Perbandingan MobileNetV2 dan Model Generative AI Berbasis Selective Few-Shot Learning untuk Klasifikasi Sampah pada Aplikasi Mobile

Khoirul Anam, Afiahayati, S.Kom., M.Cs., Ph.D.

2026 | Skripsi | ILMU KOMPUTER

Kebijakan pengelolaan sampah tiga kategori di Universitas Gadjah Mada (UGM), yakni Organik Terpilah, Recycle Bersih Terpilah, dan Residu Terpilah, kerap terhambat oleh recycling ambiguity, yaitu kesulitan civitas academica membedakan material daur ulang bersih dan kotor. Pengenalan citra konvensional (CNN) yang dilatih atas data terbatas diduga sulit menimbang kondisi objek, sedangkan Generative AI dengan zero-shot learning murni terbatas dalam memahami aturan lokal.

Penelitian ini menguji dugaan tersebut dengan membandingkan keduanya atas data uji yang sama. Pendekatan konvensional diwakili MobileNetV2 dengan backbone pralatih ImageNet yang dibekukan, sedangkan pendekatan generatif diwakili Google Gemini 3.6 Flash pada aplikasi mobile berbasis Cloud Functions dengan mekanisme Selective Few-Shot Learning. Apabila confidence score klasifikasi awal berada di bawah ambang batas, sistem menyisipkan contoh referensi dari umpan balik pengguna untuk inferensi ulang, dan bila skor tetap rendah, meminta validasi pengguna.

Evaluasi dilakukan dalam dua tahap atas 360 citra sampah primer. Pada tahap pertama, mode zero-shot memperoleh akurasi 95,56% atas Dataset A, dan sebaran confidence score-nya menetapkan ambang batas 0,90 melalui indeks Youden. Pada tahap kedua atas Dataset B yang terpisah, mode selective few-shot memperoleh akurasi 94,44% dengan laju eskalasi 16,7%, sedangkan MobileNetV2 memperoleh 77,78%. Lima ulangan penuh menunjukkan laju eskalasi stabil dan akurasi kedua mode setara, dan label penelitian divalidasi dua mahasiswa Teknik Lingkungan dengan kappa 0,800 dan 0,713. Karena model pembanding hanya dilatih atas 180 citra, angkanya dibaca sebagai perbandingan pada ketersediaan data yang setara, bukan batas kemampuan CNN. Kesalahannya memusat pada pertukaran recycle dan residu, yakni sumbu kondisi objek yang menjadi pokok penelitian ini.

The three-category waste policy at Universitas Gadjah Mada (UGM), covering Separated Organic, Clean Recyclable, and Residual waste, is often hindered by recycling ambiguity, namely the academic community's struggle to distinguish clean from contaminated recyclables. Conventional image recognition (CNN) trained on limited data is presumed to struggle with object condition, while Generative AI with pure zero-shot learning is limited in grasping local rules.

This research tests that presumption by comparing both approaches on the same test data. The conventional approach is MobileNetV2 with a frozen ImageNet-pretrained backbone, while the generative approach is Google Gemini 3.6 Flash in a Cloud Functions-based mobile application with a Selective Few-Shot Learning mechanism. When the initial confidence score falls below a threshold, the system injects reference examples from user feedback for a second inference and, if the score remains low, requests user validation.

Evaluation ran in two stages on 360 primary waste images. First, zero-shot mode achieved 95.56% accuracy on Dataset A, and its confidence scores set the threshold at 0.90 via the Youden index. Second, on the held-out Dataset B, selective few-shot mode achieved 94.44% accuracy with a 16.7% escalation rate, while MobileNetV2 achieved 77.78%. Five full repetitions showed stable escalation and equivalent accuracy across modes, and two environmental engineering students validated the labels (kappa 0.800 and 0.713). Because the comparison model saw only 180 training images, its figure reflects equal data availability, not a CNN's limit. Its errors concentrate on confusing recyclable with residual waste, the object-condition axis central to this research.

Kata Kunci : Klasifikasi Sampah, MobileNetV2, Selective Few-Shot Learning, Generative AI, Aplikasi Mobile