampah setiap hari menuntut adanya sistem yang efisien untuk memilah dan mengelola berbagai jenis sampah, terutama antara sampah organik dan anorganik. Proses pemilahan manual sering kali membutuhkan waktu lama, biaya tinggi, dan bergantung pada tenaga manusia. Oleh karena itu, penerapan teknologi berbasis kecerdasan buatan menjadi alternatif yang potensial untuk membantu proses pengelolaan sampah secara otomatis dan efisien. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis sampah berbasis citra digital menggunakan algoritma Random Forest. Dataset yang digunakan diambil dari platform Kaggle, yang berjumlah 1.000 citra dengan komposisi seimbang, yaitu 500 citra sampah organik dan 500 citra sampah anorganik. Setiap citra berukuran 64x64 piksel dan telah melalui tahap praproses berupa normalisasi serta ekstraksi fitur menggunakan metode Histogram of Oriented Gradients (HOG) untuk menghasilkan fitur visual yang merepresentasikan bentuk dan tekstur sampah secara optimal. Dataset dibagi menjadi dua bagian, yaitu 80% data pelatihan dan 20% data pengujian. Hasil eksperimen menunjukkan bahwa model Random Forest mampu mencapai tingkat akurasi sebesar 96%, dengan nilai precision, recall, dan F1-score yang tinggi pada kedua kelas. Hal ini membuktikan bahwa algoritma Random Forest memiliki kemampuan generalisasi yang baik untuk mendeteksi dan mengklasifikasikan jenis sampah. Berdasarkan hasil penelitian, pendekatan ini dinilai efektif dan berpotensi besar untuk diterapkan dalam sistem pengelolaan sampah otomatis berbasis pengenalan citra. Implementasinya dapat mendukung efisiensi proses daur ulang, mengurangi beban kerja manusia, serta berkontribusi terhadap pengelolaan lingkungan perkotaan yang lebih berkelanjutan