EVALUASI KOMPARATIF TEKNIK MIXUP DAN CUTMIX UNTUK PENINGKATAN AKURASI DETEKSI SAMPAH BERBASIS CONVOLUTIONAL NEURAL NETWORK

Abstract

Deteksi sampah otomatis berbasis Computer Vision menjadi salah satu solusi potensial dalam mendukung pengelolaan lingkungan. Namun, performa model Convolutional Neural Network (CNN) sering terkendala oleh keterbatasan jumlah dan keragaman data pelatihan. Penelitian ini bertujuan mengevaluasi secara komparatif efektivitas dua teknik augmentasi data berbasis data mixing, yaitu MixUp dan CutMix, dalam meningkatkan akurasi sistem deteksi sampah berbasis CNN. Metode MixUp dan CutMix diterapkan pada dataset citra sampah dengan arsitektur CNN yang sama, kemudian dibandingkan dengan model baseline tanpa augmentasi data mixing. Hasil penelitian menunjukkan bahwa MixUp memberikan performa terbaik dengan akurasi sebesar 0.990060 dan nilai loss 0.026444, diikuti oleh CutMix dengan akurasi 0.989066 dan loss 0.041627. Sementara itu, model baseline menghasilkan akurasi terendah sebesar 0.942231 dengan loss 0.167226. Temuan ini menunjukkan bahwa teknik MixUp dan CutMix secara signifikan mampu meningkatkan kinerja model, dengan MixUp menjadi metode paling efektif dalam mengoptimalkan akurasi deteksi sampah berbasis CNN. Penelitian ini menegaskan peran penting augmentasi data mixing dalam pengembangan model klasifikasi citra pada domain lingkungan.