EPrints Universitas Amikom YogyakartaANALISIS ALGORITMA HYBRID CNN-SVM UNTUK KLASIFIKASI CIRTA JENIS SAMPAHArsenius AnggaRestuauthorSistem 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.005 Pemrograman komputer, program dan data2026-03-11Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.