Implementasi Algoritma Xception dengan Convolutional Block Attention Module (CBAM) untuk Deteksi Jenis Sampah pada Citra Visual

Implementation of Xception Algorithm with Convolutional Block Attention Module (CBAM) for Waste Type Detection in Visual Images

Peningkatan volume sampah setiap tahun menimbulkan tantangan serius dalam pengelolaannya, khususnya dalam hal proses pemilahan yang masih belum optimal. Kurangnya kesadaran masyarakat dan keterbatasan fasilitas pemilahan manual menjadi hambatan utama dalam menciptakan sistem pengelolaan sampah yang efektif. Untuk mengatasi permasalahan ini, penelitian ini mengembangkan sistem klasifikasi jenis sampah berbasis citra visual dengan memanfaatkan algoritma Xception yang dipadukan dengan Convolutional Block Attention Module (CBAM) guna meningkatkan akurasi klasifikasi. Dataset yang digunakan mencakup berbagai kategori sampah organik dan anorganik. Eksperimen dilakukan dalam beberapa tahap, yaitu penambahan modul CBAM pada arsitektur Xception, pengujian dengan variasi pembagian data pelatihan dan validasi, serta proses tuning hyperparameter menggunakan metode Random Search sebanyak 15 kombinasi. Model dilatih menggunakan pustaka Keras dan TensorFlow, dan hasil pelatihan disimpan dalam format .h5 yang umum digunakan untuk implementasi model deep learning ke dalam aplikasi website.

Hasil penelitian menunjukkan bahwa penambahan CBAM berhasil meningkatkan akurasi model dari 88,38% menjadi 91,29% tanpa menambah waktu pelatihan secara signifikan. Selain itu, kombinasi hyperparameter terbaik yang diperoleh melalui tuning adalah Dense = 128, Dropout = 0.3, Optimizer = Adam, dan Learning rate = 0.0001. Ketika dilatih ulang dengan konfigurasi tersebut, model mencapai akurasi tertinggi sebesar 93,37%. Model terbaik kemudian diintegrasikan ke dalam aplikasi web berbasis Flask. Aplikasi ini memungkinkan pengguna mengunggah gambar sampah melalui antarmuka website yang sederhana, kemudian menerima hasil klasifikasi jenis sampah secara otomatis dan instan. Dengan penerapan teknologi ini, sistem diharapkan dapat mempermudah masyarakat dalam proses pemilahan sampah serta meningkatkan partisipasi aktif dalam pengelolaan lingkungan berbasis teknologi.

Kata Kunci : Klasifikasi Sampah, Xception, CBAM, Deep Learning, Flask

The increasing volume of waste each year poses a serious challenge in waste management, particularly in the waste sorting process, which remains suboptimal. The lack of public awareness and limited manual sorting facilities are major obstacles to creating an effective waste management system. To address this issue, this study developed a waste classification system based on visual images by utilizing the Xception algorithm integrated with the Convolutional Block Attention Module (CBAM) to improve classification accuracy. The dataset used in this study includes various categories of organic and inorganic waste. The experiments involved several stages, including the integration of CBAM into the Xception architecture, testing different data splitting schemes for training and validation, and hyperparameter tuning using the Random Search method with 10 combinations. The model was trained using the Keras and TensorFlow libraries, and the trained model was saved in the .h5 format commonly used for deploying deep learning models into web applications.

The results showed that the addition of CBAM improved the model's accuracy from 88.38% to 91.29% without significantly increasing training time. Furthermore, the best hyperparameter combination obtained from tuning was Dense = 128, Dropout = 0.3, Optimizer = Adam, and Learning Rate = 0.0001. When retrained using this configuration, the model achieved a highest accuracy of 93.37%. The best-performing model was then integrated into a Flask-based web application. This application allows users to upload images of waste through a simple web interface and instantly receive the predicted waste type classification. With the implementation of this technology, the system is expected to assist the public in sorting waste more easily and to increase active participation in environmentally conscious waste management.

Keywords: Waste Classification, Xception, CBAM, Deep Learning, Flask