Pendekatan Explainable Deep Learning pada Klasifikasi Citra Sampah Menggunakan MobileNetV2 dan Teknik Grad-CAM serta SHAP
DOI:
https://doi.org/10.62712/juktisi.v4i3.739Kata Kunci:
Explainable AI,Waste Classification,Deep Learning,MobileNetV2,Grad-CAM,SHAP,Interpretability.Abstrak
Penelitian ini berhasil mengembangkan sebuah Explainable Deep Learning Framework untuk klasifikasi citra sampah organik dan anorganik dengan mengintegrasikan arsitektur MobileNetV2 serta teknik interpretabilitas Grad-CAM dan SHAP. Hasil evaluasi menunjukkan bahwa model memiliki kinerja yang sangat baik dengan akurasi validasi sebesar 90,25%, disertai nilai precision, recall, dan f1-score yang seimbang pada kedua kelas. Temuan ini menunjukkan bahwa MobileNetV2 mampu mengekstraksi fitur visual secara efektif meskipun dihadapkan pada data dengan tingkat variasi yang tinggi. Integrasi teknik Grad-CAM dan SHAP memberikan kontribusi signifikan dalam meningkatkan transparansi model melalui penyediaan penjelasan visual dan kuantitatif terhadap keputusan klasifikasi. Grad-CAM secara konsisten menyoroti area citra yang relevan dengan objek sampah, sementara SHAP memberikan pemahaman yang lebih mendalam terkait kontribusi fitur terhadap prediksi model. Kombinasi kedua pendekatan ini membuktikan bahwa sistem yang dikembangkan tidak hanya memiliki akurasi tinggi, tetapi juga bersifat transparan dan dapat dipertanggungjawabkan, sehingga meningkatkan tingkat kepercayaan pengguna dalam implementasi sistem pemilahan sampah otomatis. Secara keseluruhan, penelitian ini menegaskan bahwa penggunaan arsitektur ringan seperti MobileNetV2 yang dipadukan dengan pendekatan Explainable Artificial Intelligence (XAI) mampu memberikan solusi yang efektif dan efisien untuk pemilahan sampah otomatis, khususnya pada perangkat dengan keterbatasan sumber daya komputasi. Penelitian selanjutnya disarankan untuk memperluas cakupan framework dengan menambah jumlah kelas sampah, meningkatkan keragaman dataset lapangan, mengintegrasikan teknologi Internet of Things (IoT), serta melakukan pengujian langsung pada lingkungan nyata guna mengevaluasi performa sistem secara komprehensif.
Unduhan
Referensi
Md. G. R. Alam, A. Al Nakib, Md. N. Talukder, C. Majumder, S. Biswas, and J. Hassan, “Deep learning-based waste classification system for efficient waste management,” Thesis, BRAC UNIVERSITY, 2021.
G. Thung and M. Yang, “Classification of Trash for Recyclability Status,” Environmental Science, Computer Science, 2016.
O. Adedeji and Z. Wang, “Intelligent Waste Classification System Using Deep Learning Convolutional Neural Network,” Procedia Manuf, vol. 35, pp. 607–612, 2019, doi: 10.1016/j.promfg.2019.05.086.
Doly Ilham Saputra Huta Julu and Dewi Nurdiyah, “KLASIFIKASI SAMPAH ORGANIK DAN NON ORGANIK MENGGUNAKAN TRANSFER LEARNING,” Jurnal Transformatika, vol. 23, no. 1, pp. 12–29, Jul. 2025, doi: 10.26623/transformatika.v23i1.12201.
Md. M. Hossen et al., “A Reliable and Robust Deep Learning Model for Effective Recyclable Waste Classification,” IEEE Access, vol. 12, pp. 13809–13821, 2024, doi: 10.1109/ACCESS.2024.3354774.
R. Kurniawan, P. B. Wintoro, Y. Mulyani, and M. Komarudin, “IMPLEMENTASI ARSITEKTUR XCEPTION PADA MODEL MACHINE LEARNING KLASIFIKASI SAMPAH ANORGANIK,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 11, no. 2, Apr. 2023, doi: 10.23960/jitet.v11i2.3034.
M. E. Purba, A. Z. Situmorang, G. L. Br Ginting, M. W. P. Lubis, and F. M. Sinaga, “Klasifikasi Sampah Organik dan Anorganik Menggunakan Algoritma CNN,” Jurnal Sifo Mikroskil, vol. 26, no. 1, pp. 37–54, Apr. 2025, doi: 10.55601/jsm.v26i1.1510.
G. Ahmad et al., “Intelligent waste sorting for urban sustainability using deep learning,” Sci Rep, vol. 15, no. 1, p. 27078, Jul. 2025, doi: 10.1038/s41598-025-08461-w.
Z. Zhao, L. Alzubaidi, J. Zhang, Y. Duan, U. Naseem, and Y. Gu, “Robust and explainable framework to address data scarcity in diagnostic imaging,” Comput Biol Med, vol. 197, p. 111052, Oct. 2025, doi: 10.1016/j.compbiomed.2025.111052.
M. A. I. Aminudin, M. N. Abdullah, F. Mustapha, K. K. Eng, M. Mustapha, and A. Mustapha, “Explainable Deep Learning Framework for Binary Corrosion Image Classification Using Grad-CAM,” Sensors, vol. 25, no. 22, p. 7070, Nov. 2025, doi: 10.3390/s25227070.
M. Naznine et al., “PLDs-CNN-ridge-ELM: Interpretable lightweight waste classification framework,” Eng Appl Artif Intell, vol. 162, p. 112522, Dec. 2025, doi: 10.1016/j.engappai.2025.112522.
Md. M. Hossen et al., “A Reliable and Robust Deep Learning Model for Effective Recyclable Waste Classification,” IEEE Access, vol. 12, pp. 13809–13821, 2024, doi: 10.1109/ACCESS.2024.3354774.
Md. Nahiduzzaman et al., “An automated waste classification system using deep learning techniques: Toward efficient waste recycling and environmental sustainability,” Knowl Based Syst, vol. 310, p. 113028, Feb. 2025, doi: 10.1016/j.knosys.2025.113028.
T. Hulsen, “Explainable Artificial Intelligence (XAI): Concepts and Challenges in Healthcare,” AI, vol. 4, no. 3, pp. 652–666, Aug. 2023, doi: 10.3390/ai4030034.
G. Ahmad et al., “Intelligent waste sorting for urban sustainability using deep learning,” Sci Rep, vol. 15, no. 1, p. 27078, Jul. 2025, doi: 10.1038/s41598-025-08461-w.
T. Hulsen, “Explainable Artificial Intelligence (XAI): Concepts and Challenges in Healthcare,” AI, vol. 4, no. 3, pp. 652–666, Aug. 2023, doi: 10.3390/ai4030034.
K. Muchtar, N. T. Anshari, C. Chairuman, K. Alhabibie, and K. Munadi, “Rancang Bangun Purwarupa Pemilah Sampah Pintar Berbasis Deep Learning,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 3, p. 655, Jun. 2022, doi: 10.25126/jtiik.2022934976.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Muhammad Al Adib, Andri Armaginda Siregar, Bill Raj, Rahmat Humala Putra Hasibuan, Jalaluddin Nasution, Andreas Jorghy Parapat, Rika Rosnelly
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
