%0 Thesis
%9 S1 - Sarjana
%A Restu, Arsenius Angga
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:33028
%I Universitas AMIKOM Yogyakarta
%K Klasifikasi Sampah, Generalization Gap, Deep Learning,  CNN-SVM Hybrid, Support Vector Machine, Waste Classification.
%T ANALISIS ALGORITMA HYBRID CNN-SVM UNTUK  KLASIFIKASI CIRTA JENIS SAMPAH
%U https://eprints.amikom.ac.id/id/eprint/33028/
%X Sistem manajemen sampah modern membutuhklan klasifikasi material yang  cepat dan akurat, namun metode konvesional berbasis inspeksi visual manual  menghadapi kendala subjektivitas dan kurangannya skalabilitas. Penerapan Deep  Learning,  khususnya Counvolutional Neural Network (CNN), telah menawarkan  Solusi otomatisasi, tetapi penelitian menunjukan adanya  masalah Generalization  Gap:  model yang dilatih pada dataset citra sampah bersih (pristine) mencapai  akurasi tinggi (>90%) di lingkungan yang terkontrol, tetapi anjlok drastis (<50%)  Ketika diterapkan pada real-life TPA yang kotor, tumpeng tindih, dan memiliki   pencahayaan buruk. Untuk mengatasi kesenjangan akurasi ini, penelitanini   mengusulkan implementasi Algoritma Hybrid CNN-SVM, yang menggabungkan  kemampuan ekstraksi fitur yang kuat dari arsitektur CNN (SVM). Penelitian ini  bertujuan untuk menganalisis model Hybrid CNN-SVM mana (terbatas pada model  CNN sebagai feature extractor) yang mampu meningkatkan metrik akurasi, presisi,  dan recall  dalam klasifikasi kategori jenis sampah (real-live), serta melakukan  studi komparatif terhadap model tunggal CNN dan SVM. Hasil dari penelitian ini  diharapkan dapat memberikan justifikasi empiris mengenai keunggulan pendekatan  hybrid deep learning dalam menciptakan model yang robust terhadap dataset  kompleks dan menjadi rekomendasi teknis yang solid untuk system memilihan  sampah otomatis di masa depan.