Pengelolaan sampah merupakan tantangan global yang mendesak, dengan lebih dari 2 miliar ton sampah dihasilkan setiap tahun. Kondisi ini tidak hanya mencemari lingkungan tetapi juga menambah beban biaya pengelolaan, khususnya di negara-negara berkembang dengan keterbatasan infrastruktur dan teknologi. Salah satu solusi inovatif yang muncul adalah pengembangan tempat sampah pintar berbasis teknologi computer vision dan deep learning. Teknologi ini menawarkan kemampuan untuk mengotomatisasi identifikasi dan klasifikasi sampah dengan akurasi tinggi. Namun, tantangan besar berupa keberagaman bentuk, tekstur, dan kondisi sampah tetap menjadi hambatan yang memengaruhi kemampuan model deep learning dalam mengenali data baru. Penelitian ini bertujuan untuk mengembangkan model deep learning yang adaptif dan akurat dalam mengklasifikasi berbagai jenis sampah. Model yang digunakan adalah model pre- trained seperti ResNet50, VGG16, dan MobileNetV2, yang dikombinasikan dengan teknik augmentasi data untuk meningkatkan kemampuan generalisasi model terhadap data yang belum pernah dilatih sebelumnya. Pendekatan ini bertujuan untuk mengatasi keterbatasan dalam pengenalan jenis sampah serta mengevaluasi pengaruh teknik augmentasi dalam mengoptimalkan kinerja model. Proses pengujian dilakukan dengan menggunakan dataset eksternal yang berbeda untuk mengukur validitas model secara objektif. Luaran yang ditargetkan dalam penelitian ini mencakup publikasi di jurnal internasional bereputasi dan perolehan Hak Kekayaan Intelektual (HKI). Saat ini, hasil penelitian telah diajukan untuk publikasi dan tengah dalam proses tinjauan oleh reviewer. Dengan pendekatan ini, penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam menyediakan solusi berbasis teknologi untuk pengelolaan sampah yang lebih efektif dan berkelanjutan, terutama di negara-negara berkembang. Hasil penelitian menunjukkan bahwa MobileNetV2 memiliki performa terbaik dibandingkan dengan model lainnya, dengan akurasi sebesar 84,45% tanpa augmentasi dan 81,72% dengan augmentasi. Sementara itu, ResNet50 mencatat akurasi lebih rendah, yaitu 46,43% tanpa augmentasi dan 41,60% dengan augmentasi, sedangkan VGG16 menunjukkan peningkatan kecil sebesar 1,89% saat augmentasi diterapkan. Hasil ini mengindikasikan bahwa augmentasi tidak selalu memberikan dampak positif, terutama jika variasi augmentasi tidak sesuai dengan karakteristik data asli. Secara keseluruhan, penelitian ini menunjukkan potensi besar MobileNetV2 dalam mendukung sistem klasifikasi sampah otomatis yang lebih adaptif dan akurat.
